30 秒看懂
Claude Code 团队说，他们的工作已从关注每次工具调用，转向向智能体设定目标并检查结果。Robert Boyce 用基于 Slack 的 Claude Tag 查找团队背景信息，并用它开发产品自身；Sid Bidasaria 介绍了如何用多个智能体寻找和质疑潜在漏洞，再呈现重要发现。团队也会移除新模型不再需要的辅助机制，同时继续投入验证、代码审查和反馈。
- 1Slack 中的背景信息帮助智能体处理更大的问题Robert Boyce 说，他用 Claude Tag 处理比编写单个函数更复杂的问题。它能访问团队讨论，从中查找产品背景和过去的决策。
- 2有用的变通办法可能随模型进步而过时Sid Bidasaria 说，待办列表曾帮助旧模型坚持完成长任务，但后来的能力降低了对此方法的需求。团队介绍了如何移除不再解决当前限制的辅助机制。
- 3AI 审查可以让人专注于架构背景Boyce 说，Claude 可以处理细小的审查意见，并帮助判断人应该关注哪里。人工审查者可以专注于模型可能不了解的 API 设计和服务边界背后的原因。
- 4多个智能体可以寻找漏洞并质疑每项发现Bidasaria 介绍了一种审查工作流：先并行寻找潜在漏洞，再从多个角度检查每一项。目的是筛选结果，留下需要关注的问题。
- 5Claude Tag 团队用自己的产品开发产品Boyce 说，他专注于为智能体提供能端到端构建和测试集成软件的开发环境。Slack 界面展示的是消息，而非每个内部步骤；完整记录可另行查看。
- 6一个工具在 Slack 中从寻找相关人员走到监控反馈一名团队成员介绍了如何用 Claude Tag 寻找感兴趣的同事、制作界面草图、实现工具并监控内部使用情况，随后又请它提出用户漏斗的改进建议。
要点建议
- 向智能体提供目标和完成目标所需的背景，再提供验证结果的方法。
- 代码审查时，可将潜在漏洞搜索分配给多个智能体，从不同角度质疑发现后再呈现结果。
- 随着能力变化重新审视针对特定模型的辅助机制：一个模型需要的变通办法可能后来不再需要。
- 用可重复的后台例行任务收集反馈、排列优先级，并修复系统有把握处理的问题。
- 将逐项处理工作的确定性代码，与对每一项进行推理的智能体结合起来。
按章节阅读整理后的全文
从工具调用转向在 Slack 中设定目标
团队介绍了如何通过 Claude Tag 委派更复杂的工作。它能够获取团队背景并利用过去的产品决策，而工程师则不再那么关注每一次工具调用。
Thariq Shihipar 提到，一年前团队还在向 Claude Code 发提示、提供反馈并接受权限请求。他问 Robert Boyce 和 Sid Bidasaria，现在他们如何使用它工作。
Boyce 说，他通过 Claude Tag 完成大量工作，交给它的问题比实现一个类或编写一个函数复杂得多。他说，由于智能体在 Slack 中运行，它可以查找产品背景和团队过去的决策，并在作出选择时利用这些信息。
Bidasaria 估计，自己 70%–80% 的工作现在通过 Claude Tag 完成；有些细化工作或需要更密切监督的任务则使用终端或桌面应用。他说，工作方式已从关注记录和每次工具调用，转向向模型表达一个要实现的目标。
Shihipar 回顾了团队构建 Claude Code 和最终组合成 Claude Tag 的各项组件时，软件开发周期发生的变化。这些组件支持验证、代码审查、头脑风暴和监控。
为不断变化的模型构建工具
工程师介绍了模型进步如何让早期辅助机制过时。他们既要服务当下的用户，也要调整工具，为未来更大的任务做准备。
被问及该产品与过去的软件有何不同时，Bidasaria 说，底层技术的寿命过去以年计，AI 模型却可能在数月内发生根本变化。团队既要探索前沿，也要为使用当前模型的人提供价值。
Bidasaria 回忆待办列表是如何让工具适应模型能力的。他说，大约在 Sonnet 3.5 时期，模型面对五项任务可能只完成三项，列表能起到帮助。大约一年后，更先进的记忆和其他能力让这种特定列表变得不那么必要。
Boyce 说，随着模型改进，工程师必须愿意丢弃用于弥补当前模型缺陷的功能。与此同时，更大、更难的任务也会带来新需求：工具必须帮助模型在更广的范围内保持连贯并做好工作。
从本地会话到云端定期任务
团队回顾了远程环境和托管容器如何让更长时间运行的工作成为可能。定期任务可以在后台收集反馈并修复选定的问题。
Shihipar 说，Claude Code 团队必须紧跟模型进展，有时还要快速作出重大改变，例如一边创建主动式智能体，一边重做权限系统或 artifact。他认为大多数产品的技术寿命没有这么短，但工程师通常仍需要理解能力正在如何变化。
谈到 AskUserQuestion 工具时，Shihipar 说，他希望 Claude 能够进行互动。他最初让模型在规划之后提问，后来把提问做成了模型可以调用的工具。起初让模型用好这个工具很困难，但模型后来进步了；最近他有时会改用包含问题、图表和界面草图的 HTML artifact。
Bidasaria 将循环任务追溯到智能体在他笔记本电脑本地运行的时候。离开办公室时合上电脑，工作也会停止。远程开发环境让智能体不依赖笔记本电脑继续运行，但重新连接这些环境也有摩擦。
Claude Code 网页版中的托管容器让访问后台工作变得更容易，但设置开发环境访问权限仍是一项挑战。Bidasaria 说，从生产力角度看，这么做值得。云端运行还带来了定期任务，例如每天收集反馈、排列优先级，并修复智能体有把握处理的问题。
团队将这描述为超越单次提示会话：人们在更高层次设定指令，定期任务则可以持续寻找或修复问题。
用智能体和工作流审查代码
工程师介绍了如何用 AI 向人呈现重要的审查问题。并行搜索、对抗性检查和确定性代码可以组织更大规模的工作流。
Shihipar 问，随着生成的代码增多，代码审查发生了什么变化。Boyce 说，Claude 可以帮助审查者决定把注意力放在哪里。审查者不必仅为证明自己读过变更而留下细小评论，可以让 Claude 查找并处理小问题。
Boyce 说，人们随后可以关注更大的问题，例如 API 或服务边界为什么要那样设计。模型编写变更时可能没有充分理解这些背景，因此将其带入审查并把相关信息交给人很有价值。
Shihipar 说，代码审查是早期采用大规模并行搜索漏洞、再汇总结果的场景之一。执行任务时投入的额外计算也启发了工作流功能。
Bidasaria 介绍了一种工作流：先派出多个智能体寻找潜在漏洞，再从多个角度检查每项发现，质疑它是否真实存在。目的是筛选结果，呈现需要人关注的重要问题。他说，类似方法也可用于性能问题或研究。
作为例子，团队讨论了规划旅行：多次搜索可以收集候选地点，其他智能体可以排序和验证，最后一步再总结结果。Bidasaria 说，广泛搜索之后的挑战，是把大量信息筛选成人能够使用的结果。
Boyce 重视这些工作流中确定性代码与模型推理的结合。他说，如果 Claude 编写一个遍历一组项目的循环，这段代码会让他更有信心：相同方法会应用于每一项，不会漏掉其中某项。
用 Claude Tag 自己的智能体开发 Claude Tag
Boyce 致力于构建一个让 Claude Tag 能开发和测试自身的环境。团队还介绍了通过 Slack 进行验证、内部发布和接收反馈的过程。
谈到开发 Claude Tag 时，Boyce 说团队大量使用 Claude Tag 自身。他关注的是让 Claude 能够使用开发环境和反馈流程，从而端到端构建软件并测试集成结果。随着产品越来越复杂，这件事也变得更难。
Boyce 说，Slack 界面与底层记录的分离程度比以前更高。Claude 通过工具自行选择何时发送消息；完整记录可以通过链接查看，但内部步骤不是主要界面。他说，虽然一开始对此感到不适，但在没有监督每个步骤的情况下仍获得有用结果，改变了他对模型的信心。
Shihipar 介绍了自己如何通过 Claude Tag 开发新工具。他先询问谁可能感兴趣，然后让它在 Slack 中制作界面草图并实现工具。在内部部署并加入使用事件记录后，他用 Claude Tag 监控使用情况并提醒他查看反馈。
当他注意到用户没有完成预期流程时，Shihipar 最初考虑让 Claude 实现自己的想法。后来他改为请 Claude 提出改善漏斗的方法，把自己的想法作为例子。他说，以更高层次的方式工作，让他真正理解了这种方法。
团队将这个过程与验证、代码审查以及来自事件数据、Slack 或问题追踪系统的反馈联系起来。Shihipar 说，Claude 为 Claude Code 创建变更时，会进行测试并发送截图。一位同事还会让它录下自己使用终端界面的过程，然后亲自尝试结果，做一次基本检查。
实现变快之后，工作发生了什么变化
工程师回顾了自己曾经喜欢的细节工作，以及重心向创意和解决问题转移的过程。他们认为软件工程是一个持续变化的职业。
回顾过去一年，团队说，自动权限、记忆和工作流等新增功能让开发者需要关注更多东西。Shihipar 认为，持续的挑战是退后一步，重新思考现在什么成为可能，以及还有什么可以自动化。
被问及怀念过去软件工程的哪些方面时，Bidasaria 说，他喜欢性能工程和深入研究系统。他认为 Claude 现在做这项工作比自己更好，而他仍能受益于性能提升。他的注意力已转向产生创意，以及更快地从想法走到原型和生产环境。
Boyce 也喜欢细致的设计工作。他回忆，自己曾花一天时间用 CSS 的多层渐变重现旧版 macOS Aqua 按钮；他说，现在他会让 Claude 完成。小时候，他还不会编程时曾用 PowerPoint 制作互动游戏；他觉得今天自己能够尝试的事情出现了类似的扩展。
Boyce 说，即使缺少某项特定技术能力，他也可以从想要的结果出发，将其拆解并与 Claude 合作完成。最后，团队将软件工程描述为一个不断变化的职业：工具和问题会演变，但工作依然是解决问题。
同频道的其他文章
16:17EN → 简体中文
Claude· 2026年11月6日Salesforce 如何用 Claude Code 将有效编码产出翻倍Boris Cherny, Muralidhar Krishnaprasad, Richard Pack · AnthropicSalesforce 介绍如何衡量 AI 辅助工作的价值、培训工程师使用智能体，并检查生成代码的缺陷。
10:38EN → 简体中文Claude· 2026年10月23日Factory 的 Matan Grinberg：如何建立值得信赖的软件智能体Kai Gill, Matan Grinberg · AnthropicFactory 首席执行官说，智能体从一家银行的 COBOL 迁移中吸取经验，让下一次迁移所需的人力参与减少了 90%。
12:19EN → 简体中文Claude· 2026年10月8日Shopify 的 Mikhail Parakhin：用 AI 做过去做不到的事Boris Cherny, Mikhail Parakhin · AnthropicShopify 首席技术官介绍商家预测系统，并建议开发时使用最大模型，生产环境使用成本较低的模型。
33:46EN → 简体中文Claude· 2026年10月6日Every 如何打造学习团队风格的共享 AI 同事Katelyn Lesse, Dan Shipper, Willie Williams · AnthropicEvery 的 Slack 智能体共享工作流，从编辑的历史修改中学习，并通过隔离会话尊重访问权限。
17:50EN → 简体中文Claude· 2026年9月24日Patrick Collison：用 AI 加速开发，同时保持可靠性Boris Cherny, Patrick Collison · AnthropicStripe 首席执行官介绍隔离开发、严格的安全边界，以及一个由两三名工程师借助 AI 用两个月完成的项目。
34:42EN → 简体中文Claude· 2026年9月8日三位创始人谈 AI 智能体的验证、扩展与成本Lance Martin, Sahaj Garg, Mihir Garimella, Todd Olson · AnthropicWispr、Actively 和 Pendo 介绍如何构建智能体产品、测试其工作，以及决定哪些基础设施由自己管理。