KeyFrame內部研究專用

Claude Tag揭秘,Slack会成为新的IDE吗 | Lamis Mukta | Claude Code | 智能体 | Dreaming睡眠整理 | 团队协作 | 大语言模型 | AI生产力

最佳拍档·7月20日週一·23 min中文

三句話摘要

Anthropic Claude Tag 如何將AI從被動助手轉變成主動的團隊協作成員。 AI 智能體正從被動回應式工具演進為主動協作型團隊成員,關鍵在於清晰定義任務標準、建立信任機制、打造支持持續學習的記憶系統。 Claude Tag 的核心差異在於主動性與持久性——相比 Slack 原有的被動回應模式,Tag 能自主在後台執行任務、主動報告進度、跨多個頻道理解團隊全貌,代表 AI 從會話制工具演進到工作流驅動型智能體。

重點整理

重點
  • 1

    Claude Tag 的核心差異在於主動性與持久性——相比 Slack 原有的被動回應模式,Tag 能自主在後台執行任務、主動報告進度、跨多個頻道理解團隊全貌,代表 AI 從會話制工具演進到工作流驅動型智能體。

  • 2

    模型能力與人類協作方式正在改變預期——隨著 AI 自主運作時間指數級增長,成功的關鍵不再是模型有多聰明,而是人類是否能清晰定義任務的成功標準,讓 AI 循環驗證直到達成目標。

  • 3

    權限與安全架構決定了規模化部署——Claude Tag 採用獨立身份而非繼承個人權限,允許團隊為不同頻道設置差異化權限,既支持開放協作文化又確保企業級可審計性。

  • 4

    記憶系統應保持簡單而非過度設計——Dreaming 的設計教訓是,複雜的索引和專門工具往往不如直接依賴 AI 對檔案系統的理解;定期運行審查任務讓舊記憶自動淘汰,防止信息堆積帶來的決策偏差。

實用技巧與重點

乾貨
  • 核心數據
  • Claude Tag 創建的 PR 占比:65%
  • Claude Code 採用率:發布前內部 50% 員工週使用
  • Anthropic 全公司依賴程度:過去一年從 30% 升至 60%
  • AI 自主運作時長增長速率:每 4 個月翻倍(METR 研究數據)
  • 行銷團隊自動化成果:30 分鐘工作流→30 秒執行
  • 具體案例
  • Stripe 整個程式碼庫重寫:原需週/月,現需天/小時
  • 行銷成員從零基礎→完整自動化流程(同一天內)
  • Anthropic 周報機制:Claude 自動匯總團隊學習、數據統計、儀表板更新
  • 工具與概念
  • Claude Tag:Slack 原生集成、獨立 AI 身份、權限隔離
  • Claude Code:長時間自主編程、沙盒驗證、PR 自動生成
  • Managed Agents API:企業級智能體服務、基礎設施託管
  • Dreaming:研究預覽功能、記憶審查與優化、偏差檢測
  • 關鍵設計原則
  • 為模型未來能力而非今日能力設計產品
  • 清晰定義成功標準是有效委託任務的前提
  • 主動性可調節:從@觸發→時間表執行→主動加入討論的梯度
  • 記憶系統:簡單檔案系統優於複雜索引、定期審查防止信息腐爛

結論

結論

AI 智能體正從被動回應式工具演進為主動協作型團隊成員,關鍵在於清晰定義任務標準、建立信任機制、打造支持持續學習的記憶系統。

完整解析

詳細

團隊中的 AI 助手過往的限制很明顯:每次對話都要重新@一次、完全無法記得前次內容、不知道其他同事在做什麼。Anthropic 應用 AI 團隊的研發人員 Lamis Mukta 在最近一次播客中,詳細拆解了他們全新發布的 Claude Tag 產品——它改變了這種被動模式。Claude Tag 本質上是一個積極主動的協作夥伴,直接整合在 Slack 工作區裡。看似只是多了個功能,但底層機制有三大根本差異。首先是主動性,Tag 可以長時間獨立執行任務、自動回報結果、甚至主動提醒你需要注意的事項,真正發揮了當今 AI 智能體長時間自主運行的能力——這一能力近十年來每四個月翻倍成長。其次是跨頻道記憶,Tag 同時與整個團隊溝通,累積各個頻道的上下文,理解整體工作全景。第三是打破單次會話限制,對話不再結束後清零,而是持續建立上下文。

這樣的轉變帶來的工作流程改造是深層的。原先要開啟 Claude Code 獨立會話來指揮任務,現在整個端到端流程可在一個 Slack 線程裡完成:收到反饋→Tag 自動捕捉→自動@相關人員→自動在 Linear 建立工單→自行理解需要程式碼開發→啟動沙盒執行任務→驗證功能→準備 PR。一切都是透明公開的,相關人員從始至終看得清楚。Anthropic 內部的數據表明,自啟用 Claude Tag 以來,產品工程團隊有 65% 的 PR 請求是由它建立的。工作模式也隨之轉變——從 Claude Code 的單人獨立開發演變成 Claude Tag 的多人異步協作。多人協作的效應是指數級的,一個客服工單可能先拉入主管進展同步、再拉入工程師技術評估、最後讓工程師負責程式審查部署,這種漸進式的團隊參與方式曾經很難在傳統流程中實現。

但要讓這套體系真正運行,信任的建立至關重要。Lamis 強調,這不是瞬間的信任,而是伴隨 AI 自主運作時間指數級成長而逐步建立的。她分享了最近在歐洲巡迴時提出的一個問題——誰有 FOMO,覺得 AI 使用還不夠——結果全場舉手。但同時也提醒,將能力轉化為實際客戶價值還需要基礎設施配套:上下文與記憶管理、工具管理、安全與權限、模型部署託管。為此,Anthropic 為 Claude Tag 設計了獨立的 AI 身份,它不再繼承個人權限,而是擁有自己的 API 金鑰與權限範圍,讓審計與權限控制變得清晰可追蹤。他們也透過頻道級權限隔離、Dreaming 記憶審查機制等設計,一邊支持開放的協作文化,一邊確保企業級安全。Dreaming 的運作方式很有意思——定期將記憶庫和執行軌跡交給另一個 AI 去審查,找出過時、誤導或缺失的信息,並提供修改建議,開啟了持續學習之路。

最後,Lamis 鼓勵團隊從簡單場景開始試驗——日報彙總、緊急事務提醒、週報生成——這些都是明確定義成功標準的好切入點。她自己最欣賞的用法是讓 AI 反思工作表現、列出成就與改進建議。這說明我們正在見證人機協作的根本轉變,AI 不再是被召喚的助手,而是懂得主動報告、具備團隊視野、能在你睡覺時修復生產環境問題的真正協作者。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。