Clipping X

从每人一套 Claude 到团队共享一个 Harness

by @freeman1266 原文 ↗ 原载于 2026-06-29
Created: 2026-07-05

图像

一个新人入职第一天,就能用上和资深员工完全相同的 AI 工作流。开箱即用,同一套 harness、同一套连接器、同一套技能。不需要自己配环境,不需要找人要 prompt。

这件事正在 Anthropic 内部发生。

一个人的 Claude → 一个团队的 Claude

LangChain 的 rlancemartin 分享了他加入 Anthropic 后观察到的变化:

刚来的时候,几乎每个人都有自己的 Claude Code harness——个人连接器、个人配置、个人习惯。Agent 的身份和个人绑定。然后 Claude Tag 出现了。

Claude 有了组织级身份。共享连接器、共享技能、共享上下文。

图像

直接好处:新员工 Day 1 就能用上团队最成熟的 harness,不再花两周从零搭建。一个能访问公开频道上下文的 Agent 天然就是组织记忆的载体——它知道这个问题上周有人问过,知道那个方案已经被否了。事故频道里 @Claude,它协助多位工程师同步排查根因;长讨论串里 @Claude,它把散落的信息汇聚成事后复盘。Claude 不是在”帮某个人”,是在”帮这件事”。

但”共享”也意味着耦合。一个人调坏了共享连接器的配置,全团队的 Agent 一起出问题。个人 harness 时代至少故障是隔离的。组织级 harness 需要有人来维护——相当于多了一个内部基建的运维负担。谁来做这件事?rlancemartin 没提。

从同步到异步

rlancemartin 用了一个比喻:

Claude 是光源,产品是聚焦光线的透镜。随着光源变强,合适的透镜也在变。

以前模型能力不足,你需要频繁签到、引导、审批。把任务丢给 Slackbot,五分钟后回来发现它跑偏了。体验太差,只好回到 CLI 亲自盯着。

现在 Claude 的任务时长每四个月翻倍。加上提示注入抵抗力增强、分类器自动审查操作、安全模型完善——信任异步委托终于可行了。

图像

交互方式变了:以前你坐在那里一条一条喂指令;现在你丢一个 goal(“找出延迟瓶颈,分析并修复”),关上电脑,六小时后回来看结果。

说”可行”是一回事,实际体验是另一回事。六小时后回来,如果结果不对,你浪费的不是五分钟而是六小时。同步模式的好处是你能在第三步就发现方向偏了,立刻纠正。异步委托对任务的可验证性要求很高——如果你没法快速判断结果是不是对的,那”关上电脑六小时”就是赌博。

配合 Claude 用 HTML 仪表板呈现结果的能力,这种模式比较适合数据科学、长跑实验、大规模迁移——产出可量化、对错容易判断的工作。开放式的设计任务或需要大量隐性知识的工作,现阶段还是盯着比较踏实。

从被动到主动

异步的前提是:Claude 卡住了得来找你,而不是你每隔十分钟去问一句”好了没”。

Claude Tag 做到了主动性可配置。按频道设置响应偏好:这个频道始终响应,那个频道只响应特定类型请求。也可以设触发条件:“当 X 指标超过阈值时 @我”。

图像

几个真实场景:

  • @Claude 监控长时间运行的实验,有异常主动报警
  • 开始新任务前,@Claude 先搜索频道里是否已有类似工作
  • 告诉 Claude “当某条件满足时提醒我”,它会在对的时刻 @你

这里有个没解决的问题:噪音。一个频道里十几个人都配了自己的触发条件,Claude 的 @mention 会不会变成另一种通知轰炸?Slack 通知已经够多了。主动性可配置听起来好,但”配得好”需要每个人都有足够的意识去调参——现实是大多数人会用默认值,然后抱怨太吵或太安静。

对独立开发者意味着什么

你可能觉得组织级 harness 和自己无关。

底层逻辑一样:Agent 的身份应该是持久的。如果你的 Agent 每次打开都从零开始,它就是个临时工。CLAUDE.md + memory + skills 是同一件事的个人版——让 Agent 记住你的项目结构、偏好、历史决策。

不过持久性也有代价。Agent 记住了三个月前你做的架构决策,但那个决策可能已经过时了。持久上下文如果不定期清理,会变成”用旧地图导航”——Agent 基于过期信息给建议,你还不一定能察觉。无状态有无状态的好处:每次都重新理解当前代码,至少不会被历史包袱误导。

Claude Tag 背后的转变

维度以前现在
身份个人绑定组织绑定
交互同步等待异步委托
行为被动响应主动出击

方向很明确。但现阶段我更关心的是:这套东西跑在 Anthropic 内部能成立,多大程度上是因为他们自己就是模型的开发者?他们对模型能力边界的判断力、出问题时的 debug 能力,普通团队不具备。把同一套 harness 搬到一个对 LLM 没有深度理解的团队,效果可能完全不一样。

输入关键词开始搜索