Human-Agent Teams

Human-Agent Teams 是 Anthropic 用来描述人类与 AI Agent 共同工作的组织形态，也可称为 multiplayer agents。它不是“一个人用聊天窗口提效”，而是把 Agent 当作团队成员纳入共享工作空间：人设定目标、分配职责、提供工具和上下文，Agent 执行探索、编码、分析、审查、汇报或自动化任务，最终由人类保留关键判断和责任。

在 Claude Code 的语境里，这个趋势从工程团队扩散到设计、数据、增长营销、法务等职能：有人让 Claude Code 导航陌生代码库、生成测试、排查生产故障；也有人让它生成 React 可视化、批量处理广告文案、原型化内部工具。关键变化不是“更多人会写代码”，而是“更多工作被重写成可描述、可执行、可验证的 Agent 工作流”。

与单人 Agent 使用的区别

维度	单人使用 Agent	Human-Agent Teams
工作边界	当前用户的一次任务	团队长期目标和职责分工
上下文	用户临时粘贴或 Agent 临时探索	共享文档、`CLAUDE.md`、Skill（技能）、记忆和工具权限
角色	一个通用助手	多个有明确职责的 Agent 与人类成员
验证	用户事后检查	测试、rubric、reviewer、状态报告和人工升级
产物	一次回答或一次代码修改	代码、runbook、自动化流程、插件、团队操作习惯

这个差异说明：Human-Agent Teams 的核心不在模型能力本身，而在 Harness Engineering（驾驭工程）和组织设计。Agent 要在团队里可靠工作，必须知道在哪里找信息、能调用哪些工具、谁负责什么、何时停下来、如何证明工作合格。

Anthropic 对约 40 万次 Claude Code 交互会话的观察为这种分工提供了一个经验基线：人类平均承担约 70% 的规划决策，却只承担约 20% 的执行决策。任务领域专长越高，用户每条指令触发的 Agent 动作链越长，严格成功率和遇错后的恢复率也越高；主要收益集中在从新手到中等熟练，而不是从熟练到顶尖专家。这意味着团队不应只追求“让 Agent 更自治”，还要让掌握业务约束的人负责目标、验收和纠偏。详见 Agentic Coding and Persistent Returns to Expertise。

从能力迁移看，人的问题定义、约束表达、验收设计和异常纠偏可以跨 Claude Code、Codex 与后续模型复用，具体代码实现则更容易随工具变化而被替代。但这种判断力仍然依赖任务领域：它能跨工具迁移，不等于能跨会计、软件工程、法律等领域自动迁移。团队真正可积累的资产，是领域专家的判断框架，以及把这些判断外化为规格、测试、rubric、runbook 和 Skill（技能）的能力。

五个组织机制

Anthropic 的案例可以归纳为五个机制：

共享上下文：团队知识必须可搜索、可引用、可被 Agent 读取。散在个人脑子里的惯例、口头知识和临时 Slack 解释，会变成 Intent Debt（意图债）。
角色 roster：写清楚哪些人和哪些 Agent 在团队里，各自负责什么。角色越具体，人越容易追踪责任，Agent 也越容易被复用和组合。
工具与权限：每个 Agent 都需要完成职责所需的工具访问，但不应获得无限权限。Model Context Protocol（模型上下文协议）、插件、hooks 和沙箱共同构成这层边界。
验证机制：代码可以用测试验证，文档可以用 rubric 和 style guide 验证，分析可以用数据口径和来源核对验证。没有验证，Agent 只是更快地产生待审内容。
North Star：长期 Agent 不只执行明确任务，还可能建议新工作流。此时需要人类写下团队的北极星目标，让 Agent 的主动性有方向和边界。

这些机制和传统团队管理并不陌生：清晰角色、共享文档、质量标准、共同目标，本来就是健康团队的基本功。Agent 只是把这些基本功的重要性放大了，因为模糊职责和隐性知识会直接变成错误行动。

自治梯度

Human-Agent Teams 不应该一开始就把高风险任务全交给 Agent。更合理的是按可靠性逐步提高自治等级：

等级	Agent 权限	人类职责
L1 建议	只给解释、方案和待办	人类执行全部动作
L2 起草	生成代码、文档或分析草稿	人类审查后合并或发布
L3 有界执行	在沙箱、测试或低风险范围内直接修改	人类检查结果和异常
L4 主动分诊	定期扫描任务、提出优先级和修复候选	人类决定取舍和资源
L5 长期代理	按 north star 持续运行并汇报状态	人类设置目标、预算、权限和升级规则

自治等级提升的前提不是“模型更聪明了”，而是 Agent 在该任务上反复证明可靠：能找到正确上下文，能使用正确工具，能暴露不确定性，能通过外部验证，能在越界时升级给人。

跨职能扩散

Claude Code 在 Anthropic 内部的跨职能案例说明，Agent 编程工具进入组织后会沿三条路径扩散：

工程提效：代码库导航、测试生成、代码审查、故障排查、重构和迁移。
专家工具民主化：数据科学家、设计师、营销人员、法务等岗位用自然语言生成小型应用、可视化、插件或流程工具。
知识资产化：把排障过程、系统知识、数据口径和团队惯例沉淀为 runbook、CLAUDE.md、Skill、插件或自动化工作流。

ChatGPT Work 的销售团队工作流提供了同一分工在非工程岗位中的例子：Agent 汇集 CRM、通话、邮件和协作工具中的已授权上下文，生成账户优先级、meeting brief、预测风险审查、账户计划或停滞商机诊断的第一版；销售人员和管理者仍负责客户关系策略、预测承诺和最终判断。这对应上面的 L2“起草”到 L3“有界执行”，而不是因为接入了 CRM 就自动进入长期自治。

这里的边界仍然受 Closed vs Open Tasks（封闭性任务与开放性任务）约束。越能定义输入、输出、约束和验收信号，Agent 越适合自主推进；越依赖法律责任、品牌判断、组织政治或最终业务取舍，越需要人类保留审查权。

与 Loop Engineering 的关系

Loop Engineering（循环工程）解决“如何让 Agent 系统持续发现任务、执行、验证、记录状态并决定下一步”。Human-Agent Teams 解决“这些循环和 Agent 在组织里由谁负责、服务什么目标、如何与人协作”。

两者经常同时出现：一个团队先用 Claude Code 做单次任务，随后把常见任务写成 Skill，把检查逻辑写成 hook 或 eval，把重复触发交给 /loop、/schedule 或 Dynamic Workflows（动态工作流）。当这些循环开始服务团队目标、拥有明确角色并与人类成员协作时，它就从个人工具使用升级为 Human-Agent Teams。