Agentic Work Atlas

Human Agent Teams

8分钟阅读

Human Agent Teams（人机协作团队）

定义

Human Agent Teams 是 Anthropic + Slack 联合提出的协作形态：人类 + AI agent 在共享工作环境（Slack channel）中循环 handoff——agent 负责 production work（drafting、summarizing、monitoring、preparing），人类负责 review、decide、redirect。核心节律是 handoff loop 而非 one-shot delegation，是 distributed cognition 的工程化。

核心节律

Human: 设定目标 / 提供 context
    ↓
Agent: 执行 production work
    ↓
Human: review / decide / redirect
    ↓
Agent: 重做 / 准备下一步
    ↓
循环到目标完成

Persistent Coworker：从 handoff 到持续协作

Tara Seshan 把工作接口的下一步描述为 persistent coworker：Agent 在更高抽象层持续工作，人类按同步节奏查看进展、补充方向和反馈，而不是每一步都重新发起一次请求。她还设想“multiplayer”式协作：不同人的 Agent 在共同工作中互相检查、共享结果，人类共同 steering 一组 Agent。

这为本页增加了一个时间尺度和协作尺度上的扩展：

维度Human Agent TeamsPersistent Coworker
时间尺度一轮或多轮 handoff loop跨更长时间持续工作、按节奏同步
协作对象人与 Agent 在共享环境中交接多个人与各自 Agent 共同 steering
人类动作review / decide / redirect设定方向、形成判断、检查进度与责任
主要新增约束scope、handoff latency、共享上下文长程状态、权限、数据访问、可靠性

判断：persistent coworker 不是把 Human Agent Teams 变成“无人团队”，而是把 handoff 从事件触发机制扩展为持续工作关系；它的成立依赖人类仍拥有方向、责任和验证权。

  • 证据：20260830-lenny-ai-third-era-persistent-ai-coworkers（00:00、16:02–20:00）。
  • 边界：该词在访谈中是产品方向和未来形态的描述，不是已完成标准；“像同事”不等同于 Agent 已具备稳定记忆、组织身份或独立责任。

Persistent 不等于只靠模型智力

访谈特别强调，云端 Agent 是否有用还取决于能否访问 Google Docs、Slack、公司数据库等真实工作系统，以及云端基础设施和可靠性。对组织来说，Agent 的能力边界因此同时由模型、上下文、权限、连接器和运行时共同决定。

这与本页的 shared context 原则相连：共享环境不只是方便协作的 UI，也必须成为可审计的上下文、权限和责任边界。否则，persistent 只会把一次性错误延长为长程错误。

Twilight Factory：主动式 handoff

Twilight Factory 把本页的 handoff loop 再向前推进一步：不是只等人类发起任务或审查结果，而是由 facilitator agent 主动判断什么时候需要人类介入。文章列出四类触发点：

触发点人类介入的理由人类提供的价值
审批行动涉及外部世界、金钱、敏感资料或超出授权授权、拒绝和责任承担
专业知识Agent 缺少领域经验或现场上下文专业事实、约束和经验
观点方差Agent 输出过度收敛，多个方案只是同一答案的变体反例、异质视角和替代路径
有趣的决策选择本身承载工作意义和判断训练参与方向选择并形成经验

这一区分了两个层次：Human Agent Teams 主要定义人和 Agent 如何在共享环境中交接；Twilight Factory 主要定义由谁决定何时交接，以及人类介入不只为了拦截风险，也为了补知识、补多样性和保留判断力。

关键实践（Slack + Anthropic 观察）

  • Daily briefing: 周一早上 agent 准备 briefing（上周 recap、escalation flag、meeting prep、web roundup），人 review
  • Emoji reaction as trigger: 一个 emoji reaction → list 加入 → agent 自动 pick up task
  • Shared channel as anchor: 人 + agent 在同一 channel，三方 triage，human lead prioritization
  • Agent roles: 类比 coworker 给 agent 明确 scope（filing tickets / status update），避免 mandate 而 felt value
  • Public-by-default: channel 默认 public（除非 sensitive），agent 才能 learn from what they see

与相关 concept 的区别

形态主导模型适合场景
Chatbot (1-1)人问 → AI 答简单查询
Automation预设 trigger → 执行重复任务
Human-Agent Teamshandoff loop + shared context复杂判断 + 持续工作
Agent-onlyagent 自治高 confidence 任务

核心原则

  1. Production work by agents: drafting、summarizing、monitoring、preparing
  2. Decisions by humans: review、decide、redirect（"human in the loop" 是真实判断点）
  3. Shared channel as memory: 人 + agent 共同上下文，不在 agent 黑盒内
  4. Show, don't mandate: 通过演示让 adoption 自组织传播
  5. Outcomes > activity: token 用量、消息数不能证明价值

关键数据点

  • Anthropic + Slack 联合观察（Anthropic 2026-08, Jaime DeLanghe Slack CPO）
  • Slack Salesforce "How I Slackbot" channel：thousands of members
  • 与 On-Call-Agent 同构（multi-player mode）
  • 与 Claude-Tag 同构（Slack-resident agent 实例）

前提与局限性

  • 前提 1: 组织有公开工作文化（hierarchical/blame culture 不适用）
  • 前提 2: handoff latency < task cycle（否则 throughput 受限）
  • 前提 3: agent 有清晰 scope（避免 mandate 而非 felt value）
  • 不适用: 完全自治任务（无 human review 必要）
  • 测量困境: outcome measurement 本质不可量化（Jaime 承认）
  • 心理安全门槛: public 工作需 employee 信任组织
  • Facilitator 风险: 主动求助仍依赖 facilitator agent 的判断；如果它漏掉未知的专业知识或把少数视角判为噪声，系统可能把人类引入错误节点。Twilight Factory 目前是设计主张，不是生产验证结果。

配套机制

关联概念

关系图谱

反向链接