| 发布渠道:微信公众号 Capihom（编译稿） | 发布日期:2026-06-17 | 编译时间:2026-06-17 |
主动式 Agent 不该等你按回车才开始工作。 Anthropic 在 Claude Code 里推出 Routines:让 Claude 按 cron / GitHub 事件 / webhook 主动启动远程会话,最小配置 = prompt + repo + connector + trigger 四样。主动式 Agent 三大设计问题:触发器(什么时候上班) + 上下文(能读到哪些信息) + 可转向性(人怎么介入和校正) —— 渐进路径 = 先让 Claude 做调查建议,再把行动权限一点点放出去。
| 节点 | 一句话定义 | 关键洞察 |
|---|---|---|
| 主动式 Agent Proactive Agent | 不等你按回车,在问题出现时自己开始调查 | proactive agents beat reactive agents;价值不在回答漂亮,在能先开始调查 |
| Routines | Anthropic 在 Claude Code 里推出的”按日程/事件主动启动的远程会话”产品 | 最小配置 = prompt + repo + connector + trigger 四样 |
| 三大基础设施负担 | 跑在哪里(本地/托管/持久化/鉴权)+ 什么时候触发(cron/endpoint/event 胶水)+ 人怎么介入(可观察可转向可恢复) | 团队过去不愿碰的部分,自动化跑起来后变成产品设计的一部分 |
| 托管会话 Hosted Session | 运行在 Claude Code 托管基础设施,笔记本开不开都不影响 | session 可打开、观察、跟进、转向、恢复;不是黑箱后台 |
| 触发器 Trigger | cron / GitHub event / webhook payload as context | 越具体越能收紧任务边界;”哪件事发生时,AI 应该开始工作” |
| 上下文 = 成功的上限 | Claude 拥有什么上下文,就能做到哪一步 | AI 判断不稳定的根因往往不是模型态度,而是流程没把必要信息接进来 |
| 可转向性 Steerability | agent-on-agent review / 人在中途进入会话 | 主动式 agent 不要求人消失,要求人能叫停 |
| 渐进路径 | 先让 Claude 做调查建议,再把行动权限一点点放出去 | 小处先赢,系统会慢慢长出来 |
1. AI 提效正在从”写好 prompt”转向”把稳定流程设计成可触发、可观察、可校验的系统”。 流程一旦能写成触发器+上下文+校验方式,就不再是某人的熟练手法,而是团队可复用的生产机制。PM 过去常把”自动化”理解成一段脚本或一套运营 SOP,现在要学会把任务启动条件也设计进去。Seetong 借鉴:seetong-daily-briefing 现在是 cron 触发 + 简报输出,但没有”可观察可校验”机制 —— 加结果校验(网络 -102 反馈量、登录成功率)和差异告警。
2. 主动式 Agent 三大基础设施负担。 Maya 把主动式 agent 难点拆成三件事:(1) agent 跑在哪里(本地会断,需托管/持久化/鉴权);(2) 什么时候触发(cron/endpoint/event 都要胶水);(3) 人怎么介入(headless 会话不可见不可控)。Maya 原话:”你需要在 prompt 之外搭出一整套基础设施,这当然能做,但工作量很大。”Seetong 借鉴:Seetong 现有 cron(HEARTBEAT / 简报 / 神策友盟反馈 dry-run)解决了 1 + 2,但 3(人怎么介入)还很弱 —— 需要加可观察面板。
3. Routines 最小配置只有四样东西。 prompt + 连接的 repo + 可用连接器 + 触发器。运行在 Claude Code 托管基础设施,笔记本开不开都不影响。Anthropic 内部案例:Sarah 文档同步 routine(每周一上午 10 点跑) = 读 main 分支新变化 + 对照文档 repo + 开 PR。Claude Code 每周 PR 数从新年开始增长 200%。Seetong 借鉴:seetong 内部 SDK changelog 同步、Seetong-tps 跨端版本说明同步,设个每周 routine 自动对照并开 PR。
4. 触发器决定 agent 什么时候上班。 Maya 强调”第一项决定,是你的 routine 应该在什么时候触发”。好的触发器:文档同步每周一上午十点 / release branch 与文档 diff / 带 need docs 标签的 PR 合并 / 高优先级 issue 创建 / 用户反馈进 Slack 频道 / 一次 CD pipeline post。反问:”哪件事发生时,AI 应该开始工作?” — 触发器越具体,任务边界越能收紧。Seetong 借鉴:Seetong Bug 反馈自动归类可设”App 崩溃/ANR”事件作为 trigger,而不是简单的每天跑一次。
5. 上下文 = 成功的上限。 “无论 Claude 拥有什么上下文,那就是 Claude 能成功的上限。” 缺源码它无法判断功能变化;缺文档 repo 它开不了 PR;缺 Slack 它无法通知。Maya 这段给了一个更工程化的解释:AI 判断不稳定的根因往往不在模型态度,而在流程没把必要信息接进来。Seetong 借鉴:为 seetong-daily-briefing 列出”输入源清单”(神策数据 / 友盟崩溃 / Tapd 任务 / 用户反馈 / 内部 changelog),缺哪一块就补哪一块。
6. 可转向性 Steerability = 主动式 Agent 成熟形态。 两种做法:(1) agent-on-agent review — 一个 routine 创建文档 PR,另一个 routine 在 PR 创建后做 reviewer,先留评论再交给人;(2) 人在中途进入会话,像使用终端里 Claude Code 一样查看当前分析、提出问题、把方向推回正确轨道。Seetong 借鉴:seetong-batch-issue-rootcause-analysis 设”分析 routine + 验证 routine”两阶段,人最后只看差异和证据。
7. 主动式 Agent 不要求人消失,要求人能叫停。 Maya 现场演示了 GitHub issue 触发的文档 routine,发现自己已有另一个 PR 处理同样问题,直接让 Claude 停止会话。Maya 原话:”你可以在实时会话里问它问题,把它推向另一个方向。” Anthropic 在文档场景里还会渲染 Claude 修改过的页面,确认输出符合预期 —— 把”相信模型”变成”检查结果”。Seetong 借鉴:每个 Seetong Skill 都要有”暂停 / 转向 / 恢复”入口,不能跑起来后只能等结束。
8. 渐进路径 + 小处先赢。 Maya 现场案例:deploy verifier 案例 —— CD pipeline 每次部署后向 webhook 发请求,Claude 读服务源码 + DataDog + Grafana,先给出 no-go / go 决策;当团队信任增加,再让它参与回滚动作。Maya 原文:”先别急着设计宏大的 agent 系统。挑一个每周都重复、输入来源稳定、结果需要人确认的流程:文档同步、issue 分拣、发布检查、用户反馈归类。” Seetong 借鉴:不要一次设计十个自动化,挑一个 Seetong 流程跑顺后再加下一个。