一、引言：晚上十点的 44 个测试去哪了
原文链接：Claude on call: How Claude Tag serves as Anthropic’s first responder for CI/CD failures
来源：Claude Blog / Anthropic · 作者：Sachin Malhotra（Anthropic Staff，Michael Segner 共同贡献）
发布时间：2026 年 8 月 18 日
晚上 10 点，一位同事在 Slack 里发来消息：新服务上有 44 个测试没有触发。放在以前，这是一次标准的"深夜一小时的排查流程"——翻 CI 配置、查最近合并、看日志、猜原因、再验证。而现在，同事只是 @ 了一下值班频道里的 Claude，然后得到了一个明确的答案：
测试消失是因为当天早上开了一个功能开关（feature flag），回滚是安全的。
建议回滚开关之后，3 分钟，Claude 在 Slack 里确认：跳过规则已移除，错误率恢复基线。
这篇文章讲的就是这件事背后的整套系统——Anthropic 如何用 Claude Tag 构建了一个 AI 值班（on-call）智能体，作为 CI/CD 故障的第一响应者，覆盖"检测 → 分类 → 解决 → 验证 → 交接"全流程，并且把整套设置开源成了 oncall-kit。读完你应该能回答三个问题：一个值班智能体需要哪些零件？它是怎么从告警一路干到交接的？以及——你想不想、能不能在自己团队里复刻一套？
二、核心架构：值班智能体的四要素
原文把值班智能体的骨架归纳成四个要素，缺一不可：
- 记忆（Memory）：在值班 Slack 频道中持有跨会话记忆。Claude 不是每起事故"失忆重来"，它记得上一轮调查到哪了、上次同类问题怎么修的；
- 连接与访问（Connections & Access）：Claude Tag 拥有独立服务账户，通过 MCP Connectors 接入 Datadog、Grafana、PagerDuty、GitHub、Kubernetes、日志存储等 CI 工程师日常使用的全部工具；
- 调度（Schedules）：用自然语言下发例行任务，比如"每周一 9:00 EST 运行 CI 交接"；
- 指令（Instructions）：以 Markdown 文件形式维护的路由指令、策略与经验教训日志，像管理代码一样多人迭代。
其中有两个设计决策值得单独拎出来说。
第一，技能即代码。 所有调查技能（Skills）以 Markdown 文件维护并提交到 GitHub 仓库，用 PR 评审、多人迭代，跟管代码一个流程。这解决了智能体系统里最经典的维护难题：经验是散落在个人脑子里的，还是沉淀在可审查的文件里的？
第二，动态工作流（Dynamic Workflows）——编排代理 + 执行子代理。 事故发生后，Claude Tag 启动一个编排代理（orchestration agent），派生出多个执行子代理（executor subagents），并行去查 Grafana、日志存储、PagerDuty、GitHub、Kubernetes、Slack 事件频道，执行者回报后由编排代理综合成一份 SITREP（态势报告）。这个"一个大脑指挥多个手"的结构，是把多智能体的并行能力和单一责任点结合起来的关键。
三、全流程拆解：检测 → 分类 → 解决 → 验证 → 交接
检测（Detection）：三条路进事故
告警触发流程是确定性的（deterministic），升级路径则是确定性与智能体自主性的混合。Claude 覆盖三条触发路径：
- 告警规则自动调优：新服务上线头几天，Claude 分析数据和告警，主动建议新规则，修正过宽或过窄的规则——值班团队最常见的"规则漂移"由它来兜底；
- 自动分流：Claude 按
oncall.md里的标准判断告警是"可等到早晨"还是"立即传呼"。原文给的示例规则很具体：错误率 >2% 持续 5 分钟以上，且不在已知部署窗口内 → 传呼值班人员；否则写入 lessons.md； - 人工上报：CI 团队成员在值班频道报告问题，或公司任何人通过内部页面开通事故（标记为 CI 基础设施事故则自动开通 Slack 频道，Claude 接手）。
分类（Triage）：先查数据，再提理论
这是全文我最认同的一句方法论：“配置告诉你可能出什么问题，指标告诉你实际出了什么问题。” Claude 不会像人类一样先猜再验，它的默认动作是拉数据——这也正是它"不产生告警疲劳"的原因：可以持续监控所有相关告警，而不是只盯最响的那几个。
分类环节还有一个值得抄的机制：分级调查指南。团队为每类 bug 准备参考 Markdown 文件，例如针对 shadow divergence（影子分歧）bug 写了 617 行的调查技能文件——作者在一次真实事故中与 Claude 逐轮排查后让其生成，从此这类问题不再靠"上次那个谁的经验"。
解决（Resolution）：金丝雀、排水与 PR
解决路径依故障类型分级：功能开关后的渐进式部署中，Claude 管理金丝雀流量、监控问题、自动调高或调低开关；基础设施类故障则执行 Kubernetes 节点排水/隔离（drain/cordon）、发出扩容指令；代码类修复则以 PR 形式给出，交给值班人员审查、合并、部署——人保留最后的合并权。
验证（Verification）：用调查的同一套工具验证修复
Claude 使用与调查完全相同的 MCP Connectors 验证修复效果，而不是"改完了就算完"。开头那个案例的"3 分钟后确认错误率恢复基线"，就是这一环的产物。
交接（Handoff）：事故是知识资产
每起事故的经过、根因、修复和注意事项自动追加进 lessons.md；按 oncall.md 指令自动写事后复盘（post-mortem）；同一模式反复出现则升级进调查技能——形成自我改进闭环。另有 ci-weather 代理聚合各事故频道的 SITREP、构建指标、合并队列统计、部署滞后，以新闻稿风格发布到公司公开频道，周一自动生成人工交接报告。
作者在这里有一个很坦诚的补充：报告格式迭代了多次——Claude 能一次生成状态报告，但"可读性是团队特有的品味，属于人类沟通问题，不是管道问题"。这句话的意思是：别指望 AI 第一次就懂你们团队的表达习惯，格式是需要调教的。
四、数据与判断：两个反常识的结论
原文给出的几个数据值得放在一起看：
| 指标 | 数值 |
|---|---|
| 首份 SITREP 发布 | 通常 15 分钟内 |
| 首份基于证据的分析（中位） | 事故开启后 14 分钟 |
| 最快点名根因 | 首份报告中 4 分钟 |
| 工程师季度代码交付量 | 2021–2025 年的 8 倍 |
| shadow divergence 调查技能文件 | 617 行 |
| 整套系统搭建时间 | 数小时（而非数天） |
两个反常识判断，其实是同一枚硬币的两面：
“AI 不会告警疲劳"是值班智能体的第一性优势。 人类的注意力是被迫分配的——告警一多就只能挑最响的处理，这本身就是事故的温床。AI 可以同时盯住所有相关信号，把"筛选"这个环节从人的肩上卸下来。
“跟上智能体编码速度的唯一方法是智能体 CI（agentic CI）"。 工程师每季度交付的代码量是 2021–2025 年的 8 倍，人肉盯 CI 的模型注定撑不住——不是工程师变懒了，是产出规模变了。值班工作里最繁琐的部分（夜间打扰、事故沟通、告警筛查）交给 AI，工程师才有余力做影响系统可靠性的中长期架构改进。
五、质量底线：自动化不等于放权
AI 值班最容易引发的质疑是：质量会不会崩？原文给出的答案很硬——三条底线一条没松：
- 每个 PR 都有具名的人类负责人；
- 每次变更都需要审批后合并；
- 所有变更经过同一套 CI 门禁。
也就是说，Claude 接管的是"值班流程的执行”，而不是"质量标准的制定权”。这跟我们在 agentic coding 里反复验证过的结论一致：AI 应该负责把流程跑得更快更稳，但流程本身的定义权必须留在人手里。
另外值得一提的还有人工与 AI 的多人协作模式（multi-player mode）：值班工程师可以实时引导 Claude 的调查方向、添加假设——不是"AI 替人干活"的单向关系，而是"人机共同排查"的结对关系。
六、从 0 到 1：oncall-kit 落地路径
如果想让自己的团队也跑起来，原文的快速上手步骤很克制（需要 Claude Team 或 Enterprise 套餐）：
- 组织所有者通过 Claude Tag 将 Claude 添加到值班 Slack 频道；
- 连接相应 connectors、GitHub 仓库，并设置 Claude Code Remote；
- 将 Claude 加入事故频道，指示它监控事故、立即分类；
- 用
oncall-kit里的模板（ONCALL.md、triage 技能）起步，跑一遍附带测试夹具的 10 分钟演示（用虚构团队历史运行）。
作者强调这套系统"不显得零散"——值班流程仍然活在 Slack 里，只是 Claude 加入了频道。这句话其实是整套设计哲学的最佳注脚：不是发明一套新流程让 AI 去适应，而是让 AI 融进你已经习惯的流程。对团队来说，接受成本低到几乎可以忽略。
七、总结：从监控事故，到监控事故响应系统
回到开头那 44 个测试。这个案例最打动我的不是"AI 修得快"，而是整条链路里没有人被叫醒——同事在 Slack 问了一句，Claude 查完数据、给出判断、完成验证、回报结果，全程在值班频道里留下完整可回溯的记录，最后还会变成 lessons.md 里的一条经验。
Anthropic 这套系统的真正升级，是把监控的对象从"事故"变成了"事故响应系统"：告警规则会自我调优，调查经验会自我沉淀，报告会按时长出来。值班工作从"消耗人的应急事件"，变成了"由系统持续运转的常规流程"。
对我们这些还在人肉值班的团队来说，最有价值的不是照搬它的架构，而是先问自己三个问题：我们的事故经验有没有沉淀成可执行的文件？我们的告警规则有没有人持续维护？我们的交接报告是不是每次都要从零写起？——这三个问题的答案，决定了你是需要一套 Claude Tag，还是只需要把 oncall-kit 里最朴素的 lessons.md 习惯先捡起来。
「真诚赞赏，手留余香」
爱折腾的工程师
真诚赞赏，手留余香
使用微信扫描二维码完成支付
