6 月 23 日，Anthropic 发布了 Claude Tag：@Claude 变成 Slack 里一个永远在场的团队成员，ambient mode 让它能在频道里主动介入，不必每次等人点名。官方的说法是，它像一个可以 @ 的同事，记得频道里发生的事，会主动跟进被遗忘的任务。听起来像是 agent 形态的一次大跃迁：一个不关机的 AI 同事上线了。
但拆开看，技术上它没有那么新。底下还是给 HTTP endpoint 发请求，Slack @ 只是换了种触发方式；它记住的是频道聊天记录，和组织的经验智慧是两回事；和你开一个 Claude session 一直不关，区别也没宣传的那么大。
那它到底改变了什么？真实的变化在另一层：企业开始把 agent 当作一个需要正经授权、治理、单独计费的非人类执行体。底层还是那些无状态的模型调用，但企业管理的对象从「谁装了这个 app」变成了「这个 agent 以什么身份存在、能访问什么、谁负责它、花了多少钱」。这一层的变化是真的，而且正在改写企业软件的分发和定价方式。
再往深一层看，这些产品宣称的「持续学习」目前还没做到。它们持久化的是协作痕迹，不是可复用的组织经验。真正的护城河，是能把上下文压缩成受治理、可执行、会过时的组织记忆。这件事还没人做出来。技术的路线图指着那个方向，但落地的渗透率还很低。
Claude Tag 以团队成员身份加入 Slack 频道。管理员授权它可以访问哪些频道、工具、数据源和代码库，频道里任何人 @Claude 就能委派任务。Claude 把任务拆成阶段，用获授权的工具执行，在 Slack thread 里回复成果。它基于 Opus 4.8，面向 Enterprise 和 Team 客户，以 research preview 形式上线，会在 30 天内取代旧的 Claude in Slack app。
它的 multiplayer 设计让一个频道共享一个 Claude identity，多人可见工作进度，每个人都可以从上一个人停下的地方接手。持续学习机制让 Claude 跟着频道积累上下文，用户不必每次都从头解释，经授权后还能从其他频道和数据源获取信息。ambient mode 打开后，Claude 主动汇报它认为频道成员需要知道的事，跨频道标记相关信息，跟进变冷或未完成的 thread 和任务。这三个特性合在一起，听起来像一个在协作工具里常驻的 AI 同事。
Claude Tag 这类产品在工程上有整合，但没有模型层的突破。
先看 ambient 这件事。Claude Tag 的 ambient mode，听起来像是 AI 自己在「听着」频道里发生的事情，随时判断要不要插嘴。但拆到实现层，Slack @、webhook、定时触发，底下都是给同一个 endpoint 发一次请求，让模型跑一遍。LLM 本身不记得世界，每次调用都要从外部把上下文重新装配进去，所谓的持续性全靠外部的存储、调度和循环在撑。这件事在触发和调用上和定时任务没有本质区别。但 Claude Tag 在运行时确实多了一层东西：独立的 agent identity、按频道设的 spend limit、记录每次调用和 memory 写入的 audit log、可以跑数小时数天的 scheduled tasks。这些是普通定时任务没有的运行时契约。但注意它们都是治理性质的——身份、预算、审计、生命周期。这恰好引出了下面那层真正的变化。
再看记忆这件事。Claude Tag 宣称的「持续学习」，实际存的是频道聊天记录加检索。这是原始的 I/O 痕迹，不是组织真正的记忆。真正的组织记忆是 tribal knowledge：上次在哪个系统踩了坑、某个客户的特殊偏好是什么、改这块代码前必须先跑哪个检查、团队对「完成」这个词的定义是什么。这些是从多次经验里抽象沉淀出的可复用知识，不是对话原文。
从聊天记录到 tribal knowledge，中间隔着一个压缩过程：把单次事件提炼成可复用的规则，经团队确认，进入执行流程，过时了要能废弃。让 LLM 记住东西，目前就两条路：把上下文全塞进窗口，或者用 RAG 检索相关片段。这两种方式都给了它读取能力，但写不进去。每次调用结束，模型权重纹丝不动；外部记忆如果没人主动把结构化规则写进去，系统状态就不会真正更新。理论上把全部聊天记录从头回放，agent 能表现得像掌握了经验，但 token 成本会随着时间累积爆炸，每一步都要重新读取之前的所有内容，工程上不可行。值得说一句的是，Anthropic 自己并非没有这层技术：它的 Managed Agents 有一个叫 Dreams 的 API（research preview），做的是 memory 去重、解决矛盾、copy-on-write 式的整理；claude.ai 个人版也有每 24 小时自动摘要的轻量整理。但这两样都没集成进 Claude Tag，所以 Claude Tag 的记忆仍然停在 retained context 加检索这一层。
一个一直开着的 Claude session，对话连贯性甚至可能比多人碎片的频道历史更强。前者的对话线是连续的，后者要从多人讨论里重建意图。真正的区别不在上下文长度，而在系统归属：Claude Tag 属于协作空间，共享、可审计、有独立授权；私有 session 属于个人。这些区别主要在治理层。ambient mode 的后台运行和跨频道拉取相关上下文算超出纯治理，但那个跨频道学习仍然是浅层检索，不是从经验里沉淀可复用的知识。一个产品如果没有独立授权和共享审计，就退化成了 Slack 里的长 session。
Claude Tag 在技术层面是工程整合，不是认知跃迁。ambient 的触发和调用没有超出事件驱动加模型调用，运行时多出来的 identity、spend limit、audit 都是治理性质的增量；记忆存的是聊天记录而不是组织智慧；和长 session 的核心差异在治理不在上下文长度。
企业开始把 agent 当作一个需要授权、治理、计费的非人类执行体。在这条路线上想得最清楚的是微软。
微软的 Entra Agent ID 直接把 agent 当作企业目录里的一等公民来管理。每个 agent 有 blueprint（类型模板，定义一类 agent 的特征和权限），有 sponsor（业务责任人，决定 agent 什么时候不再需要）和 owner（技术运营人，负责日常技术运营和事件响应）双轨责任制。微软官方原文是这么写的：agent 身份让 agent “traceable, authenticated, authorized, and secured, just like any user in your organization”。
这件事改变了分发的逻辑。过去企业授权的是人使用 app，信息安全模型围绕「谁装了哪个软件」展开。现在企业要授权的是一个 agent：允许它访问哪些数据、以什么身份行动、谁为它的行为负责、权限什么时候过期。治理本身成了新的分发入口。微软的 Agent 365 用身份、威胁防护、数据防泄漏、注册登记、生命周期这套五件套把这条逻辑产品化了。
微软 Work IQ 官方博客有一句话，说的就是这个判断：“Software is moving from applications built for people to agents that can reason, retrieve context, and even act on a user’s behalf.” 把这句话写在官方路线图里，本身就是信号。
a16z 的 Sarah Wang 说得更进一层：system of record（记录业务数据的系统，如 CRM、ERP）正在降级成单纯的存储层，战略杠杆转移到「谁能在 agent 替员工干活时控制那个执行环境」。
定价也在跟着变。always-on agent 一旦持续运行，成本就是连续的、不可预测的。Reddit 上有一个真实案例：一个用户在 5 台机器上跑 persistent agent，一个月烧了相当于 $41,952 的 API 成本，其中 99.6% 是反复读取已有上下文的成本，真正生成新内容的部分不到万分之四。一个持续在场的 agent，钱主要花在维护和回放上下文，不在产出。这种成本形态和订阅制的固定配额在数学上不兼容：配额太松厂商亏钱，太紧用户受不了。OpenAI Codex 在 4 月把 Enterprise 计费转成 token-based credits，微软 Work IQ 从按人头切到 consumption-based 的 Copilot Credits，Salesforce Agentforce 用 per-conversation 计费，Workday 推出了 Flex Credits。同一时期，多家头部企业 SaaS 把核心计费从按人头转向按实际消耗。
这一层的变化，不需要 agent 已经学会组织记忆就能发生。一个工程整合型的产品，只要它变成了企业正经管理的执行体，就足以改变企业怎么买软件、怎么付钱。底层技术没什么新东西，但企业的治理对象从人扩展到了 agent。这个变化是真的。
Claude Tag 这类产品越是强调 persistent context，就越暴露它们还没解决真正的记忆问题。raw context 越长，回放越贵，噪声越多，越需要一个能抽象和压缩的中间层。前面那个每月 $41,952 的案例已经点出这层：钱几乎全花在回放上下文而不是产出，说明一个长期运行的 agent 真正需要的不是无限回放，而是把历史压缩成可复用的知识。
目前没有任何一个产品做到从经验中自动沉淀可复用的 SOP。微软 Work IQ 的 playbook 是人写好存在 SharePoint 里的，不是 agent 从执行经验里提炼出来的。微软官方演示里用的是一份人工维护的响应程序文档，agent 只是在执行时查询它。Letta 的 sleep-time compute 是对单次 context 的离线预处理和推断，不是跨 session 的经验积累。学术界在 procedural memory 方向上的探索，比如 Mem^p，还停在 benchmark 阶段。SOP-Bench 的数据显示 agent 执行复杂 SOP 的成功率只有 27-48%，连执行都还没到位，更谈不上从经验中自动沉淀。
这并不否定产品的商业价值。一个能持续在场、受治理、按用量计费的 agent，即使还没学会组织智慧，已经改变了企业软件的运行时对象。但它离真正的同事还差一层认知突破。持续学习和 tacit knowledge 积累，产品宣称的护城河，目前都是空的。真正的护城河是能把原始上下文压缩成受治理、可执行、会过时的组织记忆，这件事还没人做出来。这是当前架构的硬限制：LLM 是 pattern matcher，单次调用里能推断，但调用结束权重不变；外部记忆如果不主动写入结构化规则，系统状态就没有真正更新。这是下一波竞争的焦点。
这个从原始上下文到可复用知识的压缩，在个人层面已经有了可行的方向。关键在于一个判断：模型智能跨过一道坎之后，决定产出质量的瓶颈会从模型本身转移到上下文的密度和质量。我们之前写过这个转折，并开源了一套叫 Context Infrastructure 的参考实现，核心是从原始的行为数据里分层精炼出可复用的判断原则。企业级 agent 要补的那一层，本质上是这个机制的组织版本：多人协作、受治理、会过期。
Claude Tag 这类产品的本质，还没有到达它们宣称的「agent 变成同事」。那需要认知突破，还在等待发生。已经发生的，是企业第一次要正经管理一个非人类执行体：给它身份、权限、预算、审计。底层技术没那么新，但企业授权和治理的对象变了，分发和定价跟着变了。
落地上要保持冷静。Gartner 预测超过 40% 的 agentic AI 项目会在 2027 年前废弃，原因主要是集成差、归属不清、扩产时成本飙升。微软 Copilot 的试点只有约 6% 转成了大规模部署。Gartner 把 agentic AI 放在期望膨胀的顶点，目前只有约 17% 的组织部署了 agent，大量号称 agent 的产品其实是 chatbot 在重新包装。Gartner 同时预测，到 2028 年 agentic AI 将驱动超过 $4500 亿的企业软件收入，至少 15% 的日常决策将由 agentic AI 自主做出。方向成立，渗透率还很低。
更确切地说，企业软件的运行时对象正在从 app 变成受管 agent。这是治理和商业系统的迁移，不是模型认知系统的跃迁。而谁能先解决持续学习那一层，把聊天记录和组织经验之间的那条沟填上，谁才可能把「同事」这个词从营销变成现实。