@shao__meng: 三次 LLM 交互范式： 1. 网页聊天机器人 2. 独立 AI 应用 3. 组织内嵌式 AI（Claude Tag、Glean Agents） Claude Tag 的核心变化 · 从“每人一个 AI”到“每个频道一个 AI”：团队共享…
摘要
本文介绍了三种LLM交互范式的发展：从网页聊天机器人到独立AI应用，再到组织内嵌式AI（如Claude Tag和Glean Agents），并重点讨论了Claude Tag从“每人一个AI”到“每个频道一个AI”的转变，以及Glean生产级独立Agent的四个支柱。
查看缓存全文
缓存时间: 2026/07/03 12:36
三次 LLM 交互范式：
- 网页聊天机器人
- 独立 AI 应用
- 组织内嵌式 AI（Claude Tag、Glean Agents）
Claude Tag 的核心变化 · 从“每人一个 AI”到“每个频道一个 AI”：团队共享同一个代理实例，上下文连续、可接力 · 从“被动响应”到“持续参与”：它记住讨论、跟进沉默线程、在频道中长期在场
为什么 channel-level 不够 组织知识分散在 Jira、Confluence、GitHub、Slack 历史里。只读一个频道，Agent 会缺失大部分上下文。真正的难点是构建跨系统、带权限、实时更新的组织上下文层。
生产级独立 Agent 的四个支柱（Glean）
- Identity Agent 有自己的身份、权限和工具访问，不同职能可配置不同 Agent，所有操作可追溯。
- Memory 学习企业 runbook、SOP，并从每次交互中纠错和强化，积累机构知识。
- Proactivity 不等待提示，主动监控、标记、跟进、执行。
- Accountability 每个工具调用和决策可见、可解释，并具备一键关停的“紧急停止”能力。
实践示例：OnCall Assistant 告警触发后，Agent 同时读取 PagerDuty、Jira、Confluence、GitHub、Slack，并行排查多个根因、起草修复、标记负责人。工程师打开电脑时，调查已完成。
相似文章
@bylixing: 上午曾鸣老师的直播公开课《看十年》聊 AI 时代的商业组织，里面也提到了“学习闭环” 我认为：在 Agent 的时代，想要利用好 AI 的杠杆，本质上都是在 组织 context => 构建 loop，并且提高 loop 的运转速度。 厉…
一条分享曾鸣老师《看十年》直播公开课笔记的帖子，讨论AI时代的商业变革：从产品导向转向消费者意图导向、Agent时代的context组织与学习闭环，以及AI原生如何以规模化机器智能重构产品、工作流与组织。
本文系统梳理了AI Agent架构与工程实践，涵盖控制流、上下文工程、工具设计、记忆、多Agent组织、评测、追踪和安全，基于OpenClaw实现展开，强调Harness（测试验证基础设施）对系统稳定性的关键作用。
本文系统梳理了AI Agent架构与工程实践，涵盖控制流、上下文工程、工具设计、记忆、多Agent组织、评测、追踪和安全，基于OpenClaw实现展开，强调Harness（测试验证基础设施）对系统稳定性的关键作用。
@FeitengLi: 动手搭了一个 ReAct agent 系统：围绕 LLM 做 agent 系统 傍晚散步时在想：如何训练 LLM 的 agentic 能力、数据准备、模型训练、agent 轨迹 action 构造 RL 训练，再想 Claude 在过去一…
作者分享了搭建 ReAct agent 系统的经验，并介绍了智谱 AI 发布的 GLM-5 技术报告，该模型在 agentic、推理和编码方面取得了突破。
@0xMorlex: Andrej Karpathy 解释了将LLM从聊天机器人转变为自主系统的五大转变：00:00 - 记忆将聊天转化为…
Andrej Karpathy 概述了五大关键转变——记忆、多模态、推理、搜索和工具——这些转变将LLM从简单的聊天机器人转变为完整的自主系统，为下一代AI工作流程提供了40分钟的路线图。
@sunmer575399: 做AI的都该看看awesome-llm-apps。 不是因为118.2k star。 而是它把核心问题解决地很干净 100多个AI Agent和RAG应用，每个都能直接跑...我昨天clone了个客服机器人，配好API key贼钟就聊上了…
awesome-llm-apps是一个包含100多个AI Agent和RAG应用的开源GitHub仓库，覆盖多种AI场景，如PDF问答、联网搜索和多Agent协作，开发者可以轻松克隆并运行这些应用，节省从零搭建的时间。