从"一个人公司"到现实：Agent Teams 让 AI 学会了团队协作

开篇

前天凌晨两点，Claude Code 推送了一条更新：Agent Teams 功能正式上线。

作为一个常年和 AI 打交道的人，我第一反应是——这不是又在炒概念吧？但真正上手之后，我发现这可能是通往"一个人公司"最近的一步。

---

一、AI 协作的困境

先说个普遍现象：你让 AI 帮你做一个完整项目，刚开始很顺，越往后越"掉链子"。

这不是 AI 变蠢了，而是上下文过载导致的注意力涣散。

想象一下，让你同时记住 100 页的对话内容，还要精准地完成前端、后端、数据库等不同领域的任务，你会不会混乱？

AI 也是一样。对话越长，它的"工作记忆"越分散，决策质量自然下降。

传统解决方案存在局限：

• Sub-agent 继承主会话的全部上下文，并不"干净"
• 单一 AI 难以同时胜任多个专业领域
• 任务复杂度高时，串行处理效率低下

---

二、Agent Teams 的本质

Agent Teams 做了一件事：把一个大 AI，拆成一群小 AI。

每个小 AI 有独立的职责、独立的上下文、独立的记忆空间。它们之间可以通讯，但不会互相干扰。

打个比方：

以前像是一个全能选手在打篮球，又要得分、又要防守、还要组织进攻，越打越累。

现在像是上场了一支完整的球队，控球后卫、得分后卫、中锋各司其职，配合完成比赛。

---

三、技术原理浅析

从实现角度看，Agent Teams 的几个关键设计值得注意：

3.1 独立会话隔离

每个 Agent 角色都创建一个全新的 Claude 实例，相当于在终端里开了新的标签页。它的上下文完全独立，只接收角色定义和任务相关的信息。

3.2 通讯机制

角色之间通过 inboxes 文件夹进行消息传递，Team Leader 负责协调和任务编排。这种设计既保持了独立性，又实现了协作。

3.3 临时团队模式

团队在 .claude/teams/ 下创建，任务完成后自动销毁。config.json 记录角色配置，tasks/ 存储任务状态——一切都是文件，用完即焚。

---

四、如何启用

在 .claude/settings.json 中添加：

{
  "env": {
    "CLOUD_CODE_EXPERIMENTAL_AGENT_TEAMS": "1"
  }
}

之后，你就可以用一句话创建团队：

创建一个团队，调研 AI 时代的用户痛点

系统会自动规划角色、分配任务、并行执行，最后汇总报告。

---

五、实际应用场景

场景一：市场调研

让产品、运营、商业分析三个角色同时从不同角度调研，最后由 CEO 汇总决策。这种多视角的综合分析，单一 AI 很难做到。

场景二：产品开发

架构师设计系统，设计师完成 UI，程序员编写代码——按依赖关系自动编排，流水线式推进。

场景三：假设验证

让不同角色扮演不同立场，互相辩论，发现逻辑漏洞。这比自己问 AI "有没有问题"要靠谱得多。

---

六、成本考量

Agent Teams 的 Token 消耗大约是单会话的 7 倍。

省钱小技巧：

• Team Leader 用最强模型（Opus）
• 普通成员用次级模型（Sonnet）
• 简单任务别用，大炮打蚊子不划算

---

七、最佳实践建议

7.1 固定角色定义

把常用的角色提示词放在 .claude/agents/ 下，避免每次"抽卡"式随机生成。

7.2 文档归档结构

为每个角色建立 docs/角色名/ 文件夹，所有产出文档集中存放。这相当于团队的"知识库"，方便交接和追溯。

7.3 明确工作流程

在 CLAUDE.md 中定义清楚角色间的协作流程，让 AI 知道"谁先做、谁后做、输出给谁"。

---

八、注意事项

适合使用的情况：

• 需要多角度调研分析
• 任务可以并行处理
• 涉及多个专业领域
• 需要角色间协作配合

不适合使用的情况：

• 简单的单一任务
• 完全串行的依赖关系
• 预算严格受限
• 处于实验性功能阶段，可能存在 bug

---

结语

Agent Teams 不是"让 AI 变聪明"的魔法，而是"让 AI 更像人"的思路。

人类解决复杂问题的方法，就是分工协作。现在 AI 也学会了。

一个人，加上一个 AI 团队，确实有机会成为一家"公司"。

要不要试试？

---

如果这篇文章对你有帮助，欢迎点赞、在看、分享，让更多人了解 Agent Teams 的潜力。