Claude Tag 可能是一个 10x Claude Code 级别的产品

作者：Celia

编辑：Siqi

AI 产品形态正迎来新的范式迁移。一个月前，Anthropic 在 Slack 上线了 Claude Tag，外界初看仅视为一个小功能，实则内部将其定位为下一代爆款，对应万亿美元级市场空间。

借用 Andrej Karpathy 的判断，Claude Tag 标志着 AI 交互迈入第三阶段：Chat → Local Coding Agent → AI Coworker。这背后是工作模式的三重迁移：从单人到多人、从被动到主动、从同步单次到异步长程。Coding 只是第一步，AI Coworker 将推动 AI 真正进入“替代白领”阶段。

目前，Anthropic 内部超过 65% 的代码已由 Tag 完成，部分员工甚至 90% 的工作依赖 Tag。本文基于调研与从业者交流，深入解析这一变革。

01.

Introduction

Claude Tag 是 Anthropic 正式推出的数字员工，可直接加入公司 Slack 频道，获取团队全部 Context。用户只需在聊天框或文档中@claude，即可调用其处理任务。目前产品处于 Beta 测试阶段，需同时拥有 Claude 企业账号和 Slack 企业账号。

Claude Tag 的核心能力包括：

此外，支持配置 Skills、设置长期目标及定时任务。

模型接入：支持 Fable 5、Opus 5、Sonnet 5、Opus 4.8 和 Opus 4.7。管理员可在后台切换模型，普通员工也可通过指令临时切换。

定价机制：仅在 Slack 公共频道使用，按 Usage-based 计费，计入企业账单，价格与 API 一致。Slack 私聊不属于 Tag 范围，需绑定个人账号。

工具调用：支持几乎所有 MCP 集成，可自由接入 GitHub、Notion、Google Drive、Snowflake 等。

运行机制：Runtime 由 Anthropic 云端托管，每个 Thread 启动临时 Sandbox 运行完整 Agent Loop，底层复用 Claude Managed Agent 技术栈。

02.

Research 的三个核心要素

Claude Tag 并非全新概念，此前 Devin、OpenClaw 等产品已尝试将 AI 引入协作场景，但因模型能力未成熟而未能大规模普及。Anthropic 认为，只有模型达到 Mythos 级别，才能真正解锁 AI Coworker 形态。

Anthropic 在 Research 层面重点突破了以下三点：

1. Long-horizon Autonomy（长程自主性）

模型自主工作时长决定了产品形态的上限：

• 几分钟：适合 Chat 或 Autocomplete，需全程人工介入；
• 约 1 小时：Local Coding Agent 成立，可在工作流中读写代码，但仍需用户在旁；
• 数小时：Async Agent 成为可能，用户下班后 Agent 仍可自主推进并交付结果。

最新 METR 评测显示，Mythos 已能完成相当于人类专家连续 16 小时的工作。结合 Self-schedule 功能，Tag 可将单次执行串联为持续数月的长期任务，自动处理等待、唤醒与衔接。

2. Memory（记忆系统）

Tag 采用最朴素的文件系统作为记忆载体，允许模型长期读写并维护。记忆按权限分层，默认隔离不同频道 Context，授权后方可跨频道访问。

记忆库分为三层，均可查、可改、可删：

• Thread Context：当前任务对话与过程；
• Channel Memory：频道长期规则、决策与背景；
• Workspace Memory：全公司记忆，可供同一 Workspace 内公共频道复用。

高阶模型具备更强的蒸馏能力，能将具体事件抽象为可泛化的经验，这是 SOTA 模型拉开差距的关键。

3. EQ（情商与分寸感）

Anthropic 专门训练了 Tag 的情商，使其能判断何时主动协助、何时退居幕后。实测显示，Tag 沟通自然、富有“活人感”，表情包运用熟练，体验显著优于 Claude Code。

03.

Use Case

短期内，Claude Tag 主要承担基础执行工作，角色类似初级运营、行政或工程师。相比 Claude Code，它解锁了两类新工作：

1. 高协作密度、高 Context 密度类工作

Claude Code 本质是单人模式，需人工整理 Context；而 Tag 常驻群聊，天然掌握业务动态，支持多人实时协作与纠偏。

2. 主动响应类工作

传统 AI 需人类主动发起，Tag 则可主动发现问题并揽责。例如线上故障时，Tag 可自动拉取监控、定位问题、编写修复方案并提交审批，人类仅需最终确认。

此外，Tag 能补位组织盲区，如跟进边缘案例、识别客户反馈中的重复模式等无人认领的任务。

总结而言，越需要协作、依赖 Context、需及时响应、碎片化且无人愿做的工作，越适合交给 Tag。

在 Anthropic 内部，Tag 已深度融入日常：产品团队 65% 代码由其生成；新人 Onboarding、客户反馈 Bug、数据查询等均优先交由 Tag 处理；员工还将其用作贴身秘书，自动筛选重要信息、跟进 Feature 并生成总结。

长期来看，Tag 有望完整替代人类员工，甚至成为公司 OS。其三大惊艳表现如下：

（1）全知全能的共享大脑

Tag 可同时进行数千场对话，运行于共享记忆层之上，整合产品、工程与 GTM 决策，主动提示盲区。例如，它会在对话中插入：“某某刚就你之前问的事做了决定，你可能要调整构想。”

为获取完整 Raw Context，Anthropic 倡导高度公开文化，减少私聊，确保工作透明。

（2）数字分身雏形

长期参与设计 Review 后，Tag 学会了员工的偏好与提问角度，可自动迭代设计草稿，甚至主动发起讨论：“嘿，Meaghan 之前是这么想的，这里有个原型你可以点点看。”

这标志着 Tag 开始提炼隐性知识，将优秀员工的经验转化为组织公共能力。

（3）端到端负责复杂项目

Anthropic 已让 Tag 对某渠道留存率负责，其完整闭环包括：读数据→定位问题→提出假设→改代码提 PR→小范围发布→监控→通知负责人。原本需 Data Scientist、工程师、增长 PM 多人协作的任务，现由 Tag 一人端到端完成。

04.

Claude Tag 是如何诞生的？

Anthropic 被视为目前产品能力最强的模型公司，其成功源于清晰的方法论，尤其体现在两点：

（1）Dogfooding（吃自己的狗粮）

Anthropic 产品团队分两 Org：Product Team 打磨成熟产品，Labs 负责前沿探索，方向包括"Close the Gap"（缩小理论与日常使用差距）和"Advanced Scout"（预判未来能力并提前布局）。

所有 Prototype 首批用户均为内部员工，公司如同大型实验田。只有内部跑出足够周活与留存的产品才会对外发布。Tag 历经数月内部打磨，直至今年 6 月才正式发布。

（2）面向未来做产品

Anthropic 倾向寻找宽泛的产品容器，以持续享受模型进化红利。例如，早期放弃 Cursor 式 Autocomplete，押注完整 Coding Agent，终成爆款。

Tag 的价值随模型能力提升分三层展开：

• 第一层：打通 Context 交互入口，让模型住进原始 Context；
• 第二层：成为拥有记忆与主动性的数字员工，独立负责项目；
• 第三层：演变为 AI Firm OS，沉淀组织经验，成为共享大脑。

未来，AI 的最大影响或是 Collective Intelligence。Tag 可轻松 Fork 与 Merge 不同副本经验，加速企业学习与自我改进。

05.

Claude Tag 能迎来快速爆发吗？

类似产品 Viktor 曾创下惊人增长：10 周达$15M Run-rate，1.2 万企业安装，2000+ 付费客户。但深入调研发现，此类产品目前主要在小型科技公司找到 PMF，进入主流企业市场仍面临两大卡点：

1. 成本高昂

20 人小公司全面启用 Tag，月耗可达数万美元。实测显示，一次 Deep Research 耗时约 100 元人民币。高成本主因是 Cache 命中率低：多人协作异步性强，Context 易失效；Connector 增多进一步推高单次调用成本。

2. 安全与权限管理

Tag 需大量公司 Context 与系统权限，但安全隔离尚未完美解决。仅 Fable 5/Opus 5 级别模型可实现可靠隔离。对企业而言，99% 可靠度仍不足，剩余 1% 决定落地成败。

用户反馈普遍满意其能力，但担忧成本与安全，甚至有评论称："Claude Tag 就像把整个公司交给 Anthropic，再租回来。”

06.

一些延伸思考