人类与 Agent 团队：你的劳动力运行模型
这门课讲的是一个团队运行模型：让一组 AI 工人与人类并肩工作。它建立在一个可信的单个工人之上，也就是一个 Digital FTE：它能运行循环，基于可搜索的记忆工作，用自己的身份登录，并在边界处升级。你会在这条学习路径中构建这个工人；也可以先在纸面上写出这个运行模型，再等真实工人上线后接上去。一个可信工人是单位。运行一支由它们组成的团队，是一项不同于构建单个工人的技能；这门课讲的就是这项技能：如何把一个变成多个。
多人的团队不是一个工人的放大版。它是另一种东西，也需要另一种技能：不是构建工人，而是让这些工人与人类一起作为团队运行。
这门课就是那个运行模型。后面的四门劳动力课程是运行在它上面的机器：一个会雇用 board 的 lead agent（Workforce with Paperclip）、一个会自我扩张的劳动力（Self-Expanding Workforce）、委托式审批（Identic AI）、能赚钱的工人（Payment-Enabled Agents）。如果你还不会运行团队，这些机器都无法正常工作。因此，在自动化劳动力之前，你要先规定人类和工人如何共享同一份 roster、同一个 workspace 和同一个目标。
关于这门课类型的说明。 其他劳动力课程是边做边学。这门不是。你在这里几乎不会写代码。你会像经理一样写运行文档（roster、role cards、north star、verification rubric），区别只是由 agent 起草，你来决定。交付物是团队据以运行的协议。它们没有代码那么耀眼，却更关键：大多数人类与 agent 团队不是败在技术上，而是败在实践上。
它也是这一节里最容易进入的一门课。角色、目标、信任、谁拥有哪个部分，这些都是你从和人共事中已经理解的东西。Agent 不会改变这些基本面。它们只是提高了做错的代价。
这里的模式来自 Anthropic 对其内部运行人类与 agent 团队的描述，并映射到本书已经建立的框架上（完整链接在文末的 Sources 中）。凡是 Anthropic 报告了具体结果，都是它们的结果，并明确注明为 Anthropic 的结果。它依赖的能力（在共享团队工具中工作的 agent、带有自身凭据和记忆的 agent）正是你在这条路径中会构建的能力。
📚 教学辅助
查看完整演示文稿 — Human-Agent Teams
你将构建什么（artifact 集合）
不是一个应用，而是一组团队运行所依赖的运行文档。starter 会把每一份文档作为模板给你；你在 agent 的帮助下填完它们。
- team roster：每个成员，无论人类还是 agent，都包含角色、owner、工具和 autonomy level。
- 每个 agent 的 role card：它拥有什么、不拥有什么、它的工具、如何检查它的工作、什么时候升级。
- working agreement：什么默认公开、少数安全边界是什么、什么保持私密。
- north-star doc：团队的一个雄心目标，以及哪些 agent 可以在无需提示的情况下据此行动。
- verification rubric：如何给工作产出评分，从而不需要人类逐行阅读也能信任。
- doer-verifier setup：第二个 agent，唯一职责是检查第一个 agent。
- weekly report：「lessons and missteps」日志，让团队持续改进。
- attention budget：你审查什么、什么会被批量处理、到达你这里的内容上限是多少。
设置
- 下载 starter（
human-agent-teams-starter.zip）并解压。它是一组模板，不是代码。用任意编辑器打开。 - 最好已经有一个 Digital FTE（Building a Digital FTE），可以围绕它运行真实团队。还没有工人？没关系：用规划模式完成这门课（见下面的说明），等工人存在后再把手册接到真实工人上。
- 准备一个团队能看见工作的位置：共享频道、文档库或仓库。Agent 会从那里写下来的内容中读取。
- 准备好和你一起起草的 agent（claude.ai、Cowork 或你的工人）。starter 中每个 artifact 都按同一节奏填写：你指挥，agent 起草，你决定。
从这里开始，每一部分都会讲一个实践，然后让你写出把它落地的那份文档。你不会只在理论上被测验；你会带走一份团队操作手册。
这门课假设你的工人已经能读取团队的书面记录。现在测试一下：让你的 agent 找到上周某个不属于它的频道里的决定或文档。如果能找到，你就准备好了。如果返回空结果，说明你还没有完成 AI Searchable Context 中的可搜索 system of record。先完成它。没有它，这里的每个实践都没有东西可读。
即使还没有技术栈，你也可以完成整门课：用 claude.ai 或 Cowork 作为起草 agent，写出所有运行文档，并把每个 agent 角色标记为 "planned" 而不是 "active"。你会得到一份纸面上的完整操作手册。等第一个工人构建完成后，再回来把 planned 角色换成 live 角色。
第 1 部分：从一个工人到一支团队
概念 1：Single-player 已经结束
过去，与 AI 共事是 single-player：一个人、一个聊天窗口、一个任务。Digital FTE 已经不止如此。这门课建立在一个转变之上：走向 multiplayer，也就是很多人和很多 agent 在同一个 workspace 中，朝共同目标拉动。人类制定战略，agent 执行。
multiplayer agent 是能同时与多个人协作的 agent。像 Digital FTE 一样，它有自己的记忆和技能。不同于聊天窗口，它有自己的凭据（不是借用某个人的凭据），并且生活在工作发生的地方：团队频道和文档里，而不是某个私有会话里。
单位是 Digital FTE。团队是人类和 Digital FTEs 共享同一份 roster。团队就是业务本身。
概念 2：一个工人需要的组成部分
只有当每个 agent 都具备三样东西时，团队才真正能工作，而这条路径会构建这三样：
- 持久记忆：让它能跨天持有目标，而不是只在一个 prompt 里记住（AI Searchable Context）。
- 自己的身份：不绑定到人类的凭据，让它在你设置的 guardrails 内行动，而不是借用某个人的登录（AI Identity）。
- 广泛、可搜索的访问：让它从写下来的内容中学习组织如何运作（你的 Postgres system of record 和 RAG：retrieval，也就是你给它的可搜索记忆）。
没有这些，「给团队增加一个 agent」就等于某个人把自己的密码分享给一个脚本。有了这些，它才是属于 roster 的工人。你现在就可以设计运行模型，等这三样能力上线后再接到真实工人上；人类实践无论如何都在其上运行。
✓ 检查点：你知道单位是什么。 具有记忆、身份和访问的工人，正是组成团队的东西。现在要让多个这样的工人与人一起工作。
概念 3：稀缺资源是人类判断
整个运行模型只保护一件事：人类注意力和判断。Agent 快而多；人类既是瓶颈，也是权威。这门课中的每个实践，都是为了让人类只决定那些只有人类该决定的事，并远离其他一切。
先给失败模式命名，因为它最常见。没有运行模型时，人们会在旁边各自运行一支个人 AI 小队。工作被重复。团队上下文碎裂成别人（无论人类还是 agent）都看不见的私有窗口。所有人都需要的指标被算出五种不同版本。修复方法不是更多 agent，而是运行一个公开工作的团队。
接下来的课程就是四个实践，正是为了做到这一点。
✓ 检查点：你知道形状了。 四个实践，一个目的。接下来是第一个实践。
第 2 部分：公开工作
概念 4：没写下来，就不存在
Agent 完全从团队变得可搜索的内容中建立理解：频道、代码、文档、笔记。私信、走廊对话和受限文件不会到达它那里。对 agent 来说，没写下来的东西就是不可见的。
因此，第一个实践先是文化问题，然后才是技术问题：公开工作。决定落在频道和文档里，而不是私信和没有记录的会议里。写 artifact 时要让 agent 能找到：agent 现在是你文档的主要读者，而不是事后才考虑的对象。
回报是真实的，Anthropic 说得很直白。能读取团队决定的 agent 不会再提你已经杀掉的工作。能读取另一个团队 specs 的 agent 会复用已经奏效的模式。又因为 agent 读得远比任何人快，它会经常浮现人们本来会错过的相关工作。透明不再只是美德，而是杠杆。
概念 5：边界在 workspace，而不是文档
有一种错误方式来决定 agent 能看什么：逐个文档、逐个频道判断。这会让人类和 agent 都产生决策疲劳：这个该私密吗？我能分享那个文档吗？这个 agent 能进那个 thread 吗？按条目划软线，既累人又容易出错。
正确方式是：在 workspace 层画出少数清晰的安全边界：安全边界就是一堵围住一组信息的墙，并带有谁在墙内的规则。在一个边界内，上下文流向每个队友，无论人类还是 AI。少数清晰线条胜过大量柔软线条，并且移除每天「我能分享这个吗？」的税。
这正是你的 system of record 证明价值的地方。边界是墙；来自 AI Searchable Context 的可搜索存储，是在墙内自由流动的东西。只画一次墙；剩下交给 retrieval。
把例外说清楚，因为 public-by-default 不等于 everything-is-public。有些工作很敏感，只属于一个人类和一个 agent 之间。那就是发给 agent 的私信，或通过个人 connectors 进入的私有应用（claude.ai、Cowork），对话保持私密。默认开放；为不能开放的东西保留一条清晰、狭窄的通道。
起草它。 打开 01-working-agreement.md，把下面内容粘贴给你的 agent：
为我的团队起草一份 working agreement。说明什么默认公开。列出我们需要的少数安全边界（不要超过几个）以及谁在每个边界内。列出什么保持私密（一个人类，一个 agent）。对每个边界，写一句新队友能照着执行的话。
检查它。 你能用一句话说清每个边界吗？如果不能，边界就太多了。必须少而清晰，否则守不住。
✓ 检查点：上下文可以流动。 你的团队在 agent 能读取的地方工作，并位于任何人都能说清的少数墙之后。现在给工作命名。
第 3 部分：一份 roster，清晰角色
概念 6：团队有 roster
人类与 agent 团队共享一份 roster、一组 artifacts 和一个工作空间。因此，把 roster 写下来：每个成员，无论人类还是 agent，以及每个人拥有什么。
Agent 持有不同角色。一个拥有数据分析，一个持有并执行设计标准，一个负责 research synthesis。当项目开始时，人类会和 agent 交谈，决定要分配哪些角色以及它们如何一起工作：roster 是那场对话的输出，而不是提前猜出来的东西。
这是你的 Roles Taxonomy 和 Digital FTE taxonomy，在一个团队中变得具体。catalog 说明可能存在什么种类的工人；roster 说明哪些工人在这个团队里，以及谁拥有什么。
概念 7：角色是一张卡，也是一份 skill 文件
每个 agent 都得到一张 role card：它拥有什么、不拥有什么、需要的工具和访问、如何检查它的工作、什么时候升级给人类。Scope 既关乎「owns」，也关乎「does not own」：边界模糊的 agent 会滑进别人的工作。
把工具命名出来，因为没有工具的角色只是没有手的头衔。analyst 需要 database。QA agent 需要 browser tool。列出每个角色需要的访问，并且只授予那些访问（least privilege 是你在委托审批中还会再次遇到的同一条规则）。
然后把角色写成一份 skill file。这是让本书框架真正扣上的动作：在 skill 中定义一个 agent 的角色，该角色就变得可移植。组织中任何人都可以从它站起另一个同类型 agent。角色不再是组织结构图上的方框，而变成了可以复制的技能。（技能是贯穿整本书的可移植杠杆；角色只是 skill 可以承载的又一样东西。）
把 human-only 角色保持明确。人类和 agent 在同样的 threads 中工作，但人类持有只有人类能持有的角色：有后果的决定、有成本的判断。Roster 是你把人类判断留在需要它的决定上，并从不需要它的决定中移开的方式。
当一个 agent 需要另一个 agent 时
有时一项工作对一个工人来说太大，lead agent 会生成带有正确上下文的队友来处理子任务：这里一个 researcher，那里一个 reviewer。这个直觉是对的，也正是下一门课要自动化的内容：Workforce with Paperclip 把「lead hires a board」变成一个在预算和审批下运行的托管劳动力。你的 roster 和 role cards 是它的输入。在这里，你先手写角色，好理解 Paperclip 之后会替你做什么。
关于底层功能，截至 2026 年中有两点要诚实说明：Claude Code agent teams 仍是实验性功能，默认禁用（需要通过设置开启），并且只有 lead 能生成队友；队友不能再嵌套生成自己的队友。所以「agents spinning up agents」实际上是「一个 lead 生成一个扁平团队」。把它当作早期功能，并在生产环境依赖它之前阅读最新文档。
起草它。 打开 02-roster.md 和一份 03-role-cards/role-card.template.md，粘贴：
为 [team] 起草一份 team roster。列出每个成员，人类和 agent 都要列出。对每个成员写出：role、谁拥有它、它需要的 tools 和 access，以及 autonomy level。标出只有人类应该持有的角色。然后为 [my worker] 写一张完整 role card：owns、does NOT own、tools/access、如何验证它的工作、什么会触发升级给人类。
检查它。 每个成员都有 owner 和「does not own」。每个 agent 都有工具和一个清晰的升级触发器。如果两个成员都可能声称同一项任务属于自己，scope 还不够锋利。
✓ 检查点：每个人都有自己的 lane。 人类和 agent 在同一份 roster 上，每个都拥有一项命名工作，并带着完成它所需的工具。现在给团队方向。
第 4 部分：north star
概念 8：让 agent 主动起来的目标
上下文和角色会让 agent 做你分配的工作。north star 会让它提出正确的工作。north star 是一个雄心大、覆盖广的目标，告诉团队哪些任务和 workstreams 值得做：其他所有东西都用来衡量的那一句话。它始终由人类设定，并扎根在业务使命中。
一旦写好，就把它分享给团队中的 agent。然后（这正是很多人跳过的部分）你要点名哪些 agent 可以在未被提示时据此行动。不是每个 agent 都应该提出工作。只有具备技能并赢得信任、能够把这件事做好的那些才可以。
Anthropic 的例子很小也很精确：一个团队的 north star 是「让产品 onboarding 更有帮助」，于是一个 agent 主动建议重写 onboarding 错误消息，而这些改动在下一周可衡量地提高了 onboarding 成功率。Agent 没有等别人来要求。North star 告诉它这次重写符合任务。
这是你的 AI-Native Company mission 下推到一个团队。公司有 mission；团队有服务于它的 north star；agent 有服务于 north star 的工作。从目标到任务是一条直线。
概念 9：主动性是你授予的特权
主动 agent 的风险在于，它可能提出不该触碰的工作。因此，主动性是点名的，不是默认假设的。你说清哪些 agent 可以建议 workstreams，而 north star 是每个建议必须通过的测试。没有这项授权的 agent 仍然做自己被分配的工作：它只是不自由接活。
起草它。 打开 04-north-star.md，粘贴：
帮我为 [team] 写一个 north star。它应该是一个雄心目标，扎根在我们的 mission 中。说明它为什么重要。点名 roster 上哪些 agent 可以针对它提出新工作，以及这些建议的 guardrails。写成这样：一个 agent 只拿到这份文档，也能判断一个新想法是否 on-mission。
检查它。 像那个被点名的 agent 一样阅读它。只拿这份文档，它能分辨 on-mission idea 和 off-mission idea 吗？如果不能，这颗 star 就太模糊，无法导航。
✓ 检查点：团队有方向。 一个目标，由人类设定，少数被点名的 agent 可以追逐它。现在决定你让它们跑多远。
第 5 部分：信任，要赢得
概念 10：Autonomy 随可靠性增长
你不会在新同事第一天就把钥匙交给他。也不要在 agent 第一天就把 500 个 bug fix 交给它。Anthropic 的工程师确实走到了那一步（agent 被派去独立处理数百个修复），但一开始不是这样。按已证明的可靠性授予 autonomy，然后按任务类型有意扩大。
无论对新人还是 agent，都需要反馈循环来外化「一项任务怎样才算做好」这种 tacit knowledge。并且要随着模型变化重新测试：曾经帮助弱模型的 guardrail，可能会束缚更强的模型；模型变好后，prompt 也可能需要重写。信任不是一次设定，而是持续调校。
给梯子固定的横档，让它可操作。在 roster 中为每个 agent 按任务类型设置 autonomy level，而不是给整个 agent 一个统一等级：
| Level | What the agent does | Where the human is |
|---|---|---|
| L0 | Drafts only; the human does the work | human does everything |
| L1 | Acts, but a human reviews every output | human reviews all |
| L2 | Acts; a verifier checks; human reviews only exceptions | human reviews exceptions |
| L3 | Acts within limits; batches escalations to the human | human reviews batched escalations |
| L4 | Runs the task type on its own, within approved scope | human reviews the weekly report |
新 agent 在某类任务上从 L1 开始，在反复、已验证的成功之后向上赢得等级。同一个 agent 可以在一种任务类型上处于 L4，在另一种任务类型上处于 L1：autonomy 授予的是某个工人在某项工作上的权限，绝不是笼统授予某个工人。
概念 11：让工作可检查
让 autonomy 安全增长的东西是这一点：工作可以在人类看到之前被验证。代码当然有 tests。但大多数其他工作也可以评分：文档对照 rubric 和 style guide，报告对照 checklist。当你设定标准，并让每项 assignment 都可验证时，质量会保持高水平，并且不会偏离你的意图。
这是团队层面的 Eval-Driven Development（Eval-Driven Development）。在那里，eval 自动给工人评分。在这里，rubric 是这个 eval 应用到某个工人的输出上：同一个想法，写成一份队友可以运行的 checklist。
然后是 doer-verifier：一个 agent 做任务，第二个 agent 的唯一职责是检查它。（Anthropic 称之为 doer-verifier harness。）这是便宜的保险，用一个 agent 的时间来节省人类时间：verifier 会在你稀缺的注意力花进去之前捕捉偏移。
起草它。 打开 05-verification-rubric.md 和 06-doer-verifier.md，粘贴：
为 [my worker] 的主要输出写一份 verification rubric：用清晰的 pass/fail 条款列出决定这项工作是否足以 ship 的具体检查。然后描述一个 doer-verifier setup：第二个 agent 的唯一职责是按照这份 rubric 给第一个 agent 的输出打分，并带理由返回 pass/fail。
检查它。 第二个 agent 能否只用这份 rubric 给第一个 agent 的工作评分，并且你会信任那个 pass 吗？如果一个「pass」仍让你想逐行阅读，rubric 就还不够具体。
概念 12：像花钱一样花人类注意力
一旦 agent 独立起来，新的失败模式就会出现：人类淹没在输出里。因此，把人类注意力当作稀缺资源来对待。最好的团队会让 agent 把问题批量合并到一次处理里，重复关键上下文让人类快速进入状态，并限制人类一次看到的条目数量。
有些团队会让一个 agent 专门负责决定什么要升给人类。有些团队会限制一个 agent 每天做多少工作：不是为了减慢它，而是为了让人类仍能有意义地参与工作，并保留那些对自己重要的技能。
把 reflection 纳入循环。让团队提交一份每周 "lessons and missteps" 报告，跟踪错误，让它们停止重复。记录每个 agent 已经在哪些任务类型上赢得 autonomy，并且只在反复成功后扩大 scope。团队通过这份报告有意变好，而不是靠运气变好。
起草它。 打开 07-weekly-report.md 和 08-attention-budget.md，粘贴：
起草一份 weekly team report template，针对每个 agent 捕捉：它 ship 了什么、本周的 lessons and missteps，以及它在哪些任务类型上赢得了更多 autonomy。然后为我提出一份 attention budget：我会审查什么，什么会被批量处理，一次到达我这里的数量上限是多少。
检查它。 在忙碌的一周里，这能让人类只决定重要的事，而不决定其他事吗？如果人类仍然必须阅读所有内容，这份 budget 就没有保护稀缺资源。
✓ 检查点：信任是旋钮，不是开关。 工作可检查，autonomy 随证据扩大，人类注意力花在真正有用的地方。你已经拥有完整运行模型。
第 6 部分：站起你的团队
你已经学了四个实践，并为每个实践起草了一份文档。现在把它们组装成一个团队的操作手册。
操作手册：一个文件夹，八个文件
手册是一个文件夹，按你填写的顺序编号。starter 正是这样提供的：
human-agent-team/
01-working-agreement.md few clear boundaries · what's public · what's private
02-roster.md every member · owner · tools · autonomy level (L0–L4)
03-role-cards/ one card per agent (copy the template)
role-card.template.md
reconciler.md (filled example)
04-north-star.md the one goal · which agents may act on it unprompted
05-verification-rubric.md the pass/fail checks a verifier can apply
06-doer-verifier.md which agent checks which, and what happens on fail
07-weekly-report.md shipped · lessons & missteps · autonomy changes
08-attention-budget.md what you review · what's batched · the cap
每个文件都有一个简短的必需 checklist（在模板中，也会在每个 Part 末尾的「Check it」中重复）。只有所有项都是 yes，文件才算完成。只有 8 个文件全都完成，手册才算完成。
按顺序填写
这个顺序就是依赖顺序。四个实践映射成 5 个填写步骤（信任实践拆成 verification 和 attention），并产出 8 个文件：一份手册的 3 个缩放层级。
- Working agreement：什么公开、少数边界、什么保持私密。（先有上下文；没有它，其他都无法工作。）
- Roster + role cards：每个成员、他们拥有什么、他们的工具、他们的升级触发器。
- North star：目标，以及谁可以在无需提示的情况下追逐它。
- Verification rubric + doer-verifier：工作在人类看到前如何被检查。
- Weekly report + attention budget：团队如何改进，以及如何保护你的时间。
每一份都用同样的节奏跑：粘贴对应 Part 的 prompt，阅读 agent 起草的内容，然后决定：删减、磨尖、批准。你是权威；agent 是起草者。
用 Anthropic 的 5 个问题作为完成测试。当每个答案都是 yes 时，团队就准备好了：
- agent 和人类需要的信息与访问是否都公开且广泛可搜索？
- 你能否写出团队的 roster，包括人类和 agent，并说明每个成员拥有什么？
- 每个人类和 agent 是否都有完成工作所需的正确工具？
- 你是否有 rubrics 或 tests 来验证关键工作产出？
- 团队是否有一个所有人都能引用的清晰 north star？
worked example：一个财务结账团队
模板在你看到填好的版本之前都是抽象的。这里有一个运行月度结账的小型财务团队（一个人类 controller 和 3 个 agent），关键部分已经变得具体。（starter 会把它作为 examples/finance-close-team.md 提供。）
North star： 离开公司的每个数字都是正确的，并且能追溯到其来源。
| Member | Human/Agent | Owns | Tools / access | Autonomy |
|---|---|---|---|---|
| Controller | Human | Sign-off on anything that leaves the company | none | human-only |
| Puller | Agent | Pulling figures from the source systems | ERP / GL read-only | L2 (verified) |
| Reconciler | Agent | Matching figures across sources, flagging variances | the ledger, the system of record | L3 on routine ties; L1 on new accounts |
| Checker | Agent | Grading the reconciliation against the rubric | the rubric | doer-verifier only |
让它安全的细节，是写在 Reconciler role card 上的升级触发器。
在以下情况升级给 Controller：任何 variance 超过账户余额的 1% 或 $10,000，取较小者（有意保守，因此即使小账户出现小幅波动也会升级），或任何数字在 system of record 中没有来源。否则，完成对账并记录日志。
以及 Checker 应用的 verification rubric。只有满足以下条件，reconciliation 才通过：
- every balance ties to its source within threshold; 2. every variance has a reason code; 3. every source document is linked in the system of record; 4. every exception is listed in the escalation queue.
这条升级线就是整个运行模型的缩影。Reconciler 独立运行 routine ties（L3），Checker 在任何人查看前按 rubric 验证（doer-verifier），无来源或重要的数字会停下并到达人类那里（注意力只花在真正有用处），Controller 持有唯一能把数字发到外部世界的角色。注意 Reconciler 是 routine ties 上的 L3，但 new accounts 上的 L1：autonomy 按任务类型授予，不按 agent 授予。换掉 thresholds 和 sources，同样的形状就能运行 accounts payable、payroll 或 board reporting。
✓ 检查点：你能运行一支团队。 一个 working agreement、一份带清晰角色的 roster、一个 north star、一种验证工作的方法，以及一份给你自己注意力的 budget。这就是运行模型，也是其他劳动力课程运行其上的东西。
第 7 部分：天花板，以及它如何升高
运行模型本身不会扩展团队。 它设定规则；后面的四门课程是运行在这些规则之上的机器，并且每一门都会拿你刚写出的一个 artifact 作为输入：
- Workforce with Paperclip 自动化 roster：lead agent 在预算、审批和完整审计轨迹下雇用并运行一组工人。你的 roster 和 role cards 就是它雇用的来源。
- Self-Expanding Workforce 随工作增长而扩张团队，而不是让你手动添加每个工人。
- Identic AI 是自动化的 attention budget：一个签名身份，在你设定的限制内清理日常审批，只浮现有后果的审批。
- Payment-Enabled Agents 让工人能够交易：从节省成本的团队，走向能赚钱的团队。
先构建运行模型，那些机器才有一个可靠的东西可运行。跳过它，你自动化的就是一支从一开始就不连贯的团队。
实践本身的天花板也在这里： 对人类来说，这一切并不新。清晰的 north star、定义好的角色、公开工作、共同的质量标准、从错误中学习的空间：这些都是我们几十年来已知的健康团队习惯。Agent 没有发明它们。Agent 只是让跳过它们变得致命，因为一个 agent 会以放大好实践同样快的速度放大坏实践。最能从 agent 中获益的团队，正是最严肃对待基本功的团队。
这就是本书一直走向的那条线：一支 Digital FTE 劳动力，在这个运行模型上运行，位于一家 AI-native company 内。你带着一个工人的视角来到这个运行模型。离开时，你已经能和人类一起运行一支由它们组成的团队，并且能够扩展、治理和销售这支团队生产的东西。
同一份手册，其他团队
artifact 集合是一种形状；团队会变，文档不变：
- 研究团队：analyst、synthesiser 和 fact-checker agents，在「answer the question, with sources」的 north star 下工作。
- 交付团队：planner、doer 和 doer-verifier，在质量 rubric 下工作，由人类持有 ship decision。
- 财务团队：data-pull agent、reconciliation agent，以及一个拥有每个离开公司数字的人类。
同样的 5 份文档。不同的 roster，不同的 north star，不同的 rubric。
Capstone：站起一支真实团队
在你的组织中选择一个真实目标，并为它产出完整 artifact 集合：working agreement、roster、role cards、north star、verification rubric、doer-verifier、weekly report、attention budget。
Discuss with an AI. Question your scores.
Come back when you have your BEST evaluation.
starter 会提供一个已评分示例（examples/finance-close-team-graded.md），这是一份完整的财务手册，按这 8 项检查得到 15/16，并点名了唯一弱项和修复方式。在给自己的手册评分前先读它：它展示了 rubric 会捕捉什么，也展示了强手册是什么样子。
Sources
这门课基于 Anthropic 关于运行人类与 agent 团队的说明，并映射到本书已经构建的框架。主要来源和所引用的 Anthropic 材料如下：
- Anthropic, "Lessons from Anthropic on building effective human-agent teams" (June 2026)：主要来源。文中提到的四个实践和具体结果（onboarding 错误消息重写、500 个 bug fix 的信任路径、workspace-level security boundaries）都来自这里。
- "Equipping agents for the real world with Agent Skills" 和 Agent Skills overview：把 agent 角色定义为可移植 skill file。
- "Managed agents" 和 agent memory：不绑定到人类的凭据，以及持久记忆（概念 2）。
- "Effective context engineering for AI agents"：广泛、可搜索的上下文（第 2 部分）。
- "Harness design for long-running agents"：doer-verifier harness（概念 11）。
- Agent teams in Claude Code 和 Claude Tag：agent 以自己的身份在共享团队空间中工作。