来自 every 的自我批评，不应该让每个员工一个 Agent

Every 是一家做 AI 应用和内容的公司，最近把自己用了半年的企业 Agent 公开，同时批评自己之前的做法：

受 OpenClaw 的影响，Every 为员工每人一个 agent，但在实践过程中，发现了在「维护」层面产生了诸多的问题，导致这种方法不可持续。

它的联合创始人兼 CEO Dan Shipper 在发布文里写下结论：一个公开干活的共享 agent，比一群个人 agent 更快地让公司吃下 AI。

这篇文章要说的是，企业 Agent 的设计答案可以拆成四个具体决定。每个决定背后都有 Every 半年多的实测做底，有的是账单，有的是花掉的设计工夫。

一、先看个人 agent 是怎么失败的

Every 最早的方案叫 Plus One，每人一个跑在租来的虚拟机上的 Slack agent。工程复盘里，工程师 Paridhi Agarwal 记下了账单：几十台云机器 24 小时照看，每 30 秒检查一次 agent 是否还活着，崩了要修，为此专门有 /heal-bot 命令；agent 的 ChatGPT 登录态一过期就不出声，直到有人手动重新登录；还有一个每小时跑一次的任务，只为刷新 Slack 访问令牌。他们跑的 agent 程序 OpenClaw 本就不是为团队做的：每天凌晨 4 点重置对话，几套记忆系统彼此重叠，很难理清。

Paridhi 的原话是，大多数人不想照看一个 agent，并写下 servers should be cattle, not pets——服务器该像牲口，不该像宠物。Plus One 等于给每个人发一只高维护的宠物，再把"让几十只宠物活着"派给工程师。

就算养活了，个人 agent 也有天花板。它只知道自己主人的工作，不知道公司其他部分在做什么、那些事怎么影响这个人；有人摸索出的好工作流只留在自己的 agent 里，想让每个 agent 都学会，同一份更新要做几遍；agent 坏了还得主人自己修。

他们观察到的是：效果最好的场合，是全队把某一个 agent 拉进同一个 thread。

二、第一个决定：共享一个，而不是每人一个

于是有了全公司共享的 agent。它看得见整个团队的上下文，一个人学会的技能所有人都能用，只需要维护一个。

怎么让它被用起来？Dan 用自己公司的事解释：他把主编 Kate 的 30,000 条历史 copyedit 做成一个叫 Kate Pass 的技能，但推动大家采用像 shouting into a hurricane（对着飓风喊话）。解法是在公开的地方做事，让人看见，而不是靠说。

发布片把这叫"公开 prompt"：员工把 iPhone 放进冰箱让它自动下单 Dr Pepper，因为办公室总有人喝光 Diet Dr Pepper；真正的主张是同事看着你在 Slack 里用 AI，于是也开始用，整个组织进入 AI 环境。Dan 没有另做一个新界面，入口就放在人已经在的 Slack 里。

有个 beta 用户的说法可以概括换来的东西。Emily Whitehead Foundation 执行董事 George Eastwood 说，这"不是把工作自动化掉，而是给团队一份共享的能力，它随着我们学会一起用它而变好"。

三、第二个决定：基础设施自己建，还是交出去

先解释两个词。harness：模型只生成文字，要让它真的去搜文件、跑代码、发消息，得有一个软件替它执行工具、再把结果喂回给它，这个软件就是 harness。托管：自己维护运行 agent 的机器和软件，还是把这摊交给别人。

Claude Code 有一套 harness，但它是为一个人的电脑设计的；自己托管 harness，周围的一切都会变成你的活。Every 起先想自己托管那个唯一的 agent：Dan Shipper 觉得管得过来，工程师 Willie Williams 不信；试过之后，一个月内的维护工作量说服了 Dan。Paridhi 记下的原话是，他们想做的是一个同事，不是运维一个基础设施团队。

五月初写下重建计划，一周内 @Every 就在 Slack 里回话，老的那批 agent 全下线。他们交给了 Anthropic 的 Claude Managed Agents。这套设计把脑和手分开：Claude 和 harness 是脑，虚拟机和工具是手，session 在两者之外充当运行日志，也就是一次工作从开始到结束的记录，所以任一边崩了，工作还在。每个 session 配一台虚拟电脑，运行期间 8 美分一小时。缓存和上下文压缩由托管方负责。缓存就是把模型处理过的一段上下文暂时存下来，下次直接用，省得重新读。托管方也允许中途打断 agent。

四、剩下两件必须自己设计的事

Paridhi 的原文把这件事讲得最清楚：聊天机器人谁说话都答，Slack 里的同事得知道哪条消息是找它的、它又在替谁行动。

第三个决定，一条消息是不是对它说的。做法是：每条没 @ 它的消息，先由一个小而快的模型读，连同 thread 里有谁、@Every 上次说了什么，再决定是回复、回个表情、还是不插话；拿不准时保持安静。

第四个决定，它代表谁行动。要去别的应用读信息或做事时，托管方暂停 agent，把请求交给 Every 自己的服务器，服务器用请求者本人的登录调用，只把结果回给 agent。agent 全程不持有密码或访问令牌，所以没法拿这个凭据做请求者没要求的事。技能同理：任何人都可以要求改技能，但要技能所有者批准才生效。

Dan 给技能沉淀下的定义是：你最好的人做事的方式，包括他为做对而做的每一次纠正，变成全公司都能做的事。

五、已经付过的五条代价

第一条，自家代码挨着托管 agent 的 bug。托管方在 Every 服务器重启时仍保持 session，于是他们有时在 agent 干活时部署更新、在响应请求之前关掉服务器，agent 就一直等一个不会来的响应，新消息失败、打断也没用，得把它所有未完成请求都补上响应才能恢复。Paridhi 的结论是，任何把自家代码跑在托管 agent 旁边的团队，都会撞上某个版本的这个 bug。

第二条，换模型会改变行为。七月底换到 Opus 5，@Every 一夜之间变啰嗦，典型回复从约 280 字符涨到约 880，同事开始叫它小作文，让它"用一半的字重说一遍，像正常人那样"；他们花几周写简洁性与格式规则和测试，九月换到 Opus 5.5，小作文才停。

第三条，长会话的缓存经济学。有个客户的私聊连续跑三天、33 轮，是一个 session；消息之间缓存过期，模型得把整段历史重新写进缓存，比重新读一遍更贵；接近上下文上限时，Opus 有时什么都不返回。解法是提前开新 session，带一份旧会话的短摘要。拿这个改动重跑过去的对话，总成本降 39%，没有任何一轮比原来更贵。

第四条，平台锁定。托管服务只能跑 Claude，可以给每个 session 挑不同的 Claude 模型，快问题走更快更便宜的，但没法路由到别家实验室的模型；因为要保留 session 历史以便恢复，它也不符合 Anthropic 的零数据保留选项，有些公司要求这个，他们现在给不了。

第五条，退出成本。他们整理了一份"要离开这套服务得替换什么"的架构文档，比谁预期的都长：harness、session、记忆、工具、沙箱，要几个月，还会带出一批新 bug。

六、可以带走的清单

1. 共享一个 agent，而不是每人一个：它看得见整个团队的上下文，一个人学会的技能所有人能用，只需要维护一个。

2. 基础设施托管出去：把脑和手分开，session 当运行日志，任一边崩了工作还在。

3. 让它判断哪条消息是找它的：没 @ 它的消息先由一个小而快的模型读，拿不准就保持安静。

4. 让它不持有凭据：托管方暂停，服务器用请求者本人的登录调用，只把结果回给 agent。

5. 入口放在人已经在的地方，比如 Slack，而不是又一个新界面。

6. 技能沉淀：把最好的人做事的方式、连同他为做对而做的每一次纠正，变成全公司能做的事。

7. 成本怎么收写清楚：Every 是每人 15 美元免费额度、每个工作区最多 500 美元，之后 30 美元一个月，token 按原价透传，他们的说法是模型对他们变便宜，对客户也一样变便宜。

8. Frontier Alerts：每当有新模型发布，agent 翻一遍你现在的工具和工作流，告诉你这个模型值不值得你关注。

9. 给缓存经济留退路：长会话提前开新 session、带短摘要，Every 用这个改动把总成本降了 39%。

链接

发布片：https://www.youtube.com/watch?v=jDHjR1ScChY

Dan Shipper 的发布文：https://every.to/on-every/introducing-the-every-agent

Paridhi Agarwal 的工程复盘：https://every.to/source-code/why-we-handed-our-agent-s-infrastructure-to-anthropic

#Agent工程 #企业AI