几周前，我正在值班，晚上10点同事通过Slack告诉我：新服务的大约44个测试没有触发。
过去，我会停下手头工作，拿出笔记本电脑，疲惫地叹气，然后开始长达一小时的调查和修复过程。但现在，我的工作流程完全不同：我调用@Claude，询问它的观察结果。
这次，Claude发现测试消失是因为当天早上开启了一个功能开关，并且判断回滚是安全的。我让同事回滚该开关。3分钟后，Claude在Slack上通知我，跳过规则已被移除，错误率恢复到基线水平。
过去几个月，Claude Tag一直是Anthropic CI/CD故障的第一响应者。这不仅改善了我们的社交生活，还为每个CI事件提供了即时的第一响应者：Claude在每次事件中都会撰写首份情况报告，通常在15分钟内发布首次分析。
本文将介绍我们构建的系统及其工作原理，帮助你自行搭建类似工具，减少轮值时的压力。
我们的Claude值班助手架构
在详细介绍事件响应流程前，先概述我们的整体架构，帮助你理解全局。
一个值班助手需要具备：记忆能力（记录已完成的操作）；连接和访问权限（便于调查、理解和执行操作）；时间安排（知道何时继续工作）；以及操作指令（明确任务）。
Claude Tag是我们值班助手的核心。它在值班Slack频道中保持记忆，并通过界面提供每轮操作指令。Claude还能实时响应值班频道及其他频道的事件。例行操作的调度也在该频道通过自然语言指令完成，比如“每周一上午9点运行CI交接”。
Claude Tag拥有自己的服务账户，并获得Anthropic CI工程师所需工具的访问权限，如Datadog和Grafana。管理员只需一次性完成设置（详细步骤）。
除了值班频道，我们还让Claude监控其他相关频道，这些频道也包含Claude Tag成员，以获取更多上下文信息，如服务警报、配置变更或PR更新。
常驻指令以Markdown文件形式存储在GitHub仓库中，方便团队成员协作迭代，像管理代码一样管理变更。文件中包含路由指令、策略和经验教训日志，形成自我改进闭环。
该系统搭建耗时数小时而非数天。我们在GitHub创建了通用的值班设置工具包，帮助你快速启动类似代理。它能将团队的历史事件转化为分诊手册，并在事件频道中留下只读的Claude，负责诊断、升级和学习。你可以在十分钟内观看它针对虚构团队历史的运行演示。
简要步骤总结：
- 需要Claude Team或Claude Enterprise计划
- 组织所有者需通过Claude Tag将Claude添加到值班Slack频道
- 组织所有者还需帮助连接Claude至相应的连接器、GitHub仓库，并设置Claude Code Remote
- 将Claude添加至事件频道，指示其监控事件并立即进行分诊
接下来，我们详细介绍事件各阶段的具体流程。
事件检测
Claude不仅改变了事件响应方式，还革新了事件检测流程。过去，事件检测主要存在两大失败模式。
首先，人类难以始终设定完美的规则和阈值，尤其在缺乏足够数据分析流量模式时更是如此。
为此，我们让Claude分析新服务上线初期几天的数据和警报，建议新增规则并调整过宽或过窄的规则。
第二大失败模式是警报疲劳：检查和验证每条警报非常繁琐，而Claude不会疲劳。
Claude监控每个相关警报频道的警报，依据根本值班规则判断是否可等到早晨处理，或需立即通知值班人员。例如，规则可能是：“如果错误率超过2%且持续超过5分钟，且非已知部署窗口，则通知值班，否则记录到lessons.md。”
此外，Claude值班警报流程还有两种触发方式：
- CI团队成员可在值班频道报告问题，如开头提到的44个测试缺失
- 公司任何人可通过内部页面发起事件，若标记为CI基础设施事件，则自动创建Slack事件频道，Claude会接手处理
关键点是，警报流程是确定性的，而值班升级既有确定性路径，也有智能代理路径。
分诊
Claude筛选警报噪声固然重要，但真正节省时间的是调查过程。Claude通常在事件开启后14分钟内发布首份基于证据的分析报告，最快甚至能在4分钟内指出根因。
当警报升级为事件时，Claude会在Slack频道中提出基于证据的假设供团队审阅。Claude Tag启动动态工作流，由协调代理派遣执行子代理，分别调查各依赖和数据源。
我们使用Grafana、日志存储、PagerDuty、GitHub、Kubernetes和Slack事件频道等工具，均通过MCP连接器集成。Claude可并行追踪多条线索，帮助缩短平均解决时间（MTTR）。
执行代理将调查结果反馈给协调代理，后者整合信息，形成连贯的情况报告（SITREP）。
协调和执行代理并非盲目搜索，而是依赖调查技能，参考针对每类故障的详细Markdown文件。
例如，针对影子分歧（shadow divergence）故障的调查技能文件长达617行，编码了我在典型调查中的每一步操作。该文件由我与Claude逐步排查故障时共同创建。
lessons.md文件也指导Claude排查。它是我们解决过的每个事件的持续日志，记录事件经过、根因、修复方案及注意事项。Claude会自动追加内容。每次调查开始时，Claude都会先阅读该文件，因此其初步假设基于近期经验。
若某模式频繁出现，我们会将其纳入调查技能中。我最喜欢的一条是Claude写的关于我的教训：我曾先看配置文件假设问题，未先查指标，lessons.md现在写道：“先查询数据，再推测。配置告诉你可能出错的地方，指标告诉你实际发生了什么。”
即便有这些工具和上下文，Claude也不总是第一次就准确。人类的直觉和经验依然重要。Claude Tag支持多人协作排查，团队成员可实时引导调查或补充假设。
解决方案
Claude能升级和排查警报，那能否直接修复？答案因团队而异，以下是我们的做法。
团队大多数部署都在功能开关后面。我创建了一个Claude Code代理，拥有我的权限，能在这些功能开关后进行渐进式部署。
我们的发布流程第一阶段通常由Claude管理金丝雀流量，监控问题，并自动调整功能开关的开启比例。这个流程复杂，另文详述。
Claude Tag还帮助团队完成其他解决方案：
- 通知是否需要排空或隔离Kubernetes集群的某些部分；
- 指导如何应对需求激增，扩展基础设施（虽然少见，但Claude能准确给出缓解方案非常有用）；
- 最常见的是，生成PR供值班人员审查、合并并部署，实现快速修复。
验证、沟通与交接
Claude使用调查时用到的MCP连接器和工具验证修复效果。根据oncall.md中的常驻指令，它会撰写事后总结到lessons.md，并生成交接用的情况报告。
为了跨多个事件传达完整信息，我们创建了名为ci-weather的代理。它汇总各事件Slack频道信息、构建指标、合并队列状态和部署延迟，然后发布新闻稿式报告到一个公开频道，供全公司员工查看。这样工程师无需频繁打扰我们，就能判断是否暂停合并或了解CI问题。
需要坦诚的是，我们多次调整报告格式。Claude能一次性生成状态报告，但让报告易读的是团队特有的表达习惯。这是人类沟通，而非简单技术流程。
最后，Claude为自己在lessons.md中记录日志，我们也希望每周一为团队成员生成交接报告。Claude会产出每日和每周总结，方便团队成员无缝接替工作。
从监控事件到监控事件响应系统
我们的软件工程师平均每季度交付代码量是2021至2025年的8倍。虽然我们保持高质量标准（每个PR都有明确负责人，所有变更需审批，均通过CI关卡），但要跟上智能编码的步伐，必须拥有智能CI。
Claude承担了我工作中繁琐的部分，包括非工作时间的中断和事件沟通，让我能专注于中长期架构改进，真正提升系统可靠性。
最棒的是，我们构建的系统感觉并不零散。我们的值班流程依然在Slack中进行，但现在Claude已加入频道。
如何开始：
- 需要Claude Team或Claude Enterprise计划
- 组织所有者通过Claude Tag将Claude添加到值班Slack频道
- 组织所有者帮助连接Claude至相应连接器、GitHub仓库，并设置Claude Code Remote
- 将Claude添加至事件频道，指示其监控事件并立即分诊
本文作者：Sachin Malhotra，Anthropic技术成员，Michael Segner协助贡献。
