再见，深夜值班！Anthropic自用秘籍曝光：出事直接@Claude，4分钟搞定

晚上10点，Anthropic的值班工程师突然收到刺耳的警报——

线上有一批测试全线崩盘了！

只见他不慌不能忙地摸出手机，在Slack里@了一下Claude。

眨眼的功夫，Claude就找出了故障源头，没过几分钟就把漏洞自动补上了。

这套只需几小时就能拼装完成的赛博防线，已经在Anthropic内部悄无声息地运转了好几个月。

在此期间他们遇到的每起突发事故，第一波分析全都是出自Claude之手。

最快的时候，4分钟就能锁定原因，14分钟就能交出详尽的态势报告。

就在最近，Anthropic CI工程师Sachin Malhotra把这套独门秘籍完完整整地写成了一份实战教程。

赛博值班员的全套装备

系统的核心骨干是Claude Tag，Anthropic原生长在Slack里的AI智能体。

它常驻值班Slack频道，通过MCP连接器接了Grafana、Datadog、PagerDuty、GitHub、Kubernetes这一整套工具，该看的数据全看得到。

同时它还被拉进了服务告警、配置变更、PR动态等周边频道，随时吸收额外上下文。

整个系统遵循四步运转。

检测

新服务刚上线头几天，数据样本单薄，告警阈值极难拿捏，以前只能靠老工程师凭经验摸石头过河。

现在Claude会主动咀嚼前几天的流量数据，自动建议补充规则，把过宽或过窄的阈值精准调优。

另一个折磨人的老大难是告警疲劳。铺天盖地的告警，每条都得人工过一遍，日复一日真的会把人逼疯。

但Claude永远不知道疲累。

它可以7x24小时地盯住每个告警频道，逐字对照值班手册里的硬性条件，一条告警是能拖到明天还是必须立刻叫人，它心里门清。

比如规则可以设定为「错误率超过2%持续5分钟以上，且不在已知部署窗口内，就立刻呼叫值班人员，否则只做归档留底」。

判断条件是确定性的，执行者又铁面无私，这种组合堪称绝配。

分诊

分诊才是真正把效率拉满的环节。

一旦告警升级为事故，Claude就会瞬间激活一个动态工作流。

一个编排Agent会火速拉起多个执行子Agent，每个都带着Sachin写的详尽调查指南，分头猛扑Grafana、日志、GitHub提交、PagerDuty告警历史等数据源。

探查完毕后，情报会被汇总给编排Agent。经过分析重组，它会生成一份态势报告，直接发到Slack群里。

这些调查指南细到什么程度？

针对「影子分歧」这类刁钻Bug，Sachin写了一份617行的排查手册，把自己的每一步操作都编码了进去。

写法也很有意思，他在一次真实事故中跟Claude一轮轮对话排查，事后让Claude把整个过程浓缩成技能文件。

换句话说，人类只需亲手排查一次，AI记住记住所有脚印，下次照猫画虎。

修复和验证

查出问题之后，剩下的就是修复了。

最常见的路径简单粗暴，Claude直接甩出一个PR，值班工程师审完合并部署。

碰上藏在功能开关后面的危险操作，Sachin专门配了一个Claude Code Agent，手握他的全部权限，负责渐进式发布，掌控灰度流量，死盯异常数据，自动调升或调降功能开关。

修完之后，Claude还会用同一批工具反复确认修复真正生效，随后自动写下事后复盘报告入档。

为了方便查看，Anthropic的工程师们甚至搭了一个叫ci-weather的播报Agent。

它会每天从各事故频道、构建指标、合并队列、部署延迟中抽取数据，编译成一份「CI预报」发到全公司可见的公开频道。

以前工程师想知道「CI怎么了」，得找值班人问。现在自己去读预报就可以了。

AI给工程师写了一条教训

效率和速度只是表面，整个流程里最细思极恐的细节，藏在一个叫lessons.md的文件里。

每次事故平息后，Claude都会默默打开这个文件追加一行新记录。事故怎么发生的，根因是什么，用了什么招修复，又踩了哪些暗坑，全部刻在上面。

每一次新调查，Claude开工第一件事就是通读这个文件。所以它的第一个排查假设，永远脱胎于最近真实发生过的血泪教训，绝不会闭门造车。

同一个问题反复作妖几次，Claude甚至会主动建议把它升级成正式的调查技能文件，让教训彻底进化为流程。

整件事里最黑色幽默的，是Sachin自己被AI记了一笔。

有一次排查，他扫了一眼配置文件就直接下了定论，完全略过了监控指标。结果判断全错。

然后，Claude就在lessons.md里写下了这么一句：

先查数据，再建理论。配置文件告诉你什么可能出错，指标告诉你什么真的炸了。

AI给创造它的工程师上了一堂课。而且这条教训，会被未来每一次调查反复读到。

从影子道主力

这么彪悍的系统，一开始谁敢放心用？

Sachin的做法极其稳妥，先跑影子模式。Claude被关在审查频道里，只允许输出分析和建议，严禁触碰任何实际操作。团队观察了几周，确认靠谱后才正式请它进了值班频道。

能够稳定运行之后，Claude Tag还解锁了多人模式。

现在，Sachin和Claude可以在同一个Slack频道里并肩排查，任何一方随时可以纠偏、补假设、换方向。

AI的第一次直觉有时候依然会翻车，人类经年累月的肌肉记忆在这时候仍然是定海神针。但人机合体一起查，碾压任何单打独斗。

更绝的是，Anthropic还把这套方法论开源了，项目就叫「值班工具包」（oncall-kit）。

开源项目：https://github.com/anthropics/oncall-kit

它会手把手引导你走完五个阶段，从盘点团队的事故模式起步，逐步提炼成调查手册，用Claude模拟跑一遍验证，最后部署上线。项目自带48个虚构事故的历史记录，十分钟就能跑完演习。

门槛也不高，Claude团队版或企业版，把Claude Tag拉进Slack，接上MCP连接器和GitHub就能开始。

8倍代码量的代价

Anthropic之所以要逼着AI去值班，是因为工程师每季度产出的代码，已经达到了2021到2025年的8倍之多。

其中，合入代码库的代码有超过80%都是Claude编写的。

用Sachin的话说，唯一能跟上AI编程速度的，只有AI CI管线。

而这套系统，也实打实地拯救了Sachin和他同事们的社交生活。值班周的漫长黑夜，终于重新属于人类自己。

但作为代价，他也把骨子里的运维直觉一字一句地编码进了调查技能文件。Claude每天在如饥似渴地阅读、使用、往里倒腾新经验。

Sachin苦笑着说，他的工作彻底变了味，从监控事故变成了监控一个自动响应事故的AI系统。

Anthropic在递归自我改进报告里断言，人类仅存的比较优势叫「研究品味」。

在值班场景里，这种品味就是运维直觉。但它已经被写进了文件，被AI学走。

现在，AI甚至开始自己给自己迭代直觉了。

参考资料：

https://claude.com/blog/ai-ci-cd-on-call

文章来自于"新智元"，作者 "摩西"。