Devin 的 Slack 协作礼仪:AI 智能体如何融入团队沟通

Cognition用一年时间打磨Devin在Slack中的沟通礼仪,揭示AI智能体产品化的关键在于交互体验而非单纯技术能力。
Cognition团队围绕AI软件工程师Devin在Slack中的行为进行了为期一年的系统优化,涉及提示词、运行框架和Slack API三个层面。文章指出,AI智能体在协作工具中的"社交行为"与其底层技术能力同等重要——回复过于冗长、在错误线程插话、刷屏等问题会迅速消耗团队信任。Devin的实践表明,善用线程回复、表情反应等平台原生功能,能让AI的介入更符合人类习惯,降低使用摩擦。随着AI编程助手的底层能力趋于同质化,"做得是否得体"正成为产品竞争的新焦点。行为调优是一个依赖真实数据反馈的长期渐进过程,试图一步到位部署AI助手的团队往往会低估这种持续打磨的必要性。
AI 智能体走进团队沟通场景
当 AI 编程智能体从孤立的开发环境走向团队协作平台时,一个被长期忽视的问题浮出水面:AI 该如何在 Slack 这样的即时通讯工具里“得体地”与人类同事共事?Cognition 团队用过去一年时间,围绕自家 AI 软件工程师 Devin 在 Slack 中的行为进行了系统性打磨,涉及提示词(prompts)、Devin 的运行框架(harness)以及 Slack API 的使用方式三个层面。
这看似是一个细枝末节的工程话题,实则触及 AI 智能体产品化落地的核心命题——技术能力之外,AI 如何在真实的人机协作环境中做到不打扰、不越界、恰到好处地参与。

为什么“Slack 礼仪”值得单独优化
沟通体验决定 AI 助手的可用性
一个 AI 智能体在 Slack 里的表现,往往直接影响团队对它的接受度。如果 Devin 回复过于冗长、频繁刷屏、在错误的线程里插话,或是响应节奏不对,即便它底层的代码能力再强,也会迅速消耗团队的信任和耐心。
换言之,AI 智能体的“社交行为”与其“技术能力”同等重要。Cognition 强调,他们对 Devin 行为的精细化调整贯穿了整整一年,这本身就说明——把一个 AI 助手真正融入人类协作流程,并非部署上线那么简单,而是一个持续迭代的产品工程。
Slack 作为协作平台提供了若干专为多人对话设计的功能,这些功能在 AI 智能体的场景下具有特殊意义。线程回复(Thread)允许将针对某条消息的讨论收束在一个子会话中,避免在主频道中"刷屏";表情反应(Emoji Reaction)可以用极低的信息密度传达确认、进展或情绪,不打断对话节奏;消息编辑则允许在原地更新内容,而非重复发新消息造成冗余。对于一个可能需要频繁汇报状态的 AI 智能体来说,若不加区分地在主频道连续发送消息,极易引发信息噪音,降低人类同事对频道的使用意愿。合理利用这些原生功能,是 AI 融入人类沟通习惯的基础前提。
三个层面的协同优化
根据 Cognition 的分享,Devin 的 Slack 行为优化分布在三个相互配合的层面:
- Prompts(提示词):通过精心设计的系统提示,约束 Devin 在何时发言、如何组织回复、以及回复的语气和长度。
- Harness(运行框架):Devin 的执行框架决定了它感知上下文、决策行动的方式,框架层面的调整能从根本上改变智能体的行为模式。
- Slack API 的使用:如何调用 Slack 的接口——例如使用线程回复、表情反应、消息编辑而非重复发送等——直接决定了 Devin 在界面上的“存在感”是否恰当。
三者共同作用,才能让 AI 智能体在群聊环境中表现得像一个合格的团队成员,而不是一个机械的机器人。
Harness(运行框架)是理解 Devin 行为的关键概念。与传统软件不同,AI 智能体的"框架"(harness)是包裹在模型外部的一套执行环境,负责管理智能体的感知输入(如读取 Slack 消息、获取代码仓库状态)、行动输出(如调用工具、发送消息)以及多步骤任务的记忆与规划循环。框架层的设计决定了智能体"能看到什么、能做什么、何时停下来等待人类",是比提示词更底层的行为约束机制。对于 Devin 这样需要长时间自主运行的编程智能体,框架还需要处理任务中断、进度汇报、错误恢复等复杂场景,框架层的细节直接决定了智能体在复杂协作环境中是否可靠。
AI 智能体产品化的启示
从能力到体验的跨越
Devin 的这次经验分享,反映出当前 AI 智能体产品的一个重要趋势:竞争焦点正从“能不能做”转向“做得体不体面”。当越来越多的 AI 编程助手具备了相近的底层能力,真正拉开差距的往往是这些看不见的交互细节。
一个懂得使用线程回复、知道何时该保持沉默、能用简洁语言汇报进展的 AI,会显著降低团队的使用摩擦。这类“礼仪”优化虽然不像模型能力升级那样引人注目,却是决定产品能否真正留在用户工作流中的关键因素。
持续迭代是常态
值得关注的是,Cognition 用“过去一年”来描述这项优化工作。这提示我们,AI 智能体在真实场景中的行为调优是一个长期、渐进的过程,需要大量真实使用数据的反馈。任何试图“一步到位”地部署 AI 助手的团队,都可能低估了这种持续打磨的必要性。
对开发团队的参考价值
对于正在评估或已经引入 AI 编程助手的团队而言,Devin 的经验提供了几点实用参考:
关注 AI 助手在协作工具中的交互设计,而不仅仅是它的代码产出质量;重视提示词与运行框架的持续调整,把它当作一项常态化的运维工作;善用协作平台提供的原生功能(如线程、表情反应),让 AI 的介入更符合人类习惯。
随着 AI 智能体逐步深入企业的日常工作流,“如何让 AI 成为一个得体的同事”将成为一个越来越重要的产品设计课题。Devin 在 Slack 上的这场“礼仪修炼”,正是这一趋势的缩影。
相关推荐

rag-eval:零依赖、无需API密钥的RAG评测工具
rag-eval 是一款零依赖、框架无关的开源RAG管线评测工具,支持本地免费的词法与检索指标,无需API密钥,并可选启用LLM Judge做语义验证,兼容Haystack、LangChain、LlamaIndex。

Vercel AI SDK 发布 workflow-harness 1.0.115 补丁更新
Vercel AI SDK 开源仓库发布 @ai-sdk/workflow-harness 1.0.115 补丁版本,同步升级 @ai-sdk/harness 依赖。本文解析该更新内容、发布机制与对开发者的意义。

用AI视频生成3D高斯泼溅模型:Minimax+COLMAP实战教程
一份实用教程:如何用AI视频生成工具Minimax拍摄360度环绕镜头,配合开源工具COLMAP进行相机位姿估计,最终生成高斯泼溅3D模型。含完整提示词、COLMAP参数设置与关键操作细节。