用 AI Agent 扩展社区的同时保持人性化
在 Vercel，开发者社区是我们所做一切的核心。这是我们与使用我们产品的人保持最紧密联系的方式。
随着社区的发展，自动化帮助我们扩展规模。但问题仍然会丢失，路由需要时间，上下文切换让我们无法专注于真正需要我们专业知识的工作。而且自动化永远无法帮助最重要的事情——那些你真正与某人建立联系并帮助他们的时刻。你无法用 AI 复制与真正关心你的人交谈的感觉。
所以我们构建了 agents 来接管那些不需要人类参与的路由、分类和后续跟进工作。我们称之为 Community Guardian（社区守护者）。让我们聊聊它做什么、我们如何构建它，以及任何人（包括非工程师）如何也能交付 agents。
Community Guardian 运营层
当新帖子进来时，Guardian 会分析它、检查重复项，并将其分配给具有正确专业知识和带宽的团队成员。每个人在新问题分配给其他人之前最多处理 10 个问题，保持跨时区的工作负载平衡。
没有任何问题会被忽视。如果一个问题 48 小时内没有得到回答，Guardian 会重新分配它。当我们等待更多信息时它会发送提醒，并检测对话何时得到解决。
在底层，Guardian 通过 AI Gateway 使用 Claude，并运行在 Vercel Workflows 上，这让它可以每 10 分钟检查一次，并在周期之间休眠而不消耗资源。
这处理了运营方面，但我们的团队仍然需要更好的上下文来做出良好的响应。
智能层：c0 研究助手
Guardian 管理后勤工作，而 c0 是深入研究的 agent。它存在于 Slack 中，我们的团队已经在那里工作。
当团队成员需要某个话题的上下文时，c0 会搜索我们的知识库、文档、GitHub issues 和过去的讨论，整理出一个上下文包。上下文包帮助我们的团队更快、更准确地响应，而不是依赖他们自己的记忆。
向 c0 询问关于 v0 的社区反馈
除了单个话题，c0 还帮助我们与产品团队闭环。它跟踪社区情绪和反复出现的技术障碍，因此我们可以询问 c0"最重要的产品反馈"并将真实数据带入产品对话，而不是让某人花几个小时审计一周的帖子。
重获人类专注力
在最初的 23 天里，系统帮助了 281 个独特用户：
| 指标 | 结果 |
|---|---|
| 初始上下文收集 | 4,716 次首次响应，在团队成员到达之前分类问题并收集日志 |
| 话题复活 | 1/8 的"被遗忘"话题重新激活，产生 23 个确认的解决方案 |
| 运营规模 | 最近两周内超过 1,400 次 agent 运行，从过期检查到自动解决 |
| 重复检测 | 通过向量相似度检测到 4 个重复话题，其中 3 个在 95%+ 置信度下自动关闭 |
每个实质性的答案仍然来自我们的团队。Agents 处理这些答案周围的其他一切。没有了分类和跟踪的重复部分，我们的团队可以花时间进行复杂的配对调试和关系建立，为更广泛的社区创建内容，或者只是与他们关心的开发者一起玩得开心。
构建你自己的
你不必是开发者才能构建这样的东西。你只需要一个想法。我不是工程师。我管理社区并与开发者交谈。当然，我理解我们正在解决的问题，但我不是每天都在编写生产代码。
我的想法始于苏黎世的一次演讲，我展示了我们如何自动化社区工作流程。但那是传统的自动化，脚本、规则和 if-this-then-that 逻辑。它有效，但很脆弱。每个边缘情况都需要一个新规则。
在 Vercel Ship Zurich 演示我们的社区自动化工作流程
我想要更智能的东西，所以我开始用我的 coding agent 实验添加一个思考层——"新帖子到达"和"采取行动"之间的步骤。不再是"如果帖子包含'billing'则路由到计费团队"，而是变成了"阅读这个帖子，理解这个人真正需要什么，然后决定"。
思考层就像另一个 DX 工程师在查看每个帖子，他可以：
- 当用户说"它不工作"时读懂言外之意
- 将点连接到三个月前的 GitHub issue
- 理解某人是沮丧还是只是困惑
- 知道何时升级 vs. 何时收集更多上下文
以这种方式构建意味着我可以用简单的英语描述我想要什么，得到可工作的代码，针对真实的社区话题测试它，然后迭代。
我想为不同的任务使用不同的模型，让我们的 agent 访问我们的文档和社区，并允许它在失败时暂停、恢复和恢复。我没有从头开始构建所有这些，而是向我的 coding agent 描述了我需要什么，最终选择了 AI Gateway、AI SDK 和 Vercel Workflows，它们已经处理了这些复杂性。
构建它的 prompts
第一个 prompt 是核心想法：
构建一个帮助我处理社区日常运营的 agent，
比如分配帖子和格式化。我还不知道哪个模型效果最好，
但让它易于切换而不需要新的 API 密钥。
使用 AI SDK 构建 agent。从那里开始，随着我对正在构建的东西了解更多，prompts 变得更具体。
每 10 分钟触发一次，我想检查最新的话题。我从 cron jobs 开始，但为此切换到了 Vercel Workflows。持久执行意味着 agent 可以在检查之间暂停，并在它离开的地方恢复。
确保我们每 4 小时轮换一次分配。每个 prompt 都解锁了下一个问题。我没有遵循教程或文档。我在进行对话，系统从那次对话中成长。
你不需要知道正确的术语或如何编码。你只需要足够了解你的问题来描述它，并愿意在某些东西不按你预期的方式工作时进行迭代。思考层将自动化从"遵循这些确切的规则"变成了"理解情况并做出判断"。
用心构建
社区关乎人，我们希望我们的人有时间和精力充分展现，与社区中的开发者一起构建并为他们构建。
如果你想构建类似的东西，我们用 Chat SDK 构建了 c0，这是一个统一的 TypeScript SDK，用于跨 Slack、Teams、Discord 等构建 agents。Guardian 使用 Vercel Workflows 进行持久执行。来社区分享你构建的东西。我们总是乐意讨论我们学到的东西。
关键要点
- 自动化后勤，保留人性：让 AI 处理路由、分类、跟进等重复工作，让人类专注于需要专业知识和同理心的复杂问题
- 双层架构：运营层（Guardian）处理分配和跟踪，智能层（c0）提供深度研究和上下文
- 非工程师也能构建：通过 coding agent 和自然语言描述需求，无需深厚的编程背景
- 渐进式迭代：从简单的想法开始，通过对话式 prompts 逐步完善系统
- 选择合适的工具：AI Gateway 用于模型切换，Vercel Workflows 用于持久执行，AI SDK 用于 agent 构建
技术栈
- AI Gateway：统一的 AI 模型访问层，支持无缝切换模型
- Vercel Workflows：持久执行引擎，支持暂停/恢复
- AI SDK：构建 AI agents 的 TypeScript SDK
- Chat SDK：跨平台聊天 agent 构建工具（Slack、Teams、Discord）
- Claude：主要的 LLM 模型
适用场景
- 社区管理和支持自动化
- 客户服务工单分类和路由
- 知识库搜索和上下文聚合
- 团队工作负载平衡
- 情绪分析和反馈收集