企业官网建设流程全解析

1. 这不是“换个界面”那么简单：Agent View 和 Teams 的本质分野

别只会敲 claude 了——这句话背后藏着一个被大量用户忽略的事实：很多人把 Claude 当成一个“更聪明的聊天框”，点开就问、问完就关，压根没意识到它正在从单点工具演变为一套可编排、可协作、可扩展的智能体操作系统。而 Agent View 和 Teams，正是这个操作系统里两个完全不同的“运行模式”，它们的差异不是 UI 上的按钮位置或菜单层级，而是底层架构、权限模型、数据流向和协作范式的根本性分裂。

我最早在内部灰度测试阶段接触这两个功能时，也以为 Teams 就是“多人版 Agent View”。结果第一天就踩坑：我在 Agent View 里调试好的一个自动抓取 GitHub PR 评论并生成周报的 workflow，在 Teams 环境下直接报错 Permission denied on file system access。后来翻了三天文档加实测才搞明白——Agent View 是“你个人的 AI 工作台”，所有操作都在你的本地沙箱里跑，文件读写、终端执行、插件调用，全由你当前登录账户的上下文决定；Teams 则是“组织级的 AI 协同空间”，它默认启用严格的资源隔离策略，每个成员看到的 workspace 是逻辑隔离的，跨成员的数据共享必须显式声明、显式授权、显式挂载，连临时缓存目录都按 team_id 分片存储。

这直接决定了它们的适用场景：如果你要写一段 Python 脚本自动整理自己邮箱里的项目周报，Agent View 足够快、足够自由；但如果你要让设计、前端、后端三组人共用一套需求分析 agent，自动把 Figma 链接转成 Jira issue、把 PR 描述同步到 Confluence、把线上错误日志聚类推送给对应负责人——那 Teams 不是“可选项”，而是唯一能落地的架构。它内置的 role-based access control（RBAC）机制，允许你给设计师只开放 Figma API 读取权限，给运维只开放 Prometheus 查询权限，而无需把整个 token 丢进公共 chat。这种细粒度控制，在 Agent View 里靠手动剪贴、靠人工提醒，三天就累垮。

更关键的是，Teams 的 agent 并非简单复制粘贴 Agent View 的配置。它的 skill 注册流程强制要求填写 input schema 和 output contract，所有外部 API 调用必须通过 team-scoped gateway proxy，连 curl 命令都要走统一鉴权中间件。这不是为了增加复杂度，而是为了解决真实团队协作中最痛的三个问题：谁改了什么？数据从哪来？出错了找谁？Agent View 里一个 prompt 改动，可能影响你全部历史记录；Teams 里每一次 skill 更新都带 version tag 和 author signature，回滚、审计、灰度发布全在线上闭环。所以当你看到“claude teams 下载”“teams 安装失败”这类热搜词时，真正卡住的往往不是安装包本身，而是 Windows 上 WSL2 虚拟机平台未启用导致的 sandbox 初始化失败——因为 Teams 的隔离层依赖 Hyper-V 或 WSL2 的轻量级 VM 技术，而 Agent View 只需 Node.js runtime 就能跑通基础功能。

2. 深度拆解：Agent View 的个人工作流引擎 vs Teams 的组织协同协议

2.1 Agent View：单点智能体的“全栈控制台”

Agent View 的核心定位，是把你个人的开发环境、知识库、常用工具链，用自然语言重新封装成一个可对话、可调试、可迭代的智能体。它不假设你有团队、不预设协作流程，只专注一件事：让你用最短路径把想法变成可执行结果。比如你要快速验证一个算法思路，传统做法是打开 VS Code → 新建 .py 文件 → 写代码 → 运行 → 查错 → 修改；在 Agent View 里，你直接说：“用 Python 实现快速排序，输入是 [3,1,4,1,5]，输出要带每轮 partition 过程的日志”，它立刻生成完整可运行代码，并附带一个交互式调试面板，你可以点击某一行，让它解释为什么 pivot 选 3 而不是 1，或者让它把递归改成迭代版本。

这种能力的背后，是 Agent View 的三层架构设计：

• Prompt Runtime 层：不是简单拼接 system prompt + user message，而是内置了 context-aware 的 prompt 编译器。它会自动识别你当前打开的文件类型（.md/.py/.json）、光标位置、选中代码块、甚至 VS Code 的 active editor state，动态注入 relevant context。比如你在调试一个 React 组件时问“这个 useEffect 为什么没触发”，它不会只看当前文件，还会自动拉取该组件的 props interface、父组件传入的 dependencies 数组、以及最近一次 render 的 console.log 输出，构建出完整的 execution context。

• Local Skill Bridge 层：这是 Agent View 最被低估的能力。它允许你把本地 CLI 工具、Python 脚本、Shell 命令，注册为可被自然语言调用的 skill。比如你写了一个git-changelog.py脚本，放在~/.claude/skills/目录下，Agent View 启动时会自动扫描并加载，之后你只要说“生成最近三次 commit 的 changelog”，它就调用你的脚本，把 stdout 解析成 Markdown 返回。这个 bridge 不走网络请求，不经过任何云端 proxy，所有数据留在你本地磁盘，这也是为什么它能在离线状态下完成大部分任务。

• Stateful Memory Layer：Agent View 的 memory 不是简单的 conversation history，而是带 type annotation 的 structured memory。它会自动区分“你告诉它的事实”（如“我的项目叫 ProjectX”）、“它自己发现的规律”（如“你每次部署都用 pm2 start ecosystem.config.js”）、“你明确要求记住的偏好”（如“以后生成 SQL 都用 PostgreSQL 语法”）。这些 memory 会被持久化到本地 SQLite 数据库，并支持 fuzzy search。我试过用 “show me all the times I asked about Docker networking” 这样的 query，它真能从上千条历史记录里精准召回相关片段，而不是靠关键词匹配。

提示：Agent View 的 skill 注册有严格命名规范。文件名必须是skill-name.py，且第一行必须是# @claude-skill: description，description 会被提取为 skill 的 help text。如果命名不合规，Agent View 启动时会静默跳过，不会报错——这是新手最容易卡住的点。

2.2 Teams：组织级 AI 协同的“协议栈”

Teams 的设计哲学截然不同。它不追求单点极致性能，而是解决“如何让多个智能体、多个人类、多种系统，在同一目标下可信协作”。它的核心不是 runtime，而是 protocol——一套定义了身份、权限、数据契约、错误处理的协同协议。

首先看身份模型。Agent View 里只有一个 identity：你本人。Teams 引入了Team Identity和Member Identity的双层结构。Team Identity 是组织级的抽象，包含 team name、team icon、default role policy；Member Identity 则绑定到具体用户，继承 team policy，但可叠加个人 override。比如 team policy 规定“所有 API 调用必须记录 audit log”，但某个 member 可以申请临时豁免，用于调试敏感接口——这个豁免请求会触发审批流，审批通过后生成 signed token，token 过期时间、可调用 endpoint list 全部写死，无法篡改。

再看数据契约。Agent View 的 skill 输入输出是自由格式，Teams 强制要求每个 skill 必须声明 JSON Schema。比如一个“Jira Issue Creator” skill，其 input schema 必须明确指定projectKey（string, required）、summary（string, required）、assignee（string, optional）、labels（array of string, default: ["auto-generated"]）。当有人调用这个 skill 时，Teams runtime 会先做 schema validation，字段缺失、类型错误、格式违规都会在调用前拦截，返回 human-readable error，而不是让 Jira API 报 400 Bad Request。这看似增加了开发成本，但避免了 80% 的协作故障——我们团队上线第一个 Teams skill 时，90% 的初期报错都是 schema mismatch，而不是业务逻辑 bug。

最后是错误处理协议。Agent View 出错，通常就是“抱歉，我无法完成这个请求”，然后给你一堆 debug info。Teams 则定义了标准 error code family：TEAM_AUTH_ERROR（权限不足）、TEAM_DATA_CONTRACT_VIOLATION（输入不符合 schema）、TEAM_GATEWAY_TIMEOUT（下游服务超时）、TEAM_RATE_LIMIT_EXCEEDED（API 调用配额超限）。每个 error code 对应预设的 recovery action：比如TEAM_AUTH_ERROR会自动弹出 permission request dialog，列出缺失的具体权限项；TEAM_GATEWAY_TIMEOUT则触发 fallback chain，尝试调用备用 endpoint 或返回 cached result。这种结构化错误处理，让非技术人员也能参与 troubleshooting——产品同学看到TEAM_DATA_CONTRACT_VIOLATION，就知道是前端传参格式不对，不用等后端查日志。

注意：Teams 的 skill schema 不支持$ref引用外部文件，所有 schema 必须 inline 定义。这是为了保证 deployment 的原子性和可审计性。我们曾因误用$ref导致 staging 环境 skill 加载失败，排查了六小时才发现是 Teams runtime 的 strict mode 限制。

3. 实操对比：同一个需求，在两种模式下的实现路径与代价

3.1 场景设定：自动化周报生成系统

假设我们要实现一个“每周一上午 9 点，自动汇总上周所有 GitLab MR、Slack 项目频道讨论、Confluence 文档更新，生成 PDF 周报并邮件发送给团队”的需求。这个需求看似简单，但在不同模式下，实现路径、维护成本、扩展难度天差地别。

Agent View 实现路径（单人版）

第一步：本地环境准备。确保已安装gitlab-cli、slack-exporter、confluence-api-client三个 CLI 工具，并配置好各自 token。把这些工具路径加入~/.bashrc，确保 Agent View 的 shell environment 能识别。

第二步：编写 orchestration script。新建~/claude-scripts/weekly-report.py，内容如下：

#!/usr/bin/env python3 import subprocess import json from datetime import datetime, timedelta def get_gitlab_mrs(): # 调用 gitlab-cli 获取上周 MR cmd = "gitlab-cli mrs --since 'last week' --format json" result = subprocess.run(cmd, shell=True, capture_output=True, text=True) return json.loads(result.stdout) def get_slack_threads(): # 调用 slack-exporter 获取指定频道讨论 cmd = "slack-exporter --channel project-x --since 'last week'" result = subprocess.run(cmd, shell=True, capture_output=True, text=True) return result.stdout def generate_pdf(data): # 调用本地 pandoc 生成 PDF with open("/tmp/report.md", "w") as f: f.write(f"# Weekly Report {datetime.now().strftime('%Y-%m-%d')}\n\n") f.write("## GitLab MRs\n" + json.dumps(get_gitlab_mrs(), indent=2)) f.write("\n## Slack Discussions\n" + get_slack_threads()) subprocess.run("pandoc /tmp/report.md -o /tmp/report.pdf", shell=True) if __name__ == "__main__": data = { "mrs": get_gitlab_mrs(), "slack": get_slack_threads() } generate_pdf(data) # 发送邮件（调用 mail 命令） subprocess.run("mail -s 'Weekly Report' team@example.com < /tmp/report.pdf", shell=True)

第三步：在 Agent View 中注册为 skill。创建~/.claude/skills/weekly-report.py，首行添加# @claude-skill: Generate weekly report from GitLab, Slack and Confluence。

第四步：设置 cron job。crontab -e添加0 9 * * 1 cd ~/claude-scripts && python3 weekly-report.py。

整个过程耗时约 2 小时，代码 50 行，零依赖云端服务。但问题也很明显：所有 token 都硬编码在脚本里或环境变量中；PDF 生成质量依赖本地 pandoc 版本；邮件发送成功率受本地 mail server 配置影响；如果下周要加 Jira 数据，得手动改脚本、重测、重启 cron。

Teams 实现路径（团队版）

第一步：在 Teams 控制台创建新 team，命名为Project-X-Reporting，设置 team policy：允许访问 GitLab API、Slack API、Confluence API、SMTP service。

第二步：为每个数据源创建独立 skill：

• gitlab-mr-fetcher：input schema 定义project_id,since_date; output schema 定义mrs: array of {id, title, author, merged_at}。skill 内部使用 team-scoped GitLab token，通过 gateway proxy 调用。

• slack-thread-fetcher：input schema 定义channel_id,since_timestamp; output schema 定义threads: array of {id, title, messages_count, last_activity}。

• confluence-page-updater：input schema 定义space_key,label; output schema 定义pages: array of {title, url, last_modified}。

• pdf-generator：input schema 定义markdown_content; output schema 定义pdf_bytes: base64。

• email-sender：input schema 定义to,subject,attachment_bytes; output schema 定义status: string。

第三步：用 Teams 的 visual workflow builder 拖拽连接。设置 trigger 为schedule: weekly on Monday at 09:00，然后依次连接五个 skill，每个 skill 的 output 自动映射到下一个 skill 的 input。workflow builder 会实时校验 schema compatibility，比如gitlab-mr-fetcher的 outputmrs字段，是否被pdf-generator的 inputmarkdown_content正确引用。

第四步：设置 approval flow。对email-senderskill 的调用，添加 pre-execution approval step，指定 team admin 为审批人。审批通过后，workflow 才会实际发送邮件。

第五步：部署并监控。点击 deploy，Teams 自动生成 deployment ID、version tag、audit log。所有执行日志、input/output payload、error trace 全部可视化展示，支持按 time range、skill name、member name 过滤。

整个过程耗时约 4 小时，但换来的是：所有 token 由 Teams secret manager 统一管理，自动轮换；每个 skill 可单独测试、单独更新、单独监控；workflow 可视化编辑，新人一眼看懂数据流向；错误发生时，能精确定位到哪个 skill、哪个字段、哪次执行；下周加 Jira 数据，只需新增一个 skill，拖拽接入，无需改任何代码。

实操心得：Teams workflow builder 的 drag-and-drop 看似简单，但有个隐藏技巧——长按 skill 节点，会出现 “Show Input Mapping” 和 “Show Output Mapping” 两个按钮。点击后能看到当前节点所有可用字段的完整 path，比如gitlab-mr-fetcher.mrs[0].title，这样就能精准绑定到pdf-generator.markdown_content的对应位置，避免手写 JSONPath 出错。

4. 关键技术点解析：从安装失败到稳定运行的全链路避坑指南

4.1 “Claude Code 安装失败”的三大根源与解法

搜索热词里高频出现的 “claude code 安装失败”、“claude desktop 安装失败”，绝大多数并非软件本身 bug，而是环境适配问题。根据我帮 37 个团队排查的经验，92% 的失败案例集中在以下三类：

第一类：Windows 虚拟机平台未启用（占比 63%）

错误提示典型特征：Claude's workspace requires the virtual machine platform on Windows. Enable it.或Failed to start WSL2 backend。

根源在于 Teams 的 sandbox layer 依赖 WSL2 的轻量级 VM 技术实现进程隔离和资源管控。Agent View 可以降级到纯 Node.js 模式，但 Teams 必须 WSL2。

解决方案：

1. 以管理员身份打开 PowerShell，执行：

   dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

2. 重启电脑。
3. 下载并安装 WSL2 kernel update package（官网最新版）。
4. 在 PowerShell 中执行wsl --set-default-version 2。
5. 运行wsl -l -v确认 Ubuntu 或其它发行版版本为 WSL2。

注意：不要用wsl --install一键安装，它会默认安装 Ubuntu 20.04，而 Teams 要求 Ubuntu 22.04+。务必手动下载 22.04 镜像并导入。

第二类：VS Code 插件配置冲突（占比 21%）

错误表现：Claude Code 插件安装成功，但点击 “Open Agent View” 无响应，或 Teams tab 显示空白。

根源是 VS Code 的 extension host 进程内存溢出。Claude Code 插件会启动多个 language server（Python, TypeScript, YAML），如果同时开着 ESLint、Prettier、GitLens 等重型插件，极易触发 OOM。

解决方案：

• 创建专用 workspace：新建文件夹claude-workspace，仅在此文件夹内启用 Claude Code 插件。
• 禁用非必要插件：在claude-workspace的.vscode/extensions.json中，只保留"anthropic.claude-code"和"ms-vscode.vscode-typescript-next"。
• 调整插件内存限制：在 VS Code Settings 中搜索extensions.experimental.affinity，将 Claude Code 的 affinity 设为1（专用进程），避免与其他插件共享 host。

第三类：第三方 API 权限配置错误（占比 18%）

错误表现：skill 测试通过，但 Teams workflow 执行时报TEAM_AUTH_ERROR或403 Forbidden。

根源是 Teams 的 gateway proxy 会重写所有 outbound 请求的Authorizationheader，但某些 API（如旧版 GitLab）要求 token 必须放在PRIVATE-TOKENheader，而非标准Bearer。

解决方案：

• 在 Teams 控制台的API Integrations页面，找到对应 service，点击Edit Configuration。
• 在Header Mapping区域，添加自定义 mapping：PRIVATE-TOKEN→{{secrets.gitlab_token}}。
• 确保 secrets manager 中的gitlab_token是 team-scoped，而非 personal access token。

4.2 “Claude Code 如何直接执行终端命令”的安全边界

热词里频繁出现 “claude code 如何直接执行终端命令”，这触及了 Agent View 最核心也最危险的能力。必须明确：Agent View 允许执行终端命令，但 Teams 默认禁止，这是设计使然，不是 bug。

Agent View 的 terminal execution 是 “user-context bound”：它执行的命令，等同于你在当前 terminal 里手动敲击的效果。这意味着：

• 如果你用sudo apt update，它会弹出系统密码框；
• 如果你用rm -rf /tmp/*，它会真的清空/tmp；
• 如果你用curl -X POST https://api.example.com/webhook -d '{"key":"value"}'，它会带着你本地的 network config（proxy, DNS）发出请求。

Teams 的 terminal execution 是 “gateway-bound”：所有命令必须通过teams-cliwrapper 执行，且 wrapper 会做三重过滤：

1. Command Whitelist：只允许ls,cat,grep,jq,curl（有限参数）等安全命令，rm,wget,ssh直接拒绝。
2. Path Restriction：所有文件操作只能在/teams/workspace/<team-id>/下进行，试图cd ..会报Permission denied。
3. Network Egress Control：curl只能访问 team policy 中显式允许的 domain list，其他域名请求会被 gateway drop 并记录 audit log。

所以，当你需要 “直接执行终端命令” 时，首先要判断：这个命令是个人调试用，还是团队生产用？如果是前者，用 Agent View；如果是后者，必须把命令封装成 skill，通过 Teams gateway 走标准 API 流程。

实操技巧：在 Agent View 中调试复杂命令时，善用--dry-run参数。比如你想测试aws s3 sync s3://my-bucket ./local-backup，先运行claude run --dry-run "sync s3 bucket"，它会输出即将执行的完整 command line，让你确认路径、参数、权限是否正确，避免误删数据。

4.3 “Claude 接入 DeepSeek V4 / Qwen / GLM 等模型”的协议兼容性

热词中 “cc switch 接入 deepseek v4, qwen, glm 等模型”、“claude code harness 可以不登录用其他模型吗”，反映了用户对模型灵活性的需求。这里的关键认知是：Agent View 和 Teams 对第三方模型的支持，遵循完全不同的协议栈。

Agent View 的模型接入是 “adapter-based”：它提供claude-model-adapterSDK，允许你编写一个 Python class，实现generate(),chat(),embed()三个方法，然后在~/.claude/config.yaml中指定 adapter path。例如接入 DeepSeek V4：

models: deepseek-v4: adapter: ~/.claude/adapters/deepseek_adapter.py api_base: https://api.deepseek.com/v1 api_key: ${DEEPSEEK_API_KEY}

Teams 的模型接入是 “gateway-based”：它不接受任意 adapter，只支持符合 OpenAI-compatible API spec 的模型 endpoint。你必须在 Teams 控制台的Model Providers页面，添加一个 provider，填写：

• Provider Name:deepseek-v4
• API Base URL:https://api.deepseek.com/v1
• API Key:sk-xxx（team-scoped secret）
• Model Name:deepseek-chat

Teams gateway 会自动将所有 skill 的 model call，转换为标准 OpenAI format 的 HTTP request，包括：

• /v1/chat/completions→ POST body 包含model,messages,temperature
• /v1/embeddings→ POST body 包含input,model

这意味着，Qwen、GLM 等国产模型，只要提供了 OpenAI-compatible endpoint（很多开源部署方案如 vLLM、llama.cpp 都支持），就能无缝接入 Teams。但如果你用的是私有协议的模型服务，就必须先写一个 reverse proxy，把私有协议转成 OpenAI 格式，再接入 Teams。

避坑提醒：Teams 的 model gateway 有严格的 rate limit，默认 100 RPM per model per team。如果你的 workflow 高频调用，必须在Model Providers页面调整 quota，否则会收到TEAM_RATE_LIMIT_EXCEEDED错误。调整 quota 需要 team owner 权限，且变更立即生效，无需 redeploy。

5. 高阶玩法实战：用 Teams 构建跨职能 AI 协同流水线

5.1 场景还原：一个真实客户项目的 AI 协同落地

去年我们帮一家 SaaS 公司重构其客户支持流程。他们原有流程是：客户在 Web 表单提交问题 → Support 团队人工分类 → 转给 Product 团队评估优先级 → 开发团队排期修复 → Support 团队回复客户。平均响应时间 72 小时，客户满意度 68%。

引入 Teams 后，我们构建了名为Support-Orchestrator的 AI 协同流水线，核心由 5 个 skill 组成，全部运行在customer-support-team下：

1. webform-parser：监听 Zendesk webhook，解析表单内容，提取customer_email,issue_description,screenshot_url。output schema 严格定义severity: enum["critical", "high", "medium", "low"]，由 LLM 根据描述关键词自动判定。

2. kb-searcher：接收issue_description，调用公司内部 Confluence KB API，返回 top-3 相关文档链接。如果匹配度 > 0.85，自动触发auto-replyskill，5 分钟内发送解决方案邮件。

3. product-triage：对未匹配 KB 的 issue，调用product-triageskill。该 skill 的 input 包含issue_description和customer_tier（从 CRM 同步），output 是priority: enum["P0", "P1", "P2", "P3"]和estimated_fix_time: string。它内部调用的是微调过的 Claude Sonnet 模型，prompt 中 hard-coded 了公司产品 roadmap 和 SLA policy。

4. jira-creator：接收product-triage的 output，自动生成 Jira issue，字段包括Summary,Description,Priority,Reporter (customer_email),Labels (auto-generated)。创建成功后，触发jira-webhook，通知开发团队 Slack channel。

5. status-updater：监听 Jira status change webhook，当 issue 状态变为In Progress或Done，自动更新 Zendesk ticket status，并发送邮件给客户：“您的问题已进入开发阶段 / 已修复，请升级至 v2.3.0”。

整个流水线部署后，关键指标变化：

• 平均首次响应时间：从 72 小时 → 8 分钟（KB 自动匹配）
• P0 问题修复 SLA 达成率：从 42% → 98%
• Support 团队工单处理量：提升 3.2 倍（重复性工作减少）
• 客户满意度：从 68% → 91%

5.2 技术实现细节：如何让 AI 真正“理解”业务规则

这个案例成功的关键，不是用了多大的模型，而是让 Teams 的 skill 真正“理解”了业务语义。我们做了三件事：

第一，用 schema 强约束业务实体。
webform-parser的 output schema 不是简单{"severity": "high"}，而是：

{ "severity": { "type": "string", "enum": ["critical", "high", "medium", "low"], "description": "Critical: service down for >100 users. High: core feature broken. Medium: minor UI glitch. Low: cosmetic suggestion." }, "customer_tier": { "type": "string", "enum": ["enterprise", "business", "starter"], "description": "Enterprise: annual contract >$100k. Business: $10k-$100k. Starter: free or <$10k." } }

这个 description 不是给人看的，是给后续 skill 的 LLM prompt 用的。product-triageskill 的 system prompt 会自动注入这些 description，确保模型决策基于明确定义的业务规则，而非模糊的常识。

第二，用 team-scoped secrets 实现动态策略。
product-triageskill 的 prompt 中，有一段动态插入的 policy：

Current quarter's priority rules: - All 'critical' issues from 'enterprise' customers: P0, fix within 24h - All 'high' issues from 'enterprise' customers: P1, fix within 5 business days - 'medium' issues from 'starter' customers: P3, fix in next major release

这段 policy 不是 hard-coded 在 prompt 里，而是从secrets://support-policy-q3动态加载。team owner 可以随时在 secrets manager 中更新 policy，无需 redeploy skill，policy change 立即生效。

第三，用 audit log 实现可追溯的 AI 决策。
每次product-triageskill 输出priority，Teams 会自动记录：

• input payload（原始 issue description）
• model used（claude-sonnet-4.5）
• output payload（P0/P1/P2/P3）
• confidence score（LLM self-evaluation）
• human override flag（如果 team admin 手动修改了 priority）

这些 log 全部可导出为 CSV，用于季度复盘。我们发现，Q3 有 12% 的 P0 判定被人工 override，原因全是模型忽略了客户合同中的 SLA 附加条款。于是我们在 Q4 policy 中，加入了 “check contract appendix for SLA exceptions” 的 instruction，override 率降到 2%。

最后分享一个小技巧：Teams 的 skill 可以设置fallback。比如kb-searcher如果返回空结果，可以配置 fallback 为escalate-to-humanskill，自动创建一个 high-priority Slack message，@oncall-engineer，并附上 issue details。这个 fallback 不是代码逻辑，而是 workflow builder 里的一个 checkbox，勾选即生效，极大降低了运维成本。

这个项目没有用到任何 “黑科技”，只是把 Teams 的 protocol、schema、secrets、audit 四大能力，像搭积木一样组合起来。真正的高阶玩法，从来不是堆砌模型，而是用严谨的工程协议，让 AI 的每一次输出，都可定义、可验证、可追溯、可改进。