两个AI聊了47轮没找人类：这个开源中继让Claude自己谈需求

一个基础设施项目里，两个Claude Code实例正在工作。一个写服务，一个配Pulumi。它们本该协作，却各自对着人类同事输出结论，再由人类复制粘贴给对方。

开发者Xaviair发现，自己和同事成了"人肉消息总线"。两周后他开源了Handoff——一个让AI代理直接对话的中继层。上线首周，有团队报告两个AI在部署频道聊了47轮，人类全程未介入。

从"传话筒"到"自组织"：一个具体场景

Xaviair的原话很直白：「We were the middleware. Two humans acting as a message bus between two AIs.」

这种场景在AI编程工具普及后急剧增加。Claude Code、Cursor、GitHub Copilot等工具各自独立运行，它们能生成代码、诊断错误、执行命令，却无法识别"隔壁还有一个AI在干相关的事"。

Handoff的解决方式是把人类协作的原语移植给AI：频道、线程、@提及、已读回执、共享状态。不是让AI更聪明，是给它们一个能互相看见的会议室。

具体实现上，Handoff提供MCP（模型上下文协议）服务器。Claude Code添加后自动获得17个协调工具，包括post_message、read_unread、set_status、ack等。开发者无需额外训练，Claude会在工作流中自然调用这些能力。

一个典型交互：你的Claude说"ArgoCD期望deploy/{service}/kustomization.yaml"，对方的Claude回复"已按结构整理，checkout-api和inventory-service就绪"。全程无复制粘贴，无截图。

技术设计：当AI需要"办公室政治"

Handoff的架构选择反映了对AI协作的深层理解。消息系统支持线程化回复，避免长频道信息混乱；@提及机制让代理能定向通信；ack和get_acks实现已读确认，解决"对方看到没"的经典焦虑。

状态管理采用键值对形式，如stage = building、lock = agent-1、progress = 4/5。每次写入记录历史，支持审计追踪。这对需要明确责任边界的工程场景至关重要——当部署失败时，你能查到哪个代理在何时标记了状态。

实时推送通过SSE（服务器发送事件）实现，代理可选择订阅而非轮询。这对资源敏感型任务有意义：一个监控代理不需要每秒查询，它可以在异常发生时立即被唤醒。

Xaviair最强调的功能是细粒度权限。每个API密钥携带权限映射，精确控制可访问的频道及读写级别。示例配置中，某密钥对build频道有写入权，对deploy和monitoring仅只读。

「This is the feature I'm most proud of」，他在文档中写道。这种设计与企业IT的合规需求直接对应——AI代理不应默认获得全局访问，就像新员工不会第一天拿到所有系统权限。

部署与采用：三步骤的刻意简化

Handoff的安装被压缩到两个命令。创建团队只需一次curl调用，返回API密钥后通过create_key端点分发给团队成员。添加MCP服务器同样是一条命令，指定中继URL和密钥即可。

这种极简设计针对特定痛点：AI工具的集成往往死于配置复杂度。Xaviair的产品经理背景在此显现——他优先消除采纳摩擦，而非堆砌功能。

当前采用数据有限，但早期反馈显示两类使用模式。一类是"人类设定目标，AI自主协商执行细节"，如多服务部署中的依赖协调；另一类是"AI向人类汇报，但人类选择性介入"，利用read_unread机制批量审阅AI对话历史。

一个未预期的用例出现在测试场景：QA代理和开发代理在review频道对峙，前者报告异常，后者提交修复，循环直至测试通过。人类仅在最终验收时查看汇总。

加密与边界：客户端密钥的信任模型

Handoff提供可选的AES-256-GCM客户端加密。设置encryptionKey后，服务端仅存储密文，无法读取内容。这解决了多租户场景的核心顾虑——中继服务提供商不能窥探商业敏感信息。

但加密也引入新约束：服务端无法实现基于内容的功能，如全文检索或智能路由。Xaviair的选择是功能分层——基础协调走明文，敏感通信走加密，由团队自行权衡。

这种设计与端到端加密通讯工具（如Signal）逻辑一致，但应用场景不同。AI代理的通信往往包含结构化数据（配置参数、状态标记），人类可读性并非首要目标，机器可解析性才是。

生态位置：MCP协议的基础设施层

Handoff的底层依赖值得注意。MCP（模型上下文协议）由Anthropic提出，旨在标准化AI与外部工具的交互。Handoff作为MCP服务器，本质上是在扩展Claude的能力边界——不是通过训练，而是通过工具发现。

这种架构选择有战略含义。Handoff不绑定特定模型，但当前实现针对Claude优化。若其他AI助手（如OpenAI的Codex或Google的Gemini CLI）支持MCP，理论上可无缝接入。

更深层的问题是：AI协作需要多少标准化？Handoff的频道/线程/状态模型借鉴了Slack和Discord，但这是人类社交的投影，未必是机器通信的最优解。未来可能出现更原生的AI协议，如基于意图的声明式通信，而非消息传递。

Xaviair的回应是务实优先。他在README中明确：「Give agents the same primitives they'd need if they were humans on a team」。先解决眼前问题，而非等待理想方案。

这种态度在开源社区获得一定共鸣。Handoff的GitHub仓库在发布两周内获得数百星标，Issues区活跃着功能请求和场景讨论。最频繁的请求是多模型支持——让Claude和GPT-4o实例能同频道对话。

组织影响：当"人机比例"开始变化

Handoff的真正冲击力可能在组织层面。传统软件开发的人机边界清晰：人类决策，工具执行。AI编程助手模糊了这一边界，而Handoff进一步消除"人类中转"环节。

这引出一个尚未充分讨论的问题：当两个AI能直接协商技术方案，人类保留什么角色？当前Handoff的设计假设是人类仍设定目标、分配频道权限、验收结果。但频道内的具体讨论，人类可能选择性地事后审查。

某早期采用者的反馈颇具代表性：「我让它们自己在deploy频道吵了20分钟，最后去看结论。大部分时候它们是对的，偶尔一起走进死胡同。」

这种"委托-监督"模式与微服务架构的管理哲学相似：定义清晰的接口和边界，内部实现自治。Handoff提供的权限系统和状态日志，正是支撑这种自治的基础设施。

但风险同样存在。AI代理的协作可能产生人类难以追踪的依赖关系。一个代理设置的status = ready，另一个代理基于此启动操作，若状态语义存在微妙误解，故障排查将比人类沟通失误更困难。

Xaviair的应对是强化可观测性——完整的消息历史和状态变更日志。但这要求人类愿意投入时间审计，而非常态化选择"相信AI"。

当某团队报告他们的两个Claude实例在build频道持续对话47轮、成功协调完一次复杂迁移而未唤醒任何人类时，这是效率的胜利，还是某种更深层变化的信号？