AI写了90%代码之后

大多数公司的焦虑，建立在一个不存在的参照物上，一个完全由 AI 驱动、人只需要点头或摇头的Anthropic。

真实的 Anthropic 是一个花了数年时间、自底向上建设基础设施、耐心地在每个团队每个场景中试错和沉淀、对 agent 的局限性保持高度清醒的公司。

它之所以显得 Agent-Native，恰恰是因为它对Agent不能做什么有最精确的认知。

2026 年 6 月，Claude Code 一周年。创造者 Boris Cherny 做了一次公开复盘 [29]，说了这样一段话："I don't prompt Claude anymore. I have loops running that prompt Claude. My job is to write loops." 他不再写 prompt，而是写loop让 agent 自动提示 agent，长成上千个分支的树。

一半工作在手机上完成，笔记本锁屏放在办公室，PR 持续落地。

同一个视频里，Claude Code产品负责人Cat Wu展示了她的工作流：一个 skill 自动启动本地应用，用 computer use 点击界面、触发新 UX、测试边缘情况、修复问题、再复查。团队里的 routine 自动监听 GitHub issue 和 bug report，五小时没人处理的 bug，只要容易验证就自动修复、自动提 PR。Boris 说"everyone codes"，PM、设计师、DevRel、数据科学、财务都在用Claude Code。

再加上 Anthropic Institute 的最新数据 [28]：80% 以上的生产代码由 Claude 编写，每位工程师的代码产出是两年前的 8 倍，开放性任务的成功率半年翻了三倍。

如果你是一个 AI 公司的管理者，看到这些很难不焦虑。你的团队还在手动写代码、手动 review、手动测试，Anthropic 的人已经在用手机管理 agent 军队。差距看起来是代际的。

但这个画面是失真的。这些事实被从一个精密的系统里剥离出来，单独展示时制造出一种"只要搭好Agent链路就能复制"的幻觉。

把Anthropic公开的全部工程博客、产品文档、安全报告、内部调研和高管访谈拼起来读，你会看到一个和流行叙事很不一样的公司。

◆ 先别急着上Agent

Anthropic 的《Building effective agents》[1] 开篇就说：不要一上来就堆复杂的 agent 框架。先用最简单的 LLM API 调用，加 retrieval，加 tools，加 memory，做成 workflow。只有当任务真正需要灵活性、需要模型自己决定流程和工具使用方式时，再引入agent。

这和行业里的主流情绪完全相反。主流是"赶紧agent化"，Anthropic 说的是"大部分场景还不该用 agent"。

他们在同一篇文章里做了明确区分：workflow 是 LLM 沿预定义路径被编排，agent 是 LLM 动态决定自己的路径。前者简单、可控、够用就好；后者强大，但贵、慢、不确定性高，只在任务价值足以支付这些代价时才值得引入。

这不是谦虚，是工程判断。Anthropic 比谁都清楚 agent 会出什么问题：上下文窗口会被填满，模型会忘记早期指令（《Effective context engineering for AI agents》[2] 专门讨论这件事），工具调用会失败（《Writing effective tools for agents》[3]），长任务跨 session 会丢失状态（《Effective harnesses for long-running agents》[4]），agent 会在"看起来完成"的地方停下来而其实什么都没做（《Best practices for Claude Code》[5]）。他们的整套基础设施，本质上是在管理这些失败模式，而不是追求"让 agent 做一切"。

◆ "AI写了90%的代码"和"产品经理一句话上线"背后

开头那些数字都是真的。但围绕 Anthropic 的流行叙事还有一个更诱人的画面：产品经理用一句话描述需求，agent直接完成从代码到部署的全流程，功能直接上线。

《When AI builds itself》[28] 里还有一组数字没在开头提到：Claude 在最开放性任务上的成功率半年内从约 26% 飙升到 76%；2026 年 3 月的内部调查中，受访者估计产出约为无 AI 辅助时的 4 倍。这些数字很震撼。但同一篇文章里有两个判断值得注意。

一个是这些全部是编码指标。文章把工作分成 engineering（写代码、跑基建、做训练）和 research（决定跑什么实验、解读结果、判断方向），然后坦诚地说：Claude 在执行层已经接近甚至超越人类，但在 judgment 和 direction-setting 上仍有显著差距。原文引用的员工评价是："The comparative advantage of humans as of right now is still in seeing the bigger picture and thinking beyond the confines of the immediate task."

另一个是 Anthropic 自己在这篇文章里引入了阿姆达尔定律（Amdahl's Law）来描述正在经历的瓶颈转移。原文说："as we've begun to push more code around the organization, human code review has become a new bottleneck." 代码产出速度上去了，人类代码审查反而成了卡点。再往下："There has been an explosion of new ideas, initiatives, tools, and simulations... far more than we have the capacity to pursue." 新想法和工具太多，组织消化不完。加速一个环节不会消灭瓶颈，只会把瓶颈推到下一个环节。

两个画面叠在一起，给行业制造了一个极其诱人的幻觉：只要搭好 agent 研发流水线，产品经理说一句话就能 ship feature，工程师甚至可以不需要了。很多做 AI 应用的公司觉得自己缺的就是这样一条流水线，买到或建好，生产力就能指数级提升。但连 Anthropic 自己都在说，提速之后，瓶颈移到了审查、判断和方向选择上，而这些恰恰是不能被 agent 自动化的部分。

Claude Code 团队自己在最佳实践 [5] 里反复强调：给 agent 明确的验收标准，分解任务粒度，设计 checkpoint，管理上下文，审查输出。"一句话上线"是结果的表象，背后是大量人类判断工作的前置，需求的边界在哪里、验收标准是什么、影响范围有多大、需要哪些测试、回滚方案是什么。这些判断不会因为 agent 写代码快了就消失，反而变得更关键，因为代码产出速度越快，错误决策的放大效应越强。

Anthropic 内部正在发生的角色变迁是：工程师从写代码的人，变成设定目标、设计验证、管理 agent 运行时的人。代码产量确实上去了，但人的判断密度也上去了。Anthropic 的工程师没有变轻松，是变忙的方式不一样了。《When AI builds itself》[28] 里一位员工的话很有代表性："On days where everything works well, I can't help but think nothing I do matters, everything is automated and better and faster than I ever will be. But then there are days where everything breaks and I don't understand why and I realize I have no idea what I've been up to anymore." 还有一位说："Work ran on a gift economy of small favors between humans... Claude is faster, it creates zero debt, but each of these is a lost bid for human collaboration." 这不是宣传材料，是一个组织正在经历的真实张力。

由此带出一个很少有人讨论的组织问题：当员工的核心 workload 从"执行"变成"设计和判断"，怎么考核？传统的工程师绩效体系建立在可量化的产出上，代码行数、PR 数量、bug 修复率、上线速度。但当 agent 承担了大部分执行工作后，工程师的价值体现在他给 agent 设定的目标是否正确、验收标准是否严格、系统设计是否经得起压力测试。这些东西更难量化，更依赖同行判断，也更容易在传统绩效框架里被低估。Anthropic 自己在《When AI builds itself》里也承认了这个张力，但没有给出答案。即使在 Anthropic 内部，这也是一个仍在探索的组织设计难题。

◆ Anthropic真正在建的东西：失败管理系统

把 Anthropic 公开的工程文档拼在一起看，你会发现一个有趣的事实：他们建的，与其说是一个让 agent 更强大的系统，不如说是一个让它更安全地失败的系统。

上下文管理的设计目标只有一个："每一步只给模型看最有用的 token 集合"，而不是"让模型看到所有东西"。这是《Effective context engineering for AI agents》[2] 的核心论点。CLAUDE.md 只放删掉它 Claude 就会犯错的内容。领域知识做成按需加载的 Skills，不常驻上下文。长任务的进度写在独立文件里。上下文快满时做 compaction，保留关键信息，清除冗余。实在不够就拆 subagent，各自维护独立窗口，《How we built our multi-agent research system》[7] 详细描述了这种多 agent 架构如何用独立上下文窗口换并行探索能力。

工具设计的核心原则，是"让 agent 在调用工具时尽可能不犯错"，重点并不在"把公司 API 接进去"。《Writing effective tools for agents》[3] 说得很直白：工具是确定性系统和非确定性 agent 之间的新契约。命名要让 agent 一眼知道何时该用，返回结果要精简到只包含下一步需要的信息，工具描述本身需要被当成 prompt 来工程化，工具还要有自己的 eval。Anthropic 甚至用 Claude 来分析失败的 transcript，据此改进工具设计。

执行环境的设计走的是"精细控制下的有限自治"，而不是"放手让 agent 跑"。Claude Code 文档 [5] 描述的机制包括：权限默认谨慎，每次变更前有 checkpoint 可回滚，关键节点挂 hooks 自动运行确定性检查，高风险操作必须审批。《How we contain Claude across products》[8] 更进一步指出，人类逐步审批会产生 approval fatigue，更可靠的思路是 containment，限制 agent 能做什么，而不是只监督它想做什么。

长任务的处理方式在《Effective harnesses for long-running agents》[4] 用了一个比喻：复杂任务跨越多个上下文窗口时，每个新 session 都像新工程师上班但不知道上一班发生了什么。他们的解法不是造一个永远不会忘事的 agent，而是给 agent 设计交接协议，进度文件、工作清单、git commits 作为交接物，每次开工前先读上一轮留下了什么。

《Scaling Managed Agents》[9] 展示的架构把 brain、hands、session 彻底解耦。Claude 加 harness 是 brain，sandbox 和工具是 hands，append-only 的事件日志是 session。容器挂了可以重建，harness 崩了可以从日志恢复，凭证不进入执行环境而是通过 MCP proxy 代为调用。整个设计假设每个组件都会出问题，然后确保出问题时系统能恢复。

这才是 Anthropic 的工程文化：不是乐观地追求 agent 全能，是悲观地假设 agent 一定会出错，然后系统性地管理出错的后果。

◆ 验证是分水岭

在 Anthropic 的所有实践里，最朴素也最致命的一条是：给 agent 一个可运行的检查。

Claude Code 最佳实践 [5] 反复强调这件事。可以是测试，可以是 typecheck，可以是 fixture diff，可以是浏览器截图和设计稿的对比，可以是第二个 subagent 来复核。但必须有。没有可运行的验证，agent 的每一次"完成"都是薛定谔的完成。

Anthropic 要求每个任务附带"Done means + command"。不是人类看一眼觉得差不多，而是一组命令跑过了才算完。这听起来简单，做起来是组织级的改造。大多数团队连人类工程师提交代码时都没有严格的验收标准，让他们给 agent 写可运行的验收？这需要的不是技术能力，而是工作习惯的重建。

《Demystifying evals for AI agents》[10] 补充了另一层：agent 的不确定性太强，同一起点可能有多条有效路径，不能只检查步骤是否匹配预期，要看最终结果、过程合理性、工具效率、引用准确性。他们建议从 20 个真实样例开始 eval，用 LLM-as-judge 加 rubric 做自动评估，同时保留人工测试捕捉盲区。《Quantifying infrastructure noise in agentic coding》[11] 甚至发现基础设施配置本身也会影响 coding eval 的分数。不是模型的问题，是运行环境的噪音。

所以我说验证是分水岭。技术基建可以搭，工具可以接，sandbox 可以建，但"每个任务都必须有可执行的完成标准"这件事，要求整个组织改变对"完成"的定义。大部分公司不是做不到，而是不愿意面对这个改变的成本。

◆ 连Anthropic自己都没做到非编码场景的全自动闭环

我系统梳理了 Anthropic 公开的所有工程文档、产品公告、安全报告和高管访谈，想回答一个问题：Anthropic 内部是否在编码以外的业务场景中，实现了 AI 全自动发现问题、解决问题、验证问题的闭环？

答案是没有。

Anthropic确实有大量非工程团队在用 Claude。《How Anthropic teams use Claude Code》[18] 展示了市场团队用两个 subagent 组成的自动化工作流，批量识别表现不佳的广告并生成变体，几分钟完成原来几小时的工作。法律团队搭了电话树原型帮员工找到对口律师，还建了 G Suite 应用自动跟踪法律评审状态。数据团队不用写 TypeScript 就能构建五千行的 React 可视化。产品设计团队用 Claude 写测试和自动化 PR 评审。

《How AI Is Transforming Work at Anthropic》[19] 的调研更完整：他们在 2025 年 8 月调查了 132 名工程师和研究员，做了 53 次深度访谈，分析了 20 万条内部 Claude Code 使用记录。非技术员工最常用 Claude 做的事是 debugging（51.5%）和数据科学（12.7%），安全团队用它分析不熟悉的代码，对齐团队用它做数据可视化。

但仔细看，这些全都是同一种模式：人发起任务，Claude 执行任务，人验收结果。AI 并不自主发现业务问题、自主决定解法、自主验证效果。

最能说明问题的是他们 Trust & Safety 领域的实践，这也是 Anthropic 自动化程度最高的非编码系统。Constitutional Classifiers [20] 做实时输入输出过滤，下一代版本 [21] 把计算开销从 23.7% 压到约 1%，误拒率从 0.38% 降到 0.05%。Clio 和层级摘要技术用于大规模分析对话数据、发现滥用模式 [22]。四层纵深防御包括访问控制、实时分类器、异步监控和事后越狱检测 [23]。但即便这套系统，链条的后半段，根因分析、策略调整、修复验证，仍然靠人驱动。他们自己说得很清楚："a combination of automated systems and human review" [24]。

再看模型质量闭环。2026 年 4 月的 postmortem [25] 是最好的案例：Claude Code 的质量下降持续了整整六周，起因是三个基础设施改动在不同时间窗口叠加。发现问题的方式是用户通过 thumbs-down 和 /feedback 命令报告，而这些报告在最初几周无法与正常波动区分开。不是自动化系统先发现的，而是用户先发现，然后人工调查，逐个排查。Anthropic 的事后反思是加强 eval 覆盖和 ablation 测试，但这离"自动闭环"还差得很远。

医疗场景更说明问题。Anthropic 推出了 Claude for Healthcare [26]，接入了 ICD-10、PubMed、NPI Registry 等医学数据库。但他们的医疗客户明确表示 "There are no fully automated clinical decisions being made"，每个输出都经过临床医生 review [27]。Anthropic 对医学准确性的改进走的是模型训练路径，post-training 减少幻觉，不是线上自动发现 badcase 并修复的闭环。

这意味着什么？"代码写得飞快"和"业务问题解决得飞快"之间，有一道大多数人没意识到的结构性鸿沟。

代码是一个天然适合 agent 闭环的领域：输入明确（需求描述），输出可执行（代码），验证自动化（编译、测试、运行），反馈即时（通过还是不通过）。Anthropic 选择软件工程作为第一战场不是偶然，因为这个领域的闭环条件在所有知识工作中几乎是最好的。

很多人看到代码闭环跑通了，就自然而然地推论：业务闭环也能跑通。Agent 能自动跑A/B test然后决定上线哪个方案。Agent能自动诊断 DAU 下降的原因并调整策略。Agent 能自动优化医疗产品的患者方案依从率。Agent能自主重新设计金融产品的选股推荐逻辑。

这些事在技术上并非完全不可能，但它们和代码闭环之间有三个根本性的差异，每一个都足以让"全自动"变成幻想。

首先是验证周期。代码的验证是秒级的，跑一个测试就知道对不对。业务指标的验证是天级、周级甚至月级的。一个 A/B test 要跑够统计显著性需要时间，患者的治疗依从率要观察疗程周期，选股方案的有效性要经历市场波动。在验证结果出来之前，agent 怎么知道它做的调整是对还是错？代码世界里的"compile and run"在业务世界里不存在。

其次是因果归因。代码的因果链是清晰的，这行代码改了，那个测试就过了或者挂了。业务指标的因果链是模糊的、多因的、交叉的。DAU 下降了，是因为新版本体验差，还是竞品上了新功能，还是季节性波动，还是渠道投放策略变了？付费率不达预期，是定价问题，还是功能问题，还是用户画像偏移？Agent 可以生成假设，但在真实业务环境里验证和排除这些假设，需要的不只是跑代码，而是跨团队的信息整合和商业判断。

还有"正确"的定义。代码的正确性有明确标准，测试通过、类型检查通过、功能符合需求文档。业务决策的"正确"往往没有事先标准，甚至事后也有争议。提高短期付费率的方案可能损害长期留存。提高治疗方案依从率的策略可能增加医疗成本。提高选股采纳率的推荐可能引入更大风险敞口。这些取舍不是优化问题，是价值判断，需要人来做。

代码闭环是业务闭环的必要条件，这一点没有疑问。能快速实现想法、快速验证技术可行性、快速迭代产品功能，确实在加速业务探索的循环。但从"代码跑通了"到"业务问题解决了"之间，仍然有大量需要人类判断的环节。把代码闭环等同于业务闭环，是一个需要拆解的愿景，不是一个可以直接交付的承诺。

Anthropic 自己在《When AI builds itself》[28] 里说了一句几乎可以给这个论点盖棺定论的话："More intelligence can't learn what a drug does over decades of use, can't hold elections sooner than a constitution dictates, and can't turn a stranger into an old friend in a weekend. For most people, the felt pace of this future will still be set by the bottlenecks." 更多的智能不能让药物的十年临床观察缩短为一天，不能让选举比宪法规定的更快举行，不能让陌生人在一个周末变成老朋友。对大多数人来说，未来的实际节奏仍然由瓶颈决定，而不是由智能决定。

连 Anthropic 这样一个拥有最强模型、最深Agent基建、最成熟工程文化的公司，在自己的非编码业务场景中，都还没做到全自动闭环。那些认为只要搭好agent研发流水线就能解决业务问题的公司，需要认真想想自己的预期是不是建立在一个根本不存在的参照物上。

◆ 被忽略的那一半

技术基建之外，Anthropic 还有一半东西很少被讨论。

Mike Krieger 在 Lenny's Podcast [12] 的访谈里讲了 Anthropic 产品组织的一个关键特征：产品经理嵌入研究团队，直接参与 post-training、fine-tuning 和 agent 行为设计。不是等模型能力定型后在 API 上面做 UI。

这意味着产品经理需要理解 eval、理解 agent behavior、理解 post-training 的取舍。这和传统的"PM 写 PRD，扔给工程师"的模式完全不同。Anthropic 把模型能力当成产品组织可以塑造的核心材料，而不是外部依赖。大多数公司做不到 Agent-Native 的根因不在技术，在于产品团队离模型太远。

Anthropic Labs 的官方公告 [13] 也印证了这个思路：他们的产品方法是在 Claude 的能力边界上反复试验，拿未打磨的版本和早期用户测试，验证后再规模化。

Dario 在 Dwarkesh Podcast [14] 的访谈里说，他花三分之一到 40% 的时间维护文化。公司到约 2500 人后，他没办法亲自参与每个模型和产品细节，所以最有杠杆的事是确保大家感觉自己是一个团队、围绕同一使命。他每两周做一次全员 DVQ，写三四页文档讲模型进展、产品方向、行业格局、地缘政治，然后回答问题。在 Slack 里直接回应员工提问。目标是建立"告诉公司真相"的声誉，避免 corpo speak。

Daniela Amodei 在 Vanta Frameworks for Growth [15] 的访谈里补充了招聘维度：不只看技术深度，也看沟通、EQ、善良、好奇心。价值观面试会告诉候选人为什么问这些问题，强调没有标准答案，想看的是思考过程和诚实。她说价值观要能被员工自发引用，甚至能 meme 化；不管用的价值观要敢于淘汰。在 Sixth Street 的 It's Not Magic 播客 [16] 里，她进一步讨论了如何让价值观在快速扩张中不被稀释。

这些做法背后有一个逻辑：当代码生产被 AI 压缩后，组织瓶颈转移到判断、信任、协调、验收和风险承担。Agent 让执行更快，也让错误扩散更快。如果文化是低信任的、信息不透明的，agent 只会放大混乱。

更关键的一点是，Anthropic 内部 AI 采用的扩散路径不是自上而下的。不是管理层下达"全面 AI 化"的指令，然后成立一个Agent Harness部门去推行。《How Anthropic teams use Claude Code》[18] 的叙事结构本身就很说明问题，它是按团队一个个讲的：数据基础设施团队怎么用，安全工程团队怎么用，法律团队怎么用。每个团队的用法不同，解决的问题不同，演进的节奏也不同。法律团队是"通过实验和想了解产品"才开始用 Claude Code 的。数据科学家是因为"不懂 TypeScript 但需要可视化"才发现 Claude Code 能帮他们的。

这是一个自底向上、由点及面的过程。一个人发现了好用的方式，影响了一个团队；一个团队的实践沉淀成了文档和最佳实践，被其他团队看到；跨团队的共性需求汇聚成了平台能力（MCP、Skills、hooks）。这个过程没有捷径。你不能通过高薪招一个"AI Agent Harness"团队、或者采购一个 agent研发基建产品来快速完成它。

◆ 校准你的预期

把 Anthropic 的实际做法和行业里的流行焦虑对比一下。

行业想的是"让 AI 做一切，人只做OK不OK的判断"。Anthropic 做的是"大部分场景先用简单 workflow，只在任务值得时才上 agent，上了 agent 也要给它设严格的边界和验证"。

行业想的是"Agent-Native就是把传统开发推倒重来"。Anthropic 做的是在现有的 Git、CI、test、review 工作流上加入 agent 作为参与者，而不是替代者。

行业想的是"上了 AI agent，业务指标就会自己动"。Anthropic 自己在编码之外的业务场景中，连全自动闭环都还没做到。Trust & Safety最成熟的自动化系统，后半段仍然是人在驱动。

行业想的是"成立一个Agent Harness团队，自上而下推行"。Anthropic 的实际路径是自底向上，由点及面，从一个人到一个团队到一个职能，慢慢蔓延。

行业想的是"越 AI-native 越好"。Anthropic 的工程文档几乎每一篇都在讲：约束、边界、失败模式、回滚、验证、最小复杂度。

回到最开始的问题。

真实的 Anthropic 是一个花了数年时间、自底向上建设基础设施、耐心地在每个团队每个场景中试错和沉淀、对 agent 的局限性保持高度清醒的公司。

它之所以显得 Agent-Native，恰恰是因为它对agent不能做什么有最精确的认知。

◆ 真正的机会在哪里

拆完幻觉，说说方向。

当下值得押注的机会在两端。一端是基础模型，外有御三家，内有万亿GLM，无需多说。另一端是有明确商业闭环、有清晰产品规划的 AI 应用。重心不在"AI 应用"上，在"明确商业闭环"和"清晰产品规划"上。

这一端的关键变量不是技术架构，不是 agent pipeline 搭得多好，而是组织的一号位。

在一个被 AI 加速的循环里，代码产出可以快到几乎无限，实验可以并行跑几十个，原型可以一天出三版。但 Anthropic 的全部实践指向同一个结论：加速之后，瓶颈转移到判断。定方向、定标准、定边界、定节奏，哪些场景适合全自动，哪些必须有人在回路里，哪些指标可以交给 agent，哪些判断只能人来做。这些不是技术问题，是商业判断，是产品直觉，是对风险的定价。

Dario 花 40% 的时间维护文化。Mike Krieger 让 PM 嵌入研究团队。Daniela 在招聘里筛选判断力。这些做法的共同指向是：当执行层被 AI 压缩后，组织的胜负手是判断的质量和密度。

AI 应用公司的一号位，就是这个组织的超级验证器。Anthropic 给 agent 设计的一切，验收标准、边界约束、checkpoint、eval，在业务层面全部是一号位的工作。

Agent的"Done means + command"由工程师写，

业务的"Done means what"由一号位定。

◆ 参考资料

Anthropic官方工程博客与文档

[1] Building effective agentshttps://www.anthropic.com/engineering/building-effective-agents

[2] Effective context engineering for AI agentshttps://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents

[3] Writing effective tools for agents — with agentshttps://www.anthropic.com/engineering/writing-tools-for-agents

[4] Effective harnesses for long-running agentshttps://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents

[5] Best practices for Claude Codehttps://code.claude.com/docs/en/best-practices

[7] How we built our multi-agent research systemhttps://www.anthropic.com/engineering/multi-agent-research-system

[8] How we contain Claude across productshttps://www.anthropic.com/engineering/how-we-contain-claude-across-products

[9] Scaling Managed Agentshttps://www.anthropic.com/engineering/managed-agents

[10] Demystifying evals for AI agentshttps://www.anthropic.com/engineering/demystifying-evals

[11] Quantifying infrastructure noise in agentic codinghttps://www.anthropic.com/engineering/infrastructure-noise

[18] How Anthropic teams use Claude Codehttps://www.anthropic.com/news/how-anthropic-teams-use-claude-code

[19] How AI Is Transforming Work at Anthropichttps://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic

[25] An update on recent Claude Code quality reports (April 23 postmortem)https://www.anthropic.com/engineering/april-23-postmortem

[28] When AI builds itselfhttps://www.anthropic.com/institute/recursive-self-improvement

Anthropic安全与合规

[20] Constitutional Classifiers: Defending against universal jailbreakshttps://www.anthropic.com/research/constitutional-classifiers

[21] Next-generation Constitutional Classifiershttps://www.anthropic.com/research/next-generation-constitutional-classifiers

[22] Detecting and countering malicious uses of Claude: March 2025https://www.anthropic.com/news/detecting-and-countering-malicious-uses-of-claude-march-2025

[23] Responsible Scaling Policyhttps://www.anthropic.com/responsible-scaling-policy

[24] Building safeguards for Claudehttps://www.anthropic.com/news/building-safeguards-for-claude

Anthropic产品与医疗

[13] Introducing Anthropic Labshttps://www.anthropic.com/news/introducing-anthropic-labs

[17] Anthropic Careershttps://www.anthropic.com/careers

[26] Advancing Claude in healthcare and the life scienceshttps://www.anthropic.com/news/healthcare-life-sciences

[27] Qualified Health case studyhttps://claude.com/customers/qualified-health

Anthropic产品与生态

Introducing the Model Context Protocolhttps://www.anthropic.com/news/model-context-protocol

New capabilities for building agents on the Anthropic APIhttps://www.anthropic.com/news/agent-capabilities-api

Claude's Constitutionhttps://www.anthropic.com/constitution

高管访谈

[6] Dario Amodei, CEO Speaker Series, Council on Foreign Relationshttps://www.cfr.org/event/ceo-speaker-series-dario-amodei-anthropic

[12] Mike Krieger on Lenny's Podcast, "Anthropic's CPO on what comes next"https://www.lennysnewsletter.com/p/anthropics-cpo-heres-what-comes-next

[14] Dario Amodei on Dwarkesh Podcast, "We are near the end of the exponential"https://www.dwarkesh.com/p/dario-amodei-2

[15] Daniela Amodei on Vanta Frameworks for Growthhttps://www.vanta.com/resources/hiring-10x-engineers-at-anthropic

[16] Daniela Amodei on Sixth Street, It's Not Magichttps://sixthstreet.com/podcasts/a-conversation-with-daniela-amodei-co-founder-and-president-of-anthropic/

[29] Boris Cherny & Cat Wu, "Reflecting on a year of Claude Code"https://www.youtube.com/watch?v=Hth_tLaC2j8