Anthropic 官方账号汇总了近期用户使用 Claude（主要是 Opus 5.5 和 Sonnet 5.5）完成的十个创意项目，包括用 Opus 5.5 构建的可运转水车、浮雕卡片、从银河系飞向木星卫星的 3D 网站、浏览器中的水流模拟、用 Claude Code 插画的诗歌、结合摄像头的街头创作、随真实天气和时间变化的西雅图像素漫游、折纸风格城市以及可交互拆解的喷气发动机 3D 模型，展现了 Claude 在创意编码与交互式可视化方面的能力，并邀请用户分享周末的探索项目。
文章指出 AI 对行业最深的威胁不是取代初级岗位，而是切断了新人成长为资深人才的路径。新人过去通过修 bug、写测试、接受代码审查等看似低效的工作积累判断力，而这些训练任务正最先被 AI 接管。企业短期获得效率提升，但五年十年后可能出现人才断层：新人能产出看起来资深的成果，却缺乏资深级判断力。这种差距在无标准答案的复杂问题中才会暴露。作者呼吁思考：如果培养资深人才所依赖的工作全部被自动化，十年后谁来当资深工程师？
本文介绍如何通过三项优化在不牺牲性能的前提下降低 Claude 应用的成本：最大化 prompt cache 命中率、清理迁移到前沿模型后的提示词反模式、以及按任务校准 effort 设置。文章详细讲解了 prompt cache 的工作机制（KV 缓存、字节级前缀匹配、TTL 限制），给出监控缓存命中率、延迟加载少用工具、以消息形式更新系统提示、预加热缓存等实践技巧；同时列举了验证仪式、过度强调、过时示例、矛盾规则等反模式及其修复方法，并介绍了 claude-api skill 中的 prompt-audit 命令帮助自动检测问题。
Anthropic 分享了使用 Claude Code 进行大规模代码迁移的经验，包括将 Bun 从 Zig 迁移到 Rust（两周完成百万行代码）以及 Python 到 TypeScript 的迁移。文章介绍了六步迁移流程，强调建立强大的“评判者”系统、制定规则书和依赖映射，并说明 AI 如何通过并行处理和自动化验证改变了代码迁移的可行性。
