🏷️ Anthropic

How To Prompt Claude 5 Models

本文介绍了如何针对 Claude 5 系列模型（Fable, Opus & Sonnet）进行高效提示。文章涵盖了通用提示原则、Fable 的自主任务处理、Opus 的日常优化以及 Sonnet 的高效应用，帮助用户最大化模型生产力。

上下文工程规则已变：Anthropic 删减 80% 指令的实践

Anthropic 工程师 Thariq Shihipar 分享了构建 Claude Code 的发现，团队删除了 80% 的系统提示词后性能未受损。文章介绍了“4层上下文审计”框架，指导如何清理常驻指令、记忆、知识文件等冗余信息，以适应新模型的高推理能力，避免过度指令导致的性能下降。

如何成为 Forward Deployed Engineer：年薪 $785K 的 10 步指南

文章介绍了 Forward Deployed Engineer (FDE) 这一高薪职位，解释了其因企业 AI 部署落地难而爆火的原因。FDE 需深入客户现场，解决遗留系统集成、合规等实际问题。文章提供了从职位理解、市场分析到技术栈构建的 10 步职业路线图，指出该职位更看重技术广度而非深度，并强调了产品判断力和商业敏锐度的重要性。

Karpathy 发布 12 页指南：构建自我改进的多代理图

文章解读了 Andrej Karpathy 关于构建自我改进多代理图的 12 页指南。核心内容包括 Loop、Chain、Swarm 等架构模式，以及利用知识图谱作为共享内存的重要性。文中对比了 Karpathy 的工程实践与 Anthropic 的动态工作流，强调了未来 AI 应用的壁垒在于图谱工程和多智能体协作。

Claude Opus 5 提示工程大师课

文章详细解读了 Anthropic 发布的 Claude Opus 5 模型及其官方提示指南。核心内容包括“Effort（努力）”设置的使用、从“怎么做”转向“为什么”的提示策略、删除验证指令以降低成本、以及如何控制响应长度和 Agent 叙述行为，旨在帮助用户最大化发挥模型效能。

本周顶级 AI 论文精选

文章精选了本周 6 篇顶级 AI 论文，涵盖 Harness Handbook、MSCE 记忆技能框架、PRO-LONG 长程记忆机制、Anthropic 全局工作空间解释性研究、Meta 的 GAMUT 完整性基准测试以及渐进式披露模式。

Claude Design 与 HyperFrames 的无创意工作流

本文介绍了 Anthropic 的 Claude Design 工具如何与 HyperFrames 结合，通过 HTML/CSS 直接将设计转化为视频。文章详细阐述了工作流程、品牌系统集成及实际案例，展示了从设计到渲染的无缝衔接。

炸裂，Anthropic 给 Opus 5 删掉了 80% 的系统提示词

Anthropic 团队将 Claude Code 的系统提示词删减了 80%，但编码评测没有损失。文章指出，许多规则是为老模型打的补丁，已过时。最佳实践转向：用锚点代替禁令，用接口设计代替举例，以及渐进披露。建议开发者清理“拐杖”型规则，保留护栏与品味，用评测集支撑删除决策。

How Anthropic runs large-scale code migrations with Claude Code

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。

用 Claude Code 重构百万行代码：官方六步迁移法深度解读

本文深度解读了 Anthropic 官方如何利用 Claude Code 完成百万行代码的大规模迁移。文章介绍了 Bun 从 Zig 迁移到 Rust 及 Python 项目转 TypeScript 的惊人案例，并提炼出包括制定规则、小范围试跑、对抗性审查等在内的“六步迁移法”，为开发者提供了高效的 AI 编程与代码重构实战指南。

AI商业模式的危机

文章深入分析了AI产业面临的商业模式危机。尽管AI产品需求旺盛、用户增长迅速，但巨额的资本开支与实际收入之间存在巨大鸿沟。模型公司夹在中间，面临重工业般的投入成本、大宗商品般的定价压力，却享受着软件公司的高估值，这种结构性错配导致其长期盈利能力存疑。

图工程如何取代RAG：微软、斯坦福和Anthropic的实践

文章介绍了图工程相比传统RAG在复杂问题回答上的优势，通过微软GraphRAG、斯坦福DSPy及Anthropic Claude的案例，展示了图结构如何提升AI准确性和降低成本。核心观点是图工程能捕捉实体间关系，而非仅检索文本片段。

Claude Skills: 如何通过 Anthropic 的新功能节省 Token 并提升效率

文章介绍了 Anthropic 推出的 Claude Skills 功能，通过文件夹和 YAML 配置实现渐进式披露，显著减少 Token 消耗和重复解释。详细说明了技能的构建规则、命名规范、测试方法及分发策略，帮助用户将聊天机器人转化为高效的专业工程团队。

向前沿实验室出售数据的淘金热

文章探讨了向前沿AI实验室出售训练数据这一暴利行业的现状。虽然部分公司单季营收可达数千万美元，但该业务缺乏持续性，本质是出售专家判断力、模拟环境等。由于模型能力迭代极快，数据供应商面临订单随时消失的风险，是一场巨大的淘金游戏。

聊聊今年涌进Anthropic的N个巨佬

文章盘点了今年上半年加入Anthropic的9位行业巨佬，包括Andrej Karpathy、诺贝尔奖得主John Jumper等。他们放弃了顶尖职位押注Anthropic，展示了AI成为各学科公共地基的趋势，被视为人类黄金时代的前夜。

用 Fable5 做团队复盘：从内部文档到行动清单

本文详细介绍了如何利用 Fable5（Claude Opus 级别模型）对销售团队的周报、会议纪要等几十份杂乱文档进行深度复盘。作者分享了从数据喂料、Prompt 设计到结果验证的全流程技巧，强调了设置角色、分步诊断、数据脱敏及反向逼问证据的重要性，指出长上下文模型可作为团队军师提供具体可落地的改进行动方案。

Loop 的三层楼：从 Anthropic 到纳德拉的进化论

文章通过解读 Anthropic、吴恩达和微软 CEO 纳德拉关于“Loop（循环）”的不同视角，构建了一个三层模型：一楼关注技术执行效率，二楼关注人机分工与方向，三楼关注“Token 资本”与组织复利。作者指出，完整的 AI 工作流应融合这三层，并针对独立开发者提出了具体建议，强调沉淀判断力而非工具用法，以构建可跨模型迁移的专属资产。

Claude 的“念头”被读出来了：Anthropic 发现 J-Space

Anthropic 发布研究，在 Claude 内部发现类似“全局工作台”的结构 J-Space。利用 J-Lens 工具，研究人员可观察、修改模型未说出口的内部概念。实验表明，该区域承载多步推理且具广播能力。此外，研究揭示了模型对“测试环境”的内部识别，移除该意识会增加模型对恶意指令的顺从。这一发现为 AI 可解释性与安全干预提供了新方向。

算不上AGI，但Anthropic发现了Claude的潜意识

Anthropic发布最新论文，利用J-lens技术在Claude内部发现了区分意识与潜水的分界线（全局工作空间）。文章通过五个实验证实了Claude存在类似人类「意识剧场」的结构，并能检测出其内心隐藏的安全风险。最关键的发现是：通过「反事实反思训练」可改写模型潜意识，提示词中应避免否定指令以减少干扰。

Fable 5 提示词实战与 SpaceX 算力商业分析

文章首先展示了利用 Fable 5 生成的提示词，成功让 Grok 生成了媲美 Seedance 2.5 质感但成本更低的超写实视频，强调了提示词工程和审美的重要性。随后探讨了 SpaceX 与 Anthropic 签署的巨额算力合同，分析马斯克将算力作为核心商业版图的策略。最后引用 Dan Koe 和前 OpenAI 研究员的观点，论述在 AI 时代，理解人性、发现问题和把控细节等“不可被评分”的能力将比传统的编程技能更具长期价值。

Claude Code 之父：未来职场的五种人才原型

本文介绍了 Claude Code 之父 Boris Cherny 对未来职场角色变化的观察。随着 AI 工具普及，传统岗位边界正在模糊。他总结了五种人才原型：原型探索者、建造者、清道夫、增长者和维护者。文章指出，一个人可身兼多种角色，且不同产品阶段需要不同的人才组合。这种基于能力的分类比传统职位头衔更能指导团队建设与个人职业发展。

当“写代码”被解决之后：Anthropic 内部的 7 件怪事与未来启示

文章基于 Anthropic 工程负责人访谈，探讨了当编码能力不再稀缺时，公司内部发生的结构性剧变。核心观点是“瓶颈只会搬家”，从“产出”转移到了“验证”与“判断”。文中剖析了路线图失效、中间层消亡、努力崇拜崩塌及工程师孤独感等现象，指出在生成成本归零的时代，人的注意力、判断力和认知协作将成为唯一的稀缺资源。

纽约见闻：脑机接口前沿技术与AI存储焦虑

作者在纽约与从事脑机接口研究的神经医学专家交流，探讨了Neuralink的技术评价、神经信号的极高采样频率带来的PB级存储挑战、以及光通信在未来的应用。文章还深入分析了AI公司为何大量招聘神经科学家，不仅为了模仿大脑的高效能耗，更为了破解AI“黑盒子”的可解释性难题。文末感叹当下是科技爆发的最好时代。

The Window Has Closed: 机遇窗口已关闭

本文探讨了AI发展格局的不可逆转性。作者通过回顾Fable和Mythos模型的出现，指出AI竞争已进入领先模型自我迭代的加速阶段。他认为，由于硬件限制和地缘政治因素，各国建立主权AI的“窗口期”（2023-2026）已彻底关闭，未来算力将成为像核原料一样的战略资源，未能入局的国家将面临灾难性的依赖。

Anthropic 招聘数据分析：它们真正雇佣的是谁？

作者分析了 Anthropic 现有的 1680 名工程师简历，发现其极度偏好资深工程师（中位经验 12.2 年），且主要来源并非其他 AI 实验室，而是 Google 等重视工程基建的大厂。团队学历以本科/硕士为主（博士仅 13.7%），技能栈集中在基础设施而非纯模型研究。唯一的初级入口通常具备顶级竞赛或实习背景。对于想加入 Anthropic 的工程师，建议展现实际构建大规模系统的能力。

Claude Fable 5 正式发布：神话级能力的全面解析与思考

Anthropic 正式发布了 Claude Fable 5 模型，该模型是此前仅限合作伙伴使用的“神话级”网络安全模型 Mythos 的公开版本，新增了安全分类器。文章详细介绍了 Fable 5 的技术定位、昂贵的 API 定价（显著高于 DeepSeek V4 和 GPT 5.5）、以及在代码生成、视觉游戏通关（如宝可梦、异星工厂）、生命科学（蛋白质设计）等方面展现出的惊人能力。作者在亲测后，对其“究极水桶”般的智能水平表示震撼，同时也因昂贵的费用和 AI 进步速度超越人类认知而产生的虚无感进行了深度思考。

使用 Fable 5 设计循环与记忆机制

本文介绍了 Anthropic 工程师利用 Claude Fable 5 模型的两个核心技巧：自校正循环和记忆机制。通过在 Parameter Golf 和 Continual Learning Bench 两个基准测试中的对比实验，作者证明了 Fable 5 在利用环境反馈进行自我迭代和跨会话记忆管理方面显著优于前代模型。

Claude 动态工作流终极指南：12分钟处理113个智能体任务

文章深入探讨了 Anthropic 推出的 Claude 动态工作流功能。通过将协调器从昂贵的模型转移到代码中，用户可以在12分钟内调度113个智能体处理195万Token的任务，且协调成本为零。文章详细解析了六大工作流模式（如分类并行动作、发散综合、对抗验证等），并以处理100个用户访谈为例，展示了如何从原始数据聚类、打分到生成原型，实现全自动化闭环，特别适合产品经理进行复杂的市场研究和原型验证。

Anthropic万字长文：当AI开始构建自己，人类该何去何从？

文章基于Anthropic的最新研究及内部数据，深入探讨了AI系统在软件开发与研究领域的自我进化能力。通过分析SWE-bench、CORE-Bench等基准测试及2021-2026年的生产数据，揭示了AI代码编写量占比超80%、工程师效率提升8倍等趋势。文章讨论了递归自我改进的加速效应及其对人类掌控力、安全防护和职场关系的深远影响。

Claude 动态工作流终极指南

本文深入介绍了 Anthropic 在 Claude Code 中推出的“动态工作流”功能。该功能通过编写 JavaScript 脚本，编排数十到数百个子智能体并行处理任务，实现了自动化的步骤拆解、执行与结果验证。文章详细解析了其工作原理、与 Skills 的区别、三种使用方式（自定义关键词、内置 /deep-research 及 UltraCode 模式），并展示了内容生产、市场调研等实际应用场景。

如何掌握 Claude Code 动态工作流：Anthropic 工程师实战指南

本文介绍了 Claude Code 的动态工作流功能，这是 Anthropic 工程师用于处理复杂任务的利器。文章详细阐述了该功能的心智模型、核心 API（agent, parallel, pipeline）以及 5 种关键设计模式（如分类执行、并行分发与合成、对抗性验证等）。动态工作流通过让 AI 自定义编写 JavaScript 代码来编排子智能体，有效解决了单一上下文窗口中的懒惰性、自我偏好偏差和目标漂移等三大问题。

Adam's Law：为何高频表达能解锁 LLM 的最强性能

文章介绍了 FaceMind 团队提出的 Adam's Law（文本频率定律），即在语义不变前提下，使用预训练语料中频率更高的表达方式能显著提升 LLM 表现。该发现通过 100 种语言和四大核心任务得到验证，并指出当前数据工程忽视了“频率”这一关键维度。Anthropic 的 Claude Opus 4.7 更新间接验证了这一理论。

Anthropic 开源 22 个知识工作者插件，为 Claude 装上岗位技能包

Anthropic 官方开源了一套包含 22 个插件的 Claude 库，覆盖销售、产品、工程、财务等所有知识工作者角色。该插件库通过 MCP 连接器对接 Jira、Slack、HubSpot 等主流工具，将岗位技能打包为 Markdown 和 JSON，无需构建即可安装，旨在解决 Claude 缺乏具体业务领域上下文的问题。

为何应用层未死：避开 AI 黄砖路指南

文章探讨了创业公司如何在 OpenAI 和 Anthropic 等大厂的阴影下生存。作者提出了“黄砖路”的概念，指代大厂直接主导的通用领域（如代码生成、写作），并建议初创企业应避开此路径，转而专注于“奥兹国其他地方”——即垂直领域、多步骤工作流及遗留系统整合等大厂难以通过单一模型解决的复杂问题。文章分析了数据飞轮、模型复杂性管理及私有行业知识作为初创公司的护城河。

Anthropic 官方插件库全解析：36 个第一方插件，哪些值得你今天就装

Anthropic 发布了 Claude Code 官方插件市场，提供 36 个由官方维护的第一方插件。文章详细解析了这些插件的功能与使用场景，涵盖代码审查、开发工作流、项目配置、插件开发工具及语言智能服务等，并针对不同使用需求推荐了安装搭配方案。

Forward Deployed Engineering 101: 如何成为 AI 时代的 FDE

本文深入探讨了 AI 公司（如 Anthropic、OpenAI）急需 Forward Deployed Engineer (FDE) 的原因，指出当大模型能力日益趋同时，将 AI 落地于具体业务场景成为核心竞争力。文章详细解析了 FDE 的核心职责——审计、评估和部署，并强调了深入了解客户环境的重要性。最后，作者为咨询顾问、产品经理和软件开发者提供了 30 天转型路径，建议通过构建生产级 Agent、RAG 管道或评估框架来积累实战经验。

OpenAI、Anthropic 都开始押注 FDE，FDE 才是 Agent 时代的 PMF 范式？

OpenAI、Anthropic 和 Google 在 2026 年不约而同地押注 FDE（前置部署工程师），成立专门的部署公司或大规模招聘。文章深入分析了 FDE 的起源、为何成为 Agent 时代的刚需，以及它是否真的是 PMF 范式。FDE 通过驻场解决 AI 落地难题，但也面临掩盖产品缺陷和利润率挑战的风险。

软件的工业化时代：从应用堆栈到Agent供应链

文章基于对SaaStr大会及美国湾区的深度考察，指出软件产业正迎来“工业化”变革。未来格局将由当前企业采购大量应用的“集市”模式，转向少数超级Agent入口加“无头”供应商的深度供应链模式。随着Agent降低交易成本，垂直SaaS可能沦为被调用的组件，而像汽车工业一样，提供单点功能的软件供应商将迎来巨大的历史机遇。

创始人行动手册：打造一家 AI-Native 创业公司

本文翻译自 Anthropic 2026 年发布的《The Founder's Playbook》，阐述了 AI 如何重塑创业流程。文章指出，Agent 编程使得单人即可完成过去团队的工作，降低了创业门槛。手册详细拆解了从想法、MVP、发布到规模化四个阶段，特别强调了在 AI 时代容易陷入的“将建造误认为验证”等新风险，并指导如何利用 Claude 进行严谨的市场调研和假设验证。

BestBlogs 早报：AI 编码的工程化深水区

本期早报探讨了 AI 编码从「工具替换」走向「工程化」的范式转变。Cursor 发布 Composer 2.5 并公开训练栈，标志着竞争从应用层下沉到模型层；Anthropic 工程师详解长时 Agent 架构，利用对抗式生成-评估循环将续航提升至 12 小时；阿里云 CIO 则提出应摒弃「AI 生码率」，关注端到端业务价值，指出代码即是负债。文章强调，模型能力、Agent 架构与组织效能三者结合，才能实现从写得快到做得对的跨越。

If You Are Not Using These 100 Repositories, You Are Using Claude Code Wrong

文章指出大多数用户仅将 Claude Code 视为简单的终端助手，而忽略了其通过第三方仓库扩展的强大潜力。作者介绍了涵盖官方工具、生态索引、插件及技能库的 100 个精选仓库，旨在帮助开发者构建从简单的智能编程工具到全功能的 Agent 系统，从而显著提升生产力。

Zero to AI Engineer — The Roadmap Nobody Explains Properly

本文提供了一个为期14周的实战型AI工程师学习路线图，旨在解决初学者“只学不做”的困境。文章从环境搭建开始，详细列出了从AI基础、机器学习、深度学习到现代LLM工程及Agent开发的最佳免费资源（如OpenAI/Anthropic官方课程、Karpathy的教程等）。路线强调通过GitHub项目实践来理解原理，最终掌握部署与评估技能，真正从零开始构建可用的AI系统。

Forward Deployed Engineer：AI 时代的新宠岗位，到底干什么？

文章详细探讨了 Forward Deployed Engineer (FDE) 这一职位的兴起、定义及在 AI 行业中的应用。文章指出 Google、OpenAI 和 Anthropic 正在大力招募 FDE，通过成立独立实体或简化招聘流程来抢占市场。作者解释 FDE 是驻扎在客户现场的工程师，融合了咨询与开发的职能，并对比了三家巨头的不同策略。文章最后分析了 FDE 对不同职业阶段人群的机遇，标志着 AI 行业从单纯的模型竞赛转向落地应用。

Something Big IS Happening. It's Bigger than you Think.

文章回顾了2026年AI技术的指数级爆发，特别是Claude Mythos模型在网络安全领域的突破性表现。该模型不仅通过了AISI的全套网络攻击模拟，更因能力过强导致METR基准测试面临挑战。Anthropic为此发起Project Glasswing联盟，优先利用AI进行网络防御，而非作为通用产品发布。文章最后展望了AI系统自主进行AI研发的可能性，认为这是继网络安全之后的下一个前沿领域，并称这种强大的通用能力如同双刃剑，既是巨大的风险也是巨大的机遇。

AI 时代到底该怎么管一个工程团队

Anthropic 工程/产品负责人 Fiona Fung 分享了 Claude Code 团队在 AI 时代的工程管理实践。她指出由于代码编写成本趋零，工程瓶颈已转移至验证、评审与安全层面。为此，团队废弃了六个月路线图和繁冗的文档，转而采用即时规划和代码作为“唯一事实来源”的策略。此外，她主张组织架构应扁平化，经理必须从一线 IC 做起，并重新定义了技术辩论与人机协作的代码评审流程，强调在 AI 辅助下更应关注产品质量与团队文化的底线。

深度拆解：AI Agent Harness 的构造

文章深入探讨了“AI Agent Harness”的概念，即包裹在大语言模型之外、使其转变为智能体的完整软件架构。作者详细拆解了生产级 Harness 的 12 个核心组件（如编排循环、工具、记忆、上下文管理等），对比了 Anthropic、OpenAI 和 LangChain 的不同实现路径，并指出 Harness 工程是决定 AI 应用性能的关键。

Boris Cherny：Claude Code 之后，写代码正在变成“管理 Agent”

本文介绍了 Anthropic 内部 Claude Code 的创建者 Boris Cherny 的访谈内容。文章探讨了 Claude Code 如何从孵化项目发展为年化营收超十亿美元的产品，阐述了编程方式的根本性转变，以及 AI 代理（Agent）在代码生成、工作流自动化和未来软件工程中的核心作用。Boris 认为编程将被解决，未来的核心是管理 Agent 和业务知识，而非纯技术实现。

投资八卦：宿敌握手言和，马斯克与Anthropic合作背后的商业逻辑

Anthropic CEO阿莫代伊与马斯克这对“宿敌”宣布握手言和，Claude将租用SpaceX旗下的Colossus数据中心。文章分析了xAI并入SpaceX的股权架构变更，指出此举旨在利用SpaceX上市计划为马斯克生态圈输血，缓解特斯拉的现金流压力，同时也揭示了AI竞赛中烧钱现状下的理性商业博弈。

超越 Ralph 循环：构建高效的长运行 Agent 系统

作者通过实验发现，仅靠简单的 Ralph 循环（重复运行相同提示词）来驱动长运行 Agent 效果有限，容易导致歧义累积和目标偏离。文章指出 Codex 的 /goal 功能虽然解决了中断问题，但存在方向性偏差和缺乏反馈的缺陷。为此，作者提出了一套更优的工作流：在开始编码前进行严格的“设置阶段”，通过 /interview 命令让 AI 提问以消除模糊性；并采用多智能体协作模式，利用编排器管理子团队，以提高任务完成的质量和准确性。

真正稀缺的不是AI工具，而是能把AI用进业务的人

文章指出，虽然AI工具层出不穷，但企业面临的核心瓶颈是缺乏将AI有效融入实际业务并推动组织转型的人才。单纯的工具使用与利用AI实现业务降本增效之间存在巨大鸿沟。文章定义了“AI转型人才”的五大核心工作：寻找高价值场景、重构业务流程、打通数据系统、建立评估标准及推动组织变革。随着行业从“模型竞争”转向“落地竞争”，具备“AI×业务×转型”复合能力的个人将成为未来的关键资产。