跳到正文
11月21日周六
11月20日周五
11月19日周四
  1. 开源中国58

    Claude Code 团队谈如何让 agent 验证自己的工作

    Claude Code 团队公开称其约 90% 的代码由 Claude 编写和评审,团队工程师 Addy Osmani 在 claude.dev 撰文介绍这一规模下如何让 agent 验证自己的工作。文章的核心判断是:没有验证回路时最多同时跑一两个 Claude,需要逐个盯着;有了验证回路则可以同时跑几十上百个。

11月18日周三
11月17日周二
  1. meng shao67

    Claude Code 团队 @addyosmani 分享称,团队 90% 的代码由 Claude 编写并审查,真正限制并行规模的是人能否确认结果可靠。团队把启动和冒烟检查写成 verify Skill,失败后尝试修复,三轮仍失败则交给人;一份 39 项可靠性清单按代码改动触发,通常只检查相关的 3—10 项。

    引用ClaudeDevs@ClaudeDevs

    Claude writes better code when it can verify its work. Checks that used to be expensive, like tests, benchmarks, and end-to-end runs, are now cheap. Here’s how the Claude Code team thinks about verification: https://claude.dev/blog/how-the-claude-code-team-thinks-about-verification/

    推荐理由:原文拆解了 Claude Code 团队验证循环的具体机制,包括 verify Skill、39 项清单和审查规则隔离,可供搭建 Agent 工作流时参考。

11月15日周日
11月14日周六
11月13日周五
11月12日周四
11月10日周二
  1. Alex Albert58

    Alex Albert 表示自己在大型开放式任务上使用 Claude Fable 5.2,体验明显优于 Opus 5.5,并给出四条使用建议。他建议先让模型指出想法的问题再动手,从中等或高 effort 起步、把 xhigh 留给最难的问题,提前说明哪些操作需要审批,以及直接交付整个项目让它连续运行数小时。

    引用Claude@claudeai

    Introducing Claude Fable 5.2 and Claude Mythos 5.2, designed to tackle the most daunting technical challenges. They’re capable collaborators on ambitious projects in many fields, and show improvements in areas like coding, reasoning, and vision.

11月8日周日
11月7日周六
11月6日周五
  1. 宝玉60

    宝玉介绍自己把过去要求团队成员提交 PR 时附功能截屏的做法用在 AI 智能体上,每次 Agent 任务完成后让它自行测试验证并生成效果截图,很多时候它截图时就能发现问题并顺手修复。他引用的对谈提到,Anthropic 每天合并约 3 万次代码变更,做法是让 Claude 先像真实用户一样跑一遍功能,人改为查看录屏和截图等验证证据。

    引用宝玉@dotey

    Anthropic 的 Addy Osmani:一天合并三万次代码变更,人看的是 AI 交上来的证据 Anthropic 今年 5 月每天往代码库里合并大约 2500 次代码变更,到 9 月已经超过 3 万次,涨了十几倍。这么多改动,显然不可能每一行都有人看过。那他们凭什么敢合并? 负责 Claude Code 开发者体验的 Addy Osmani 在这场对谈里讲了他们的做法:每个改动先由 Claude 像真实用户一样实际用一遍、审一遍,发现问题自动修;人不再逐行读代码,而是去看 AI 交上来的证据,比如它在浏览器里点来点去的录屏、在手机和电脑上的截图。 在他看来,写代码已经不是难点,接下来能不能再快一截,取决于能不能把“验证”做扎实。给 AI 一个检查自己做得对不对的办法,产出的质量能好两到三倍。如果你也在用 AI 写代码,又拿不准哪些改动敢直接合并,这期给了一份大公司内部的参考答案。 这是 AI Engineer 大会上一场 18 分钟的台上对谈。Addy Osmani 在 Google 工作了大约 14 年,长期负责 Chrome 的开发者体验,写过大量面向开发者的文章,今年 9 月加入 Anthropic。提问的 Manish Kapur 在 Sonar 负责产品和开发者关系,Sonar 是做代码质量和安全检查工具的公司,旗下的 SonarQube 用来自动扫描代码里的漏洞和问题。 【Anthropic 的做法:Claude 先审一遍,人看证据】 Manish 提到,他前一晚刚读了 Anthropic 发的一篇文章,里面说 Anthropic 现在每天合并约 3 万次代码变更。Addy 补充了两个数字:5 月的时候每天大约 2500 次;最近 http://Claude.ai 网页版重做,性能提到了原来的三倍左右,这次重做在很短时间里合并了大约 3000 个 PR(代码合并请求),参与的不只有工程师,还有产品设计师和其他岗位的人。 他说他们的审查流程分几步。第一步是让 Claude 先审一遍,关键在于要让它能像真实用户一样把功能实际用一遍:跑端到端测试(从头到尾模拟用户操作的自动化测试),在浏览器里打开页面检查,运行各种工具和代码规范检查,凡是能建立信心的检查都做。 发现 bug 或者功能缺口怎么办?他们设置了 Hook(一种在特定时机自动触发的脚本),每次代码有改动就自动运行,检查这次改了什么,这样 PR 里的问题能尽快被改掉。Anthropic 还有一个代码审查产品,他们自己也在用。整体思路是尽可能把代码审查自动化。 第二步是把团队的“品味”写下来。Addy 说现在大家常讲品味和判断力,团队应该把自己认为的最佳实践和品味写进共享的 CLAUDE.md、AGENTS.md 这类文件(放在项目里、专门写给 AI 看的说明文档),AI 审代码时会去参考。 第三步才轮到人,人负责检查 AI 给出的证据。他举的例子是:做一个用户在浏览器里用的界面,就要确认它在浏览器里测过,最好让 AI 生成一段它点来点去的录屏,看完你就有信心说“这个能用”;在意手机或桌面端的体验,就让它给出这些设备上的截图或录屏。他说目标是让 AI 尽可能多地提供验证证据。 【瓶颈从写代码转到了验证】 Manish 给了几组数字说明问题。持续集成服务 CircleCI(代码提交后自动构建、测试的云服务)今年分析了 2800 万次自动化流程,发现代码产出量涨了 59%,但每 10 次往生产环境合并的尝试里有 3 次失败。Sonar 即将发布的一份调查里,76% 用 AI 生成代码的开发者说,代码产出的速度快到他们根本来不及验证。 Addy 说,现在技术负责人最关心的是怎么在保证有信心的前提下更快上线。过去我们说一段代码质量高,依据是好的测试、性能基准、需求规格,这些能给人信心的东西现在都可以让 AI 便宜又快地生成出来,人再去修改完善。他认为工程师现在最该花时间的就是这些检查。 至于下一步的提升从哪来,他说模型质量已经相当不错了,他举了 Opus 5.5 为例。更大的空间在验证,而且要讲具体。你跟人说“验证一下”,对方下一个问题就是“验证到底指什么”。所以讨论应该落到哪些测试真正有用上。Anthropic 用得最多的是三类:端到端测试;属性测试,也就是不写一个个具体例子,而是写一条规则(比如“排序后列表长度不变”),让程序自动生成大量随机输入去验证;还有视觉验证测试,通过截图对比检查界面有没有变样。目标是有足够的信心让这些改动自动合并。 Manish 从 Sonar 的角度补充了一个“多层验证”的框架,主张零信任,在每个环节都验证。第一层是规则固定的自动扫描,查 SQL 注入这类安全漏洞和常见 bug;第二层是 AI 审查,查规则扫不出来的逻辑问题,以及代码是否符合本来的意图;第三层是软件供应链检查,看项目依赖的第三方代码包里有没有已知漏洞或恶意代码。每一层专门抓一类问题。 【从“亮灯工厂”到“熄灯工厂”,自主权要一步步挣】 对谈的标题里有个说法叫“软件工厂”,来自 Addy 今年写的一篇文章,他的定义是“把循环规模化”:让 AI 一遍又一遍地规划、编写、检查、上线代码。他把软件工厂分成两种。亮灯工厂里,AI 承担这些步骤,但人还在里面,用自己的判断和品味把关。熄灯工厂更像全自动的汽车厂,机器人一直在干活,人退到更上游,只负责定方向,只有遇到最特殊的例外情况才被叫进来。 他说大多数团队处在两者之间,都在摸索怎么在信得过的前提下一步步提高自动化程度。AI 能给出的验证越多、越让人有信心,就越能往熄灯的方向走。Sonar 的调查显示,目前只有 5% 的公司在用软件工厂,预计会涨到 34%,金融行业是 39%。被问到 2027 年底大多数团队会是哪种工厂,Addy 的判断是:亮灯工厂为主,带着一些熄灯的角落。 自动化程度高了,管控就成了企业的难题。Addy 说,几个月前他接触过的很多公司都在担心同一件事:放手让工程团队用 AI 智能体,结果冒出了几百甚至几千个智能体,谁也不知道它们在干什么,它们访问各种系统和数据,可能还在往生产环境部署。他总结企业最关心三件事:怎么控制、怎么分配权限、怎么用沙箱(隔离的运行环境)保证智能体不越界。 AI 写的代码要不要在 PR 里标出来?Addy 认为应该。过去工程师对自己写的代码有很强的归属感,在 Anthropic 大家没那么在意 Claude 被署名为作者,更看重给用户交付的东西对不对。标出来还有一个用处:知道是 AI 写的,就能决定要加哪些额外的约束和检查。Manish 也同意,他认为至少未来半年到九个月里应该标注,对金融客户来说还关系到审计。两人都强调责任归属不变。Addy 说,就算这次是我让 Claude 去干的活,出了问题还是我负责,还得我去修。 那 AI 开的 PR 什么时候能放心合并?Addy 的回答是:你有充分的信心不会出问题,或者已经尽可能把风险降下来的时候。 快问快答里,Addy 还给了两条建议。对技术负责人,要推着团队想清楚“验证”具体指什么,现在的测试做到了哪一步,离“AI 自己判断代码可以合并、你也放心”还差什么。对刚入行的开发者,多积累各种测试的经验,端到端测试、属性测试都要会。 【不逐行看代码,和不验证是两回事】 Anthropic 一天三万次合并,人显然也没有逐行看,但按 Addy 的说法,每次合并之前 AI 都得先把功能实际跑一遍,再把证据交给人看。省掉的是读代码的时间,验证一步都没少。 他们能这样做是有前提的。 一是模型,Addy 自己提到 Opus 5.5 这一代已经够好,我也是用上 Fable 和 Opus 5.5 之后才放心不怎么 Review。 二是验证的基础设施:端到端测试、自动录屏、每次改动都触发的检查,这些都得先搭好。 为了扛住这个量,据 Anthropic 10 月发的工程博客,他们连 Git 都换成了自己开发的版本管理系统。这样的投入,大多数团队一时做不到。 所以我的建议是,想少看代码,别先急着把 Review 关掉,先补上 Addy 说的那一步:让 AI 交活的时候附上证据。如果不知道从哪里下手的话,可以从最容易出问题的界面开始,要求它在浏览器里实际操作一遍,给你截图或录屏。证据还是要你自己看,只是看录屏比读几百行代码快得多。 另外,Manish 讲的三层验证框架可以参考,不过 Sonar 本身就是卖代码检查工具的,听这部分时心里有个数就行。 视频来源:https://www.youtube.com/watch?v=AnsXWH2_EBU

    推荐理由:作者把要求人工提交截图的做法迁移到 AI 智能体任务上,给出一个低成本的验证思路。

11月5日周四
11月3日周二
11月2日周一
10月30日周五
10月29日周四
  1. 宝玉48

    在 Claude Code 中运行 /autocompact 300k 可把自动压缩触发阈值从 1M 模型默认的约 967K Token 提前到 300K。自动压缩会把整段长对话替换为简短摘要,而非保留上百万 Token 的完整历史;由于每条消息都携带此前全部对话,等到 967K 才压缩会让后期每次交互重复消耗大量 Token,即使多为廉价的缓存读取也仍计入使用额度。

    引用Lydia Hallie ✨@lydiahallie

    Just to avoid some confusion: auto-compact does summarize. When it runs, your whole conversation is replaced by a short summary. It doesn't keep the last 1M tokens around. The ~967K is only when it runs on 1M models. Compacting itself is just one request that reads about as many tokens as the message you sent right before it, and it's mostly cache reads if your cache is still warm. What @rohit3a found is that waiting until 967K means every message before that point uses a lot of tokens, because each one includes your whole conversation so far. Most of it is read from the cache, which is much cheaper (so this is usually fine as long as your cache is warm), but it still counts toward your usage and adds up as your conversation grows. /autocompact 400k makes it summarize at 400K instead, so your messages never get that big.

10月26日周一
  1. meng shao65

    meng shao 梳理了 Claude Code 团队的代码审查做法:在 Claude 写约九成代码、变更量暴涨的前提下,团队把质量问题从「有没有人读过每一行」改为「哪里可能坏、由哪一层自动或人工接住」,6–9 月合并 PR 数翻倍以上,需 revert 的占比下降逾 40%。

    引用Addy Osmani@addyosmani

    https://x.com/i/article/2114435487905808384

    推荐理由:原文完整拆解了 Anthropic 团队在 Claude 写九成代码后如何用六层检查与回滚替代逐行人工审阅。

10月25日周日
10月24日周六
10月22日周四
  1. swyx22

    Latent Space 对 Claude Code 的“新纪元”做了产品深潜,重点介绍新的 Claude Mods 并给出推荐上手项。推文把 Claude Code 比作一个经数万亿 token 学习“预训练”、可改造成任意领域专用 harness 的通用加固 harness。合作者称 Claude Mods 目前热度不足,文章覆盖其基础、安装使用与 agent-人机界面走向。

    引用Dan McAteer@daniel_mac8

    There's not enough buzz around Claude Mods. Read this Claude Mods article if you want to: - Understand Claude Mods basics - Install and use the most useful mods today - Ponder where the agent-human interface will go For @latentspacepod.

10月21日周三
  1. AWS Machine Learning Blog34

    Octave 如何在 Amazon Bedrock 上构建安全多租户 AI 基础平台

    Octave 在 Amazon Bedrock 上为质量管理平台 Reliance 构建了多租户 AI 基础平台,用 Cohere Embed v4 完成 20 亿份文档的嵌入,并将单用例部署时间缩短 50%。该平台以每租户独立向量存储、AgentCore Gateway 隔离执行和 Guardrails 双向过滤三层架构,确保客户数据不跨租户边界。首个落地应用为投诉摘要与分诊助手。

10月14日周三
9月24日周四
9月2日周三
  1. 宝玉的博客74

    Anthropic 博客:高效电商 AI 智能体的架构、延迟成本优化与评估实践

    Anthropic 在 Claude 博客中总结其与零售、电商平台、旅游、娱乐和电信客户合作构建电商 AI 智能体的经验,给出架构设计、延迟与成本优化、生产环境运行三部分指南。

    推荐理由:Anthropic 基于企业部署经验,拆解电商智能体的架构、延迟成本优化与生产评估方法。