标签： Anthropic

8月21日，Anthropic发布了一份《The AI-Native SDLC Playbook》。我原本以为这又是一篇Claude Code最佳实践，真正读完以后，最让我在意的反而是开头那句话：Code is no longer the bottleneck，代码已经不再是瓶颈。

这句话放在两年前多少有点夸张，但放在Anthropic自己身上已经不完全是宣传。截至今年5月，Anthropic称超过80%的合并代码由Claude编写；到了2026年第二季度，典型工程师每天合并的代码量大约是2024年的8倍。这里当然要注意，代码行数不等于生产率，Anthropic本身也是最适合Claude Code发挥的特殊样本，但至少说明一件事：当写代码这件事真的突然快了几倍以后，原来围绕“人写代码”建立起来的那套软件开发流程，开始跟不上了。

我自己做AI产品时也有类似感受。现在日常开发里，绝大部分代码已经交给Coding Agent完成，DoseLoop甚至做到了没有手写代码。模型会不会写一个页面、改一个API，对我来说已经很少是最耗时间的问题。更费时间的往往是先把需求想清楚，告诉Agent为什么这么做、哪些地方不能动，最后再判断它交出来的东西到底是不是我真正想要的。

所以这份Playbook真正有意思的地方，不是Anthropic又教大家怎样多生成一些代码，而是它开始处理代码之外的部分：Plan、Design、Build、Test、Deploy、Maintain，整条软件开发链路都要重新适配Agent。

当代码变快以后，慢下来的开始是组织

Anthropic设计了一条很具体的链路。一个想法先被写成intent.md，产品负责人确认后，Claude生成spec.md，再由工程师和Claude一起形成plan.md。接下来才是代码和测试，PR合并以后进入部署，生产环境的指标如果越过预设控制线，又可以重新生成一个新的intent.md，进入下一轮循环。Anthropic把它描述成一个从Plan最终回到Plan的连续闭环，每个阶段都留下版本化的artifact，前一个阶段的输出直接成为下一个阶段的输入。

如果只看这些Markdown文件，好像没有什么革命性。企业过去也有PRD、设计文档、Jira、Wiki和各种审批流程。区别在于，以前这些东西主要是写给下一个“人”看的，人会补上下文，会去找同事问一句，也会知道某条规定虽然这么写，但这个项目可能有例外。现在接手工作的可能是Agent，它不会天然知道这些隐含信息。

Spotify今年公开的一组数据很能说明这个变化。超过99%的工程师每周都在使用AI Coding工具，94%认为AI提高了自己的生产率，PR频率提高了76%。结果是，代码生产能力上去了，公司突然多出76%的PR需要处理。Spotify自己的总结也很直接：随着Coding速度提升，瓶颈正在向human decisions转移，他们开始重新决定哪些PR可以自动合并，哪些地方必须留下人的判断。

这其实是AI Coding发展到今天一个很容易被忽略的变化。以前企业提高研发效率，主要是在想怎样让程序员更快地写代码。现在执行能力突然便宜以后，问题变成了：公司能不能足够清楚地告诉Agent，到底应该做什么。

公司经验，开始从“文档”变成Agent的运行环境

我觉得整份Playbook里最重要的内容，其实是CLAUDE.md、Skills、Evals和Hooks这些看上去最不起眼的东西。

Anthropic对CLAUDE.md的定义很有意思：它应该包含一个新员工第一天需要知道的东西，包括构建和测试命令、架构约定，以及团队最常见的错误。它甚至给了一个很实用的规则：Claude同一个错误犯两次，就把纠正方法写进CLAUDE.md。这个文件进入Git，所有人共享，修改它和修改代码一样可以被Review。过去存在于老员工脑子里或者散落在Wiki里的经验，就这样一点点变成Agent每次工作前都会读取的上下文。

Skills再往前走了一步。Anthropic直接把它称为让“institutional knowledge”变得operational的方式。比如公司的安全规范、API设计标准、品牌规则、合规要求，都可以变成带版本控制的Skill，在需要的时候自动进入Agent上下文。Evals则负责另一类更难的问题：怎样判断Agent做得好不好。Anthropic把持续Eval视为AI-native版本的阶段式QA，每次模型、Prompt或者Agent配置发生变化，都可以重新验证结果是否仍然达到原来的标准。

但光告诉AI“应该怎么做”还不够。真正不能违反的规则，Anthropic建议交给Hooks。Hook可以在Claude行动之前直接allow、ask或者block，例如禁止它在修Bug时修改测试文件，或者在没有指定Release Authorization时阻止Production部署。关键规则因此不再只是员工手册里的一句话，而开始变成系统实际执行的边界。

把这些东西放在一起看，我觉得“机器可读”才是这份Playbook里比AI写代码更大的变化。当然，这个词不能理解成把公司的所有规章制度都转成Markdown，而是公司的意图、经验、规范、验收标准和权限边界，正在逐渐被整理成Agent能够读取、系统能够验证，其中一部分还能够直接执行的组织资产。

过去做知识管理，很大一部分目标是让员工在需要的时候“找到答案”。Agent进入工作流以后，仅仅找到答案已经不够，它还需要根据这个答案采取行动。这两者之间的差别，比看起来大得多。

这并不是Claude自己的特殊玩法

如果只有Anthropic在这么做，我会更谨慎地把它理解成Claude Enterprise的一套产品方法论。但我后来又看了一下其他Coding Agent，大家正在往非常相似的方向走。

Cursor的Project Rules保存在.cursor/rules里，可以和代码一起版本控制，用来记录项目领域知识、工作流程和架构约定。GitHub Copilot现在也支持repository instructions、path-specific instructions，以及AGENTS.md、CLAUDE.md、GEMINI.md这些Agent instruction文件。换句话说，不同公司的模型和Agent可以不一样，但代码仓库里正在出现一层新的内容：除了给编译器和人看的代码，还要有一套长期、可复用的说明告诉Agent“我们这里是怎么工作的”。

Spotify的实践更能说明为什么这件事最终不只是几个配置文件。它发现，在技术栈和设计模式比较统一的代码库里，Claude表现明显更好；代码越碎片化，Agent效果越差。Spotify还把内部Backstage平台的能力通过MCP和命令行开放给Agent，让它能够查询一个组件归谁负责、读取相关文档，甚至在Slack里找到对应团队。过去为人类开发者建设的标准化和内部平台，突然也变成了Agent工作的基础设施。

这也解释了为什么同一个模型放进不同公司，效果可能完全不同。过去那些看起来只是工程洁癖的事情——统一技术栈、清晰的组件归属、可靠文档、可运行测试和明确权限——到了Agent时代，都开始直接影响模型表现。AI并没有绕开组织工程，反而会把原来含糊和混乱的地方放大出来。

这让我更倾向于认为，所谓AI-native公司，不能只看员工装了多少AI工具，或者多少代码由AI生成。模型本身会越来越容易获得，Claude、Codex、Gemini或者未来别的模型都可以换，但一家公司的客户知识、产品逻辑、历史决策、安全边界、工作习惯和Eval体系不会跟着模型一起买回来。

过去我们讨论Context Engineering，更多是在讲怎么给一个Agent准备更好的上下文。现在它可能正在慢慢变成一种Organizational Engineering：公司要开始认真管理“我们到底知道什么，以及怎样把这些东西提供给机器”。

机器可以读懂规则，但公司仍然需要人决定规则

当然，我并不认为公司最后真的可以把自己全部写成代码。Anthropic自己的Playbook其实也一直在提醒这条边界。

intent.md需要产品负责人确认，spec.md仍然由人签字，高风险改动要交给技术负责人，Production部署即使已经自动化到最后一步，也要求Release Manager授权。Anthropic明确写道，需要判断的决定仍然由人负责；Agent可以一路工作到Production Gate，但不能自己越过这个Gate。

原因并不复杂。很多组织里最有价值的知识，本来就很难完全说清楚。一个客户嘴上说想要某个功能，他真正愿不愿意买；两个产品方案都符合规范，哪个更符合公司的长期方向；安全、体验和收入发生冲突时应该牺牲哪一个，这些问题很难靠一个Skill或者Eval完整表达。

所以我更愿意把“机器可读公司”理解成一个方向，而不是终点。Agent越能执行，公司越需要区分三件事：哪些经验应该被写出来让机器读取，哪些规则必须变成系统强制的边界，哪些判断仍然需要留给人。

回到Anthropic那句“Code is no longer the bottleneck”，我现在觉得它真正提醒企业的可能不是赶快让AI再多写一点代码。当执行越来越容易，隐藏在组织内部那些过去可以靠人自己补全的模糊信息，会越来越明显地暴露出来。

一家公司的数字化，过去主要是把客户、订单、库存和流程变成机器可以记录的数据。Agent时代又往前走了一步：机器开始参与行动以后，公司还得把“我们为什么这么做、通常怎么做、什么算做好、什么绝对不能做”讲清楚。

AI越能工作，公司可能越要先学会把自己说清楚。真正开始变得“机器可读”的，也不是公司本身，而是这家公司究竟是怎样运转的。

最近，Anthropic专门发布了一份关于开放权重模型的声明，回应外界对其立场的质疑。Dario Amodei在文章中明确表示，Anthropic并不支持全面禁止开放权重模型。对于能力有限、不会带来严重安全风险的模型，开放权重能够促进创新、竞争和用户控制，也可以成为一种有价值的公共产品。

如果只看这些表述，Anthropic似乎终于放下了对开放权重模型的敌意，也愿意承认开放生态的价值。但继续读下去就会发现，它真正改变的只是表达方式，并不是立场本身。

Anthropic可以接受开放权重模型存在，前提是这些模型不能太强。一旦模型能力接近前沿水平，能够在网络攻击、生物研究、自动化执行等领域产生更大影响，它的态度就会迅速改变：模型需要接受强制测试，发布需要设置更高门槛，训练需要受到算力约束，其他国家通过芯片、蒸馏等方式追赶美国模型的路径也应该受到限制。

所以，外界对这份声明最准确的概括是：Anthropic并不反对所有开放权重模型，它只接受能力不太强的开放模型；一旦开放模型接近Claude这样的前沿闭源模型，就应该被严格控制。

这也意味着，Anthropic支持的并不是一种能够真正挑战闭源公司的开放生态，而是一种被限定在安全范围内、也被限定在竞争范围外的开放。开放权重可以作为前沿闭源模型的补充，可以满足研究、教学和部分本地部署需求，却不能成为一种足以改变市场格局的力量。

Anthropic允许开放，但不允许开放模型追上Claude

开放权重模型的价值，并不只是让普通开发者下载一个能力落后两三代的小模型，在自己的电脑上运行一些简单任务。它更重要的意义在于，企业、研究机构和开发者能够获得接近前沿的技术能力，可以独立部署、修改、微调和研究，不必永远依赖少数公司的API，也不必把自己的数据、产品和业务建立在一个随时可能涨价、限额或者改变规则的平台上。

如果最强大的模型永远不能开放，开放生态就很难形成真正的技术竞争。它可以很热闹，可以拥有大量模型、工具和社区项目，但整个行业最核心的能力依然掌握在少数闭源公司手中。开放模型只能跟随闭源模型已经探索过的路线，使用前沿公司允许它拥有的能力，很难真正影响技术发展的方向。

Anthropic的立场恰恰停留在这里。它承认开放权重有价值，却没有准备接受开放模型成为真正的前沿模型。性能不够高时，开放可以促进创新；性能达到前沿水平后，同样的开放就开始被描述为不可逆的安全风险。

这种边界看起来是按照能力和风险划分的，但它同时也划出了一条非常清晰的商业边界：开放模型可以存在，却不能威胁Claude的护城河；可以服务长尾市场，却不能动摇头部闭源公司的定价权；可以成为一种公共产品，却不能成为一种足以重新分配市场利益的竞争产品。

所以，Anthropic真正反对的并不是开放权重这种技术形式，而是前沿能力脱离自己的控制。它担心的也不只是危险模型被滥用，还包括越来越多的开发者和企业不再需要Claude。

安全风险是真实的，但Anthropic不是中立的裁判

必须承认，Anthropic所强调的一些风险并非完全虚构。模型权重一旦发布，确实很难撤回，原有的安全限制也可能被删除。与只能通过API访问的闭源模型相比，开放权重模型能够在私人设备和服务器上运行，模型开发者很难监控它的具体用途。当模型具备更强的网络攻击、生物研究和自动执行能力时，开放发布确实可能带来新的风险。

但承认风险存在，并不意味着必须接受Anthropic给出的解决方案，更不意味着Anthropic天然有资格定义什么是危险、什么样的模型可以发布。

Anthropic首先是一家商业公司，而且是全球最重要的闭源模型公司之一。它依靠模型能力、API调用和订阅服务获得收入，开放权重模型则是其最直接的竞争者。当一家市场参与者开始推动规则，决定竞争对手能够发展到什么程度时，它就不再只是一个单纯的安全倡议者。

更严格的测试要求、更高的合规成本和更复杂的发布审批，对Anthropic这样的公司并不是太大的负担。它拥有资金、算力、研究人员和成熟的安全团队，也有足够的资源参与政策制定。真正会受到影响的，往往是规模较小的模型公司、研究机构和开放社区。它们需要承担同样的测试和合规要求，却没有同等的资源。

限制前沿模型开放，也会直接保护闭源公司的商业模式。只要最强能力仍然只能通过API获得，企业就必须持续向少数模型公司付费，开发者也很难真正掌握底层能力。模型公司不仅拥有技术优势，还拥有定价权、数据入口和生态控制权。

这并不意味着Anthropic讨论安全时一定是在撒谎。更可能的情况是，安全风险与商业利益在这里高度重合。它相信自己的安全判断，同时也从这些判断所推动的监管规则中获益。

安全是一种非常有力量的语言。当一家企业说自己想保护市场份额时，人们会保持警惕；当它说自己正在保护人类时，商业竞争就获得了道德上的正当性。保护自身利益不再被描述为维护护城河，而变成了防止灾难发生。

Anthropic的问题并不是它不应该讨论风险，而是它选择性地放大了开放扩散的风险，却很少讨论封闭垄断和技术权力集中本身可能产生的风险。

从开放权重到中国威胁，矛盾被悄悄转移了

在这份声明中，Anthropic用了相当大的篇幅讨论中国。它认为，美国应该继续限制高端芯片和芯片制造设备出口，打击大规模模型蒸馏，避免中国利用美国闭源模型的能力，以更低成本训练出接近前沿水平的模型。

这里当然存在真实的国家竞争。美国不希望中国率先获得更先进的人工智能能力，中国也不可能放弃发展自己的模型。芯片、算力、模型和人才已经成为中美科技竞争的重要部分，这并不令人意外。

但“美国是否应该限制中国获得先进AI能力”，与“接近前沿的开放权重模型是否应该受到普遍限制”，本来是两个不同的问题。Anthropic却把它们放进了同一套叙事中。

原本的争议是，为什么美国的前沿模型公司不愿意开放权重，为什么Anthropic要推动更严格的发布门槛，为什么闭源公司有资格决定开放模型可以发展到什么程度。经过这份声明的重新包装，问题逐渐变成了：美国是否应该帮助中国发展AI，中国公司是否正在利用美国模型进行蒸馏，以及开放模型是否会增强威权国家的技术能力。

这样一来，关于商业竞争和技术开放的争论，就被转换成了一个国家安全问题。质疑Anthropic对开放模型的限制，似乎也容易被解释为忽视中国AI带来的威胁。

然而，中国开放权重模型能够在全球获得影响力，并不只是因为它们来自中国，也不是因为各国开发者对中国公司有特殊偏好，而是因为它们提供了美国闭源公司不愿意提供的东西：更低的成本、更自由的部署方式，以及对模型权重和数据的实际控制。

当美国公司把最强模型全部封闭在自己的平台内，而中国公司愿意开放权重时，全球开发者自然会作出选择。这首先是一种产品和生态竞争，然后才是国家之间的技术竞争。

如果美国希望自己的模型继续成为全球AI生态的基础，真正应该做的并不只是限制芯片、限制蒸馏或者提高其他模型的发布门槛，而是提供更有竞争力的开放模型。一个开放生态最终依靠的不是行政保护，而是有没有足够多的人愿意使用、部署和改进它。

Anthropic却选择了另一条路线：当开放模型来自美国时，它强调能力扩散的风险；当开放模型来自中国时，它又增加国家安全的风险。两种叙事最后都指向同一个结论——最强大的模型不应该开放，前沿能力应该继续掌握在少数美国闭源公司手中。

表面上是自信，骨子里还是自大和傲慢

我之前写Anthropic时，曾经提到过一个感受：这家公司给人的印象并不只是自信，而是一种建立在技术优势上的自大和傲慢。

Anthropic相信自己对AI风险的理解比其他公司更深，相信自己的安全研究更加成熟，也相信自己拥有比开放社区、其他国家和普通开发者更强的判断能力。这种自信并不难理解，它确实聚集了大量优秀的研究人员，也在模型能力和安全研究方面投入了很多资源。

但这种自信继续向前走一步，就会变成另外一种东西：因为我们最了解AI，所以应该由我们决定谁能够使用它；因为我们建立了安全体系，所以最强模型掌握在我们手中是安全的；因为其他人可能滥用技术，所以他们只应该获得被限制过的能力。

这里真正傲慢的地方，并不是Anthropic认为AI有风险，而是它似乎天然认为自己属于“正确的人”，其他人则需要不断证明自己不会成为风险。

它担心开放权重模型落入恶意攻击者、极端组织或者威权政府手中，却很少认真讨论另一个问题：如果作出错误决定的，恰恰是掌握最强模型的公司和少数高管呢？

闭源不会自动让一个组织变得善良，技术领先也不意味着其判断永远正确。一家公司可能在商业压力下忽视安全问题，可能为了维持竞争优势夸大外部威胁，也可能与政府、军事和情报机构展开外界无法审查的合作。模型没有开放权重，并不代表它不会被滥用，只是相关决策发生在更加封闭的系统中，普通人更难了解和监督。

Anthropic所构想的秩序，是少数公司掌握最强模型，同时由这些公司参与制定安全规则，判断其他模型是否可以发布。技术能力、商业利益和规则制定权集中在同一批人手中，却被默认成了更加安全的状态。

但集中并不会自动带来安全。恰恰相反，当最强模型、最大算力、最多用户数据和规则制定能力同时聚集到少数公司手中，整个行业也会形成新的单点风险。企业内部的一次判断失误、一次利益冲突或者一次政策转向，都可能影响大量开发者、企业和普通用户，而外部社会却很难及时发现，更难纠正。

开放会产生扩散风险，封闭同样会产生权力集中的风险。两者都需要监管，不能因为集中在一家拥有安全团队的公司内部，就默认后一种风险不存在。

真正需要监管的，不只是模型，还有掌握模型的人

我并不认为所有模型都应该毫无条件地开放，也不认为前沿模型的安全风险可以被忽略。随着模型能力继续提升，一些测试、评估和发布规范是必要的，尤其是涉及网络攻击、生物风险和自主执行能力时。

但这些规则必须同时适用于开放模型和闭源模型，而且不能主要由最大的闭源公司来定义。

如果开放模型需要接受独立安全评估，Anthropic、OpenAI和Google的闭源模型同样应该接受外部审计；如果开放模型的开发者需要证明模型不会被滥用，闭源公司也应该解释自己的模型如何被政府、军方和大型企业使用；如果监管机构担心危险能力扩散，也应该担心能力、算力和决策权被永久集中在几家公司手中。

真正公平的规则，不能要求开放模型证明自己绝对安全，却允许闭源公司依靠一份内部安全报告证明自己足够负责。测试标准应该公开，评估机构应该独立，监管过程也应该尽可能避免被头部公司主导。

更重要的是，监管的对象不能只有模型能力，还应该包括掌握模型的人和组织。越强大的模型公司，越应该承担更高的透明度和外部监督要求，而不是因为它拥有最专业的安全团队，就自动获得更多权力。

AI安全不应该成为一种只约束后来者和竞争者的制度。它应该同时约束开放社区、闭源公司、政府机构，以及所有有能力把模型接入现实世界的人。

Anthropic真正想守住的，是定义AI边界的权力

Anthropic这次的声明，确实澄清了一件事：它并不反对所有开放权重模型。以后再简单地说Anthropic想全面禁止开源，并不准确。

但这份声明也让它真正的立场变得更加清楚。Anthropic可以接受开放，但不能接受开放模型接近前沿；可以接受竞争，但不能接受竞争者获得同等能力；可以讨论公共产品，却不愿意放弃自己对最强模型的控制。

它用安全解释这种限制，用中国威胁强化这种限制，又用自身的技术专业性证明自己有资格制定限制。

归根到底，Anthropic争夺的不只是Claude的市场份额，也不只是美国AI公司的领先地位，而是定义AI边界的权力：什么样的模型算危险，谁可以训练最强模型，谁能够获得模型权重，以及整个社会可以使用多强的AI。

但AI未来最危险的局面，未必是强大的模型被太多人掌握，也可能是全世界最强大的模型只掌握在几家公司、几个高管和少数政府机构手中。

Anthropic一直担心危险能力落入错误的人手中，却很少反思一个更基本的问题：它为什么天然认为，自己就是那个正确的人？

这或许才是Anthropic真正让人不安的地方。