標籤: Anthropic

拆解 Anthropic 用來觀察 AI-led R&D 的三組量測：AI 自動化程度、Agent oversight 與 safety compute，並把內部自報、方法邊界與跨實驗室不可比性放回工程決策。

拆解 Anthropic 讓 Claude 優化 30 多個生物分子與基因組模型的工程方法，從 FlashPairformer、Big mode、stock/exact/fast 契約，到 GPU 成本與可驗證性邊界。

Anthropic 的 Managed Agents 把 session budget、advisor、inference geography、repository skills 與 inference hooks 變成 runtime 控制面；本文拆解它們能治理什麼，以及仍然未知的邊界。

Anthropic 團隊在 Claude Opus 5 與 Claude Fable 5 專案中精簡超過 80% 的 Claude Code 系統提示詞。本文深入剖析從「僵化規則約束」轉向「信賴模型判斷」的 Context Engineering 典範轉移，以及漸進式揭露、自動記憶與動態 Harness 的工程實踐。

Anthropic 發布了專為團隊協作打造的 Claude Tag。透過在 Slack 中標註 @Claude，讓 AI 成為能主動參與討論、執行非同步任務並不斷學習的虛擬隊友。本文將詳細介紹其核心功能、使用方式、目標受眾及計費模式。

Anthropic 發布對 40 萬次 Claude Code 互動數據的隱私保護分析。研究揭示了 AI 程式碼代理的真實分工：人類決定「做什麼」，AI 決定「怎麼做」。更重要的是，成功並非取決於「寫程式能力」，而是「領域專業知識」。這對未來的知識工作有著深遠的啟發。

用一張閱讀地圖說明長任務 Agent 的 Harness：設定、驗證、交接，以及站上相關筆記要怎麼讀。

依 Martin Fowler 的說法，Harness Engineering 是包在 coding agent 外層的控制迴路：前饋 guides 加上回饋 sensors；信任是可設計的控制，不是感覺。

深讀 Nicholas Carlini 實驗文：近 2000 次 session、約兩萬美元 API、十萬行 Rust 編譯器能編 Linux 6.9——鎖任務、測試 Harness、GCC oracle、多角色分工與能力邊界。

根據 Anthropic《Labor market impacts of AI: A new measure and early evidence》整理：介紹「觀察到的曝光度」指標，說明哪些職業最暴露在 AI 之下、與就業成長與失業率的關係，以及對政策、企業與個人職涯的啟示。