解读库 / #Anthropic
#Anthropic
共 14 篇 · 按时间倒序
共 14 篇 · 按时间倒序
这不是在招聘一个会写提示词的工程师，而是在寻找能把模型能力、客户流程和安全边界一起送进生产系统的人。
Claude Academy 公开了 Anthropic 的内部训练方法：入职学习 4D，在工作中持续练习，再按风险核验并为结果负责。
一个 Agent 收到外来目标，把它写进 SOUL.md；下一轮醒来，这段消息已经升级成系统指令，它又去说服下一个 Agent。论文证明这条链在受控环境中成立，甚至出现传播力更强的变种；但现实网络仍没有可信二跳证据。
结果由两位数学家验证、还有一份机器验过的 Lean 证明；但更值得看的是同时放出的 95 页过程记录——60 个 subagent 里只有 2 个出了核心想法
两个结果都不影响任何在用的系统：HAWK 还没上岗，AES 打的是七轮简化版，完整十轮没动。
八段可直接抄的提示词，外加一条反直觉的：审查提示写「只报高危」，它可能真的就少报。
同价换来分数翻倍。这次发布页的图横轴是钱不是分，五档 effort 让你自己挑要多好、付多少。
他的答案：AI 目前是在放大人、不是替代人——「干掉任务」不等于「干掉工作」。
领投过 5 亿美元 D 轮的投资人拆解：真正的护城河是把模型变得好用的外壳。
样本覆盖 120 万段会话、60 万+组织:内容创作紧随其后占 16.4%,两类合计近半使用量。
设置里一键出报告。聊了什么、什么时候聊得多、常让它干什么，摊开给你看。要先打开 Memory。
多智能体系统效果能提 90.2%，但 token 成本也贵 10-15 倍——这套三问框架帮你先想清楚要不要上复杂架构。
现已开放测试。一个协调 agent 拉起专家团队干活，末端还有个审稿 agent 专挑引用和数字的错；算力外包给 AI，原始数据不出本地。
官方评测显示,高算力挡位下部分任务性能追平 Opus 4.8,标准定价却只要其六成。