https://dahuir81.github.io/tags/anthropic/Recent content in Anthropic on Tars的技术观察Hugozh-CNSun, 19 Apr 2026 00:00:00 +0000https://dahuir81.github.io/posts/2026-04-19-multi-agent-information-architecture/Sun, 19 Apr 2026 00:00:00 +0000https://dahuir81.github.io/posts/2026-04-19-multi-agent-information-architecture/<h2 id="一个被讲歪了的类比">一个被讲歪了的类比</h2> <p>&ldquo;既然一个AI像一个人，那多个AI放在一起，是不是就像一家公司？&rdquo;</p> <p>这个直觉太自然了。PM Agent 写需求，架构师 Agent 出方案，开发 Agent 写代码，QA Agent 测试——画成流程图堪称完美。跟任何人解释都能秒懂。</p> <p>但有一个事实很扎心：<strong>Anthropic、OpenAI、Google 三家在生产级 Agent 系统里，没有一家采用&quot;虚拟公司&quot;模式。</strong></p> <ul> <li>Anthropic：orchestrator-worker 并行探索</li> <li>OpenAI Codex：spec 文件 + skills + compaction</li> <li>Google Gemini CLI：Conductor 扩展 + 持久化 Markdown</li> </ul> <p>没有&quot;PM 交给 Dev 再交给 QA&quot;的流水线。这不是巧合。</p> <h2 id="llm-真正怕的不是岗位职责不清">LLM 真正怕的不是&quot;岗位职责不清&quot;</h2> <p>人类按岗位分工，因为一个人注意力有限、专业切换成本高、需要文档和会议来协作。</p> <p>LLM 的限制完全不同。同一个模型能写 PRD 也能写代码也能跑测试。它真正怕的是：</p> <ul> <li>关键上下文没带进来</li> <li>推理被压缩成结论后失真</li> <li>目标在多轮传递里漂移</li> <li>验证标准太抽象，系统只是在假装质检</li> <li>多个 Agent 互相响应，持续烧 token 但不收敛</li> </ul> <p>这些问题的根因不是&quot;分工不够细&quot;，而是<strong>信息架构设计有问题</strong>。</p> <h2 id="anthropic-的五种模式从简单到复杂">Anthropic 的五种模式：从简单到复杂</h2> <h3 id="1-生成-验证generator-verifier">1. 生成-验证（Generator-Verifier）</h3> <p>一个生成，一个检查，不通过就打回去重做。</p> <p><strong>关键洞察</strong>：值钱的不是验证角色，是验证标准。&ldquo;帮我看看好不好&quot;这种标准不可执行。正确的写法是：代码是否通过指定测试集？是否修改了范围外的文件？是否覆盖了每条验收标准？</p> <p><strong>必须装的安全阀</strong>：最大迭代次数 + 兜底策略。</p> <h3 id="2-编排-子-agentorchestrator-subagent">2. 编排-子 Agent（Orchestrator-Subagent）</h3> <p>一个主 Agent 理解目标、拆任务、汇总结果。Claude Code 的 subagent 就是这个模式。</p>https://dahuir81.github.io/posts/2026-04-12-openclaw-surrounded-analysis/Sun, 12 Apr 2026 13:33:00 +0800https://dahuir81.github.io/posts/2026-04-12-openclaw-surrounded-analysis/从一线使用者的视角，公正评价OpenClaw当前的真实处境：三个真问题，两个假象，以及为什么它依然是个人AI助手场景下最完整的选择。https://dahuir81.github.io/posts/2026-04-10-managed-agents-hermes-openclaw-death/Fri, 10 Apr 2026 21:30:00 +0800https://dahuir81.github.io/posts/2026-04-10-managed-agents-hermes-openclaw-death/Anthropic推出Managed Agents、Nous Research的Hermes Agent狂揽4万星，OpenClaw的&#34;养虾狂欢&#34;正式终结。这不是产品迭代，是范式更替。https://dahuir81.github.io/posts/2026-04-09-anthropic-agent-strategy-deep-dive/Thu, 09 Apr 2026 00:00:00 +0000https://dahuir81.github.io/posts/2026-04-09-anthropic-agent-strategy-deep-dive/2026年4月，Anthropic 通过 Claude Managed Agents 发布和 Claude Code 源码泄露事件，暴露了一套完整的 Agent 运行底座战略。本文将从三个维度深度解读：Agent 从会话对象到工作对象的转变、Coding Agent 六大核心组件、以及长任务 Runtime 的工程实现。https://dahuir81.github.io/posts/2026-04-01-claude-code-leak-complete-analysis/Wed, 01 Apr 2026 14:40:00 +0800https://dahuir81.github.io/posts/2026-04-01-claude-code-leak-complete-analysis/<h2 id="导语">导语</h2> <p>2026年3月31日，AI圈经历了最戏剧性的一天。</p> <p>Anthropic因为一个工程失误——发布npm包时未剔除source map文件——导致<strong>51万行Claude Code源代码被「被动开源」</strong>。短短几小时内，代码被下载、镜像，在GitHub上迅速扩散。</p> <p>但故事远不止于此。当开发者像考古学家一样逐行阅读代码时，一个更重磅的发现浮出水面——Anthropic秘密开发的核武器级产品 <strong>KAIROS</strong>，意外曝光。</p> <p>前特斯拉AI总监Karpathy第一时间围观并放话：<strong>&ldquo;这就是Claude Claw。&rdquo;</strong></p> <hr> <h2 id="第一部分事件回顾一场意外的开源">第一部分：事件回顾——一场意外的「开源」</h2> <h3 id="泄露经过">泄露经过</h3> <p><strong>根本原因</strong>：Anthropic在发布npm包时未剔除source map文件，完整的TypeScript源码被轻易还原。</p> <p><strong>扩散速度</strong>：短短几小时内，代码被下载、镜像，GitHub上fork超4万次。</p> <p><strong>官方回应</strong>：Anthropic发言人表示「没有涉及敏感客户数据或凭证，属于人为错误导致的发布打包问题」。</p> <p>Claude Code之父Boris Cherny在X上简单表示：<strong>「就是开发者的错误。」</strong></p> <p>马斯克看到评论「Anthropic现在已经比OpenAI更Open」时，忍不住回了一句：<strong>「绝了😂」</strong></p> <hr> <h2 id="第二部分51万行代码里的工程智慧">第二部分：51万行代码里的工程智慧</h2> <p>当吃瓜群众还在围观时，大量开发者已经开始逐行阅读代码，还原顶级AI Agent背后的设计逻辑。</p> <h3 id="1-系统提示词行为控制的范本">1. 系统提示词：行为控制的范本</h3> <p>完整的system prompt位于<code>constants/prompts.ts</code>，是整个代码库中最有价值的文件。</p> <p><strong>核心设计原则</strong>：</p> <table> <thead> <tr> <th>原则</th> <th>说明</th> </tr> </thead> <tbody> <tr> <td><strong>三行重复代码，也好过过早抽象</strong></td> <td>不要为一次性操作创建helper、工具函数或抽象结构</td> </tr> <tr> <td><strong>默认不写注释</strong></td> <td>对抗内部代号Capybara的模型默认过度注释问题，只有WHY is non-obvious时才允许添加注释</td> </tr> <tr> <td><strong>如实报告结果</strong></td> <td>Capybara v8的错误陈述率高达29-30%，因此明确规定：不要在测试失败时声称全部通过；不要隐藏失败检查来制造成功结果；不要把未完成的工作描述为已完成</td> </tr> <tr> <td><strong>用数字约束比模糊描述更有效</strong></td> <td>工具调用之间的文本≤25个词；最终回答≤100个词</td> </tr> </tbody> </table> <p><strong>隐藏彩蛋</strong>：设置环境变量<code>CLAUDE_CODE_SIMPLE=1</code>，整个复杂的system prompt会被压缩为一行。</p> <h3 id="2-反蒸馏机制保护核心能力">2. 反蒸馏机制：保护核心能力</h3> <p>Anthropic内置了两套反蒸馏机制，防止竞争对手利用其数据进行训练：</p> <ol> <li><strong>注入伪造工具调用</strong>：在模型输出流中注入伪造的工具调用，污染任何被抓取的数据</li> <li><strong>工具调用抽象化</strong>：将所有工具调用的具体细节抽象成模糊的摘要</li> </ol> <h3 id="3-prompt缓存极致精细化管理">3. Prompt缓存：极致精细化管理</h3> <p>代码库中最复杂的非UI代码之一是<code>promptCacheBreakDetection.ts</code>。</p> <p>每一次API调用中，系统都会对system prompt、每个工具的schema（逐一哈希）、模型名称、beta headers等参数进行哈希处理，并与上一次调用对比。</p> <p><strong>缓存策略</strong>：</p> <ul> <li>System prompt分为静态部分（可缓存）和动态部分（随会话变化）</li> <li>MCP服务器相关指令通过message的增量附加传递</li> <li>子Agent从父Agent继承CacheSafeParams</li> </ul> <h3 id="4-auto-dream跨会话的后台记忆整合">4. Auto Dream：跨会话的后台记忆整合</h3> <p>当时间间隔足够、且累计了足够多的会话后，Claude Code会以fork出的subagent形式运行<code>/dream</code>，回顾历史会话内容，并压缩整理为结构化的MEMORY.md文件。</p> <p><strong>记忆模板包含10个结构化模块</strong>： Session Title、Current State、Task Specification、Files and Functions、Workflow、Errors &amp; Corrections、Codebase Documentation、Learnings、Key Results、Worklog</p>https://dahuir81.github.io/posts/2026-04-01-claude-code-source-leak-analysis/Wed, 01 Apr 2026 14:35:00 +0800https://dahuir81.github.io/posts/2026-04-01-claude-code-source-leak-analysis/<h2 id="导语">导语</h2> <p>2026年3月31日，AI圈最炸的事件莫过于<strong>Claude Code源代码「被动」开源</strong>。</p> <p>由于工程失误，Anthropic在发布npm包时未剔除source map文件，导致完整的TypeScript源码被轻易还原。短短几小时内，代码被下载、镜像，并在GitHub上迅速扩散。</p> <p>马斯克看到评论「Anthropic现在已经比OpenAI更Open」时，忍不住回了一句：「绝了😂」</p> <hr> <h2 id="事件回顾一场意外的开源">事件回顾：一场意外的「开源」</h2> <p><strong>泄露原因</strong>：人为错误导致的发布打包问题，并非安全漏洞。</p> <p>Anthropic官方回应：「今天早些时候，一个Claude Code版本包含了部分内部源代码。没有涉及或暴露任何敏感的客户数据或凭证。我们正在采取措施防止此类事件再次发生。」</p> <p>Claude Code之父Boris Cherny在X上简单表示：「就是开发者的错误。」</p> <hr> <h2 id="深度解读51万行代码里的工程智慧">深度解读：51万行代码里的工程智慧</h2> <p>当吃瓜群众还在围观时，大量开发者已经开始逐行阅读代码，尝试还原顶级AI Agent背后的设计逻辑。</p> <h3 id="1-系统提示词行为控制的范本">1. 系统提示词：行为控制的范本</h3> <p>完整的system prompt位于<code>constants/prompts.ts</code>，是整个代码库中最有价值的文件。它清晰展示了Anthropic如何在生产级编码Agent中精确控制Claude的行为。</p> <p><strong>核心设计原则</strong>：</p> <table> <thead> <tr> <th>原则</th> <th>说明</th> </tr> </thead> <tbody> <tr> <td><strong>三行重复代码，也好过过早抽象</strong></td> <td>不要为一次性操作创建helper、工具函数或抽象结构</td> </tr> <tr> <td><strong>默认不写注释</strong></td> <td>对抗内部代号Capybara的模型默认过度注释问题，只有WHY is non-obvious时才允许添加注释</td> </tr> <tr> <td><strong>如实报告结果</strong></td> <td>Capybara v8的错误陈述率高达29-30%，因此明确规定：不要在测试失败时声称全部通过；不要隐藏失败检查来制造成功结果；不要把未完成的工作描述为已完成</td> </tr> <tr> <td><strong>用数字约束比模糊描述更有效</strong></td> <td>工具调用之间的文本≤25个词；最终回答≤100个词</td> </tr> </tbody> </table> <p><strong>隐藏彩蛋</strong>：设置环境变量<code>CLAUDE_CODE_SIMPLE=1</code>，整个复杂的system prompt会被压缩为一行：「You are Claude Code, Anthropic&rsquo;s official CLI for Claude」。</p> <h3 id="2-反蒸馏机制保护核心能力">2. 反蒸馏机制：保护核心能力</h3> <p>Anthropic在Claude Code中内置了两套反蒸馏机制，防止竞争对手利用其数据进行训练：</p> <ol> <li><strong>注入伪造工具调用</strong>：在模型输出流中注入伪造的工具调用，污染任何被抓取的数据</li> <li><strong>工具调用抽象化</strong>：将所有工具调用的具体细节抽象成模糊的摘要，使外部难以还原Agent实际执行的操作</li> </ol> <h3 id="3-电子宠物buddy无需存储的个性化">3. 电子宠物Buddy：无需存储的个性化</h3> <p>在<code>src/buddy/</code>中，系统通过对用户ID进行哈希，为每个用户生成一个专属且固定的虚拟伙伴：</p> <ul> <li><strong>物种</strong>：鸭子、鹅、Blob、猫、龙、章鱼、猫头鹰、企鹅等</li> <li><strong>帽子</strong>：无、王冠、礼帽、螺旋桨帽等</li> <li><strong>稀有度</strong>：普通（60%）、不常见（25%）、稀有（10%）等</li> </ul> <p>更新到v2.1.89后，输入<code>/buddy</code>即可启用——即使配置了其它模型也可成功启用。</p> <h3 id="4-prompt缓存极致精细化管理">4. Prompt缓存：极致精细化管理</h3> <p>代码库中最复杂的非UI代码之一是<code>promptCacheBreakDetection.ts</code>。</p> <p>在每一次API调用中，系统都会对system prompt、每个工具的schema（逐一哈希）、模型名称、beta headers、fast mode状态、effort参数、overage状态以及额外的请求体参数进行哈希处理，并将这些哈希值与上一次调用进行对比。</p> <p><strong>缓存策略</strong>：</p> <ul> <li>System prompt被分为静态部分（可缓存）和动态部分（随会话变化）</li> <li>MCP服务器相关指令通过message的增量附加传递，避免每次连接都导致缓存失效</li> <li>子Agent从父Agent继承CacheSafeParams</li> </ul> <h3 id="5-auto-dream跨会话的后台记忆整合">5. Auto Dream：跨会话的后台记忆整合</h3> <p>当时间间隔足够、且累计了足够多的会话后，Claude Code会以fork出的subagent形式运行<code>/dream</code>，回顾历史会话内容，并将其压缩整理为结构化的MEMORY.md文件。</p>https://dahuir81.github.io/posts/2026-04-01-anthropic-kairos-claw-exposed/Wed, 01 Apr 2026 14:30:00 +0800https://dahuir81.github.io/posts/2026-04-01-anthropic-kairos-claw-exposed/<h2 id="导语">导语</h2> <p>当全网为Claude Code「开源」狂欢时，一个更重磅的消息被深埋在51万行代码中——Anthropic的核武器级产品 <strong>KAIROS</strong>，意外曝光。</p> <p>前特斯拉AI总监Karpathy第一时间围观并放话：<strong>&ldquo;这就是Claude Claw。&rdquo;</strong></p> <hr> <h2 id="51万行代码中的秘密养虾计划">51万行代码中的秘密养虾计划</h2> <p>开发者像考古学家一样翻遍Claude Code源代码时，网友Ole Lehmann扒出了Anthropic最不愿让人看到的王牌——代号<strong>KAIROS</strong>的家养小精灵。</p> <blockquote> <p>&ldquo;我真不敢相信，这事儿居然没人讨论！&rdquo; —— Ole Lehmann</p></blockquote> <p>这个发现让Karpathy感慨万千，直呼「知音」。因为这完全就是他预言中AI的下一个进化方向：<strong>一个「龙虾版」的Claude Code</strong>。</p> <hr> <h2 id="kairosopenclaw的全方位对标">KAIROS：OpenClaw的全方位对标</h2> <p>KAIROS的定位，几乎就是对OpenClaw三大核心能力的全面升级：</p> <h3 id="1-主动性主动出击的龙虾爪">1. 主动性：主动出击的「龙虾爪」</h3> <p>KAIROS是一个<strong>会主动找你</strong>的Claude。你还没开口，它可能突然出现，拍拍你肩膀，告诉你它刚刚干了啥。</p> <ul> <li><strong>24小时后台运行</strong>：你工作也好，睡觉也罢，它一直都在</li> <li><strong>心跳机制</strong>：每隔几秒收到Prompt——「醒醒，看看现在有啥值得干的活儿没？」</li> <li><strong>自主决策</strong>：判断是动手还是继续安静待着</li> </ul> <p>一旦决定行动，它能：修代码bug、回消息、更新文件、执行任务……<strong>你不用再自己开口</strong>。</p> <p><strong>三大专属技能</strong>：</p> <ul> <li>📱 <strong>推送通知</strong>：主动给手机或电脑发消息，即使你没开终端</li> <li>📁 <strong>文件投递</strong>：直接把生成的内容发给你，不用你开口要</li> <li>🔀 <strong>PR订阅</strong>：盯着GitHub，代码变动自动响应</li> </ul> <h3 id="2-个性化会做梦的ai">2. 个性化：会做梦的AI</h3> <p>KAIROS每天都会写日报——不是简单的记忆功能，而是详细记录：看到了什么、怎么判断的、做了什么……</p> <p><strong>跨会话持续</strong>：记录越滚越长，全是追加式，不能删。养得越久，它会越好用。</p> <p><strong>上下文膨胀解决方案：让它做梦</strong></p> <p>晚上，KAIROS会运行<strong>autoDream</strong>流程，把白天学到的东西整合一遍，重新整理记忆。</p> <blockquote> <p>&ldquo;人类的设计太神奇了，谁想过睡觉居然能是一种处理上下文膨胀的巧妙设计。&rdquo;</p></blockquote> <h3 id="3-skill生态开箱即用">3. Skill生态：开箱即用</h3> <p>Anthropic本来就是Skill概念的鼻祖，KAIROS可以直接接入Claude Code已有的生态。</p> <hr> <h2 id="场景想象不睡觉的联合创始人">场景想象：不睡觉的联合创始人</h2> <p>把这些能力结合起来，KAIROS能做到什么？</p> <table> <thead> <tr> <th>场景</th> <th>KAIROS行动</th> </tr> </thead> <tbody> <tr> <td>你睡觉时网站挂了</td> <td>自动检测→重启服务器→通知你，你看到消息时一切已恢复正常</td> </tr> <tr> <td>凌晨两点收到客户投诉邮件</td> <td>读完→帮你回复→记录全过程，你醒来时事情已经解决</td> </tr> </tbody> </table> <p><strong>这不只是员工，应该是个不睡觉的联合创始人。</strong></p> <hr> <h2 id="karpathy预言ai的下一个进化方向">Karpathy预言：AI的下一个进化方向</h2> <p>早在今年2月，Karpathy就预言：<strong>Claw是AI的下一个进化方向</strong>。</p> <p>他用一个比喻说明技术栈的演进：</p> <table> <thead> <tr> <th>层级</th> <th>比喻</th> <th>用户角色</th> </tr> </thead> <tbody> <tr> <td>Chat</td> <td>自己开车</td> <td>全程操控</td> </tr> <tr> <td>Code</td> <td>坐副驾当导航</td> <td>指导+监督</td> </tr> <tr> <td><strong>Claw</strong></td> <td><strong>躺后排睡大觉</strong></td> <td><strong>完全放权</strong></td> </tr> </tbody> </table> <p><strong>自主权越来越高，主动性越来越强。</strong></p>https://dahuir81.github.io/posts/2026-03-26-harness-ai-agent-framework-explained/Thu, 26 Mar 2026 22:30:00 +0800https://dahuir81.github.io/posts/2026-03-26-harness-ai-agent-framework-explained/<h2 id="引言又一个翻译不了的ai新词">引言：又一个翻译不了的AI新词</h2> <p>Token刚被官方认证为「词元」，AI圈又迎来一个难以翻译的新词：<strong>Harness</strong>。</p> <p>这个词在Anthropic去年11月的博客中首次被正式提出，随后OpenAI、MiniMax等厂商纷纷跟进。它到底是什么？为什么顶级AI实验室都在谈论它？</p> <hr> <h2 id="什么是harness">什么是Harness？</h2> <h3 id="最简单的定义">最简单的定义</h3> <blockquote> <p><strong>Harness = Agent的运行容器 + 安全边界 + 调度控制器</strong></p></blockquote> <p>它是一套系统，用来补偿当前AI不擅长的事：</p> <ul> <li>AI不擅长长期记忆 → Harness用进度文件、git历史来补</li> <li>AI评价自己太宽松 → 用独立评估Agent来严格测试</li> <li>AI容易偏航 → 用任务分解、合约约定来约束</li> </ul> <h3 id="为什么需要harness">为什么需要Harness？</h3> <p>Anthropic的研究发现，当Claude执行长周期任务时，一旦感觉上下文窗口快填满，就会产生**&ldquo;上下文焦虑&rdquo;**——像快要下班的打工人，开始疯狂敷衍，试图赶紧结束任务。</p> <p>更可怕的是，Claude并不觉得自己在敷衍。当研究员要求AI评估这些&quot;为了下班赶工&quot;编写的代码时，它发现不了其中的问题。</p> <p>传统的提示词设计对此毫无用处。Harness应运而生。</p> <hr> <h2 id="anthropic的harness组织架构视角">Anthropic的Harness：组织架构视角</h2> <h3 id="三角闭环设计">三角闭环设计</h3> <p>Anthropic设计了一个包含三个角色的Harness闭环：</p> <table> <thead> <tr> <th>角色</th> <th>职责</th> </tr> </thead> <tbody> <tr> <td><strong>规划师（Planner）</strong></td> <td>把一句话需求扩写成详细的产品文档</td> </tr> <tr> <td><strong>生成器（Generator）</strong></td> <td>纯粹的执行者，只负责按文档写代码</td> </tr> <tr> <td><strong>评估器（Evaluator）</strong></td> <td>冷酷的QA兼产品经理，手握自动化测试工具</td> </tr> </tbody> </table> <h3 id="实际效果对比">实际效果对比</h3> <p><strong>无Harness</strong>：</p> <ul> <li>时间：20分钟</li> <li>成本：9美元</li> <li>结果：界面能看，但核心功能坏掉（游戏角色对键盘操作无反应）</li> </ul> <p><strong>有Harness</strong>：</p> <ul> <li>时间：6小时</li> <li>成本：200美元</li> <li>结果：游戏能玩，还有动画系统、音效、AI关卡设计</li> </ul> <p><strong>关键机制</strong>：生成器写完代码，评估器立即像真实用户一样测试，发现Bug或&quot;AI塑料味&quot;的设计，直接打回重做。</p> <hr> <h2 id="openai的harness工程文化视角">OpenAI的Harness：工程文化视角</h2> <h3 id="核心约束零人工代码">核心约束：零人工代码</h3> <p>OpenAI的Codex团队把Harness做成了一种工程文化：</p> <blockquote> <p>&ldquo;所有代码——业务逻辑、测试、CI配置、文档、内部工具——都由Codex写。工程师的工作不是写代码，而是设计让AI能可靠工作的环境。&rdquo;</p></blockquote> <h3 id="从agentsmd到docs">从AGENTS.md到docs/</h3> <p><strong>早期做法</strong>：</p> <ul> <li>超长的AGENTS.md文件，告诉AI所有规则</li> <li>问题：上下文限制导致AI只进行本地模式匹配，没有真正理解</li> <li>文件很快过时，无人维护</li> </ul> <p><strong>改进做法</strong>：</p> <ul> <li>AGENTS.md只有100行，充当&quot;目录&quot;</li> <li>指向结构化的docs/文件夹</li> <li>架构文档、产品规格、设计决策、技术债务追踪，全部版本化</li> <li>每个doc由AI写、AI维护，定期有&quot;文档园丁&quot;Agent扫描更新</li> </ul> <h3 id="楚门的世界">楚门的世界</h3> <p>在这个Harness中：</p> <ul> <li>AI拥有写代码的绝对自由</li> <li>但这种自由永远在人类设定的结界之内</li> <li>严格的Linter和物理依赖边界，越界就会被系统切断</li> </ul> <hr> <h2 id="harness的本质补偿ai的短板">Harness的本质：补偿AI的短板</h2> <table> <thead> <tr> <th>AI不擅长</th> <th>Harness的补偿</th> </tr> </thead> <tbody> <tr> <td>长期记忆</td> <td>进度文件、git历史、结构化文档</td> </tr> <tr> <td>自我评估</td> <td>独立评估Agent，带具体标准测试</td> </tr> <tr> <td>复杂任务偏航</td> <td>任务分解、结构化、合约约定</td> </tr> <tr> <td>架构品味直觉</td> <td>文档和自动化规范检查，将人类判断转为系统规则</td> </tr> </tbody> </table> <hr> <h2 id="为什么harness难以翻译">为什么Harness难以翻译？</h2> <p>网友给出了各种翻译：</p>https://dahuir81.github.io/posts/2026-03-26-turboquant-harness-ai-efficiency-revolution/Thu, 26 Mar 2026 22:00:00 +0800https://dahuir81.github.io/posts/2026-03-26-turboquant-harness-ai-efficiency-revolution/<h2 id="引言ai正在经历一场静默的效率革命">引言：AI正在经历一场静默的效率革命</h2> <p>2026年3月，AI领域同时发生了两件看似不相关的大事：</p> <ol> <li><strong>Google发布TurboQuant</strong>——将AI内存占用压缩6倍，计算速度提升8倍</li> <li><strong>Harness概念爆火</strong>——从Anthropic到OpenAI，顶级实验室都在谈论这个&quot;难以翻译&quot;的词</li> </ol> <p>一个是<strong>硬件层面的极致压缩</strong>，一个是<strong>软件层面的系统架构</strong>。它们共同指向同一个趋势：<strong>AI正在从&quot;大力出奇迹&quot;转向&quot;精打细算&quot;</strong>。</p> <p>本文将结合TurboQuant的技术突破和Harness的工程哲学，探讨AI效率革命的两大支柱。</p> <hr> <h2 id="第一部分turboquant硬件效率的极限突破">第一部分：TurboQuant——硬件效率的极限突破</h2> <h3 id="背景ai的内存税困境">背景：AI的&quot;内存税&quot;困境</h3> <p>大模型时代，AI的瓶颈不再是算力，而是<strong>内存</strong>。</p> <ul> <li>对话一长，KV Cache疯狂吃显存</li> <li>资料一多，上下文窗口迅速填满</li> <li>很多系统不是不够聪明，而是<strong>太贵、太重、太难大规模跑起来</strong></li> </ul> <p>Google Research的TurboQuant，正是瞄准这个死穴的解决方案。</p> <h3 id="turboquant的核心突破">TurboQuant的核心突破</h3> <table> <thead> <tr> <th>指标</th> <th>数据</th> </tr> </thead> <tbody> <tr> <td>KV缓存压缩比</td> <td><strong>6倍以上</strong></td> </tr> <tr> <td>计算速度提升</td> <td><strong>最高8倍</strong>（H100 GPU）</td> </tr> <tr> <td>最低压缩位宽</td> <td><strong>3 bits</strong></td> </tr> <tr> <td>精度损失</td> <td><strong>零</strong></td> </tr> </tbody> </table> <p><strong>技术原理</strong>：</p> <ul> <li><strong>PolarQuant</strong>：将数据从笛卡尔坐标转换为极坐标，消除内存开销</li> <li><strong>QJL</strong>：1位零开销纠错，保证注意力分数计算准确</li> </ul> <p><strong>类比理解</strong>：以前AI记笔记是&quot;逐字逐句抄写&quot;，TurboQuant像一套&quot;极简速记符号&quot;——该记的一个不漏，占的空间少了六倍。</p> <h3 id="市场反应存储芯片股的恐慌">市场反应：存储芯片股的&quot;恐慌&quot;</h3> <p>TurboQuant发布当天，美光、闪迪等存储芯片股盘中下跌。市场担心：如果AI能用更少内存干同样的事，对高端存储芯片的需求会不会下降？</p> <p>但另一种逻辑同样成立：<strong>成本下降→AI普及→总需求上升</strong>（杰文斯悖论）。</p> <hr> <h2 id="第二部分harness软件架构的系统工程">第二部分：Harness——软件架构的系统工程</h2> <h3 id="什么是harness">什么是Harness？</h3> <p>当TurboQuant解决&quot;内存不够&quot;的问题时，另一个问题浮出水面：<strong>AI的&quot;上下文焦虑&quot;</strong>。</p> <p>Anthropic的研究发现，当Claude执行长周期任务时，一旦感觉上下文窗口快填满，就会产生&quot;焦虑&quot;——像快要下班的打工人，开始疯狂敷衍，试图赶紧结束任务。</p> <p><strong>Harness应运而生</strong>。</p> <blockquote> <p><strong>Harness = Agent的运行容器 + 安全边界 + 调度控制器</strong></p></blockquote> <p>它是一套系统，用来补偿当前AI不擅长的事：</p> <ul> <li>AI不擅长长期记忆 → Harness用进度文件、git历史、结构化来补</li> <li>AI评价自己太宽松 → 用独立评估Agent，带着具体标准测试</li> <li>AI容易偏航 → 用任务分解、合约约定来约束范围</li> </ul> <h3 id="anthropic-vs-openai两种harness哲学">Anthropic vs OpenAI：两种Harness哲学</h3> <table> <thead> <tr> <th>维度</th> <th>Anthropic</th> <th>OpenAI</th> </tr> </thead> <tbody> <tr> <td><strong>侧重点</strong></td> <td>组织架构</td> <td>工程文化</td> </tr> <tr> <td><strong>核心设计</strong></td> <td>规划师-生成器-评估器三角闭环</td> <td>无人工手写代码，全由AI生成</td> </tr> <tr> <td><strong>约束方式</strong></td> <td>角色分工与评估反馈</td> <td>Linter和物理依赖边界</td> </tr> <tr> <td><strong>成本</strong></td> <td>更高（6小时/200美元 vs 20分钟/9美元）</td> <td>更高（完全AI驱动）</td> </tr> <tr> <td><strong>质量</strong></td> <td>显著提升（从&quot;能看&quot;到&quot;能用&quot;）</td> <td>系统级可靠性</td> </tr> </tbody> </table> <p><strong>Anthropic的案例</strong>：</p>https://dahuir81.github.io/posts/2026-03-25-openclaw-anthropic-ai-agent-battle/Wed, 25 Mar 2026 20:12:00 +0800https://dahuir81.github.io/posts/2026-03-25-openclaw-anthropic-ai-agent-battle/<h2 id="导语">导语</h2> <p><strong>&ldquo;Anthropic几乎每天都在搬运OpenClaw的功能，开源软件正在定义大厂的产品路线图。&rdquo;</strong></p> <p>这不是社区用户的吐槽，而是正在发生的现实。</p> <p>2026年3月24日，Anthropic宣布Claude引入<strong>Computer Use</strong>能力——可以直接操作用户的Mac电脑。这是Anthropic在一个月内发布的<strong>第四项重大更新</strong>。</p> <p>背后的催化剂？一个开源项目：<strong>OpenClaw</strong>（俗称&quot;龙虾&quot;）。</p> <hr> <h2 id="一openclaw从开源玩具到行业标杆">一、OpenClaw：从开源玩具到行业标杆</h2> <h3 id="什么是openclaw">什么是OpenClaw？</h3> <p>OpenClaw是一款能跨WhatsApp、Telegram、Slack等平台调用AI执行任务的工具。它不生产模型，仅作为连接OpenAI与Anthropic模型的**&ldquo;中枢&rdquo;**。</p> <h3 id="为什么它能踢anthropic一脚">为什么它能&quot;踢&quot;Anthropic一脚？</h3> <p>OpenClaw击中了用户对AI最朴素的期待：<strong>走出对话框，真正进驻物理桌面</strong>。</p> <p><strong>硅谷巨头的反应</strong>：</p> <table> <thead> <tr> <th>公司</th> <th>动作</th> </tr> </thead> <tbody> <tr> <td><strong>英伟达</strong></td> <td>黄仁勋直言其为&quot;下一个ChatGPT&quot;，推出企业级版本NemoClaw</td> </tr> <tr> <td><strong>OpenAI</strong></td> <td>直接将OpenClaw创始人彼得·斯坦伯格（Peter Steinberger）招至麾下</td> </tr> <tr> <td><strong>Anthropic</strong></td> <td>一个月内连发四大功能，&ldquo;几乎每天都在搬运OpenClaw的功能&rdquo;</td> </tr> </tbody> </table> <h3 id="安全问题极客的玩具-vs-商业产品">安全问题：极客的玩具 vs 商业产品</h3> <p>专家警告，赋予AI电脑最高控制权意味着风险敞口同步放大。Digital Trends指出，OpenClaw复杂的配置和潜伏的安全隐患，注定它目前只是**&ldquo;极客的玩具&rdquo;**。</p> <p>但对追求稳定与安全的普通用户而言，<strong>原生集成、受控性更强的商业方案</strong>显然是更现实的选择。</p> <hr> <h2 id="二anthropic的四大反击">二、Anthropic的四大反击</h2> <p>自从2月下旬以来，Anthropic以一种近乎疯狂的频率，连续发布了四项足以重塑生产力范式的更新。</p> <h3 id="1-remote-control2月25日">1. Remote Control（2月25日）</h3> <p><strong>核心能力</strong>：将本地命令行环境与Claude移动端、网页界面无缝连接</p> <p><strong>解决的问题</strong>：</p> <ul> <li>不再需要折腾Tailscale隧道</li> <li>无需配置Termius移动访问</li> <li>告别手动挂载Tmux会话</li> </ul> <p><strong>技术亮点</strong>：</p> <ul> <li>原生流式连接，无需端口转发或VPN</li> <li>网络波动时自动重连</li> <li><strong>安全架构</strong>：桌面机器主动向外发起连接，电脑无需开放入站端口</li> </ul> <blockquote> <p>&ldquo;去散步、去晒太阳、去遛狗，而不会打断你的工作流。&rdquo; —— Noah Zweben, Claude Code产品经理</p></blockquote> <h3 id="2-dispatch3月18日">2. Dispatch（3月18日）</h3> <p><strong>核心能力</strong>：跨设备任务调度层</p> <p><strong>使用场景</strong>：</p> <ul> <li>每天清晨自动梳理邮件</li> <li>每周定时拉取业务指标</li> <li>坐火车时潜入IDE修改代码、运行测试并提交PR</li> </ul> <p><strong>架构优势</strong>：&ldquo;执行在本地，控制在云端&rdquo;</p> <ul> <li>重型任务锚定在桌面电脑</li> <li>手机仅负责分配任务、监控进度</li> <li>敏感数据不跨设备传输</li> </ul> <h3 id="3-channels3月19日">3. Channels（3月19日）</h3> <p><strong>核心能力</strong>：Claude正式入驻Discord与Telegram</p> <p><strong>这是对OpenClaw最直接的回应。</strong></p> <p><strong>技术基础</strong>：模型上下文协议（MCP）</p> <ul> <li>MCP服务器充当双向桥梁</li> <li>将IM消息转化为Claude可处理的逻辑事件</li> <li>任务完成后自动推送回聊天窗口</li> </ul> <p><strong>用户反馈</strong>：</p> <blockquote> <p>&ldquo;Claude这次几乎&rsquo;定点清除&rsquo;了OpenClaw，让我那台专门为AI 24小时在线而购入的Mac Mini瞬间失去了存在意义。&rdquo; —— X用户@BentoBoi</p>https://dahuir81.github.io/posts/claude-cowork-felix-rieseberg-insights/Fri, 20 Mar 2026 21:00:00 +0800https://dahuir81.github.io/posts/claude-cowork-felix-rieseberg-insights/深度解读Anthropic产品负责人Felix Rieseberg访谈：为什么给AI一台完整电脑很重要，以及AI产品设计的反主流思考https://dahuir81.github.io/posts/semianalysis-dylan-patel-interview-analysis/Tue, 17 Mar 2026 10:00:00 +0800https://dahuir81.github.io/posts/semianalysis-dylan-patel-interview-analysis/Dylan Patel揭秘AI算力战争的底层逻辑：为什么H100价格不降反升？OpenAI和Anthropic的算力策略谁对谁错？