4 篇博文 含有标签「Anthropic」

很多人第一次使用 Claude Code 或 Codex 时，会把效果差异归结为“提示词写得好不好”。这当然重要，但只解释了很小一部分。

一个真正能持续工作的 AI Agent，不只是在读取一句 Prompt。它还会接收系统规则、项目规范、历史消息、代码与文档、Skill、MCP 工具描述、工具执行结果、长期记忆、子 Agent 汇总以及运行环境状态。随着任务推进，这些信息还会被检索、缓存、裁剪、压缩、持久化和重新装配。

因此，今天更准确的问题已经不是：

“我应该怎样写一句更神奇的提示词？”

而是：

“在 Agent 每一次决策前，应该让模型看到哪些信息，允许它调用哪些能力，怎样保留状态，又怎样证明任务真的完成？”

这就是从 **Prompt Engineering（提示词工程）**走向 **Context Engineering（上下文工程）**的关键变化。

本文基于截至 2026 年 9 月 4 日的 Claude 与 Codex 官方资料，建立一套不依赖具体产品界面的通用模型，并重点回答五个问题：

1. Prompt、Context、Cache、Memory、Skill、MCP 到底有什么区别？
2. Claude Code 与 Codex 如何组织项目上下文？
3. 一个 AI Agent 从接收任务到完成验证，内部经历了什么流程？
4. 多 Agent 为什么有时更强，又为什么经常更贵、更乱？
5. 怎样写一份真正适合 Agent 执行的任务提示？

AI 进入软件研发以后，最容易犯的错误，是在原有 SDLC 的“编码”节点旁边放一个聊天机器人，然后宣布团队已经完成 AI 转型。

真正的变化更深：代码生成不再是主要稀缺资源，问题选择、上下文、验证、风险判断、发布反馈和人类注意力才是。团队如果只提高生成速度，结果通常不是更快交付，而是更多 PR、更长评审队列、更高变更风险和更快积累的技术债。

因此，AI 原生 SDLC 不是“AI 帮人写代码”，而是一套新的工程操作系统：

人类定义结果、边界和风险；Agent 在隔离环境中执行；确定性系统与独立评审生成证据；发布系统控制影响面；生产反馈再写回任务、规则、测试和组织知识。

本文基于截至 2026 年 8 月 30 日可获得的一手资料，重点参考：

• Claude Code 团队的 JIT 规划、Dogfood、专家评审和扁平 Pod；
• Anthropic Security 对 Plan、Code、Test、Deploy、Monitor、Governance 的 AI 原生安全改造；
• Spotify 的 Backstage、Golden State、Fleet Management、Honk、Verifier 与 LLM Judge；
• OpenAI 的 Harness Engineering、仓库内知识、隔离环境、Agent 可观测性与任务编排；
• DORA 2025 对平台工程、交付吞吐、稳定性和信任的研究。

文章会给出完整链路、最细阶段流程、可复制模板、风险路由、工具地图、指标体系与 90 天建设计划。

先说结论：这篇文章真正值得关注的，不是 Claude Code 团队“几乎所有提交都有 AI 参与”，也不是 PM 开始写代码。

真正的变革是：

软件工程正在从“管理有限的代码生产能力”，转向“管理近乎无限的实现能力，以及有限的判断、验证和反馈能力”。

这不是一次单纯的开发工具升级，而是工程组织底层约束的改变。当实现成本大幅下降后：

1. 团队不再缺少“把方案写成代码”的能力，而是缺少判断该做什么、不该做什么的能力；
2. 代码可以高速生成，但用户反馈、安全审查和领域专家时间无法同比扩张；
3. 原型可以随时产生，因此详细路线图更快失效，提前承诺错误方案的代价反而上升；
4. 每个人都能跨角色执行，但最终责任、专业判断和系统 Ownership 不能交给模型；
5. 组织的竞争力从“拥有更多开发者”转向“拥有更短、更可靠的学习与验证闭环”。

所以，AI 原生工程组织的目标不是让 Agent 写更多代码，而是建立一个能够持续回答以下问题的系统：

• 当前最值得解决的问题是什么？
• 最小成本的验证方式是什么？
• 哪些工作可以交给 AI，哪些判断必须由人承担？
• 生成的结果凭什么可信？
• 新能力出现后，哪些旧流程应该删除？

2026 年 6 月 3 日，Claude Code 与 Claude Cowork 工程总监 Fiona Fung 在 《Running an AI-native engineering org》 中，分享了团队在 Agentic Coding 成为默认工作方式后，对规划、上下文获取、代码评审、人才结构和团队治理的重写。

原文只有约五分钟阅读长度，却提供了一个重要样本：当代码生产不再是主要约束，一家工程组织会如何重新分配人的注意力。

当一家开发前沿 AI 的公司，把研究镜头转向自己的员工，会看到怎样的未来？

Anthropic 在 2025 年 12 月发布了 《How AI Is Transforming Work at Anthropic》。这不是一篇常见的“AI 提效案例”：研究结合了 132 名工程师与研究员的问卷、53 次深度访谈，以及约 20 万条内部 Claude Code 使用记录，试图回答一个更困难的问题：

AI 让人完成了更多工作之后，人的能力、协作关系和职业身份发生了什么？

答案并不简单。生产力显著上升，工程师也变得更“全栈”；但与此同时，深层技能可能失去练习机会，人与人的协作被重新分配，监督 AI 所需的判断力也面临退化风险。