進入2026以來，許多 AI 圈的大神和大佬們都在提一個新概念：“agentic engineering”，智能體工程。先是前 OpenAI 聯合創始人、大神 Karpathy 表示：Agentic Engineering 會是下一個階段。然後 OpenClaw 的創始人 Peter Steinberger 在加入 OpenAI 之後的一次播客中則給出了更為激進的說法：現在提 Vibe Coding，已經是一個侮辱性詞語了。那麼，大佬們為什麼會這樣說？智能體工程究竟都做那些呢？近日，Meta資深工程師John Kim分享了內部的實踐做法。John表示，agentic engineering和vibe coding完全不同，這兩個概念之間的差距，遠比想像中大。有人給ChatGPT 或 Gemini 輸入一個提示詞，複製一段程式碼，部署在本地localhost 上，截圖發圈，說“我做了一個產品”。這種熱情值得鼓勵，但這不是工程。但他並不是在否定這些嘗試。他表示，很多人嘗試用AI程式設計、探索新工具是非常棒的事情。但把“vibe coding”和“AI 程式設計”劃等號，其實是對整個行業的傷害。所有做AI程式設計的人都被歸為“vibe coding”，這並不是一個合理的做法。“工程意味著系統設計、上下文管理、驗證閉環、工具建構，以及長期演進的能力。工程是可持續的，是可復用的，是可積累的。”非常有“α含量”的是，John 還給出了 agentic engineering 的五大支柱：context engineering（上下文工程）、agentic validation（Agentic驗證）、agentic tooling（Agentic工具化）、agentic codebase（Agentic程式碼庫）、compound engineering（複合式工程）。John 在介紹這五大支柱的同時，也爆料了許多前沿公司，如OpenAI、Anthropic、Google、Meta等頂尖工程師的“黃金做法”。下面是更詳細的觀點整理，各位enjoy：上下文工程才是王道！“第二大腦”會成為重要的工程真正決定Agent上限的，並不是模型參數規模，而是它所處的資訊環境。John表示，上下文是最關鍵的一點，輸入垃圾就會輸出垃圾。John表示，在工作中經常會被問道這樣的問題：現在模型的上下文窗口非常大，直接把所有內容都喂進去不就好了？還需要最佳化嗎？”在他看來，即使上下文窗口很大，也不意味著要堆砌資訊，而是精準篩選。因為模型的本質是基於統計機率生成輸出。它會根據你輸入的資料，計算某種機率分佈，生成一個最可能的輸出結果。因此，在做上下文工程時，你必須認真思考：到底需要給模型多少、什麼樣的上下文，才能讓它把事情做好。此外，他還提出了“第二大腦（second brain）”的概念，即那些不直接屬於程式碼本身，但圍繞程式碼存在的領域資訊，比如產品資訊、產品規格、配置決策、領域規則等這些原本存在於工程師腦海裡的知識，應該存放在那裡，才能讓 AI 輕鬆獲取？談到實現方式，以ClockCode 為例，他給出了聯眾解法：一是，可以在本地維護一個.cloud 檔案，把不適合直接寫進程式碼庫的內容放進去，二是，直接提交到程式碼倉庫中。對於提交到程式碼倉庫這一方法，John提到OpenAI 做了一個實驗，並在一篇名為《Harness Engineering》的文章中提及，正在把越來越多的資訊推入程式碼庫，目的是給AI 提供更多上下文。他們實際上是在為 AI 最佳化程式碼庫，而不僅僅是按照人類開發者的習慣去組織程式碼。John認為，“第二大腦”會成為一個重要的工程領域，它早在 RAG 系統中就已經出現，而現在它只是疊加在 agentic engineering 之上的又一層能力結構。Agentic驗證：沒有驗證閉環，輸出只是機率猜測當Agent開始承擔真實工程任務時，生成能力不再是瓶頸，驗證能力才是關鍵。John 明確提到，讓Agent能夠自我驗證，是讓其輸出質量顯著提升的關鍵因素之一。他引用Boris Chen的實踐經驗強調，是否具備驗證機制，是“生成糟糕輸出”和“真正可用且經過驗證的結果”之間的巨大差異。在John看來，驗證可以嵌入多個維度，比如，在後端任務中加入整合測試或單元測試；在前端任務中，讓Agent自己操作 Chrome 瀏覽器、截圖並進行自我驗證；在移動端場景下，甚至可以使用 ADB 來模擬互動，無論採用什麼驗證方式，這將是創造性工程大量湧現的地方。此外，他特別指出，驗證極具挑戰尤其是UI驗證。比如，目前在沒有成熟視訊模型進入Agent解碼循環的情況下，我們如何確認介面互動的真實效果？”截圖是一種方法，但並不完美。領域特定語言（DSL）、模擬器控制邏輯、可觀測資料分析，都是可能的替代路徑。再比如，在日誌層面，Agent在驗證過程中能“觀察”到那些可觀測資料？這些資料能否幫助它完成自我驗證？諸如，OpenAI 開始使用 LogQL，在驗證循環中記錄大量記錄檔，讓Agent在執行過程中攜帶日誌資料，從而判斷資料是否真實正確，而不是只依賴測試結果。“沒有驗證循環，Agnet只是一次性推理工具；有驗證循環，Agent才具備自我修正與質量保證能力。”Agentic工具化：凡是需要人手操作的地方，都是摩擦當Agent執行流程頻繁被打斷時，問題通常不在模型，而在工具層。John引用Peter Steinberger 的觀點，將這種阻礙稱為“摩擦”。他也發出了這樣的疑問：“什麼在阻礙Agent？Agent循環中有那些步驟必須由人類接手？”如果每次遇到邊界條件都需要人工干預，那麼自動化永遠無法形成穩定結構。反觀Agent技術越來越成熟，他也承認，有越來越多的公司開始建構Agentic工具，比如ChatGPT和Gemini引入搜尋功能、深度研究、多模態能力、任務系統等能力，這些本質上都可視為Agentic工具。在John看來，OpenClaw是Agentic工具最成功的案例。他指出，OpenClaw成功的重要原因並非模型能力更強，而是建構了大量 CLI 工具，讓Agent能夠完成原本需要人工處理的任務。“工具化的本質，是將一次性的人類操作轉化為可復用的自動能力。當Agent無法完成任務時，與其手動接管，不如建構一個工具。”凡是需要登錄網站修改配置、手動觸發指令碼、重複執行命令的地方，都意味著潛在的工程機會。Agentic程式碼庫：程式碼的結構，決定了Agent的理解深度你的程式碼庫是否為AI Agent做過最佳化？John給出的回答是：大多數老項目幾乎完全沒有為Agent做過最佳化。目前有多少是死程式碼或糟糕的設計模式？有多少相互競爭的框架共存於其中？他強調道，清理程式碼庫、提升工程質量非常重要。因為每一次“糟糕的上下文”進入你的Agent循環，本質上都在污染Agent。Agent本質上是機率性的，如果你的程式碼中存在奇怪的、相互衝突的模式，就必須主動清除它們。在John看來，OpenAI在這方面做的更好，OpenAI最佳化檔案結構時始終讓AI能夠穩定、持續地生成一致的內容。此外，他們還加入了面向Agent的日誌系統，讓Agent可以讀取日誌資料。建立的文件不僅服務於人類開發者，也服務於Agent，以便Agent能夠掌握領域知識。“OpenAI將所謂的“黃金原則”直接編碼進程式碼倉庫。規則非常明確、風格高度統一，這種一致性是為未來的Agent而設計，而不僅僅是為未來的人類工程師。”John補充道。“我們必須意識到，我們不再只是為下一位工程師寫程式碼，而是在為下一位Agent寫程式碼。”複合式工程：當能力開始疊加John表示，“複合式工程”的思維方式，是團隊成功的關鍵。”何為複合式工程？John做了詳細的拆解：如果把‘上下文工程、Agentic驗證、Agentic工具化、Agentic程式碼庫最佳化’全部結合起來；如果把所有知識都放入程式碼庫，讓Agent能夠看到、共享；如果整個團隊都真正認同 agentic engineering 的理念，就會產生一種新的行為模式：隨著時間推移，不斷複利增長。“簡言之，每當最佳化一個工作流、加入一個新技能；每當建構一個新的 MCP；每當把這些能力納入程式碼庫與共享庫中，這一切都會產生複利效應,這就是複合式工程。”在五大支柱中，John把複合式工程放在了最後，原因在於這些理念必須被真正內化，並在團隊中傳播。同時,他也道出了目前大部分團隊存在的問題：每個人都有自己的工作流，每個人都在本地做最佳化，但團隊內部缺乏統一理念。Jonh認為，未來的團隊應該向OpenAI團隊學習，因為他們集體認同這一理念，共同復合地積累知識、工具和工作流，讓Agent隨著時間推移越來越強大，能夠自我驗證、持續運行，甚至讓程式碼在很大程度上“自我建構”。 (51CTO技術堆疊)

AI 將以多快的速度重塑經濟？2026 年 2 月 25 日，Anthropic 聯合創始人 Jack Clark 在接受《紐約時報》採訪時給出了直截了當的回答。他透露，在 Anthropic 內部，絕大多數程式碼已由 AI 完成，工程師的核心職責已從敲擊程式碼轉變為管理 AI。在 Jack Clark 看來，AI 已跨越了“說話者”的階段，正式成為“行動者”。然而，技術演進的速度，已經將企業常規的組織調整節奏遠遠甩在身後。這預示著一個必然的結局：當 AI 深度介入核心業務流程，企業所面臨的挑戰已不再是單純的降本增效，而是底層邏輯的全面重構。第一節｜AI 開始幹活了這種重構具體是什麼樣？Jack Clark 在採訪中分享了 Anthropic 內部正在發生的三件事：1、工程師寫程式碼的方式徹底變了。Jack Clark 自己就體驗過這種變化：他想做一個物種模擬器。如果放在過去，他自己手寫可能要花上幾天。但現在，他只需把想法告訴 Claude Code，十分鐘就跑出了結果，程式碼、環境、依賴包全部自動配置妥當。這是一種全新的工作模式：過去是人寫程式碼，現在是人提需求，AI 負責執行。2、一個人就能帶一支 AI 團隊。在 Anthropic，一位工程師日常工作時，往往會同時開著五六個 Claude。有的負責寫程式碼，有的負責改 bug，有的負責跑測試。一個人同時指揮多個 AI，就像在帶一支小型研發團隊。Jack Clark 明確表示：這就是他們公司現在的工作常態。3、AI 開始主動調整策略。在執行任務時，Claude 甚至會主動說：“這個方法可能不行，我換條路試試。”它能自主判斷問題、調整方向、尋找新的解決路徑。這意味著 AI 已經具備獨立推進任務的能力，而且這個變化來得比預期更快。Anthropic 內部的情況很能說明問題：就連 Claude Code 這個產品本身，也幾乎是 Claude 自己寫的。Jack Clark 提到，如果進展順利，到今年（2026）年底由 AI 完成的程式碼比例可能接近 99%。這三個變化，加上這組資料，指向了一個清晰的方向：AI 現在能獨立完成任務，能與其他 AI 協同，還能在執行中自我調整。當幹活的“人”變了，企業原有的組織架構和運轉邏輯必然要重構。第二節｜分工方式要重新劃線“AI 帶來的衝擊，不會直接從裁員開始，而是從重新分配工作開始。”這是 Jack Clark 在採訪裡反覆強調的一點。相比裁員，這聽起來可能沒那麼可怕，但這要求企業重新設計整套分工方式。1、初級工作正在快速消失過去企業的分工是：新人做基礎任務，中層推進項目，高層定方向。現在這套體系的基礎開始動搖。那些原本交給新人的瑣碎工作，交給 AI 之後完成得更快、出錯也更少。Anthropic CEO Dario 曾預測，AI 可能在幾年內取代一半的初級白領崗位。Jack Clark 自己的判斷更謹慎一些：三年後大學畢業生的失業率會更高，但不會高太多。具體多少崗位會消失，目前還說不清楚，但趨勢已經很明確。2、能給方向的人開始變得稀缺這帶來第二層變化：企業越來越看重一個人能不能把目標定義清楚，而不是只看執行能力。Clark 在採訪中說，真正有價值的人，能把任務說清楚，讓 AI 知道該做什麼。這種能力差異正在企業內部形成新的分化：會指揮 AI 幹活的人變得稀缺，而只會完成安排好的任務的人，發展空間越來越小。3、成長路徑正在改變年輕人該如何成為那種稀缺的人？傳統的路徑是從基礎任務開始積累經驗，但現在這些任務正在消失。Clark 觀察到，在 Anthropic 內部，成長最快的年輕人，正是那些從入行起就習慣與 AI 一起工作的人。他們從一開始就學會指揮 AI、與 AI 配合，在 AI 的輔助下完成更複雜的工作。企業未來的核心人才，可能就是最早掌握這種協作能力的年輕人。這場變革已經開始了。企業要不要裁員，那都是後面的事，當下更緊迫的是重新劃好人與 AI 的分工邊界。第三節｜組織運轉要跟上 AI 節奏當人和 AI 的分工邊界重新劃定後，下一個問題是：在這個新環境下，組織本身該怎麼運轉？1、加速的代價是失控Clark 發現，當工程團隊把大量執行環節交給 AI 後，最先改變的不是產能，是管理層對工作的掌握度。過去層層傳遞的流程，現在被 AI 自動完成，許多中間步驟不再需要人工確認。流程跑得更快了，但人能掌握的部分反而變少了。被問到是否擔心技術債累積、網路安全漏洞、對程式碼理解下降時，Clark 回答得很直接：擔心，而且整個社會都得面對這個問題。AI 寫的程式碼越多，工程師能直接掌握的就越少。過去企業靠繁瑣的流程保證質量，每個環節都有人把關，出問題能及時發現。但現在 AI 的執行速度太快，這種人工檢查的方式已經跟不上了。Clark 說，企業必須重新設計流程：讓 AI 把關鍵決策記錄下來，讓人隨時能看到 AI 在做什麼、為什麼這麼做。否則，組織會完全失去對自身流程的掌控。2、管理方式必須改變以前管理者的日常工作是什麼？協調團隊開會、跟進每個人的任務進度、催促延期的項目、整理匯報材料。這些事情佔據了管理者大部分時間。現在這些 AI 都能自動完成。它會自動提醒該開會了、自動發現某個任務卡住了、自動修正小問題，甚至自動生成進展報告發給所有人。那管理者還要做什麼？Clark 認為變成了三件事：一，確定優先順序。當 AI 提出五個方案時，那個最重要？這需要人的判斷。二，講清目的。AI 只能根據指令執行，但為什麼要做這件事、要達成什麼效果，必須人來說清楚。三，在關鍵節點做出取捨。比如產品該按時上線還是再打磨一周？這種權衡 AI 做不了。Clark 舉了個例子：有團隊專門訓練了一個監督 AI，它的工作就是盯著其他 AI 的輸出，檢查有沒有明顯錯誤。這樣一來，人不用再盯著每一行程式碼、每一個步驟，只需要在幾個關鍵決策點介入就夠了。組織的運轉邏輯變了：以前是人盯人，現在是人盯方向、AI 盯過程。3、真正的挑戰是速度差組織轉型真正難的地方在於速度跟不上。AI 的現在迭代是以“周”為單位的，一個新功能可能兩周就上線了。而傳統企業的組織架構調整往往是以“季度”甚至“年”為單位，改個流程、調個部門，半年過去了。這裡有三種速度在拉開差距：個人適應的速度：員工需要時間學習怎麼用 AI，怎麼和 AI 協作，這個過程可能要幾個月。企業和政策響應的速度：企業要開會討論、制定規則、調整考核，政府要研究、立法、監管，這個過程往往要一年甚至更久。AI 進步的速度：模型每幾個月就升級一次，能力不斷增強。過去的技術變革，時間往往站在人類這邊，給了緩衝期。蒸汽機出現後，工廠有幾十年時間慢慢適應。但這一次不一樣，等企業調整好組織架構，AI 可能已經又進化了好幾代，速度差只會讓衝擊變得更嚴重。這個速度差還在擴大，因為 AI 進化的速度在不斷加快。Clark 透露，Anthropic 正在監測“AI 開發 AI”的比例。什麼意思？就是 AI 不再只是幫人類寫程式碼，而是開始寫改進自己的程式碼。一旦 AI 開始大規模這麼做，它的迭代速度就不再受人類開發速度的限制了，會進入一個自我加速的循環。正因為看到了這種技術優勢，Anthropic 撤銷了 OpenAI 使用 Claude Code 的權限，不想讓競爭對手也快起來。速度，已經成為 AI 時代最關鍵的競爭力。這就是為什麼企業必須重構組織架構：不重構，就會永遠慢一拍。而 AI 的發展，只會越來越快。結語｜重新擺清人和 AI 的位置AI 已經開始幹活。在 Anthropic 內部，絕大多數程式碼已經由 AI 完成，如果一切順利，年底這個比例可能接近 99%。這帶來三層變化：第一，AI 正在接管執行層的工作。第二，企業的分工方式要重新劃線。第三，組織的運作節奏要跟上 AI 的速度。AI 的進化速度超過了企業的適應速度。那些會指揮 AI、能做出正確判斷的團隊，會佔據優勢。而堅持舊流程、舊分工的組織，會越來越被動。企業該改什麼？只有一件事：重新定義人該做什麼，AI 該做什麼。 (AI深度研究員)

瑞芯微栽了，栽在了最容易被忽視的開源合規上。作為國內知名晶片設計企業，近日它被推上了行業風口浪尖。其相關程式碼庫被GitHub平台緊急凍結，核心原因是涉嫌侵犯開放原始碼專案FFmpeg的版權。這起事件，再次把開放原始碼軟體合規問題，拉回了所有人的視線。據悉，瑞芯微的違規操作，並不複雜卻觸碰了開源協議的紅線。在自身產品開發過程中，它使用了FFmpeg的核心元件libavcodec程式碼。但瑞芯微沒有遵守開源協議，反而做了兩件致命操作。一是擅自刪除了原作者的資訊及版權聲明，抹去了程式碼的來源痕跡。二是將原程式碼的LGPL許可證，私自改成了Apache協議，篡改了授權規則。很多人可能不清楚這兩種協議的區別，這裡簡單說清楚。LGPL協議雖允許商業使用，卻有明確的底線要求。必須保留原作者版權聲明、提供原始碼，且要保持許可證的一致性，不能隨意更改。瑞芯微的一系列操作，顯然完全違反了這些核心規定。其實這起侵權行為，早在2024年初就被開發者發現了。事件曝光後，瑞芯微工程師HermanChen曾公開道歉，承諾會盡快整改。可令人失望的是，這份道歉更像是權宜之計，沒有任何實質性動作。整整近兩年時間，瑞芯微始終未落實整改承諾，敷衍了事。忍無可忍之下，FFmpeg項目方採取了法律手段。他們依據《數位千禧年著作權法案案》（DMCA），向GitHub平台發起了正式投訴。GitHub核實後，迅速作出反應，凍結了瑞芯微的相關項目程式碼庫。截至目前，瑞芯微暫未就程式碼庫凍結事件，發佈新的回應或整改方案。作為A股上市的晶片設計企業，瑞芯微此次侵權風波，影響不容小覷。其最新股價顯示，近期雖有小幅波動，但長期來看，合規風險或進一步影響市場信心。更值得警惕的是，瑞芯微的案例，從來不是個例。有資料統計，當前97%的程式碼庫都包含開源元件，開源已成為科技研發的常態。但與之對應的是，63%的項目都存在開源許可證衝突問題。這背後，是很多企業和開發者對開源協議的認知盲區。業內專家直言，不少人存在一個致命誤解，認為開放原始碼就是“免費可用、隨意修改”。殊不知，開源不等於無版權，每一份開放原始碼，都有明確的協議約束。GPL、MIT、Apache、LGPL等不同開源許可證，各自有不同的使用規則。一旦違反，就可能面臨版權投訴、程式碼凍結，甚至巨額賠償的風險。中國信通院的調研也顯示，超過六成企業缺乏嚴格的開源合規管理流程。很多企業允許開發人員隨意引入開源元件，忽視協議約束，埋下合規隱患。這些隱患，隨時可能爆發，成為企業發展的“定時炸彈”。對科技企業而言，尤其是晶片設計這類技術密集型行業，開源是助力，而非捷徑。合理使用開放原始碼，能節省研發成本、加快產品迭代速度。但前提是尊重智慧財產權，嚴格遵守開源協議，守住合規底線。 (1 ic芯網)

【新智元導讀】剛剛，Anthropic發佈程式碼安全工具Claude Code Security，直接讓安全股一夜蒸發百億市值！網路安全龍頭CrowdStrike的股價直接原地跌超6.5%，市場陷入極度恐慌：傳統安全工具，從此全涼了？過年期間，AI圈接連不斷的地震還沒停。昨天的Gemini 3.1 Pro剛剛亮相，緊接著就又來新炸彈了——剛剛，Anthropic發佈了一個程式碼安全工具Claude Code Security，能高效掃描程式碼庫漏洞並自動生成針對性補丁，遠超傳統工具。聽起來，是不是只是一條平平無奇的技術更新？結果，消息一出，美股網路安全類股立刻集體跳水。CrowdStrike、Cloudflare、Okta等安全股瞬間暴跌超5%，總市值蒸發逾100億美元，一夜就蒸發了百億市值！仔細看，網路安全龍頭CrowdStrike一度暴跌6.5%，Cloudflare重挫超6%，SailPoint大跌6.8%，Okta下挫5.7%，Zscaler跌3.5%，Global X網路安全ETF下跌3.8%，年內累計跌幅擴大至14%一條AI功能更新，直接讓一個千億級的行業類股原地失血。這不是波動，這是恐慌！外媒火速發文：網路安全公司的股價周五暴跌，原因僅僅是因為，Anthropic在Claude新模型中引入一項安全功能安全股全線飄紅，巨頭市值縮水百億Anthropic新殺器一發佈，網路安全市場就嘗到了血腥。網路安全龍頭CrowdStrike的股價跌超6.5%，Cloudflare和Okta等隨之跟跌，總市值一夜蒸發超100億美元。全球投資者陷入大恐慌：AI將直接蠶食專業安全廠商的市場份額！Cybersecurity ETF下跌了4.9%，收盤時達到自2023年11月以來的最低點。就在2026開年的這幾周，市場的焦慮情緒不斷升溫。iShares擴展科技軟體ETF今年已下跌超過23%，有望創下自2008年金融危機以來最大季度跌幅！而且諷刺的是，Cloudflare一度被視為Anthropic崛起的受益者代表；今年1月底，一款基於Claude模型的開源AI助手採用率上升後，其股價還曾大幅上漲。然而，市場瞬息萬變。要知道，現在YC裡的創業公司有一半是做安全方向的，Anthropic這個新工具一發佈，他們還有活路嗎？每當Claude出一個新版本，SaaS企業主的內心都是這樣的：A正I以摧枯拉朽之勢，直接把我們原地掀翻！Claude變身最強白帽駭客為什麼Claude Code Security會造成全球安全股的崩塌？原因就在於，它不僅是一個工具，更是對傳統安全防禦體系的一次徹底顛覆。就在安全團隊還在對著堆積如山的漏洞工單發愁時，Claude已經化身「最強白帽駭客」，拿著剛剛發佈的Claude Opus 4.6，一頭紮進開放原始碼庫中。結果讓人驚掉下巴：它一口氣揪出了500多個潛伏了十幾年的史詩級Bug！要知道，這些漏洞可是經歷過無數個人類頂級專家逐行審查，依然大搖大擺活在程式碼裡的「漏網之魚」。降維打擊，傳統掃描工具大翻車？一直以來，安全圈的痛點極其刺骨：漏洞永遠修不完，安全專家永遠不夠用。大家都在用傳統的靜態分析工具（SAST），但這些工具往往基於死板的規則匹配。找找硬編碼的密碼還行，一旦遇到複雜的業務邏輯缺陷或是越權漏洞，直接抓瞎。而Claude Code Security的出現，徹底改變了遊戲規則。它不搞死板的模式匹配，而是像一個擁有十年經驗的人類安全大牛一樣，真正去「讀懂」和「推演」你的程式碼！它能深度理解各個元件之間是如何相愛相殺的，順藤摸瓜追蹤資料在應用中的流轉路徑。規則掃描工具看不到的複雜漏洞，在它那如同開掛般的邏輯推理面前，根本無處遁形。絕不瞎改！自我驗證防幻覺AI寫程式碼大家都怕幻覺，那AI查漏洞修Bug呢？Anthropic這次穩得可怕。為了過濾掉讓人頭疼的「假陽性」（誤報），每一個被揪出來的漏洞，都要經歷一場極其嚴苛的「內部多階段驗證」。Claude會強迫自己扮演紅藍雙方，拚命地證明或推翻自己的發現。最終脫穎而出的那些真·高危漏洞，會被推送到安全儀表盤上。不僅自動生成帶評級的修復補丁，還附贈一個詳細的「信心指數」。最關鍵的是，Claude秉承「只建議，不代勞」的克制。找出問題、提供解法，但最終按下合併按鈕的，永遠是人類開發者。戰績赫赫，紅隊親測這套系統的強大，並非一蹴而就。在過去的一年多里，Anthropic的Frontier Red Team（前沿紅隊）簡直把Claude按在地上瘋狂高強度拉練。不僅把它丟進CTF安全大賽上去跟人類駭客卷，甚至還和太平洋西北國家實驗室合作，用AI去防禦國家關鍵基礎設施。實戰出真知，正是這種「地獄級」特訓，才讓本月早些時候發佈的Claude Opus 4.6擁有了如此恐怖的防禦力。那500多個被連根拔起的隱藏漏洞，就是最好的軍功章。連Anthropic自己都承認：「我們日常也用Claude來審查自家程式碼，效果好得驚人！」AI攻防戰：核威懾級軍備競賽打響毫無疑問，這是一個極具歷史意義的轉折點。在不久的將來，世界上絕大部分的程式碼都將被AI一遍遍地掃描。駭客們必定會瘋狂使用AI來大規模挖掘可利用的薄弱環節。但正所謂魔高一尺道高一丈，動作更快的防守團隊，完全可以用同款甚至更強的AI魔法，把漏洞扼殺在搖籃裡。目前，Claude Code Security已經向企業和團隊（Enterprise and Team）客戶開放了限量研究預覽版！而開放原始碼專案的維護者們，更享受「一路綠燈」的加急通道。誰能最先掌握AI安全這張底牌，誰就能在這場算力與智力的生死角逐中，立於不敗之地。AI吞噬中間層，資本市場最怕的來了！過去兩年，AI寫程式碼，已經讓程式設計師們神經緊繃了。但大家還在安慰自己：AI只是能寫程式碼、補bug，安全這種高度專業化的領域，它不可能替代人類。結果，現在，Claude直接開始動手掃漏洞了。這就意味著，AI不再是生成內容，而是進入企業安全的核心工作流，它直接瞄準了企業級安全服務的天價利潤池！資本市場最怕的是什麼？不是技術，而是定價權被動搖。網路安全公司之所以長期擁有高估值，就是因為攻防對抗複雜，安全專家稀缺，這就讓他們的服務高度專業化。結果，現在Claude Code Security一出，一個AI模型就能完成80%的漏洞掃描和修復建議，企業只需要少量安全工程師就夠了。那麼，企業還需要支付高昂的訂閱費用給安全廠商嗎？這也就是為什麼，Claude現在還不能替代CrowdStrike，就已經引起了市場的拋售。當投資人開口問「五年後還需要這麼多安全公司嗎」，股市就開始崩塌！Anthropic用Claude引發一兆美元拋售的情況，彷彿還在昨天回顧從去年底Claude Code引發的一系列核爆級事件，就可以發現：這一類AI革命最殘酷的地方在於，它優先吞噬的是中間層。一旦模型精準率足夠高，SaaS溢價會被壓縮，服務費會被重估，估值邏輯會被打穿！更可怕的是，別忘了，Anthropic說了，這項功能還只是「limited research preview」，還沒全面開放，也沒有商業化規模驗證。但是股價已經一路暴跌，這說明，當前AI的進化速度，已經遠遠快於傳統軟體公司的產品迭代速度。這是一個危險的訊號彈——接下來，恐怕還要發生更恐怖的事。 (新智元)