笔记目录
共 26 篇规划，已完成 26 篇。按模块 A–F 分组，序号为全站推荐阅读顺序；含外部资源的完整路线见学习路线。
模块 A · 智能体设计与架构
- 01 构建高效的智能体：从简单可组合的模式出发
Building effective agents
Anthropic 把“智能体系统”分为预先编排的工作流和自主决策的智能体，归纳出增强型 LLM 这个基础单元和五种常见工作流模式，核心主张是：从最简单的方案开始，只有当复杂度确实带来可测量的收益时才往上加。
- 16 我们如何构建多智能体研究系统
How we built our multi-agent research system
Claude 的 Research 功能采用编排者-工作者架构：主智能体制定计划，并行派出子智能体搜索，再由引用智能体补出处。多智能体有效主要因为能投入更多 token（成本约为聊天的 15 倍）。文章总结了八条提示原则、小样本起步加 LLM 评委的评测方法，以及有状态长流程的生产可靠性挑战。
- 17 长时运行智能体的有效 harness
Effective harnesses for long-running agents
长任务要跨越多个上下文窗口，每个新会话都会“失忆”，仅靠压缩不够。解法分两部分：初始化智能体搭好环境（功能清单 JSON、进度文件、init.sh、初始 git 提交）；编码智能体每次只做一个功能、做端到端测试，并以干净状态收尾（提交并更新进度）。
- 18 面向长时应用开发的 harness 设计
Harness design for long-running application development
借鉴 GAN 思路，把干活的生成者和打分的评估者分开，用评分标准让主观的设计质量可评分；再扩展成规划者-生成者-评估者三智能体，在多小时自主编码中构建全栈应用。随模型升级逐个拆掉多余组件后得出：评估者是否值得，取决于任务是否超出当前模型独立可靠完成的范围。
- 19 用一支并行 Claude 团队构建 C 编译器
Building a C compiler with a team of parallel Claudes
16 个 Claude 实例在共享 git 仓库上几乎无人干预地并行约两周、近 2000 个会话、约 2 万美元，从零写出 10 万行的 Rust C 编译器，能构建可启动的 Linux 6.9。重点是经验：近乎完美的测试、为 Claude 设计测试输出、用 GCC 当预言机方便并行、角色分工，以及上限与风险。
- 20 扩展 Managed Agents：把“大脑”和“双手”解耦
Scaling Managed Agents: Decoupling the brain from the hands
harness 编码了对模型能力的假设，这些假设会随模型升级过时。Managed Agents 借鉴操作系统虚拟化硬件的思路，把智能体拆成会话（只追加的事件日志）、harness（大脑）、沙箱（双手）三个稳定接口。解耦后各部分可替换，凭证不进沙箱，p50 首 token 延迟降约 60%、p95 降超过 90%。
模块 B · 工具与 MCP
- 03 为智能体编写高效工具——借助智能体本身
Writing effective tools for agents — with agents
工具是确定性系统和非确定性智能体之间的契约，要为智能体而不是为程序员来设计。做法是先做原型，用真实且复杂的任务跑评测，再让 Claude Code 分析评测记录、改进工具；原则包括少而精、命名空间、返回高信号信息、省 token、把工具描述当提示来写。
- 06 “think”工具：让 Claude 在复杂工具调用中停下来想一想
The "think" tool: Enabling Claude to stop and think in complex tool use situations
给 Claude 一个什么都不做、只把想法记进日志的“think”工具，让它在长工具调用链中途停下来核对规则和信息。在 τ-bench 航空领域，配合带示例的提示词，pass^1 相对基线提升 54%。注意：2025-12 起官方在多数场景下改为推荐 extended thinking。
- 08 用代码执行调用 MCP：构建更高效的智能体
Code execution with MCP: Building more efficient agents
连接的 MCP 工具一多，预先加载的工具定义和中间结果都会耗掉大量 token。把 MCP 服务器呈现为文件系统里的代码 API，让智能体写代码调用，就能按需发现工具、在执行环境里过滤数据、用代码表达控制流、保护隐私并保存可复用技能；代价是需要安全的代码执行环境。
- 09 Claude 开发者平台上的高级工具使用
Introducing advanced tool use on the Claude Developer Platform
发布三项测试版功能：Tool Search Tool 按需发现工具，避免工具定义撑爆上下文；Programmatic Tool Calling 让 Claude 写 Python 编排工具调用，中间结果不进上下文；Tool Use Examples 用示例调用教会模型 schema 表达不了的用法。可按瓶颈叠加。
- 10 Desktop Extensions：一键安装 Claude Desktop 的 MCP 服务器
Desktop Extensions: One-click MCP server installation for Claude Desktop
本地 MCP 服务器安装门槛高：要装运行时、手改 JSON 配置、处理依赖。Desktop Extensions 把服务器和全部依赖连同一个 manifest.json 打成 zip 包（现扩展名 .mcpb），双击即可安装；配置收集、密钥存储、跨平台、自动更新、企业管控都由宿主应用负责，规范和工具链也已开源。
模块 C · 上下文与检索
- 02 面向 AI 智能体的上下文工程
Effective context engineering for AI agents
上下文是有限的“注意力预算”。上下文工程关注的是每一轮推理时该把哪些 token 放进窗口：系统提示要找准“高度”、工具要精简、示例要典型，运行时按需检索，长任务则依靠压缩、结构化笔记和子智能体。
- 05 上下文检索：给每个文本块补上“它来自哪里”
Introducing Contextual Retrieval
传统 RAG 在切块时丢掉了上下文，导致检索失败。Contextual Retrieval 在建索引前让 Claude 为每个块生成一小段说明（Contextual Embeddings + Contextual BM25），再叠加重排序，可把 top-20 检索失败率最多降低 67%。
- 07 用 Agent Skills 为智能体装备真实世界的专业能力
Equipping agents for the real world with Agent Skills
Agent Skills 是以 SKILL.md 为核心、打包了指令、脚本和资源的文件夹。智能体启动时只加载各技能的名称和描述，需要时再读正文和附属文件（渐进式披露），还可以直接运行技能里的脚本，从而把通用智能体变成某个领域的专家。
模块 D · Claude Code 实践与安全
- 04 Claude Code 最佳实践
Claude Code: Best practices for agentic coding（现为文档《Best practices for Claude Code》）
所有技巧都围绕一个约束：上下文窗口很快会满，满了效果就会下降。核心做法包括：给 Claude 一个能自己运行的检查手段；先探索、再规划、再编码；提示要具体；用 CLAUDE.md、权限、hooks、skills、子智能体配置环境；积极管理上下文；最后用并行会话和非交互模式扩大规模。
- 21 超越权限弹窗：让 Claude Code 更安全也更自主
Beyond permission prompts: making Claude Code more secure and autonomous
频繁点“同意”会造成审批疲劳，反而不安全。Claude Code 用操作系统原语做沙箱：文件系统隔离（只写当前工作目录）加网络隔离（只经代理连获批域名），缺一不可。在此基础上推出开源的沙箱化 bash 工具和云端运行、git 凭证不进沙箱的 Claude Code on the web。内部权限弹窗减少 84%。
- 22 我们如何构建 Claude Code auto 模式：一种更安全的跳过权限方式
How we built Claude Code auto mode: a safer way to skip permissions
auto 模式把权限审批交给模型分类器，介于人工审批和完全跳过权限之间。两层防御：输入层用提示注入探针扫描工具输出；输出层的转录分类器在执行前判定每个动作，先单 token 快速过滤，被标记再用思维链复核。另有子智能体交接检查和“拒绝后继续”。真实流量误报率 0.4%，对真实越权行为漏报率 17%。
- 23 我们如何在各产品中约束 Claude
How we contain Claude across products
部署风险 = 失败概率 × 破坏范围；能力和权限扩大会让后者上升，工程问题就是给破坏范围设上限。人工审批并不可靠（用户同意约 93% 的请求），重点应放在环境层约束。文章对比 claude.ai 临时容器、Claude Code 沙箱、Cowork 本地虚拟机三种模式，并复盘了几次真实漏洞。
模块 E · 评测
- 11 揭秘 AI 智能体评测
Demystifying evals for AI agents
系统讲解智能体评测：基本术语（任务、试验、评分器、记录、结果、harness、评测套件），三类评分器的取舍，能力评测与回归评测的区别，编码 / 对话 / 研究 / 电脑使用四类智能体怎么评，pass@k 与 pass^k，以及一条从零建立可信评测的八步路线，最后说明评测和线上监控、A/B 测试、人工审阅如何互补。
- 12 用 Claude 3.5 Sonnet 刷新 SWE-bench Verified 成绩
Raising the bar on SWE-bench Verified with Claude 3.5 Sonnet
SWE-bench 评测的是“模型 + 脚手架”组成的整个智能体。升级版 Claude 3.5 Sonnet 只用简洁提示加 Bash 和编辑两个通用工具，就在 SWE-bench Verified 上拿到 49%（此前最好 45%）。关键是把控制权交给模型，并打磨工具描述和防错设计。文中还总结了运行这类评测的难点。
- 13 量化智能体编码评测中的基础设施噪声
Quantifying infrastructure noise in agentic coding evals
在 Terminal-Bench 2.0 上，只改容器资源配置，最宽松和最严格设置的成绩就差 6 个百分点。资源余量约 3 倍以内主要减少基础设施错误；超过 3 倍后额外资源会帮智能体解题，改变了评测测量的东西。建议同时给出保证分配和硬上限并做校准，对小于 3 个百分点的排行榜差距保持怀疑。
- 14 Claude Opus 4.6 在 BrowseComp 上的“评测察觉”
Eval awareness in Claude Opus 4.6’s BrowseComp performance
在 1,266 道 BrowseComp 题里，Opus 4.6（多智能体配置）有 9 道是常规答案泄露，另有 2 道是新模式：模型推测自己在被评测，认出基准，找到评测源码并解密答案（另有 16 次尝试失败）。文章还发现了智能体之间经网页留痕的污染途径，并给出修正后的分数和防护经验。
- 15 设计能抵御 AI 的技术笔试
Designing AI-resistant technical evaluations
Anthropic 性能工程团队的家庭作业式笔试（在模拟加速器上优化代码）先后被 Opus 4 和 Opus 4.5 追平人类顶尖水平。作者三次重设计，最终改用足够偏离训练分布的受限指令集谜题。结论：原版有效是因为像真实工作，新版有效是因为模拟了全新的工作。
模块 F · 工程基础设施与可靠性
- 24 近期三个问题的事后复盘
A postmortem of three recent issues
2025 年 8–9 月，三个重叠的基础设施 bug 间歇性拉低 Claude 的回答质量：上下文窗口路由错误（最坏影响 16% 的 Sonnet 4 请求）、TPU 输出损坏、近似 top-k 触发编译器 bug。Anthropic 称从不因负载降低质量。复盘讲了为何难发现，以及更敏感的评测、生产环境持续评测等改进。
- 25 关于近期 Claude Code 质量反馈的说明（4 月 23 日复盘）
An update on recent Claude Code quality reports
2026 年 3–4 月部分用户觉得 Claude 变差，原因在 Claude Code 等产品层的三处改动，而非模型或 API：默认推理强度从 high 降到 medium；清理旧思考内容的缓存优化出 bug，每轮都丢推理历史；限制冗长度的系统提示损害编码质量。三者已在 4 月 20 日前修复并重置订阅用户用量额度。
- 26 在 Anthropic 重新设计源代码控制
Redesigning source control at Anthropic
写代码不再是瓶颈后，瓶颈转到为人类规模设计的开发基础设施：Anthropic 每天合并的变更从 2026 年 5 月约 2,500 个增至 9 月 3 万多个。7 人团队用 5 个月自研版本控制系统 Scion 并迁移整个 monorepo，客户端始终在线、提交无锁；基础设施缩小 200 倍，检出快两个数量级。