博客 • AI / Agent

Anthropic 最新披露：Claude 已參與 26% 的 AI 研發工作，AI Agent 如何協作完成模型開發？JSON 數據流與 Agent Workflow 解析

2026 年 9 月 17 日，Anthropic 在 Institute 文章裏公開了一組內部度量。標題容易被讀成：Claude 已經包辦四分之一的模型研發。

原文更窄：截至 2026 年 8 月，Claude「主導」Anthropic 26% 的 AI 研發工作；達到「協作」及以上的份額超過 90%；在任何被測子集上，都還沒有全自主。

本文將介紹：

• 26% 在 Epoch AI 自動化等級上到底指哪一檔
• 任務樹怎麼從 Slack 和工作記錄長出來
• Agent 如何協作完成模型開發，而不是各聊各的
• 身份、消息、Tool Calling、監控決策構成的 JSON 數據流
• 怎麼在 JSONNote 本地拆開一次可審計的工作流記錄

26% 到底量的是什麼

出處是 Anthropic Institute 的Measurements for understanding the pace of AI development inside frontier labs。他們同時交出三組數：AI 自己做了多少 AI 研發、Agent 的動作被看管到什麼程度、算力怎麼分。

第一組叫 Anthropic R&D Automation Index。做法是：列出公司裏每一種 AI 研發工作，給每類工作打自動化等級，再按人時加權彙總。

截至 2026 年 8 月，公開數字是：

Reuters 把同一組數寫成「Claude 主導四分之一下一代模型的建造工作」。標題更衝，定義沒變：主導仍是高層次提示加人類監督。圖表裏，這一檔從 2026 年 2 月的不足 1% 抬上來，速度快，但臺階沒有跳過。

自動化等級：協助、協作、主導、自主

評級用的是 Epoch AI 的 Automation Level。Anthropic 把它寫成六檔：無 AI、極少、協助、協作、主導、自主。腳註裏用「夜間數據管道壞了」把中間三檔釘死：

26% 停在 AL4。Claude 已經能把「修管道」這類任務從告警做到覆盤，但部署權還在人手裏。這和日常 Coding Agent 的形狀一致：模型發出 Tool Calling，harness 執行，人在門禁和高風險動作上留下否決權。循環怎麼轉，見AI Coding Agent 如何工作？；誰擁有從 JSON 到副作用的那一跳，見從 JSON Tool Calling 看 Agent Harness。

任務樹：15,000 件工作如何收成一個指數

沒有人能手寫完一家前沿實驗室的全部研發動作。Anthropic 自下而上收：2026 年 7 月每週從模型研發相關部門隨機抽 20% 員工，讓 Claude 研究 Agent 去讀 Slack 和內部文檔，列出這些人當週做的事。四周下來大約 15,000 條細粒度任務。

再用 Claude 把清單收成一棵樹：根是全部模型研發，往下分訓練、產品、預訓練、強化學習，直到葉子。凍結後的樹有 542 個節點，其中 378 片葉子，例如評估平臺缺陷診斷、RL 沙箱出站與網絡策略、服務事故覆盤。

每個節點再由一個 Claude Agent 深挖：誰在做、用什麼工具、AI 做了多少。獨立的 Claude 評審只看當月及更早的證據，打出 AL0–AL5。加權不靠領導拍腦袋，而靠人時：每人每週一票，平分到當週做過的任務上。

他們也寫了侷限。評審模型和人類完全一致的比例是 59%，人類彼此完全一致只有 35%；但 97% 的情況下，模型和人類相差不超過一檔。「協作」和「主導」的邊界仍會吵。籃子凍結後，指數上升只說明 2026 年 7 月那批工作被自動化了，不自動證明人類沒有挪到全新工種上去——他們用 1 月籃子對照，沒看到新任務數量上升，仍計劃定期重建。

{
  "index": "anthropic-rd-automation",
  "as_of": "2026-08",
  "node": {
    "id": "rl-sandbox-egress-policy",
    "leaf": "RL sandbox egress and network policy",
    "automation_level": 4,
    "label": "leads",
    "weight_person_weeks": 12.4,
    "human_gate": ["deploy", "policy_change"]
  },
  "aggregate": {
    "leads_share": 0.26,
    "collaborates_or_above": 0.90,
    "autonomous_share": 0.0
  }
}

字段能 parse、等級是枚舉、權重是數字，指數才能按月重算。散文式週報做不到這件事。

Agent 如何協作完成模型開發

26% 不是一個超級 Claude 坐在中間寫完整個訓練棧。公開描述更像一張編排圖：人給出目標，多個 Agent 半自主跑很長一段時間，並且會把工作委派給別的 Agent。

1. 1
   採樣與編目

   研究 Agent 讀工作記錄，把當週任務寫成可彙總的條目。沒有這一步，後面的等級沒有分母。

2. 2
   分枝與委派

   訓練、評估、基礎設施、事故覆盤被拆開。一個 Agent 可以繼續深挖，也可以把子任務交給另一個有獨立身份的 Agent。

3. 3
   執行與回寫

   讀日誌、改代碼、跑測試、比對照跑。結果回到會話，而不是只留下一句「修好了」。

4. 4
   互相校正

   消息走開放信道，並鏈回原始材料。別的 Agent 把來自同伴的話當「待覈驗的主張」，而不是自己的想法。

5. 5
   人類門禁

   AL4 停在上線之前。AL3 更早：意外一出現就交回人。門禁失敗，磁盤和集羣上不該發生不可逆動作。

這和「聊天框裏一個助手」不是同一層產品。它更接近實驗室內部的 Agent 運行時：身份持久、消息可追溯、工具受監控。技術棧怎麼分層，見2026 AI Agent 技術棧。

JSON 數據流：身份、消息、工具、門禁

附錄把內部腳手架的兩個設計寫得很具體。它們決定了 3 萬個 Agent 爲什麼還能被審計。

身份。用戶習慣和一個叫 Claude 的對象聊天。多 Agent 協作時，每個 Agent 必須有自己的身份，並且它產生的數據都綁在這個身份上。身份不綁死某一個模型版本，升級後履歷還在。從監督看：每個動作能按 Agent 縱向追查，每條記錄能指回具體執行者。

開放通信。Agent 不走私聊。每條消息帶發送者身份，並能鏈到原始引用，減少傳話失真。別的 Agent 看得見，才能糾錯和協調。消息和會話轉錄交叉引用，行爲監控才能穿過 Agent 之間的對話。

把這兩條和日常 Tool Calling 疊在一起，一條可審計的記錄大致是：

{
  "agent_id": "agt_4c91",
  "model_ref": "claude-internal",
  "identity_persists_across_models": true,
  "action": {
    "type": "tool_call",
    "name": "apply_patch",
    "arguments": "{\"path\":\"pipelines/nightly_etl.py\",\"intent\":\"fix_schema_drift\"}"
  },
  "message": {
    "channel": "open",
    "from": "agt_4c91",
    "links": ["transcript://run-8821#step-17"],
    "treat_as": "claim_to_verify"
  },
  "monitor": {
    "online": { "coverage": 1.0, "decision": "allow", "latency_s": 1.8 },
    "offline": { "ingested": true, "flagged": false }
  },
  "human_gate": { "required_for": ["deploy"], "status": "pending" }
}

arguments仍經常是字符串。業務層要先 parse，再按 schema 校驗，再交給監控和權限。契約怎麼寫，見AI 爲什麼需要 JSON Schema？。工具面變大之後誰負責安全，見MCP 安全漏洞全面解析。

沒有這層 JSON，監控只能讀散文。3 萬個併發 Agent、十億次決策，散文無法按身份聚合，也無法回答「誰在主導哪一類葉子任務」。

3 萬個 Agent，誰在看管

2026 年 8 月，Anthropic 最常用的內部平臺上，大約 30,000 個 Agent 同時在做研究與工程。度量只覆蓋這個平臺。動作受兩層監控約束：

攔得少，不等於門可有可無。覆蓋是 100%，攔截是例外。少了執行前那一跳，AL4 的「主導」會滑向無人看管的部署。JSON 如何成爲安全邊界，見AI Agent 開始「自己攻擊互聯網」。

算力賬本：安全只佔 6% 說明什麼

第三組數是 2026 年 7 月 13–20 日那一週的算力快照。進入 AI 研發的算力裏，大約 6% 劃給安全；進入「由 AI 驅動的 AI 研發」的算力裏，大約 12% 劃給安全。分類刻意保守：能力和安全各佔一半的 token，不算進安全。

Anthropic 自己提醒：安全研究往往比前沿訓練更喫人時、更不喫卡，算力份額不是「公司有多重視安全」的充分統計。它的價值是可比較——跨實驗室、跨時間，用同一套桶。

分類本身也是一條 Agent 工作流：分類器讀作業元數據、代碼和會話轉錄，輸出桶、理由和置信度。抽了當周近 10,000 次運行中大約 14%，並按算力加權。邊界寫進提示詞，人類複覈和機器相差一兩個百分點。開發者若要復現，先要把「什麼叫安全工作」寫成可校驗的 JSON 定義，而不是一句口號。

用 JSONNote 拆開一條工作流記錄

你拿不到 Anthropic 的內部樹。你拿得到自己倉庫裏的同類材料：tool call、監控日誌、Agent 消息、任務評級。這些都可以在瀏覽器本地拆開。

1. 1
   先看 arguments 能不能 parse

   把字符串裏的轉義拆開，丟進JSON 格式化。缺逗號、多尾逗號，監控還沒上場就已經壞了。

2. 2
   用聲明的 schema 校驗動作

   把工具的 parameters 和解析後的對象放進JSON Schema。等級必須是枚舉，身份必須是穩定 ID，部署必須顯式留在 human_gate。

3. 3
   對比「批准時」和「現在」

   把上週的任務樹或工具清單丟進JSON Diff，專門找葉子任務、監控決策和 schema 的靜默改動。

4. 4
   需要給同事看時用 Hash 分享

   數據留在 URL fragment，不經過服務器。見用 URL Hash 分享 JSON。

常見問題

Claude 參與 26% 的 AI 研發，是不是已經在無人值守地造下一代模型？

不是。26% 對應 Epoch AI 的 AL4：Claude 能從高層次提示把大部分任務做完，人類監督並決定是否上線。Anthropic 寫明：在任何被測的 AI 研發子集上，Claude 都還沒有達到 AL5 全自主。

超過 90% 協作和 26% 主導是什麼關係？

90% 是 AL3 及以上：Claude 至少能在人類密切指導下做大塊工作。26% 是其中已經升到 AL4 的份額。主導包含在協作以上，不是另一套互斥的工作。

30,000 個 Agent 怎麼協作，又怎麼被看住？

它們在內部平臺上半自主跑研究與工程，還能互相委派。每個 Agent 有獨立身份，消息走開放信道。動作 100% 先過在線監控、事後再進離線監控。2026 年 8 月超過 10 億次決策裏，約 4.7 萬分之一被攔住。

這條工作流裏 JSON 出現在哪？

任務樹節點、自動化評級、Agent 身份、開放消息、Tool Calling 參數、監控放行或攔截，幾乎都是結構化記錄。沒有可解析的契約，3 萬個 Agent 無法審計，也無法覆盤「誰主導了哪一段」。

開發者現在最該從這條披露裏帶走什麼？

先分清協助、協作、主導、自主。再給每次 tool call 和每次 Agent 消息留下身份、時間和可校驗的 JSON。門禁放在執行前，覆盤材料留在執行後。數字會變，契約層不會過時。

小結

Anthropic 願意把 26%、90%、3 萬、0.002%、6% 攤在桌上，是因爲這些數能量、能複覈、能按月重算。它們量的不是「模型有多會聊天」，而是模型開發這條生產線裏，人和 Agent 各站哪一檔。

26% 是主導，不是自主。協作已經鋪開，門禁還在人手裏。Agent 能一起造模型，是因爲身份、開放消息、Tool Calling 和監控決策走的是同一條可解析的數據流。

標題會繼續把 26% 讀大。看原文的人，應該先看等級定義，再看那條 JSON 還在不在。

← 返回博客