6小時，200美元，0人類代碼：Anthropic把AI編程推過了臨界點

新智元報道

編輯：KingHZ

【新智元導讀】代碼沒有消失，但它不再是少數(shù)人特權(quán)。在「創(chuàng)造平權(quán)」的AI時代，真正稀缺的不再是編程能力，而是你是否有一個值得讓機器為你燃燒幾百美元算力的好想法。

真正讓人不安的，不是AI提高生產(chǎn)力，而是AI開始主導「生產(chǎn)關(guān)系」。

Anthropic最危險的進步，不是AI會寫代碼，而AI開始獨自把項目做完。

一句話需求、6個小時、200美元。

沒有產(chǎn)品經(jīng)理、沒有程序員、沒有設(shè)計師，甚至全程人類補一行代碼。

Anthropic把Claude丟進一個任務里：做一套完整的復古游戲編輯器。

結(jié)果，Claude沒有只交出一個像樣的頁面。

它自己拆需求，自己寫代碼，自己測試，自己返工，最后交出一個真的能跑起來的成品。

在Anthropic這次實驗里，AI已經(jīng)不只是生成代碼，而是在逼近交付。

過去我們聊AI編程，聊的是它寫得快不快。現(xiàn)在問題變成了：它能不能連續(xù)工作幾個小時，在第5輪、第10輪修改里不跑偏，最后把東西交出來。

Anthropic這次給出的答案是：能。

但前提不是把AI當一個人使，而是把它組織成一個團隊。

原文鏈接：https://www.anthropic.com/engineering/harness-design-long-running-apps

AI不是不聰明，而是不穩(wěn)定

過去的AI很像一個天賦很高的實習生。

第一版，沖得很猛。

第一個頁面，出得很快。

第一輪代碼，看上去也像那么回事。

但任務一拉長，它就開始亂：

邏輯散了，上下文丟了。

該修的沒修，該測的沒測。

最麻煩的是，它常常會提前進入一種「看起來做完了」的狀態(tài)。

Anthropic點得很準：問題不一定出在智力上，而是出在長程執(zhí)行上。

Anthropic做了一個對照實驗，結(jié)果很殘酷。

單智能體模式下，AI用20分鐘、9美元，也做出了一個「像游戲編輯器」的東西。

問題是，一上手就露餡——

交互沒打通；實體沒正常響應；核心玩法直接失靈。

這說明一件事：

以前大家總以為AI不行，是因為還不夠聰明。

現(xiàn)在看，很多時候真正拖AI后腿的，不是智商，而是穩(wěn)定性。

很多人一說AI記不住，第一反應都是：那就給它更大的上下文窗口。

聽起來很合， 但Anthropic這次潑了一盆冷水。

窗口更大，不一定更強。很多時候，只是把混亂一起放大了。

東西越堆越多，但真正重要的主線，反而越容易被淹掉。這就是所謂的「上下文腐爛」。

更麻煩的是，模型還容易高估自己。

Anthropic發(fā)現(xiàn)，程序明明一跑就崩，模型卻覺得自己做得不錯。

于是單智能體會掉進兩個坑：一邊越寫越亂；一邊越亂越覺得自己沒問題。

這就是為什么，單純靠更大模型、更長窗口、更高token上限，AI并不能獨立完成項目交付。

為了取得突破，Anthropic Labs成員Prithvi Rajasekaran探索了一些新穎的AI工程方法。

這些方法在兩個截然不同的領(lǐng)域中均適用：一個由主觀品味定義，另一個則以可驗證的正確性和可用性為準。

受對抗生成網(wǎng)絡(luò)（GANs）的啟發(fā)，他設(shè)計了一種包含生成器和評估器的多智能體結(jié)構(gòu)。

沒造「超人」，但Anthropic造了神團隊

這次最關(guān)鍵的變化，不是參數(shù)。不是窗口。也不是什么神秘提示詞。

真正的變化是，Anthropic不再逼一個AI單槍匹馬干完整個項目。

它開始讓AI分工。

這套結(jié)構(gòu)很像一個小型產(chǎn)品團隊。

• Planner，負責想清楚。它先把一句模糊需求，擴成規(guī)格，定義產(chǎn)品到底要做什么。

• Generator，負責動手。它下場寫代碼，搭前后端，接交互，做集成，一輪輪推進。

• Evaluator，負責挑錯。它不負責體面。它只負責驗收。點頁面、試按鈕、查數(shù)據(jù)庫、測接口，把問題一個個揪出來，再打回去重做。

最后一步特別關(guān)鍵，因為一邊寫，一邊給自己打分，最后AI很容易說服自己：差不多就行。

但把兩者拆開，很多本來會被糊弄過去的問題，就過不去了。

拿那套復古游戲編輯器來說，Planner最初拿到的只有一句話需求。

但最后擴出來的，是一份包含16個功能、10個沖刺的規(guī)格書。

精靈動畫、音效系統(tǒng)、行為模板、AI精靈生成、關(guān)卡設(shè)計助手、導出分享，全部被拆進流程里。

這已經(jīng)不是「AI寫代碼」了，AI開始學會像團隊一樣做產(chǎn)品。

真正拉高質(zhì)量的，是高壓驗收

今天很多AI產(chǎn)品都有一種共同氣質(zhì)——看著完整，配色安全，布局規(guī)整。

挑不出大錯，但也沒什么靈魂。這種東西叫AISlop「AI泔水」。說白了，就是「像成品的樣子貨」。

顯然，Anthropic不滿足于這種結(jié)果。

所以它不只讓Evaluator查bug，還讓它盯四件事：

設(shè)計質(zhì)量、原創(chuàng)性、工藝感、功能性。

而且，它還故意把「原創(chuàng)性」和「設(shè)計質(zhì)量」的權(quán)重拉高。

譯成人話就是：別總交最安全的答案，做點真的像作品的東西出來。

這背后是一個很重要的信號:

很多人以為AI的創(chuàng)造力來自靈光一現(xiàn)，但很多時候，AI的創(chuàng)造力，恰恰是被高標準一點點逼出來的。

所以，下一階段真正稀缺的能力，可能不是「誰更會生成」，而是「誰更會評價」。

你有多會挑錯，決定AI最終能走多遠。

最可怕的是，AI真能改到第10輪

這次實驗最讓人不安的，是Claude開始形成很強的閉環(huán)感。

還是看RetroForge，也就是那套復古游戲編輯器。

同樣一句話需求。

單智能體版，20分鐘，9美元。很快，也很便宜，但更像一個空殼。

三智能體版本，6小時，200美元。貴得多，慢得多，但最后結(jié)果完全不是一個量級。

它真的把27條驗收標準，一條一條啃過去了。

這里面暴露出來的，是實打?qū)嵉能浖こ虇栴}。比如：

函數(shù)寫了，但事件沒觸發(fā)。

接口有了，但路由順序錯了，參數(shù)被錯誤解析。

這說明它做的，已經(jīng)不只是拼頁面，開始進入真正的工程地帶。

另一個例子更夸張。

Claude用了不到4小時、約124.7美元，做出一個能在瀏覽器里跑的DAW，也就是數(shù)字音頻工作站。

它有排列視圖、有混音器、有傳輸控制、有實時波形預覽。

還內(nèi)置了一個AI智能體，可以直接理解自然語言的音樂指令。

你告訴它節(jié)奏、調(diào)性、旋律、鼓軌、混響，它能繼續(xù)往下做。

更關(guān)鍵的是，Evaluator沒有放過它:

恰恰是這些被揪出來的問題，證明了這套系統(tǒng)真的形成了閉環(huán)：

不止要做完，還要被打回去改。改到能過驗收，才算結(jié)束。

這才是軟件開發(fā)里最難、也最有價值的部分。

第一版從來不難，難的是第8版、第9版、第10版。

真正的分水嶺，

AI第一次反復改到交付

Anthropic這次最值得行業(yè)警惕的，不是讓Claude變成了一個更強的程序員。

而是讓它第一次表現(xiàn)得像一個真正的產(chǎn)品組織，分工明確，各司其職。

這就是為什么，這次突破看起來不像「生產(chǎn)力升級」，更像一次「生產(chǎn)關(guān)系升級」。

過去，AI最強的能力是「生成一個答案」。

現(xiàn)在，它開始逼近另一種更難的能力：

圍著一個目標，持續(xù)工作，持續(xù)修正，直到交付。

這才是真正的臨界點。

代碼沒有消失，它只是在失去作為少數(shù)人特權(quán)的地位。

在這個「創(chuàng)造平權(quán)」的時代，你是否真的有一個值得讓機器為你燃燒算力的好主意？

這才是最值得深思的問題。

參考資料：

https://www.anthropic.com/engineering/harness-design-long-running-apps

https://x.com/AnthropicAI/status/2036481033621623056