Anthropic

前两天我拿到一份文件：Claude 最新旗舰模型 Fable 5.1 在 claude.ai 消费端的完整系统提示词。不是泄露的片段，不是网友总结的版本——是完整原文。

274,608 个字符，超过 4 万个英文单词。

大多数人听到「系统提示词」会想到一段开场白：「你是一个乐于助人的 AI，请礼貌、安全地回答。」我以前也是这个印象。但把这份文件从头到尾读完之后，我改变了判断：

这不是提示词，这是一套个人操作系统。

前天我写了一篇文章，说 AI 让每个人都变快了，但组织没有变快——个人效率的红利，被交接、等待、审批这些组织摩擦吞掉了。

两天后，Anthropic 发了一份长文：The AI-Native SDLC playbook。第一句话是：

「Organizations have started using AI to write code at a speed unthinkable one year ago, yet the processes around the code haven’t changed at the same pace.」

各组织已经开始用 AI 以一年前无法想象的速度编写代码，但围绕代码的流程并没有以同样的速度改变。

翻译成我们前天讨论的语言：代码产出快了，围绕代码的组织流程没变。一家造出世界上最锋利锤子的大厂，公开承认墙不在锤子上。

这份手册值得每个关心组织效率的人认真读一遍。这篇文章不是翻译，是我读完之后的一份解读笔记：它印证了什么、它给出的工程答案是什么、以及它没覆盖的地方在哪里。

发完 从 Cowork 到 Tag：AI 的竞争单位，正在从个人变成组织 第二天，那个年轻人又发来一条消息。这次他没提问，而是直接甩了一个判断：

「对 AI 创业者来说：Anthropic 领先行业 6 个月。」

他还给了自己的三层拆解：

他的结论是：模型层的领先会快速收敛，真正值得关注的是后两层。而且第三层，恰好是钉钉「数字员工」可以承接的位置。

前两层，我认同。第三层，我认为 写反了。

在 Agent-native Organization 这一层，Anthropic 不是领先者，是刚入场的人。

发完 Grok Bot 的跟班学习，会先干掉 RPA 市场 第二天，那个年轻人又发来一张截图：Anthropic 内部的 Slack 频道里，有人 @Claude 派了个活，Claude 接过去干，下一个人直接在它停下的地方接着做。

他问我一个问题：「这不就是多人版的 Cowork 吗？」

我的第一反应也是——Cowork 一月发，Tag 六月发，都是 Anthropic 家的，一个跑在你自己的电脑上，一个住在 Slack 里，看起来只是场景不同。

但想了两天，我的答案变了：Tag 和 Cowork 的区别不是「几个人能用」，而是 Agent 的身份变了——从「我的 AI」，变成「团队的 AI」。

把这两个产品连起来看，你会发现 Anthropic 其实画出路线图来了：AI × 人 → AI × 团队 → AI × 组织。前两段他们已经画完。而第三段，恰好是模型层的盲区。

这条路上还藏着一个更隐蔽的变化：贡献第一次变得可观测了——组织度量贡献的方式，即将跟着变。

上周，一个同事在悟空里问了一句「上周日活多少」，Agent 自信地返回了一个数字：精确到个位，格式漂亮，SQL 语法无懈可击。唯一的问题是——它用了一张已经废弃 3 个月的旧表。

没有人发现这个错误。因为数字「看起来对」。

这就是 Anthropic 在官方博客《How Anthropic Enables Self-Service Data Analytics with Claude》里描述的核心困境。我第一反应是「这不就是自然语言查数吗」。但读完全文，我发现自己错了——Anthropic 真正在做的，不是让业务人员用中文写 SQL，而是把整个数据工程的范式从「给人看」重构为「给 Agent 看」。

Anthropic 原文里最刺痛我的一句话是：

The initial elation of liberation from ad-hoc requests turns into dread with the realization that this setup separates stakeholders from the underlying infrastructure, documentation, and expertise that previously steered them toward carefully curated datasets.

翻译成大白话：你刚把 Claude 接上数据仓库，业务方欢呼终于不用找你写 SQL 了；但很快你会发现，他们问出来的问题越来越离谱，因为 Agent 失去了原来数据团队通过文档、培训、代码审查建立的「认知护栏」。

这不是技术问题，是 数据产品的用户变了。

上周，两个行业信号先后落地，放在一起看，指向同一个结论。

3 月，Anthropic 宣布投入 1 亿美元建设 Claude Partner Network——不是发更多 API，而是建咨询伙伴体系、认证体系、co-selling 机制。Accenture 培训 30,000 人，Cognizant 覆盖 350,000 员工。这不是技术发布，是交付渠道建设。

5 月，Microsoft 在 Build 2026 把 Agent Governance 做成核心方向——ASSERT 开源评估框架、Agent Control Specification（ACS）开放标准、Agent 365、Foundry Observability。把 Agent 的评估、控制、审计和治理全部产品化。

大多数人还在讨论「谁的模型更强」「谁的 Agent demo 更酷」。但竞争已经换赛道了。

如果把 Agent 拆解成一个公式，最简单的表达就是：

Agent = Model + Harness

Model 负责思考、推理、决策；Harness 负责循环控制、工具路由、状态管理。过去一年，社区的目光几乎全部聚焦在 Model 上——谁的能力强、谁更便宜、谁上下文更大。但 Anthropic 工程团队最近发布的 Managed Agents 架构文章揭示了一个被忽视的事实：

“Harnesses encode assumptions about what Claude can’t do on its own. Those assumptions go stale as models improve.”

Harness 编码了关于"模型做不到什么"的假设，而这些假设会随着模型能力提升而迅速过时。一个更有趣的推论是：模型越强，Harness 的设计就越重要——因为越强的模型需要越精密的控制结构，才能把能力转化为可靠的产出。

这篇文章从 Anthropic 的工程实践出发，拆解 Agent 架构的核心设计模式，以及"面向未来的 Harness"到底长什么样。