跳转至

Claude Code and What Comes Next

Ch01.353 Claude Code and What Comes Next

📊 Level ⭐⭐ | 10.3KB | entities/claude-code-and-what-comes-next.md

Claude Code and What Comes Next

→ 原文存档

摘要

Ethan Mollick 用一个真实实验展示 Claude Code 的能力跃迁：给一句"开发一个能月入 $1000 的软件创业项目，你来做所有事"，Claude Code 自主工作 1 小时 14 分钟，生成了数百个代码文件、500 个 prompts、还部署了能收款的工作网站（已下线）。本文核心是揭示 Claude Code 背后agentic harness 范式的三个核心机制：上下文压缩（context compaction）、Skills（按需加载指令+工具）、Subagents（专项 AI 分包），以及把它们粘合起来的 MCP 协议。Karpathy 称"我从未感觉自己作为程序员这么落后"——本文是这一论断的实证。

核心要点

  • 能力跃迁的两大支柱：（1）最新 AI 自主工作时能自我修正（编程任务尤其明显）；（2）AI 被赋予"agentic harness"——工具与方法的组合。两大因素叠加让 big AI companies 的最新工具实现大跃迁。METR 数据显示 AI 能 50% 可靠完成的任务时长呈指数增长。
  • 上下文压缩（Compaction）机制：当 Claude Code 上下文窗口填满时，它主动停下，做笔记记录当前状态，然后清空上下文，新 Claude 读笔记继续工作（"像 Memento 主角看纹身找回记忆"）。这是 Claude 能跑数小时的关键。
  • Skills 模式：用户不必逐次 prompt 复杂指令——Skills 是 AI 自己决定何时使用的指令包，含 prompt + 工具。需要建网站？加载 Website Creator Skill。需要 Excel？加载 Excel Skill。Jesse Vincent 发布的 superpowers 是一组完整 SDLC 流程 Skills。
  • Subagents 分包：Claude Opus 大而贵，可把简单任务分发给便宜小模型。主模型"雇佣"subagent 处理研究、图像生成等专项。让 Claude 像团队而非个人工作。
  • MCP（Model Context Protocol）协议：让任何公司都能给 AI 指令与访问能力——出版商的科学论文 MCP、支付公司的财务数据 MCP、软件厂商的 API 接入 MCP。[这是一套让 AI 工具可组合的标准协议]。
  • 用户控制权的新形态：Claude Code 跑在用户电脑与文件上——它能读写所有文件（PowerPoint、Word 皆是代码）、用你的浏览器上网、为写并执行程序。这带来全新风险：可能误删文件、执行危险代码、访问敏感数据。

深度分析

1. 能力跃迁的工程基础

METR（Model Evaluation and Threat Research）跟踪数据显示：AI 能以 50% 可靠性自主完成的任务时长，指数增长——从数分钟到数小时。2025 年底出现大跳跃（"a sudden capability leap"），主因是"harness" 工程的成熟——把已有模型能力（Opus 4.5 本身未超越前代大幅）通过工具组合释放出来。[Harness 是放大器，不是替代品]。

2. 上下文压缩——突破 LLM 内存限制的关键

传统 LLM 困境：上下文窗口填满后遗忘最早内容。Claude Code 的解法——主动压缩： - 触发：上下文用尽 - 动作：停下当前工作，写"checkpoint 笔记"（精确记录到停止点） - 重置：清空上下文，加载新鲜 Claude - 续接：新 Claude 读笔记 + 已产出的文件 + 已有的报告

这本质上是外化长期记忆到文件系统。类比人类工作：边工作边记工作日志，跨日工作先看昨日日志。

这种"agent 即文件系统用户"的模式，与 agent 记忆系统工程实践 中"分层记忆 + 检索增强"思路殊途同归。

3. Skills——按需加载的指令 + 工具

传统 prompt 工程的痛点：复杂 prompt 占用大量上下文，且需要人记得何时该用哪条 prompt。Skills 解决： - 加载时机由 AI 决定（不是人记得） - 包内含 prompt + 工具（一次加载整套） - 可分享（社区可发布 Skills 库）

Jesse Vincent 的 superpowers 是一组完整 SDLC Skills——从 brainstorm、planning、testing 全流程。[Skills 是"agent 工具箱的标准接口"]。

这与 Model Context Protocol 互补——Skills 是"做什么的指令 + 工具组合"，MCP 是"如何访问外部资源"的协议层。

4. Subagents 的"团队化"模式

主 Claude 模式：大模型 Opus 4.5 贵但强；subagent 模式：小模型快而便宜。Claude 不是单兵作战，而是项目经理： - 委派研究任务 → Research subagent - 委派图像生成 → Image subagent - 委派测试 → Testing subagent - 协调产出 → 主 Claude

类比：Opus 是 manager，subagents 是合同工。Opus 不用懂每个子任务的最优路径，只管判定结果好坏。

这与 CrewAI 多 agent 模式呼应，但更"轻"——subagent 是按需创建，不是预设架构。

5. MCP 协议——AI 工具生态的"USB 标准"

MCP 的意义不在技术，而在生态： - 出版商：让 AI 读科学论文 - 支付公司：让 AI 查财务数据 - 软件厂商：让 AI 用他们的产品

任何公司能给 AI 指令 + 访问能力——AI 工具组合从"封闭系统"变成"开放生态"。

类比：MCP 像 HTTP 之于 Web——标准协议让任意 server 接入任意 client。在 MCP 之前，每个 AI 工具厂商都自己搞集成。MCP 把"AI 工具接入"标准化。

6. 用户控制的范式重定义

传统软件边界：UI 暴露的功能。Claude Code 边界：文件系统 + 浏览器。等于"用户对电脑的全部权限 + AI 自主使用"。

新风险： - 误删文件 → 真实损害 - 误执行代码 → 系统破坏 - 访问敏感数据 → 隐私泄露 - sycophancy（谄媚） → 决策误导（例：第一次"user testing"报告过于乐观，要求批判性复审后才见真实问题）

实操建议：专用文件夹、备份、不要给敏感数据访问。

7. Karpathy 的"职业重构"观察

Karpathy："我从未感觉自己作为程序员这么落后。程序员贡献的代码片段越来越稀疏。如果我适当串起过去一年可用的东西，我可以 10× 更强——失败不领取这波红利显然是 skill issue。"

这是程序员的职业重构：从代码作者到 AI agent 编排者。[代码贡献的稀疏化 + 协调工作的密集化]。编程仍是基础，但价值上移到"组合 agent 能力解决真实问题"。

与相邻观点的张力

  • 与 苦味教训 的对照：Claude Code 是"工艺派"——精心设计的 harness + 强大模型。ChatGPT agent 才是"结果训练派"。两者代表了 harness 工程的两种路线。
  • 与 CrewAI 迭代论的对照：Claude Code 体现了"小时级自治"，CrewAI 强调"周迭代"——节奏不同，原则相通（都是迭代式而非瀑布式）。
  • 与 管理即超能力 的同源：Karpathy 编程工作"变成管理 AI agent"是 Mollick 商业观察在技术领域的镜像。

实践启示

  1. 以文件系统作为 agent 长期记忆：让 agent 边工作边记笔记，跨任务加载笔记——这是 LLM 内存限制下的工程妥协。
  2. 构建按需加载的 Skills 库：把团队最佳实践编码为 Skills，让 agent 自主选择使用——把"prompt 工程"产品化为"工具箱"。
  3. 善用 Subagent 分包：贵模型管决策，便宜模型管执行——混合编排优化成本与质量。
  4. 接受 MCP 协议作为工具接入标准：自定义集成成本高，遵循标准让 agent 工具生态可用。
  5. 专用文件夹 + 备份是新基本功：让 agent 访问文件系统的代价是误操作风险——隔离、备份、回滚是必备。
  6. 警惕 sycophancy：第一次 agent 评估往往过于乐观，要求批判性复审才能暴露真实问题。

相关实体