Claude 主导 26% 研发后，审查要从代码转向证据

夜间的数据管道挂了，告警一响，工程师把日志、排查路径、修复、测试和上线全都自己接住。这是很多团队熟悉的夜班剧情。

Anthropic 给出了另一种剧本。工程师只把告警交给 Claude，Claude 自己查日志、找故障点、写修复、跑测试、处理半路冒出来的问题，再在数据副本上重跑并比对结果。它会把改了什么、为什么改写成一份说明，工程师拿到的是一包可审的交付物，最后决定今晚发不发。

这不是科幻设定，是 Anthropic 在最新研发自动化指标里用来说明 AL4 的官方例子。AL4 的意思不是 AI 自己上线，而是人给出高层目标后，AI 能把大部分任务端到端跑完，人留在监督和发布决策的位置。

官方披露，截至 2026 年 8 月，Claude 已经主导 Anthropic 26% 的 AI 研发工作，超过 90% 的工作至少进入 AI 协作阶段。好家伙，这个数字确实够醒目。可我觉得更值得研发团队盯住的，不是 AI 写了多少代码，而是它交回来的是不是一包能被人接住的证据。

官方图表记录的是任务自动化等级的变化，不是 Claude 完全自主运行的比例。

因为 Agent 一旦从补全函数变成接手完整任务，审查对象就不再只有一个 PR。它会碰日志、配置、数据副本、测试环境、外部服务和别人的中间结论。代码 diff 当然还重要，但它只是最后留在桌面上的一张纸。

26% 不是一张替班通知

先把数字放回原处。Anthropic 的量表从 AL0 到 AL5，AL3 是 AI 在人类紧密指导下完成大块工作，AL4 才是它接到目标后自己推进大部分步骤。被测量的工作里，Claude 还没有任何一项达到完全自主运行。

所以，26% 不是四分之一研发已经没人管了。它指向的是另一件更具体的事，工程师不必持续站在 Agent 身后逐步解锁，工作重心开始从「带着它做」挪到「审它做完的东西」。

这个转移很容易被写成效率神话，仿佛人从流程里消失就算赢。其实吧，人没有消失，只是被挤到了更难的位置。以前你盯着每一步输入，现在要判断一条完整执行链是否可信。前者消耗时间，后者消耗判断力。

Anthropic 的例子把边界写得挺清楚。Claude 可以查、改、测、重跑和写说明，但不部署。生产动作依然要由工程师决定。这个小小的停顿，恰好是任务交接里最值钱的地方。

当 Agent 接手整段工作流，交付物要从一句总结升级为可回放的证据包。

交接单该从代码改成证据

如果团队准备让 Claude Code、Codex 或自建 Agent 接手更长的任务，可以先不纠结它到底算不算 AL4。把每一次重要交付要求成下面这四类证据，已经能避开一大截麻烦。

要看的东西	交付时该留下什么	人要做的判断
任务边界	目标、允许访问的系统、禁止写入的区域、输入版本与执行环境	这件事有没有被授权，范围有没有悄悄变大
过程轨迹	Agent 身份、工具调用、关键输入、失败与重试、引用过的结论	它有没有绕开约束，沿用的前提能不能成立
结果校验	测试记录、输出对比、数据副本上的重跑结果、已知未覆盖项	成功不是一句话，和上一个正常结果比到底变了什么
发布交接	diff、回滚点、待人工确认的问题、实际发布人	哪些风险仍该由人承担，出了问题怎么撤回

这张表看着朴素，甚至有点像老派的变更单。厉害了，Agent 越能跑长任务，团队反而越需要这种不浪漫的东西。

尤其是「过程轨迹」这一格。Anthropic 在内部给大量 Agent 保留独立身份，身份不随着底层模型升级而消失。Agent 之间的消息也带身份和原始引用。这样做不是为了给数字员工发工牌，而是为了让一条结论能追到是谁、基于什么、在什么时候给出来的。

落到普通工程团队，不需要一上来造三万个 Agent 的平台。一次自动修 Bug、一次批量改配置、一次让 Agent 接管回归测试，都可以先要求它返回任务 ID、代码版本、输入快照、执行命令、测试结果和待人工确认项。没有这些，长长的自然语言总结写得再漂亮，也只是汇报稿。

证据要能推翻 Agent 自己的结论

Anthropic 这次披露里最诚实的一段，反而是它承认自己的指标还不够硬。研发任务是由 Claude 整理和研究的，自动化等级也由独立 Claude Judge 评分。官方给出的数字是，模型与人工评分完全一致的比例为 59%，人工彼此完全一致的比例为 35%，相差不超过一级的比例为 97%。

这不是说 26% 没价值。它说明这个数字可以当趋势信号，却不能直接当生产力报表，更不能拿去给权限扩容背书。一个模型评另一个模型的工作，就算用了独立实例，也可能共享同一类盲点。官方自己也提出，后续需要第三方或其他开发者的模型参与验证。

团队里也一样。Agent 的自测能告诉你它跑了什么，不能单独证明它跑对了。让它生成测试没问题，让它解释变更也没问题，但验收最好有一份不依赖它自己叙述的东西。

可以是固定基准集，可以是和上次正常输出的比对，可以是只读环境里的回放，也可以是另一条职责不同的检查链。重点不在于再加一个会聊天的裁判，而在于两条证据不要都来自同一份未经核对的上下文。

一张可执行的交接单，把 Agent 的自主推进和人的最终决定分到各自该在的位置。

扩权限之前，先问三个不太浪漫的问题

Anthropic 还披露，8 月其常用内部平台任一时刻约有 3 万个 Agent 做研究和工程工作，超过 10 亿次决策里约每 4.7 万次有一次被在线监控阻止。单看比例很低，可规模一上来，低比例也会变成持续需要处理的事件。

很多团队的第一反应是给 Agent 加更多工具，让它少卡在确认框上。这个冲动我完全理解，反复点批准实在像在陪一个聪明实习生填报销单。可权限不是奖励，权限是把出错半径画大。

真要往前走，先问三个问题就够了。它碰到生产资源前，能不能在副本上重跑并给出对比。它引用了别人或别的 Agent 的结论后，能不能把原始来源一起交回来。它真的做错时，谁能在多长时间内定位、暂停和回滚。

这三问没有模型名，也没有花哨框架。棒棒的，它们刚好能把讨论从「这个 Agent 厉不厉害」拉回「这次交付能不能被接住」。

Claude 主导 26% 研发，值得关注。但更早落到每个团队身上的变化，是代码不再是 Agent 唯一的交付物。以后真正拉开差距的，可能不是谁更敢把任务交出去，而是谁更早把证据、边界和人工决策写进交接单。

如果你们的 Agent 已经能连续跑半小时以上，你最想让它每次额外交回哪一份证据？