KeyFrame內部研究專用

Anthropic Just Released the New Rules of Claude Code

Nate Herk英文
觀看原始影片

三句話摘要

Anthropic 分享 Claude Code 的最新使用方式,從手動管理演進到自動化和託管模式,支撐日均程式碼改動量從 2,500 增至 30,000 的規模成長。 Claude Code 的進化方向是逐步將人類從控制迴圈中移出,讓模型、自動化系統和隔離環境共同協作,開發者應精簡指令、設定防守層級、加入過程檢查,並利用新的 Projects 功能實現規模化自動化。 模型變強,指令要減少 — Opus 5.5 足夠聰慧,過多的 IMPORTANT/NEVER 指令反而誤導,導致更多工具呼叫和品質下降。cloud.md 應只保留程式碼無法推斷的內容,可執行 /doctor prompt audit 自動審計。

重點整理

  1. 模型變強,指令要減少 — Opus 5.5 足夠聰慧,過多的 IMPORTANT/NEVER 指令反而誤導,導致更多工具呼叫和品質下降。cloud.md 應只保留程式碼無法推斷的內容,可執行 /doctor prompt audit 自動審計。

  2. 權限管理三層防守 — Auto mode 自動分類器允許安全命令(成功率 89%),deny rules 設硬性禁止(如「絕不讀 .env」),Sandbox 環境限制檔案和網路存取,三層堆疊大幅降低風險。

  3. 中途檢查勝於末端驗證 — 長任務不應等到最後才發現問題。在過程中加入 checks(測試、截圖或主觀定義「完成樣子」),讓 Claude 自我迭代反饋,避免浪費時間和 tokens。

  4. 自動化持續擴大 — Hooks 自動執行檢查腳本(exit code 2 觸發重新修復),Claude Code Projects 自動為清單中的每個任務開啟 sub-session,使用 Fable 5.2 做決策、Opus 5.5 執行工作,將人類逐步從迴圈移出。

實用技巧與重點

  • 統計數據:
  • 程式碼改動量:2,500 → 30,000/日(5 月至 9 月)
  • 人類捕捉危險命令率:14%
  • Auto mode 阻止危險命令率:89%
  • Auto mode 漏網危險命令:約 10%
  • 工具與功能:
  • `/automode setup` — 自動從專案現有設定草擬 auto mode 配置
  • `/doctor prompt audit` — 檢查 cloud.md 和 skills 中過時的指令
  • `/sandbox` — 限制命令存取的檔案和網站範圍
  • `Hooks` — 自動執行的檢查腳本(format check、tests、full test suite)
  • `Deny rules` — 硬性封鎖規則,在設定檔中編寫
  • `Checks` — 過程中的驗證點(測試、截圖、自訂檢查)
  • `Cloud sessions` — 隔離的執行環境,保護本機金鑰
  • 模型選擇:
  • `Fable 5.2` — Orchestrator/主 session(決策)
  • `Opus 5.5` — Sub-sessions(執行工作)
  • `Opus 4.5` — 舊版本(需要過多指令)
  • 核心概念:
  • Cloud.md 測試:「Claude 能從讀程式碼推斷出來嗎?」→ 是 = 刪除
  • Auto mode 配置:用自然語言定義信任的 repos、domains、允許/禁止的操作
  • Deny rules 測試:「Claude 弄錯會導致無法撤銷嗎?」→ 是 = 設硬規則
  • Exit codes:1 = 預設通過,2 = 觸發重新修復
  • Claude Code Projects(beta,Pro/Max/Ultra 可用):主 session 管理週任務清單 → 自動開啟 sub-sessions

結論

Claude Code 的進化方向是逐步將人類從控制迴圈中移出,讓模型、自動化系統和隔離環境共同協作,開發者應精簡指令、設定防守層級、加入過程檢查,並利用新的 Projects 功能實現規模化自動化。

完整解析

Anthropic 在短短五個月內達成程式碼改動量二十倍成長(2,500 → 30,000/日),關鍵在於改變了對 Claude Code 的使用方式。Lydia Hallie 從 CloudCode 團隊分享的最新實踐,反映了一個根本轉變:從人類手動指導每一步,逐漸轉向自動化和託管化。

第一層:簡化指令,相信模型能力

過去使用 Opus 4.5 時,開發者習慣在 cloud.md 中塞滿「IMPORTANT」和「NEVER」的全大寫指令來引導模型。但當模型升級到 Opus 5.5 這種強大級別時,這些過度指令反而造成反效果——模型會過度警惕、產生更多工具呼叫、整體品質下降。新方法很簡單:cloud.md 只保留程式碼本身無法推斷的內容。測試標準是「Claude 能從讀程式碼推斷出來嗎?」如果答案是肯定,就應刪除。同時可以執行 `/doctor prompt audit` 命令,它會自動掃描 cloud.md 和 skills,告訴你哪些指令已過時或多餘。

第二層:權限管理的進化

過去面臨兩難:要麼手動點擊 allow 接受每個命令,要麼冒險跳過權限檢查。現在 terminal 和 CloudCode desktop app 預設啟用 auto mode,內含自動分類器。它讓測試和安裝這類安全操作自動執行,僅在不確定時阻止。關鍵是預設只信任當前資料夾和 repo——如果你要求 Claude 推送到 staging,系統會自動封鎖對 deploy repo 的推送。開發者可用自然語言在設定中配置 auto mode,說明信任的 repos、domains、應該允許或禁止的操作。研究數據很說服力:只有 14% 的人類能在審核中捕捉明顯危險的命令,而 auto mode 攔截了 89%,遠優於人類判斷。

第三層:硬規則與隔離環境

由於 auto mode 仍有約 10% 的壞命令通過,重要內容需要更強的防線。Deny rules 是硬性封鎖,在設定檔中編寫,比 prompt 中說「不要這樣」更有力。判斷標準是:「如果 Claude 弄錯這個,我能撤銷嗎?」寫錯的程式碼可以 undo,但刪除未保存的檔案或讀取 API 金鑰無法撤銷,所以「絕不讀 .env 檔」應成為硬規則。此外,開發者可以使用 `/sandbox` 限制命令能存取哪些檔案和網站——即使套件被入侵也無法竊取金鑰。對於長時間任務,可在 cloud session 執行,系統提供乾淨隔離的環境,保護本機的敏感資訊。

第四層:過程檢查而非末端驗證

長任務中不應等到最後才發現問題。應在過程中設置 checks(如單元測試、截圖、自訂驗證),讓 Claude 自我迭代和反饋。例如遷移登入系統到新 API 時,同一提示詞可能產生三種結果:留下舊 API、只遷移新登入、或讓所有使用者登出。這三個看起來都「沒問題」,但只有第一個正確。透過在過程中加入 checks,錯誤的結果會立即被捕捉,而不是浪費時間和 tokens 到最後才發現。Checks 可以程式碼化也可以主觀化(定義「完成」或「良好」的樣子)。對於必須每次執行的檢查,使用 hooks——自動執行的腳本,如每次編輯後 format 檢查、每任務後測試、完成前完整測試套件。關鍵是 exit code:code 2 能讓 Claude Code 自動重新修復失敗。

第五層:專案級自動化

最後仍手動開啟每個 session,但這正是即將改變的地方。Claude Code Projects(目前 beta,Pro/Max/Ultra 計畫可用)允許開發者給主 session 一份週任務清單,系統自動為每個任務開啟獨立的 sub-session 並檢查結果。這類似 orchestrator agent 委派 sub-agents,但更專案導向。關鍵是模型選擇:主 session 使用 Fable 5.2(新模型,擅長決策和判斷),每個 sub-session 使用 Opus 5.5(執行實際工作)。這樣人類只與一個主聊天對話,而不是在十幾個窗口間切換。

整體來看,過去的最佳實踐仍然存在,只是自動化程度大幅提升——從人類轉向模型、harness 和環境去處理。核心理念是不要給強大模型過多指令,讓它們做自己被訓練的事。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。