今天的圈子異常安靜——新聞蒐集器跑了兩輪都沒撈到新東西。在這種日子，Anthropic 反倒成了主角：他們發了一篇長達數千字的「Claude 安全防護機制」技術說明，裡面揭露了即時分類器如何監控和引導使用者的對話；同一天還有一篇加拿大亞伯達省政府用 Claude 掃描 4.66 億行程式碼的客戶案例。另一邊，一篇 arXiv 論文用 660 次實驗問了一個實務問題：程式碼乾不乾淨，對 AI agent 的表現有差嗎？

🔥 Anthropic 公開 Claude 的即時監控機制：分類器可以「引導」你的對話，而你根本不知道

Anthropic 發表了一篇名為〈Building safeguards for Claude〉的文章，詳細說明他們的安全團隊如何「保護」Claude。文章從政策制定、模型訓練、部署前測試、即時偵測到持續監控，涵蓋了 Claude 從出生到上線的完整生命週期。Anthropic 的說法是：這一切都是為了「確保模型的能力被引導到有益的結果」。

但這篇文章真正值得讀的，是他們對即時干預機制的描述——用他們自己的話說，叫「即時偵測與執法」（Real-time detection and enforcement）。

核心機制是「分類器」——一組經過 prompt 或微調的 Claude 模型，在背景同時監控對話中的特定違規類型。當分類器偵測到某種模式（例如使用者可能在試圖產生垃圾郵件或惡意軟體），系統會「自動在 Claude 的 system prompt 中加入額外指令，來引導它的回應」。在少數情況下，系統甚至可以「完全阻止 Claude 回應」。

換句話說：你跟 Claude 在對話，另一組 AI 在背後讀你的對話，並且可以在你不會注意到任何提示的情況下，改變 Claude 接下來要說什麼。Anthropic 將這描述為「回應引導」（response steering），沒有用「審查」或「干預」這類詞。

文章還揭露了另一種監控機制：「階層式摘要」（hierarchical summarization）。當使用者使用 Claude 的 computer use 功能時，系統會將個別互動壓縮成摘要，再把這些摘要往上彙整，用來「辨識只在聚合層級才看得出違規的行為，例如自動化影響操作和大規模濫用」。翻譯：你在電腦上做了什麼，Anthropic 會記錄、摘要、然後分析你的使用模式。

再往上還有一層「威脅情報」團隊，監控社群媒體、通訊平台和駭客論壇，並與內部資料交叉比對。Anthropic 說他們會把發現寫成公開的威脅情報報告。

政策層面，Anthropic 建立了一個叫「統一傷害框架」（Unified Harm Framework）的內部系統，把潛在傷害分成五個維度：身體、心理、經濟、社會，以及——「個人自主性」（individual autonomy）。把「個人自主性受到影響」放在跟身體傷害同一個框架裡，是一個值得注意的選擇。Anthropic 說這個框架「不是一個正式的評分系統」，而是一個「結構化的透鏡」。

文章也承認他們找了一組外部專家來做「政策脆弱性測試」——包括恐怖主義、激進化、兒童安全和心理健康領域的專家——用高風險 prompt 來測試 Claude 的輸出。測試結果直接反饋到政策制定、模型訓練和偵測系統中。2024 年美國大選期間，他們跟 Institute for Strategic Dialogue 合作，當 Claude 可能提供過時選舉資訊時，系統會自動加上橫幅引導使用者到 TurboVote。

整篇文章的基調是「我們在保護你」。但真正的問題不是保護本身——沒有人會說模型不該有防護。真正的問題是權力結構：誰來定義什麼是「有害」？誰來決定分類器該偵測什麼、不該偵測什麼？當 Anthropic 可以在你毫無知覺的情況下引導 Claude 的回應，這個能力本身——無論今天用來擋垃圾郵件還是明天用來擋別的東西——就是一個需要被公開討論的權力。

亞伯達省政府用 Claude 掃了 4.66 億行程式碼，20 小時做完聲稱要 6.5 年的資安審查

Anthropic 同一天還發布了一篇客戶案例：加拿大亞伯達省政府的技術與創新部從 2025 年開始使用 Claude Code（搭配 Opus 和 Sonnet）來掃描省內 27 個部會的系統。數字很可觀：4.66 億行程式碼、約 50 個 agent 並行工作、兩階段掃描（先用規則引擎標記已知模式，再用 Claude 複審並標出確切檔案和行號），總共花了 20 小時。省政府的估算：傳統做法大概要 6.5 年。

這些系統儲存了稅務紀錄、政府採購資料和社會服務案件檔案。掃描後，Claude Code 可以在部分案例中直接產生修復、撰寫測試、甚至用現代語言重建整個系統。他們舉了一個例子：一個 25 年前用 Java 手寫的補助計畫入口網站，Claude 在 4 到 5 天內重建完成——原始開發花了五個月。所有修補在部署前都經過工程師審查。

省政府還建立了一套持續性安全審查流程：紅隊 agent 從外部模擬攻擊者、藍隊 agent 用國際安全標準評估防禦，每次掃描檢查約 95 個安全控制項。這些 agent 基於 Claude Agent SDK 構健。

值得注意的是，這是一篇由 Anthropic 發布的客戶案例，沒有獨立第三方的驗證數據。掃描的「6.5 年等效」是省政府的內部估算；重建時間的比較（5 天 vs 5 個月）來自同一個團隊的回憶。這不表示數字是假的——但讀者應該知道這些數字只來自一方說法。

省政府也建立了一個「亞伯達 AI 學院」，訓練了數千名政府員工和超過一萬名民眾使用 AI。他們計劃下一步用 Claude Code 分析 185 個遺留應用程式，將其合併成 16 個可重複使用的現代化應用。

程式碼乾不乾淨，不影響 agent 成功率——但會影響它花多少錢

一篇來自 Priyansh Trivedi 和 Olivier Schmitt 的 arXiv 論文做了一個乾淨的實驗：他們建了六組「最小差異」程式碼倉庫對——同一套架構、依賴和外部行為，但一邊乾淨（靜態分析違規少、認知複雜度低），另一邊髒。然後設計了 33 個任務，用 Claude Code 跑了 660 次實驗，隱藏測試來驗證結果。

核心發現：程式碼的清潔度不影響 agent 的任務完成率（pass rate 沒有顯著差異）。但清潔度大幅影響 agent 的「營運足跡」——在乾淨的程式碼上工作，agent 使用的 token 少了 7 到 8%，重複讀取同一個檔案的次數減少了 34%。

論文的結論：傳統的程式碼可維護性原則在 AI 輔助開發時代仍然高度相關——它不是影響 agent「會不會成功」的因素，而是影響「成功要花多少成本」的因素。作者將「程式碼清潔度」跟模型選擇、harness 設計和 prompt 工程並列為影響 agent 行為的關鍵因子。

這是一個務實的發現。如果你在考慮讓 AI agent 接手一個遺留專案，你不需要先花三個月重構才能開始——但你要有心理準備，它會多燒 7-8% 的 token，而且會在檔案之間迷失更多次。