Anthropic 演讲解读：模型正在吞噬你的脚手架代码

核心观点：去年你写的脚手架，今天随模型一起发货

在 Anthropic 的 Code with Claude 大会上，研究产品经理 Lucas 带来了一场主题鲜明的演讲，核心论点只有一句话：去年你不得不手搓的脚手架（scaffolding），今天已经直接内置到模型里一起发货了。

他建议开发者转变心智模型——不要再把模型当成一个纯粹的「输入输出」LLM 黑盒，而要把它看作一套围绕模型展开、不断扩展其能力的工具集（expanding toolkit）。这意味着大量重试逻辑、路由器、输出校验、上下文压缩的代码正在被模型本身「吸收」，开发者得以从繁琐的工程封装中解放出来，专注于真正想要的结果。

整场演讲以「before / after」对比的方式，覆盖了工具使用、上下文管理、代码执行和计算机操作四大能力，每一块都给出了实用技巧，并额外为 Claude Code 用户提供了专属 tips。

工具使用：告别脆弱的路由器与重试装饰器

一年前构建 Agent，本质是「围着模型造轮子」。你可能需要路由器来挑选合适的工具、重试循环来应对失败、输出校验器来兜底，还没开始写产品，就已经堆了上百行脚手架。

Lucas 直言，过去那种基于字符串匹配、启发式规则的工具路由器，本质上是「用 if 条件语句去猜测用户意图」。它们脆弱易碎，往往是你新增一个工具时第一个崩掉的地方。

而新范式下，模型已经足够聪明，可以自己在工具集中搜索并挑选正确的工具。**工具选择的准确率已经高到让预过滤和路由器反而会让效果变差。**当工具调用出错时，Claude 能看到错误、自行恢复并重新调用，不再需要外部的重试装饰器。

这里他给出一个高频使用的实用技巧：大多数开发者只告诉 Claude 工具的输入参数，但你其实还可以提供工具的输出 schema 描述。比如一个 search_docs 工具会返回 ID、标题、摘要和分数——提前告知 Claude 这些，模型在需要对结果排序时就知道有 score 可用，省去了一次 harness 往返。对 Claude Code 用户，他推荐使用 pre/post tool use hooks，在工具调用前后以编程方式拦截或记录。

**脚手架（Scaffolding）**是指开发者在调用 LLM 之外额外搭建的工程代码层，用来弥补模型能力的不足或不稳定性。典型的脚手架包括：工具路由器（根据用户意图决定调用哪个工具）、重试装饰器（捕获失败并自动重试）、输出校验器（检查模型返回值是否符合预期格式）以及规划器（将复杂任务拆解为多步子任务后再逐步执行）。早期大语言模型在工具调用的准确率和容错能力上较弱，这些脚手架是生产可用性的必要条件。随着模型本身能力的提升——尤其是原生函数调用（Function Calling）和工具使用能力的成熟——这些外部代码层的必要性正在快速下降，模型开始将这些逻辑内化为自身的推理能力。

Pre/Post tool use hooks 是 Claude Code 提供的编程拦截点，允许开发者在工具被调用之前（pre）或之后（post）注入自定义逻辑，例如记录审计日志、对工具参数做安全过滤，或对返回值做格式转换，而无需修改工具本身的实现。

上下文管理：从自建记忆系统到几行配置

长时间运行的 Agent 过去意味着你得自己造一套记忆系统：分块（chunking）、RAG、每隔 N 轮调用另一个模型做摘要、手动移动缓存断点来省钱……本质上都是为了「变相扩展模型的上下文窗口」。

Lucas 表示这一切都被大幅简化了。100 万 token 的上下文长度加上统一定价，先解决了大部分窗口压力；再配合服务端压缩（server-side compaction）和上下文编辑（context editing），剩下的工作就浓缩成了几行配置。这正是大会主题演讲中提到的「接近无限上下文窗口」的体感来源。

实用技巧方面，他建议每隔 N 轮主动清理工具结果——截图、搜索结果、文件读取这类「陈旧的工具输出」占用大量上下文，但 Claude 做出的决策已经写进了 transcript。只保留核心任务和决策，就能实时节省大量 token。对 Claude Code 用户，他强烈推荐运行 /context 命令，查看一个彩色网格，直观看到消息、工具结果、系统提示和 MCP 定义各占多少空间，并附带优化建议。

**RAG（Retrieval-Augmented Generation，检索增强生成）**是一种在上下文窗口有限时扩展模型可用知识的技术：将外部文档分块（chunking）后存入向量数据库，每次对话前先用用户查询检索最相关的片段，再将其拼入上下文提交给模型。过去上下文窗口普遍在 4K–32K token 以内，RAG 是绕开窗口限制的主流方案，但也带来了额外的检索延迟、嵌入成本和召回准确率问题。

**服务端压缩（Server-side compaction）**指由 API 服务提供方在服务端自动对超长对话历史进行摘要或截断，开发者无需自己调用额外模型来做「滚动摘要」。**上下文编辑（Context editing）**则允许开发者在会话进行中删除或替换历史消息，例如主动移除已过时的工具调用结果，从而节省 token 用量并降低模型因陈旧信息产生混淆的概率。两者结合，使原本需要数百行代码实现的记忆管理降低为少量 API 配置。

代码执行与计算机操作：循环搬进了单次 API 调用

过去的「写代码—运行—修复」循环是开发者的苦差事：找 VM 服务商、起沙箱、把模型输出的代码放进去运行、解析报错、再喂回模型，循环往复直到成功。

Anthropic 现在提供了代码执行工具，自动给 Claude 一个服务端托管的沙箱。上述整个循环现在发生在单次 API turn 内部，不再需要 Claude 与 VM 之间的往返。Lucas 建议把它理解成「给 Claude 配了一台专属电脑」——可以做无状态计算、数据分析、安装自定义库，而不会污染你的本地文件系统；只有当需要访问本地仓库或 Python 环境时，Claude 才会回到「真实世界」。

计算机操作（computer use）是进步最明显的一块。以前要让 Claude 操作 1080p 屏幕，得先把图像降采样到模型的像素限制内、记录缩放因子、再把模型点击的坐标放大回原始分辨率，还要包上重试和校验。Opus 4.7 现在可以直接拍摄原生分辨率截图，并返回 1:1 像素坐标，最高支持 1440p，覆盖了绝大多数显示分辨率，缩放数学彻底消失。

他还披露了一组关键数据：在衡量模型完成专业及消费级软件复杂任务能力的 OS World 评测上，不到 12 个月前 Claude 得分还不到 50%，而 Opus 4.7 已报告 78%，正逼近 80%。对于 4K 等超高分辨率仍建议本地降采样，而 1440p 以内则鼓励开发者尝试不同分辨率和图像格式（JPEG/PNG/WebP）以找到最佳组合。

OS World 是由学术界发布的计算机操作能力基准测试，要求模型在真实操作系统环境（Windows/macOS/Linux）中完成专业软件和消费级应用的复杂任务，例如用 LibreOffice 完成表格操作、在浏览器中执行多步骤网页任务等。它被认为是衡量「通用计算机 Agent」能力的较权威指标，因为任务覆盖范围广、需要视觉理解与精准操作协同，比单纯的 UI 点击基准更能反映真实世界的泛化能力。该基准满分为 100%，人类专家水平约在 72%–80% 区间，因此 Opus 4.7 报告的 78% 意味着模型在该评测上已接近或达到人类专家水准，是计算机操作领域的重要里程碑。

Claude Code 实战：浏览器里自己测、自己修

Lucas 演示了一个相当惊艳的闭环：Claude Code 可以借助 Chrome 浏览器会话（安装 Claude in Chrome 扩展），让 Agent 自己上网、测试本地开发环境。

演示中，一个项目管理面板有两个 bug：新建按钮不能添加卡片、卡片拖拽会落错列。Claude 的处理方式和人类 QA 几乎一致——打开 Chrome 复现问题，发现输入失败后进入代码修复，重新测试确认卡片创建成功；接着测试拖拽功能，发现把「review PR」误拖到了「to do」，识别出这是 drag-and-drop 的 bug，实时写修复、再从头重测整个流程。

这个闭环的价值在于：**今天的软件大多是为人类设计的，就必须以类人的方式测试。**赋予 Claude 浏览器和计算机操作能力，它就能自己复现、诊断、修复面向人类的软件 bug，而不需要开发者手把手把它牵到问题和解法面前。

结论：别再为模型的不可靠性写补丁

Lucas 用一句话收尾，也是整场演讲最该记住的原则：

任何为了弥补模型不可靠性而写的代码，半衰期只有几个月。

重试逻辑、路由器、规划器、校验循环——这些都在被、也会继续被模型吸收，这块工作应该留给 Anthropic。真正有价值、能够随时间复利增长的，是那些把模型连接到你世界的代码：你的自定义工具、数据、鉴权和专属上下文。「模型无法吸收它看不见的东西」，所以把这些给它，远比去补模型的短板更有意义。

他进一步预测，整个生态正朝同一方向演进——未来每一个软件都会给 Agent 开一扇「前门」。于是有趣的工作不再是让模型更可靠，而是你能在自己 Agent 前门的另一侧，放上别人无法复制的东西。