Claude Code默认开启Auto Mode：AI自主编码时代全面来临

Auto Mode默认开启：AI编码进入自主执行新阶段

Anthropic近日确认，从8月14日起，Claude Code将在Pro与Max订阅计划的新会话中默认开启Auto Mode。这一变化标志着AI编码工具正在从"人机协作"向"AI自主执行、人类监督"的模式转变。

在Auto Mode下，Claude Code不再对每一步操作逐一弹窗征求用户同意，而是采用更智能的判断机制——只有在动作不可逆或具有破坏性时才停下来确认。这意味着日常的代码编写、文件读取、常规命令执行等操作，AI都可以自主完成，人类的角色更多转向"看着"和"把关关键节点"。

Auto Mode的设计理念源自人机交互(HCI)领域长期研究的「中断成本」问题。传统的逐步确认模式（类似Unix系统的sudo提权机制）虽然安全，但频繁的上下文切换会严重打断开发者的心流状态(Flow State)。研究表明，开发者被中断后平均需要15-23分钟才能恢复到之前的专注水平。Auto Mode本质上是将「白名单确认」模式转为「黑名单拦截」模式——默认允许安全操作，仅对高风险操作进行阻断。这种模式转变的背后，是对大量编码操作进行风险分级的结果：操作被分为只读类（文件浏览、代码搜索）、可逆类（创建文件、修改代码）和不可逆类（删除文件、执行rm命令、修改系统配置、推送至生产分支）三个层级，只有最后一类才会触发人工确认。

值得关注的是背后的安全数据支撑。Anthropic的研究显示，Auto Mode拦截危险命令的成功率高达80%，而人工审查的成功率仅为13.6%。换言之，在识别高风险操作方面，经过训练的AI判断机制反而比人工点击"确认"按钮更可靠——这一数据打破了许多人对"人工审核一定更安全"的直觉认知，其原因在于人类面对大量重复确认弹窗时容易产生"确认疲劳"(Confirmation Fatigue)，最终沦为机械性点击。团队使用Auto Mode后，约多完成了200%的Pull Request处理量，效率提升显著。

Sandboxes沙箱与隔离：让AI编码智能体安全"放手去做"

AI自主执行的前提是安全隔离。Anthropic同步推出了Sandboxes功能，为自主编码Agent提供一次性隔离的执行环境。

每个沙箱运行在基于原生Hypervisor之上的MicroVM中，拥有独立的内核、文件系统与网络。这一设计与传统容器（如Docker）有本质区别：容器共享宿主操作系统内核，一旦攻击者利用内核漏洞实现"容器逃逸"(Container Escape)，就能获得宿主机的完整控制权；而MicroVM在Hypervisor层面实现了硬件级隔离，每个虚拟机拥有完全独立的内核空间，逃逸难度等同于突破完整的硬件虚拟化层，安全等级提升了一个数量级。这种轻量级虚拟化方案的灵感来源于AWS Firecracker项目，启动时间通常在125毫秒以内，内存开销低至5MB，兼顾了安全性与开发者体验。

这一设计的关键意义在于：即便Agent发生"逃逸"或执行了恶意/错误操作，影响也仅限于临时VM，不会波及宿主机与真实生产环境。

Sandboxes的兼容性也相当开放，支持Claude Code、Codex、Copilot、Cursor、Gemini、Kilo等十余种Agent命令行工具，本地免费、商用亦免费。这为整个AI编码生态提供了一个通用的安全执行层。

无独有偶，AWS在Black Hat USA大会上宣布，其Continuum代码漏洞平台将直接集成Anthropic Claude Code与OpenAI的Codex。当开发者让AI助手写代码时，安全层可实时扫描输出中的不安全代码模式与风险依赖并及时告警。可以看出，随着AI自主编码能力增强，"实时安全防护"正成为各大厂商的标配——这与传统软件开发中"安全左移"(Shift Left Security)的理念一脉相承，只不过现在需要防范的不仅是人类开发者的疏忽，还包括AI Agent可能引入的供应链攻击和不安全依赖。

竞争格局升温：DeepSeek组建Harness团队对标Claude Code

AI编码智能体的竞争正在白热化。据证实，北京深度求索（DeepSeek^广告）已在内部组建全新的Harness团队，主攻代码智能体产品，内部对标Anthropic的Claude Code。公司资深研究员陈德里对此进行了确认。

DeepSeek此举反映了AI行业一个重要趋势：竞争焦点正从基础模型能力向应用层产品快速转移。「Harness」一词在软件工程中意为「测试线束」或「工具框架」，暗示该团队的目标不仅是构建代码生成能力，而是打造完整的代码智能体工作流——涵盖代码理解、自动测试、版本管理和部署流水线的端到端能力。DeepSeek此前以开源大模型（如DeepSeek-V2、DeepSeek-Coder）在代码理解和生成方面积累了深厚的技术基础。代码智能体赛道的竞争本质上是争夺开发者工作流的入口——一旦开发者将日常编码任务委托给某个Agent，其迁移成本会随着项目上下文、自定义规则和工作记忆的积累而迅速升高。

同时，OpenAI也在加速布局，宣布ChatGPT桌面应用与Codex CLI新增从其他Agent导入内容的能力。ChatGPT桌面端支持从Claude Code、Claude Code Work、Cursor导入，Codex CLI支持从Claude Code与Cursor导入。可迁移内容涵盖指令文件、设置、技能插件、项目文件夹、MCP服务器配置以及最近30天的聊天记录——这种"降低迁移成本"的策略，本质上是在争夺用户的工作流粘性。OpenAI深知，在AI工具的竞争中，产品间的切换成本(Switching Cost)是最强大的护城河之一，而主动降低从竞品迁移的门槛，则是一种"进攻性"的用户获取策略。

国产阵营同样动作频频。智谱旗下Zcode用户数已突破200万，并上线了低峰时段自动执行、自主交付模式与移动端远程控制等功能。商汤则推出了全新多模态智能体模型SenseNova 6.8 Flashlight Preview预览版。

持久化AI Agent崛起：从"对话"到"永续工作"

除了编码场景，企业级持久化AI Agent也成为新趋势。xAI推出企业级持久化产品GrokBot公测，每个Bot运行在独立云虚拟机中，拥有自己的浏览器、文件系统与终端，关闭笔记本后仍能继续工作，并支持多Bot在同一群聊中协作。团队版每席位每月12美元，个人版每月200美元。

持久化Agent与传统聊天机器人的根本区别在于「状态持久性」和「异步执行能力」。传统对话式AI采用无状态(Stateless)架构，每次会话结束后上下文即丢失；而持久化Agent运行在独立的计算实例中，维护着持续的工作状态(Working Memory)、长期记忆(Long-term Memory)和任务队列(Task Queue)。GrokBot每个Bot运行在独立云虚拟机中的设计，实质上是为每个Agent分配了一个完整的操作系统级运行时环境，使其能够像人类员工一样：在没有人监督的情况下持续执行任务、处理异步事件（如收到新邮件）、并在需要时主动寻求人类授权。这种架构类似于Unix系统中的daemon进程——常驻后台、持续运行、事件驱动。

OpenAI在ChatGPT中引入了"工作区Agent"，用户描述工作内容后，ChatGPT可协助将其转化为团队间共享的可执行Agent，自动完成审查、潜在客户生成、报告等长期多步骤工作流，并能跨Slack、Google Drive、Microsoft SharePoint等工具提取上下文。

腾讯WorkBuddy^广告则推出多端同步功能，实现PC、App、小程序三端的任务、对话记录与产物实时同步，用户甚至可以在锁屏状态下通过手机远程授权或停止电脑端Agent的任务。这些产品共同勾勒出一个方向：Agent正在从"被动响应的对话工具"进化为"持续运行的数字员工"。这一转变的深层含义是：AI的价值计量单位正从"单次对话质量"转向"持续产出量"，其商业模式也相应地从按次调用转向按时间/产出订阅。

AI Token成本管理成为企业新命题

随着AI Agent大规模自主运行，Token消耗成本正在成为企业不可忽视的开支。

Token是大语言模型计费的基本单位，大约对应3-4个英文字符或1-2个中文字符。当AI Agent自主运行时，其Token消耗呈指数级增长——一个简单的代码审查任务可能涉及数万Token的上下文输入（读取代码文件、理解项目结构）和数千Token的输出（生成审查意见）。而不同模型的Token单价差异巨大：顶级模型如GPT-4o约每百万输入Token 2.5美元，Claude 3.5 Sonnet约3美元，而轻量模型如GPT-4o-mini则低至0.15美元——价格差距可达20倍。

HR平台Rippling的CEO透露，公司自身的AI Token账单一度以每月80%的速度增长，占研发人力预算比例一度冲到40%。

为此，Rippling推出了AI Spend Console工具，将Token支出按员工与团队映射到生产力信号，统一路由到Cursor、OpenAI、Anthropic、Grok与智谱GLM等多家模型。智能路由(Smart Routing)的核心思想是根据任务复杂度自动选择性价比最优的模型——简单的格式化任务路由到廉价轻量模型，复杂的架构设计任务才使用顶级模型，从而在保证质量的前提下大幅降低总成本。上线后，Token支出占研发人力预算的比例从40%降至15%。这一案例揭示了一个正在浮现的行业命题：当AI自主执行成为常态，成本可观测性与智能路由将和算力本身同等重要。

在底层技术上，也有降本进展。Hugging Face与Multiverse Computing公布了融合分块KL损失技术，在32K Token上下文下将峰值显存从85.2GB降至5.45GB，原本需要四节点集群才能完成的训练任务，如今可在单张GPU节点上完成。

这一技术的原理值得深入理解：KL散度(Kullback-Leibler Divergence)损失是知识蒸馏训练中的核心损失函数，用于让小型"学生模型"模仿大型"教师模型"的输出分布。传统实现需要在GPU显存中同时保存完整序列的教师模型logits和学生模型logits——在32K Token序列长度、128000词表大小的情况下，这些中间张量的显存占用极为惊人。融合分块技术的核心创新在于将长序列分割为小块(Chunks)，每次只计算一个块的KL损失并立即释放中间张量，同时通过算子融合(Operator Fusion)减少GPU内核启动开销和显存带宽瓶颈，最终实现93.6%的显存降幅。这本质上是经典的"时空权衡"——用少量额外计算换取大幅度的存储节省。

结语：自主化浪潮下的责任与安全天平

从Auto Mode默认开启、Sandboxes隔离执行，到DeepSeek、OpenAI、智谱等厂商密集布局代码智能体，AI编码正在快速走向"自主化"。AI自己写代码、自己执行，人类只负责监督关键节点，这一图景正从概念变为默认设置。

但正如Anthropic用80%的危险命令拦截率来为Auto Mode背书、AWS用实时安全扫描来护航一样，自主化的每一步都伴随着对安全边界的重新划定。当我们把越来越多的执行权交给AI时，如何在效率与可控之间找到平衡，将是这个新阶段最核心的议题。这也呼应了AI安全领域的一个经典框架——"人在环内"(Human-in-the-Loop)正在逐步演变为"人在环上"(Human-on-the-Loop)：人类不再参与每一步决策，而是在更高的抽象层面设定边界、监控异常、并保留最终否决权。