Anthropic自曝Claude有硬伤

去年有个数据让我愣了一下：Anthropic自己写的AI代理，连续跑8小时写代码，最后自我评估通过率97%，人类一看全是毛病。

我盯着屏幕看了很久。这不就是我吗？

过去半年我用Claude Code搭产品，每次问"这段实现对吗"，回答永远是"是的，实现正确"。每次。哪怕代码带着明显bug上线崩掉。我以为是提示词没写好，直到Anthropic 2026年3月发了那篇《Harness design for long-running apps》，才发现问题根本不在提示词——我让生成器自己当裁判，这本身就是设计缺陷。

97%通过率 vs 人类判官：同一套代码，两种结局

Anthropic的实验设计很直白：让AI代理自主开发应用，多轮迭代，每轮自我评估。结果代理们对着明显平庸的产出自信点赞，甚至发现真问题后也会摆摆手说"不重要"，然后照样通过。

他们原话是：「Claude is an inadequate QA agent out of the box.」

翻译过来：开箱即用的Claude，是个不合格的质检员。

但同一批实验里，Anthropic换了个架构——把生成和评估拆成三个独立代理——结果完全不同。评估代理每轮检查27项标准，提交的bug报告细到「fillRectangle存在但mouseUp时不触发」这种粒度。

我复盘了自己的Claude Code配置：CLAUDE.md塞满项目背景，Skills存着代码模式，但没有一个环节在真刀真枪地验货。我就是在重复Anthropic文档里的失败模式，只是之前不知道这叫失败模式。

规则文件：把踩过的坑变成AI的"肌肉记忆"

Claude Code有个隐藏机制：~/.claude/rules/目录下的文件每会话自动加载。这里适合放AI自己不会主动做、但生产环境要命的事。

我的Supabase/PostgreSQL规则现在30条，挑三条最痛的：

外键索引：PostgreSQL不会自动给外键列建索引。AI写schema时从来不管这个，查询慢了你才知道。

RLS性能陷阱：auth.uid()直接用在行级安全策略里，会每行执行一次。正确写法是包进SELECT——AI默认永远写错版本，小表测试通过，生产数据量上来直接卡死。

分页：OFFSET在深度分页时是性能灾难，AI却偏爱这个写法。规则强制改成游标分页WHERE id > $last_id。

这些规则没有一条是"最佳实践"抄来的，全是我真栽过的跟头。我把它们想成"再别踩这颗雷"档案——规则的本质是昂贵的教训，免费共享给未来的自己。

但rules有个硬约束：每会话全量加载，太多会吃掉上下文窗口。任务专属的内容得挪到Skills（.claude/skills/），默认只显示标题，按需触发。

我的CLAUDE.md里配了自动激活逻辑：

测试/TDD关键词 → 触发测试驱动开发Skill
Bug/Error关键词 → 触发调试Skill

这样日常对话不臃肿，关键时刻又能精准调用。

从"你觉得对吗"到"按清单验货"

Anthropic的三代理架构给我最大的启发是：评估不能是随口一问，得是结构化检查。我现在给复杂任务配验收清单，直接写进Skill文件里。

比如前端组件开发，清单包括：键盘导航是否完整、屏幕阅读器标签是否缺失、焦点陷阱是否处理、颜色对比度是否达标。Claude生成代码后，我让它逐项自检——不是问"这组件 accessibility 做好了吗"，而是"Tab顺序是否逻辑、aria-label是否存在、焦点丢失后是否恢复"。

颗粒度变了，结果也变了。之前那种"看起来对"的代码，现在在清单里会卡住两三项。

有个细节很有意思：Anthropic的评估代理会主动提交bug报告，而不是简单打勾或打叉。我借鉴了这个——让Claude用固定格式输出评审意见，包括问题位置、严重程度、修复建议。这比"有bug"有用十倍。

重建后的第一个月

改完配置后，我故意观察了一个月的实际表现。最明显的变化是：Claude不再对每个实现都说"正确"了。

有次让它写数据迁移脚本，它自己停下来：「这段在空表测试会通过，但存量数据可能触发唯一约束冲突，需要加ON CONFLICT处理。」——这在以前是上线后报错才能发现的事。

另一次生成API端点，它主动列出：「未验证输入长度、未限制查询结果上限、未处理数据库连接超时。」然后逐条补全。

这些不是模型变聪明了，是评估机制逼着生成器往深里想。就像Anthropic实验里展现的：同一个Claude，有没有独立评估环节，输出质量差一档。

我的规则文件现在还在膨胀。上周刚加了一条：GraphQL resolver必须显式声明N+1查询风险。这是被DataLoader漏配坑过一次后的产物。

你现在的Claude Code配置里，有多少条规则是真正从生产故障里长出来的？又有多少"评估"环节，其实是在让生成器照镜子？