从 Claude 到 Mythos：Anthropic 模型体系、对齐路线与企业级智能体实践分享

目录

一、Claude 的定位变化：从大语言模型到智能体操作系统

（一）Claude 的第一性问题：它到底是什么？

（二）模型层级：Haiku、Sonnet、Opus、Fable、Mythos

1. Haiku：速度与成本优先

2. Sonnet：性价比与通用能力平衡

3. Opus：复杂推理与长时程任务

4. Fable：面向广泛发布的 Mythos-class 模型

5. Mythos：受限可信访问的高能力模型

二、技术演化：Claude 为什么从“会答”走向“会做”？

（一）第一阶段：对话质量与长上下文

（二）第二阶段：推理模式从“隐藏能力”变成“可调资源”

1. Extended thinking 与 adaptive thinking 的区别

2. 对企业的启示

（三）第三阶段：工具使用与电脑使用

1. 为什么 Computer Use 重要？

2. 风险也随之放大

（四）第四阶段：Claude Code 与长时程智能体

1. 从 Copilot 到 Coding Agent

2. 工程任务的范式变化

三、Claude 的安全路线：不是附属功能，而是产品结构

（一）Constitutional AI：Claude 的价值底座

1. Constitutional AI 的优势

2. 局限

（二）可解释性：打开黑箱，但还没完全读懂黑箱

1. 可解释性的战略价值

2. 当前阶段的限制

（三）Constitutional Classifiers：从训练安全到运行时安全

（四）RSP 与可信访问：能力越强，开放越受控

四、实践调研：Claude 在真实工作中被怎样使用？

（一）经济指数揭示的使用结构

（二）企业级主场：代码、文档、合规、金融、法律与安全

1. 软件工程

2. 知识密集型文档分析

3. 企业流程代理

4. 客服与运营

5. 网络安全防御

6. 生命科学与研究辅助

（三）第三方研究的补充视角

五、深度分析：Claude 的优势、短板与战略分水岭

（一） Claude 的核心优势

1. 长文本与复杂语义稳定性

2. 智能体执行能力

3. 安全叙事与治理机制

4. 高价值行业适配

（二）Claude 的主要短板

1. 成本较高

2. 保守安全策略带来的体验损失

3. 智能体可靠性仍未达到完全自治

4. 供应商锁定与模型不可解释边界

（三）关键判断：Claude 的护城河在“可靠代理 + 安全治理”

六、企业落地框架：如何把 Claude 用出生产力，而不是用出风险？

（一）场景分层

1. 低风险高频场景

2. 中风险专业场景

3. 高风险关键场景

4. 高能力受限场景

（二） 模型选择原则

1. 不要用最强模型处理所有任务

2. 优先优化上下文，而不是盲目扩大上下文

3. 对智能体任务设置检查点

（三）生产级评估体系

（四） 治理机制

1. 权限最小化

2. 人在回路

3. 数据留存与隐私策略

4. 红队与压力测试

七、未来趋势：Claude 之后，企业 AI 会走向哪里？

（一） 从 Prompt Engineering 到 Context Engineering

（二） 从单模型应用到多模型路由

（三） 从聊天界面到工作流代理

（四） 从能力竞争到治理竞争

八、结论

资料依据与引用说明

干货分享，感谢您的阅读！

Claude 已不再只是一个“擅长写作和总结的聊天机器人”。从 Claude 3 到 Claude 4，再到 2026 年 6 月推出的 Claude Fable 5 / Mythos 5，Anthropic 正在把 Claude 塑造成一个覆盖通用对话、长上下文分析、代码智能体、电脑操作、企业流程自动化、网络安全防御和科学研究辅助的模型平台。其核心竞争力并不只来自单次回答质量，而来自四条交织的路线：第一，模型能力从文本推理扩展到长时程智能体执行；第二，产品形态从聊天窗口扩展到 Claude Code、API、MCP、Computer Use、企业平台与云厂商生态；第三，安全路线从 Constitutional AI 发展到系统卡、RSP、Constitutional Classifiers、可信访问与高风险领域分流；第四，实践落地从“人机协作增强”逐渐走向“可监督自动化”。

我们现在基于 Anthropic 官方发布、模型文档、系统卡入口、经济指数研究、对齐与可解释性研究、以及近期行业实践，对 Claude 的技术演化、能力边界、安全治理、实际应用和企业落地方法进行系统分析。

一、Claude 的定位变化：从大语言模型到智能体操作系统

（一）Claude 的第一性问题：它到底是什么？

狭义地看，Claude 是 Anthropic 开发的一系列大语言模型；广义地看，Claude 已经成为一个“模型 + 工具 + 工作流 + 安全治理”的智能体平台。它既包括面向终端用户的 Claude.ai，也包括面向开发者的 Claude API、Claude Code、Managed Agents、MCP、Computer Use、Files、Skills、Sessions 等能力模块。[S1][S3]

Claude 的战略定位可以概括为：以高可靠推理和高安全约束为底座，服务复杂知识工作与可监督自动化。这与部分模型公司强调“最快响应”“最低价格”“最大娱乐化流量”的路线不同。Claude 的重点越来越集中在高价值任务：大型代码库迁移、法律与金融文档分析、长上下文研究、企业流程代理、网络安全防御和生命科学研究。[S1][S2][S10]

（二）模型层级：Haiku、Sonnet、Opus、Fable、Mythos

截至 2026 年 7 月，Claude 的模型层级大致可以理解为五层。

1. Haiku：速度与成本优先

Haiku 是轻量级模型，适合高并发、低延迟、成本敏感任务，例如客服初筛、文本分类、批量摘要、简单信息抽取、低风险自动化。

2. Sonnet：性价比与通用能力平衡

Sonnet 是多数企业应用的主力层级，适合代码辅助、文档分析、RAG、客服代理、内部知识库问答、流程自动化等场景。Claude Sonnet 4.6 在速度、智能、电脑使用和提示注入抵抗方面被 Anthropic 定位为强平衡模型。[S7]

3. Opus：复杂推理与长时程任务

Opus 是 Claude 的高能力旗舰层。Claude Opus 4.8 被定位为复杂推理、长周期智能体编码、高自主性任务的 Opus 级最强模型，支持 100 万 token 上下文、128k 最大同步输出，并在 API 中以 effort 参数控制推理投入。[S1][S2]

4. Fable：面向广泛发布的 Mythos-class 模型

2026 年 6 月 9 日，Anthropic 发布 Claude Fable 5，将其描述为已可安全广泛发布的 Mythos-class 模型。它在软件工程、知识工作、视觉、科学研究等方面被定位为 Anthropic 当时最强的广泛可用模型，尤其强调更长、更复杂任务中的优势。[S10]

5. Mythos：受限可信访问的高能力模型

Claude Mythos 5 与 Fable 5 共享底层模型，但在部分高风险领域中解除了一些安全限制，只面向 Project Glasswing 等受信任的网络安全防御者、关键基础设施组织和未来少量生命科学研究者开放。[S10][S11]

这意味着 Claude 的模型体系不再只是“按能力和价格分层”，而是出现了一个新维度：按风险领域和访问资格分层。这对企业 AI 治理具有重要启示：未来最强模型未必总是完全开放，模型能力、使用权限、数据留存、安全审计和领域限制会成为同一套产品设计的一部分。

二、技术演化：Claude 为什么从“会答”走向“会做”？

（一）第一阶段：对话质量与长上下文

Claude 早期声誉主要来自自然语言表达、长文理解、总结、改写和相对克制的安全风格。Claude 3 时代，Anthropic 将 Haiku、Sonnet、Opus 作为清晰的能力阶梯，强化多模态、长上下文与复杂认知任务表现。[S1]

长上下文的真实价值—长上下文不是简单地“塞更多字”。在企业场景中，它的价值在于：

但长上下文也不是万能。上下文越长，噪声越多；模型可能在海量信息中遗漏关键细节。因此成熟应用通常需要把长上下文与 RAG、结构化索引、引用校验、分段总结、任务规划和结果审计结合起来。

（二）第二阶段：推理模式从“隐藏能力”变成“可调资源”

Claude 3.7 Sonnet 引入 extended thinking，Claude 4 系列进一步强化推理与工具使用，Opus 4.8 引入 effort 控制，Fable 5 / Mythos 5 则转向 adaptive thinking。其背后的产品思想是：推理不是免费常量，而是一种可配置资源。[S1][S2]

1. Extended thinking 与 adaptive thinking 的区别

Extended thinking 更像是用户或开发者显式要求模型在复杂问题上投入更多思考；adaptive thinking 则更像模型根据任务难度动态分配思考预算。前者强调可控性，后者强调智能资源调度。

2. 对企业的启示

企业部署 Claude 时，不应只问“哪个模型最强”，而应建立推理预算策略：

• 简单任务用 Haiku 或 Sonnet，降低成本；

• 中等复杂任务用 Sonnet，并结合工具调用；

• 高价值、低频、复杂任务用 Opus 或 Fable；

• 需要可信高风险能力的网络安全或生命科学任务，不能简单调用公开模型，而要进入受控访问、审计和人类复核流程。

（三）第三阶段：工具使用与电脑使用

Computer Use 是 Claude 演化中的关键转折。传统工具调用要求开发者为模型准备 API；Computer Use 则让模型像人一样看屏幕、移动鼠标、点击、输入。这将 AI 从“接口调用者”推向“通用软件操作者”。[S7]

1. 为什么 Computer Use 重要？

大量企业软件没有现代 API，或者 API 覆盖不完整。财务系统、旧版 ERP、内部后台、供应链系统、浏览器表单、Office 套件、审批平台，往往只能通过 UI 操作。Computer Use 的目标是让模型直接操作这些系统，从而降低自动化改造成本。

2. 风险也随之放大

一旦模型可以点击、输入、提交表单、复制数据、访问网页，提示注入、网页隐藏指令、权限误用、敏感数据外泄和误操作风险会显著上升。因此，Computer Use 不应被视为“万能自动化”，而应被视为“需要沙箱、权限、审批、日志与回滚机制的高风险自动化”。

（四）第四阶段：Claude Code 与长时程智能体

Claude Code 把 Claude 从代码补全工具推进到“能读代码库、修改多文件、运行测试、提交变更”的智能体系统。[S9] 这类系统的关键不再是单次生成一段函数，而是能否在复杂代码库中保持目标、理解依赖、处理失败、运行验证、回滚错误、提出计划，并在必要时向人类寻求确认。

1. 从 Copilot 到 Coding Agent

传统代码助手解决的是“下一段代码怎么写”；Claude Code 解决的是“这个工程任务如何完成”。前者是局部补全，后者是项目执行。

2. 工程任务的范式变化

在 Claude Code 这类系统中，工程师的工作会从“亲自写所有代码”转向：

这意味着高级工程能力并不会消失，而是从“代码键入能力”转向“问题定义、系统设计、验证、审查和风险控制能力”。

三、Claude 的安全路线：不是附属功能，而是产品结构

（一）Constitutional AI：Claude 的价值底座

Anthropic 最有辨识度的研究路线是 Constitutional AI。其核心思想是：与其完全依赖人类偏好标注隐式塑造模型行为，不如给模型一组明确原则，让模型在训练中学习批判、修订和选择更符合原则的回答。[S4]

1. Constitutional AI 的优势

它有三点重要价值：

• 第一，透明。原则可以被阅读、讨论和修改。
• 第二，可扩展。AI 可以根据原则参与监督，减少人类标注者接触有害内容的负担。
• 第三，可迁移。原则化训练比只训练具体拒答样例更可能泛化到新场景。

2. 局限

Constitutional AI 并不能保证模型永远安全。原则本身可能冲突；模型可能在复杂代理任务中误解目标；真实世界风险常常出现在工具调用、权限、长期记忆、外部系统状态和用户意图混合的场景中。因此，Claude 的安全体系后来发展出了系统卡、RSP、分类器、可信访问、提示注入防御和运行时监控。

（二）可解释性：打开黑箱，但还没完全读懂黑箱

Anthropic 在可解释性研究中用 dictionary learning 等方法识别 Claude Sonnet 内部的百万级特征，展示了模型内部对城市、人物、代码 bug、偏见、秘密等概念的表征。[S5]

1. 可解释性的战略价值

可解释性不是为了满足好奇心，而是为了回答三个治理问题：

• 模型为什么这样回答？

• 模型是否在内部形成危险概念或欺骗倾向？

• 能否在部署前发现异常能力和异常动机？

2. 当前阶段的限制

现有可解释性更像是“局部显微镜”，而不是完整的大脑扫描。它能帮助识别某些特征与行为模式，但距离稳定预测复杂智能体行为还有距离。尤其在长时程任务、多工具调用、多代理协作中，模型行为不只由单次内部激活决定，还受到环境、权限、历史上下文和反馈循环影响。

（三）Constitutional Classifiers：从训练安全到运行时安全

Anthropic 的 Constitutional Classifiers 试图在模型输入和输出层面识别越狱与高风险内容。第一代分类器显著降低越狱成功率，但增加计算成本和误拒率；后续 Constitutional Classifiers++ 通过两阶段架构降低成本，并同时检查对话双方，从而提高对重构攻击、输出混淆攻击等新型越狱方式的鲁棒性。[S6]

对企业的启示

模型内置安全不能替代企业侧安全。企业应建立三层防护：

（四）RSP 与可信访问：能力越强，开放越受控

Anthropic 的 Responsible Scaling Policy 采用 AI Safety Level 思路，试图让安全措施随模型能力增强而升级。2025 年 Claude Opus 4 发布时，Anthropic 启动了 ASL-3 保护；2026 年 RSP 继续调整，强调比例化、迭代式和可输出的风险治理。[S8]

Fable 5 / Mythos 5 的发布显示，前沿模型正在进入一种新机制：公开模型带保守防护，受信任模型面向特定机构开放更高风险能力。这不是单纯的产品分层，而是“能力-风险-资格-审计”的组合治理。

四、实践调研：Claude 在真实工作中被怎样使用？

（一）经济指数揭示的使用结构

Anthropic Economic Index 通过隐私保护方式分析 Claude 使用情况。2025 年早期研究显示，Claude 使用主要集中在软件开发和写作，两者合计接近总使用量的一半；约 57% 的使用属于增强人类能力，约 43% 更接近自动化任务。[S12]

2025 年后续报告进一步显示，用户越来越愿意把更自主的任务交给 Claude，直接任务委派比例在八个月内从 27% 上升到 39%；API 客户更倾向于自动化适合程序化访问的专业任务。[S13]

这说明 Claude 的现实影响不是平均分布的。它最先改变的是高认知、高文本、高代码、高文档密度的工作，而不是所有职业同时被同等影响。

（二）企业级主场：代码、文档、合规、金融、法律与安全

Claude 的强势场景大致有六类。

1. 软件工程

典型任务包括代码解释、重构、测试生成、bug 修复、代码迁移、依赖升级、文档补全、PR 审查、遗留系统现代化。Fable 5 和 Opus 4.8 都强调长时程编码与大型代码库任务。[S2][S10]

2. 知识密集型文档分析

金融、法律、咨询、投研、保险、审计等行业需要处理大量 PDF、合同、表格、图表和历史材料。Claude 的长上下文、多模态和引用能力使其适合做初步归纳、风险点提取、对比分析和报告草拟。

3. 企业流程代理

通过 API、MCP、Computer Use 和 Managed Agents，Claude 可以接入 CRM、知识库、工单系统、数据仓库、办公软件和内部审批系统。它的价值不在于替代一个单点工具，而在于跨系统编排任务。

4. 客服与运营

Claude 可用于多轮客服、邮件草拟、投诉分类、知识库检索、工单摘要、质检分析。但高风险场景必须设置升级人工、禁止承诺、敏感意图识别和合规模板。

5. 网络安全防御

Project Glasswing 显示 Anthropic 正在把高能力模型用于关键软件漏洞发现、补丁建议、渗透测试辅助、威胁检测和遗留代码安全改造。[S11]

6. 生命科学与研究辅助

Fable 5 / Mythos 5 的发布材料强调其在药物设计、分子生物学假设和基因组研究中的潜力，但这类能力也触及生物安全边界，因此访问受到严格限制。[S10]

（三）第三方研究的补充视角

基于 Anthropic Economic Index 数据的后续研究发现，AI 使用高度集中：少数任务占据大量交互；高创造性、高复杂度、高认知要求但低例行性的任务更吸引 AI 参与。[S14]

这提醒我们，不应把 AI 替代理解为“自动化所有重复工作”这么简单。Claude 这类模型更可能先改变复杂知识工作中的高杠杆环节：草拟、搜索、整合、验证、编码、建模、分析和跨文档推理。

五、深度分析：Claude 的优势、短板与战略分水岭

（一） Claude 的核心优势

1. 长文本与复杂语义稳定性

Claude 在长文分析、结构化写作、语气控制和复杂材料综合方面具有持续优势。对企业来说，这比单纯 benchmark 分数更重要，因为真实业务材料往往冗长、混乱、跨格式且包含隐含约束。

2. 智能体执行能力

Claude Code、Computer Use、MCP、Agent SDK 和 Managed Agents 构成了一个智能体执行栈，使 Claude 能够从“回答问题”走向“完成任务”。

3. 安全叙事与治理机制

Anthropic 在系统卡、Constitutional AI、RSP、Constitutional Classifiers、可解释性和可信访问上的投入，使 Claude 在企业合规与高风险行业中具备差异化信任资产。

4. 高价值行业适配

法律、金融、软件、安全、生命科学、政府和大型企业内部流程都需要强推理、长上下文、审计和风险控制。Claude 的定位天然贴近这些领域。

（二）Claude 的主要短板

1. 成本较高

Opus、Fable 等高能力模型价格明显高于轻量模型。企业如果没有任务分层和缓存策略，成本会快速失控。

2. 保守安全策略带来的体验损失

Fable 5 在高风险领域采用保守防护，可能导致部分无害请求被降级或拒绝。这对普通用户是摩擦，对专业用户则可能影响稳定性和可预测性。

3. 智能体可靠性仍未达到完全自治

即使模型能长时间工作，也不代表可以无监督部署。长任务会放大早期误解、权限错误、上下文污染和验证不足。越复杂的任务，越需要中间检查点和人类审查。

4. 供应商锁定与模型不可解释边界

Claude 是闭源商业模型。企业虽然可通过系统卡和 API 文档获得能力说明，但无法完全审计训练数据、模型权重和内部机制。这要求企业建立供应商风险管理和替代方案。

（三）关键判断：Claude 的护城河在“可靠代理 + 安全治理”

Claude 的竞争力不应只用单项 benchmark 评估。更准确的判断是：Claude 正在把“可靠代理能力”和“安全治理能力”绑定起来。对于高价值企业任务，单纯强能力是不够的；能否受控地强、可审计地强、能回滚地强，才是企业真正关心的指标。

六、企业落地框架：如何把 Claude 用出生产力，而不是用出风险？

（一）场景分层

1. 低风险高频场景

适合使用 Haiku 或 Sonnet，例如摘要、分类、FAQ、内部知识库初答、文本改写。

2. 中风险专业场景

适合 Sonnet 或 Opus，例如合同初审、财报分析、代码修复、客户邮件草拟、运营分析。需要引用、日志和抽检。

3. 高风险关键场景

适合 Opus、Fable 或受控模型，但必须加入人工复核，例如法律意见、金融决策、医疗研究、网络安全操作、生产系统变更。

4. 高能力受限场景

如高级网络安全、生命科学、关键基础设施安全，应采用可信访问、隔离环境、最小权限、红队测试和严格审计。

（二） 模型选择原则

1. 不要用最强模型处理所有任务

企业应采用“路由策略”：简单任务走低价模型，复杂任务升级，高风险任务进入人工审批。

2. 优先优化上下文，而不是盲目扩大上下文

长上下文应配合：

• 文档清洗；

• 元数据标注；

• 分块检索；

• 引用定位；

• 版本控制；

• 中间摘要；

• 关键事实表。

3. 对智能体任务设置检查点

长时程任务应拆成计划、执行、验证、报告四阶段。每个阶段都要有可审查输出，而不是让模型“一跑到底”。

（三）生产级评估体系

企业评估 Claude 不应只看“回答好不好”，而应建立八类指标：

对于代码智能体，还应加入：

• 测试通过率；

• diff 可读性；

• 安全漏洞引入率；

• 回滚能力；

• PR 审查通过率；

• 对现有架构约束的遵守率。

（四） 治理机制

1. 权限最小化

Claude 不应默认拥有生产数据库、财务系统、客户隐私数据或部署权限。权限应按任务临时授予，并留下审计记录。

2. 人在回路

高风险任务必须由人类确认。模型可以建议、草拟、检查、模拟，但不应独立做出不可逆决策。

3. 数据留存与隐私策略

使用 Fable、Mythos 等更高能力模型时，必须特别关注供应商的数据留存、审计、训练排除、访问日志和删除机制。

4. 红队与压力测试

企业上线前应模拟提示注入、越权调用、错误工具选择、恶意文档、敏感信息泄露和异常长任务失败。

七、未来趋势：Claude 之后，企业 AI 会走向哪里？

（一） 从 Prompt Engineering 到 Context Engineering

提示词技巧仍然重要，但企业级应用的关键会转向上下文工程：如何组织知识、权限、工具、状态、日志和反馈，让模型在正确边界内做正确事情。

（二） 从单模型应用到多模型路由

未来企业不会只使用一个模型。更合理的架构是：低成本模型处理常规任务，高能力模型处理复杂任务，受限模型处理特定高价值任务，规则系统处理确定性约束。

（三） 从聊天界面到工作流代理

Claude 的演化显示，真正的生产力不在聊天窗口，而在工作流：代码库、CRM、文档库、浏览器、表格、审批、数据库和监控系统的连接。

（四） 从能力竞争到治理竞争

模型越强，安全、审计、访问控制和合规越重要。Fable / Mythos 的分层说明，下一代模型竞争不只是“谁更聪明”，而是“谁能把高能力安全地交付给合适的人”。

八、结论

Claude 的最新发展表明，前沿 AI 的主战场正在从“语言生成”转向“长时程、可监督、跨工具的复杂任务执行”。Anthropic 的路线具有鲜明特征：用 Constitutional AI 和安全研究建立价值底座，用 Opus、Fable、Mythos 推进模型能力边界，用 Claude Code、Computer Use、MCP 和 API 生态把能力转化为工作流执行，用 RSP、系统卡、分类器和可信访问控制高风险能力扩散。

对个人用户而言，Claude 是高质量写作、研究、代码和分析助手。对企业而言，Claude 更像是一套可嵌入业务系统的智能体基础设施。它的最大价值不是替代所有人，而是把复杂知识工作的“搜索、整合、草拟、验证、执行和反馈”流程重新编排。

但越是强大的 Claude，越不能被当作普通聊天机器人使用。企业真正需要的不是盲目接入最强模型，而是建立模型分层、任务路由、上下文工程、安全边界、人工复核和持续评估体系。Claude 的未来价值，将取决于它能否在“更强能力”与“更可信控制”之间持续保持平衡。

资料依据与引用说明

文中 [S1] 主要依据 Claude 官方模型概览：Claude Fable 5、Mythos 5、Opus 4.8、Sonnet 4.6、Haiku 4.5 的上下文窗口、最大输出、价格、可用平台和模型定位；其中 Fable 5 于 2026-06-09 起在 Claude API、Claude Platform on AWS、Bedrock、Vertex AI、Microsoft Foundry 上可用，Mythos 5 为有限访问模型。https://platform.claude.com/docs/en/about-claude/models/overview

[S2] 依据 Anthropic 2026-05-28 发布的 Claude Opus 4.8 公告：Opus 4.8 强调 coding、agentic tasks、professional work、effort control、dynamic workflows、API system entries、价格等更新。Introducing Claude Opus 4.8 \\ Anthropic

[S3] 依据 Claude API 官方文档：Claude API 是 RESTful API，提供 Messages、Message Batches、Token Counting、Models 等 GA API，以及 Files、Skills、Agents、Sessions、Environments 等 beta API。App unavailable in region | Claude by Anthropic

[S4] 依据 Anthropic 对 Claude’s Constitution 与 Constitutional AI 的说明：Constitutional AI 使用原则指导模型批判、修订和通过 AI feedback 训练更 helpful、honest、harmless 的行为。https://www.anthropic.com/research/claudes-constitution

[S5] 依据 Anthropic 2024 年可解释性研究：研究团队在 Claude 3 Sonnet 中识别了百万级特征，并观察到多语言、多模态和抽象概念表征。Mapping the Mind of a Large Language Model \\ Anthropic

[S6] 依据 Anthropic Constitutional Classifiers++ 研究：新一代分类器采用两阶段架构，在约 1% 额外计算成本下提升越狱防御并降低误拒。Next-generation Constitutional Classifiers: More efficient protection against universal jailbreaks \\ Anthropic

[S7] 依据 Anthropic 关于 Computer Use 与 Sonnet 4.6 的说明：Claude 通过屏幕观察、鼠标点击和键盘输入操作软件；同时提示注入和高权限自动化是主要风险。https://www.anthropic.com/news/developing-computer-use

[S8] 依据 Anthropic Responsible Scaling Policy 更新与 ASL-3 公开说明：Anthropic 将 RSP 设计为随模型能力升级而增加安全与部署要求的治理框架，并在 Claude Opus 4 发布时启动 ASL-3 保护。Responsible Scaling Policy Updates \\ Anthropic

[S9] 依据 Claude Code 官方产品页与相关发布：Claude Code 被定位为能读取代码库、跨文件修改、运行测试并交付 committed code 的 agentic coding system。Claude Code | Anthropic's agentic coding system \\ Anthropic

[S10] 依据 Anthropic 2026-06-09 发布的 Claude Fable 5 / Mythos 5 公告：Fable 5 是广泛发布的 Mythos-class 模型，Mythos 5 面向受信任 cyberdefenders 与基础设施提供者，二者价格为每百万输入 token 10 美元、输出 token 50 美元。Claude Fable 5 and Claude Mythos 5 \\ Anthropic

[S11] 依据 Project Glasswing 扩展公告：Anthropic 称早期约 50 个合作伙伴使用 Mythos Preview 扫描代码库并发现超过 10,000 个高危或严重安全缺陷，随后扩展至约 150 个新组织。Expanding Project Glasswing \\ Anthropic

[S12] 依据 2025 年 arXiv 论文《Which Economic Tasks are Performed with AI?》：研究分析超过 400 万 Claude.ai 对话，指出软件开发和写作接近总使用量一半，57% 更偏增强，43% 更偏自动化。[2503.04761] Which Economic Tasks are Performed with AI? Evidence from Millions of Claude Conversations

[S13] 依据 2025 年 arXiv 论文《Anthropic Economic Index report: Uneven geographic and enterprise AI adoption》：研究基于 100 万 Claude.ai 对话和 100 万 API transcripts，发现任务委派从 27% 上升至 39%，且企业 API 使用更偏自动化和专业化。[2511.15080] Anthropic Economic Index report: Uneven geographic and enterprise AI adoption

[S14] 依据 2025 年 arXiv 论文《What Work is AI Actually Doing?》：研究使用 Anthropic Economic Index 数据，发现高创造性、高复杂度、高认知要求但低例行性的任务吸引更多 AI 使用，且 5% 任务占 59% 交互。[2510.23669] What Work is AI Actually Doing? Uncovering the Drivers of Generative AI Adoption