最大化你的 Claude Code 会话价值：计费机制与省钱技巧
Anthropic 官方博客详解 Claude Code 的计费机制与省钱技巧。输出 token 价格是输入的约 5 倍，prompt caching 可大幅降低重复上下文成本。关键避坑：切换模型或 effort 会清空缓存，/compact 比 /rewind 贵，@提及文件比输入路径更省一次 Read 调用。长会话累积上下文成本高，新任务前用 /clear 隔离，嘈杂命令输出用子 agent 隔离。 
Claude
Claude，Anthropic 推出的 AI 助手，可在 claude.ai 使用。
评论
点赞
收藏Claude Chrome 扩展：让 AI 直接在浏览器里操作网页
Anthropic 推出 Claude Chrome 扩展，可在浏览器侧边栏直接操作网页——自动点击、填表、导航分析面板、整理 Google Drive 文件、读取日历并预订会议室。支持 Claude Cowork 生成 Excel 模型和 PPT 对比报告，可跨多个标签页工作。提供安全审查机制和权限模式，团队/企业版支持管理员统一管控。 
Claude Code 自动模式成为默认选项，附安全数据与生产案例
Claude Code 将于 8 月 14 日起在 Pro、Max 和 Team 计划中默认启用自动模式，并取消分类器额外费用。 1053 名付费测试者的对照实验显示，人类在权限提示中仅发现 13.6% 的危险命令，而自动模式拦截了 89%。手动审批模式下，用户 97% 的权限请求被批准，呈现明显的"点击疲劳"现象。Trajectory Labs 的第三方评估中，Claude 模型在自动模式下零攻击成功，而 GPT-5.6 Sol 在 Codex Auto-review 模式下攻击成功率达 5.83%。Adobe、Nuro、Gusto 等团队已在生产环境中运行自动模式，Gusto 报告约 10% 的会话包含分类器拦截。 
Claude 中的循环工程入门
Claude Code 推出四种循环模式：手动交互、目标驱动、定时执行和主动自动化，帮助开发者将重复性编程任务交给 AI 自主完成。官方给出 token 成本控制方法和代码质量维护建议，适合正在探索 AI 编程工作流的工程师参考。
将 MCP 2026-07-28 引入 Claude
MCP 2026-07-28 规范今日发布，核心从有状态转向无状态，支持 Serverless 和边缘部署，同时标准化扩展框架并强化企业级 OAuth/OIDC 认证。Claude 平台同步推出对新版 MCP 的支持，包括超过 950 个 MCP 服务器目录、交互式 UI 应用（MCP Apps）、企业级身份管理认证、开发者可观测性以及私有网络内 MCP 隧道预览。 
Claude 智能体编排架构设计指南
Anthropic 提出 Agent Harness 设计模式，主张随模型能力提升不断移除人工预设的编排逻辑。核心策略包括：利用 Bash 和文本编辑器等通用工具组合解决复杂问题；让模型自主决定上下文过滤、技能按需加载及记忆持久化，而非由外部系统硬编码；通过静态优先的缓存策略和声明式工具接口优化成本与安全边界。实测数据显示，赋予 Opus 4.6 自主过滤工具输出能力后，BrowseComp 准确率从 45.3% 提升至 61.6%；引入子代理机制进一步带来 2.8% 的性能增益。 
Anthropic 如何保障其 AI 原生软件开发生命周期安全
Anthropic 副 CISO 详解其 AI 原生软件开发生命周期（SDLC）的安全实践。核心包括：将安全规范编码进，实现漏洞发现与指令更新的闭环；在 CI 阶段采用多 Agent 并行审查替代部分人工，将 PR 实质性评论率从 16% 提升至 54%；部署远程 VM 限制 Agent 外联以控制爆炸半径；建立单用途身份与最小权限模型，禁止 Agent 间直接代码部署。文章提供了大量工程细节与数据，适合关注 AI 工程化与安全治理的技术读者。 
Claude 5 时代上下文工程的新规则
Anthropic 团队分享在 Claude Code 中为新一代模型（如 Opus 5/Fable 5）精简上下文工程的实战经验。核心发现是旧版最佳实践在新模型上往往适得其反：删除了 80% 的系统提示词且未降低代码评估表现。文章指出，新模型具备更强的判断力，无需通过大量硬性规则约束；应减少示例输入以避免限制模型探索空间，转而优化工具接口设计；采用渐进式披露（Progressive Disclosure）加载上下文，而非将所有指令堆砌在 或系统提示中。此外，自动记忆功能和丰富的引用方式（如 HTML artifacts、代码级规范）取代了传统的简单 Markdown 计划文件。建议开发者利用 claude doctor 命令简化现有配置，避免过度约束模型。 
零风险并非职责所在：CISO的Agentic AI治理指南
Anthropic CISO提出Agentic AI治理框架，主张风险可控而非零风险。核心是通过四个问题评估外部与内部风险，并建立身份光谱管理。文中分享了两类实战案例：一是具备自主修复能力的应急响应Agent，二是基于Claude Cowork的企业级个人Agent部署。详细列出了身份认证、连接器白名单、细粒度权限、沙箱执行及SIEM遥测等七项具体管控措施，强调通过最小权限和人类监督来平衡创新与安全。
Claude Code 切换至 Bun 后速度变快了吗？
Anthropic 官方页面介绍 Claude Code 功能，包括代码库理解、Issue 转 PR、多文件编辑及终端集成。页面包含 Excalidraw 等项目的使用案例及客户证言，并推广开发者通讯订阅。
Anthropic 利用 Claude Code 执行大规模代码迁移实战指南
Anthropic 分享了使用 Claude Code 进行大规模代码迁移的实战经验，包括 Bun 百万行 Zig 转 Rust 以及内部 Python 转 TypeScript 案例。文章提出核心观点是“修复产生代码的流程而非代码本身”，并详细拆解了六步法：建立规则书与依赖映射、压力测试规则、多智能体并行翻译、编译与行为匹配循环。文中提供了具体的 Prompt 模板、GitHub 代码库链接及成本数据（如 Bun 迁移消耗约 16.5 万美元 API 费用），为工程师处理遗留系统重构提供了可操作的方法论。 
在 Claude Code 中如何选择模型与努力程度
Anthropic 官方详解 Claude Code 的模型选择与 Effort 机制。文章解释 Effort 控制模型思考深度和 Token 消耗，而非改变模型能力。 建议默认设置即可。遇到错误时，先判断是模型能力不足换大模型，还是不够努力调高 Effort。不同模型定位不同，合理搭配可降本增效。
Claude Cowork 即将登陆移动端与网页版
Anthropic 宣布将 AI 协作功能 Claude Cowork 扩展至移动端和网页端，实现跨设备无缝衔接。 新功能支持后台持续运行任务，用户可在手机上随时查看进度或介入决策，不再局限于桌面端。
Claude Fable 5 使用指南：如何发现你的“未知盲区”
Anthropic 员工分享使用 Claude 进行编程和创作时的提示技巧。文章提出将问题拆解为已知、未知等四类，并介绍了盲点检查、原型设计、访谈等具体方法，帮助开发者在编码前发现潜在问题。 作者以视频编辑为例，展示了如何通过这些步骤与 AI 协作，从而更高效地完成复杂任务。
赋予管理员更多可见性与控制权：管理 Claude 企业版支出
Anthropic 宣布为 Claude Enterprise 推出新的管理功能，包括更细粒度的使用量分析、按模型设置权限以及支出阈值警报。 管理员现在可以查看团队和个人的成本数据，并将这些数据通过 API 集成到现有的财务监控工具中。 此举旨在解决企业在使用 AI 代理进行复杂工作时面临的成本不可控问题，帮助 CIO 和财务部门更好地衡量 AI 投资的回报率并防止预算超支。
Claude Tag：在 Slack 中协作与自动化工作流指南
Anthropic 发布 Claude Tag 功能，允许在 Slack 中通过 @Claude 指派任务，如排查 Bug 或整理文档。 该功能基于沙箱运行，按使用量计费而非人头费，管理员可统一配置权限与支出上限。
Anthropic 发布 Claude Science：面向科研人员的 AI 科学分析工作台
Anthropic 推出 Claude Science 应用，面向生命科学领域的科研人员进行数据分析。支持单细胞测序、蛋白质结构等场景，可连接本地计算资源与科学数据库。 提供代码溯源与自动纠错功能，旨在提升生物医学研究的复现性与效率。 
Claude 正式登陆微软 Azure Foundry 平台
Anthropic 宣布 Claude 模型在微软 Azure Foundry 平台正式全面开放。企业现在可以直接在 Azure 环境中运行 Claude，使用现有的身份认证和账单系统。 目前支持 Claude Opus 4.8 和 Haiku 4.5，提供提示词缓存和扩展思考功能。文章引用了 NVIDIA、Bolt 等客户的使用案例，强调其在企业级安全、数据驻留和高并发推理方面的优势。
Claude 生态系统概览
Anthropic 官方介绍 Claude 生态系统，展示如何通过 Connectors 和 Plugins 连接 Slack、GitHub、Sentry 等工具，实现从设计到代码、从报错修复到任务管理的自动化工作流。同时介绍了面向企业的合作伙伴市场。
AI 的四个核心属性：理解能力与边界
Anthropic 官方教程梳理了 AI 的四个核心属性：Next Token Prediction（预测下一个词）、Knowledge（训练数据截止带来的知识局限）、Working Memory（上下文窗口限制）和 Steerability（可控性）。文章详细解释了每个属性的能力边界及典型失效场景。 这有助于用户理解 AI 并非全知全能，而是基于概率生成的工具。掌握这些特性能帮助用户更有效地使用 Claude，减少幻觉困扰，提升提示词工程的效果。 