Anthropic工程师谈AI编程的未来 | Thariq Shihipar

AI编程Claude CodeAnthropicRAG能力过剩评估

中文导读

Anthropic Claude Code团队成员Thariq Shihipar分享从游戏创业到加入Anthropic的经历，探讨AI编程工具开发中的关键洞察：为何取消Plan Mode、RAG成为反模式、评估的艺术以及能力过剩现象。

核心观点

1.Anthropic团队因发现Plan Mode降低效率而主动取消该模式（约 3:33）

2.RAG正成为反模式，直接训练模型或使用更长的上下文更有效（约 7:21）

3.编写高质量评估（evals）是艺术而非科学，需精细设计（约 12:17）

4.能力过剩（capability overhang）现象：模型能力提升快于应用吸收（约 17:51）

5.创始人应构建能快速适应模型能力跃迁的产品架构（约 30:58）

中文精读

Thariq Shihipar，Anthropic Claude Code团队成员，在South Park Commons播客中分享了AI编程工具开发的幕后故事。他从一个游戏创业项目起步，因一条关于Claude Code的偶然信息加入Anthropic，亲历了AI开发规则的不断重写。

Thariq透露，Claude Code团队曾推出Plan Mode（计划模式），但最终将其取消。原因是该模式让开发者过度规划，反而降低了实际编码效率。这一决策体现了AI工具设计中的关键权衡：AI应辅助而非替代人类的即时决策。

关于RAG（检索增强生成），Thariq直言其正成为反模式。他认为，随着模型上下文窗口的扩展，直接提供完整上下文或微调模型往往比复杂的检索管道更有效。这一观点挑战了当前AI应用的主流架构。

Thariq强调，编写评估（evals）是AI开发中最被低估的技能。好的评估需要精心设计边界案例，平衡召回率和精确率，更像一门艺术而非科学。他建议团队投入大量精力构建细粒度的评估体系。

最后，Thariq提出“能力过剩”概念：模型能力提升速度远超应用吸收能力。他建议创始人构建模块化、可快速迭代的产品，以便在模型能力跃迁时迅速受益。