你让一位工程师同时带三万个数字助手：有人写代码，有人跑实验，有人检查结果，再由系统记录它们说了什么、改了什么。听起来像未来实验室，但 Anthropic 称，这已经是公司内部研发平台的日常规模。截至 2026 年 8 月，Claude 在约 26% 的 AI 研发任务中达到“主导”水平。
这里的“主导”不是全自动，更不是 Claude 替代了四分之一的研究员。它指的是：人类提出高层目标并负责监督，Claude 完成任务的大部分端到端执行。真正完全不需要人类介入，还要再高一级。
这组数据来自 Anthropic 自己的内部报告。多家媒体作了转述，但并非多次独立测量。它更适合被看作一个罕见的生产级样本，而不是整个行业的普遍水平。
26%到底是怎么算的？
Anthropic 采用了源自 Epoch AI 的 AL0—AL5 六级研发自动化标准。AL3 是“协作”：AI 能在人类密切指导下承担大块工作。AL4 是“主导”：人类定目标、做监督和最终决策，AI 负责大部分执行。AL5 才是完全无人干预。
据 Anthropic 披露，达到 AL4 的模型研发任务占比，在 2026 年 2 月还不足 1%，到 8 月升至 26%；超过 90% 的 AI 研发工作至少达到 AL3。这个变化说明的不是“无人实验室已经到来”，而是 Claude 正迅速从辅助工具变成实际执行者。
数字的测量过程也值得看。2026 年 7 月，Anthropic 每周随机抽取相关部门 20% 的员工，让 Claude Research Agent 阅读其 Slack 和内部文档，整理出约 1.5 万项细粒度任务。Claude 又把这些工作归入一棵包含 542 个节点、378 个叶节点的任务树，再按每类任务消耗的人力时间加权，计算自动化比例。
换句话说，Anthropic 没有简单统计“AI 写了多少代码”，而是先拆开研发流程，再判断每项工作由谁主导。这能覆盖训练、评测、故障诊断和事故复盘等不同环节，但判断本身仍有主观性。
三万个Agent怎样一起工作？
AI Agent——能读取环境、调用工具并连续执行任务的软件代理——适合处理边界明确的工作。多 Agent 并行，则像给一名工程师配一支数字团队：把大目标拆开，让多个 Agent 同时写代码、跑实验或检查结果，最后再汇总。
Anthropic 称，其内部研发平台约有 3 万个 Agent 并发执行研究和工程任务。不过，材料对“同时”“每天同时”还是“常态化并发”的时间口径并不完全清楚。
公司为这些 Agent 设置了独立身份。数据和行为记录都绑定身份，即使底层模型升级，记录仍可延续。Agent 通过共享消息系统沟通，每条消息标记发送者并链接原始资料；系统再把消息与完整运行轨迹关联，以便追踪跨 Agent 协作。
类似思路也进入了 Claude Code——Anthropic 面向软件开发的编码 Agent。新版 Projects 可以由协调器拆分任务，让多个云端实例在独立 Git 分支工作，并共享项目记忆。它把内部大规模调度经验变成了用户可接触的产品能力，但目前仍处于 beta 阶段，开放范围有限。
为什么这件事值得盯住？
关键不只是“AI 写代码更快”，而是 AI 已经进入研发下一代 AI 的闭环。这个方向常被称为 RSI，即递归式自我改进：AI 帮助改进自身或继任系统，改进后的系统再参与下一轮研发。这里还不是模型完全自主“造出自己”，而是它在闭环中承担的工作比例持续上升。
单篇材料还给出了一些速度信号：截至 2026 年 5 月，Anthropic 正式代码库中可归因于 Claude 的合入代码已超过 80%；2026 年第二季度，典型工程师每天合并的代码行数约为 2024 年的八倍。不过 Anthropic 也承认，代码行数不等于生产力，这个八倍几乎肯定高估了真实增幅。
在目标和成功标准固定的小模型训练优化实验中，Opus 4 平均把起始代码加速约三倍，Mythos Preview 则达到约 52 倍。这类结果更像是在说明：当问题明确、结果可以反复验证时，AI 很适合高速试错。至于研究什么、哪些结果可信、何时放弃一条路线，Anthropic 仍认为人类的品味和判断力更重要。
规模越大，监控也越难。据 Anthropic Institute，2026 年 8 月内部 Agent 触发超过十亿次模型决策，监控系统拦截了约 0.002% 的高风险或异常行为。极低的比例放到十亿级规模，仍意味着异常会持续出现。这也是三万个 Agent 不只是算力问题，而是管理和安全问题的原因。
局限与未知
- 这是一套企业自报指标。任务材料的整理和自动化等级判断都大量使用 Claude，难免存在“自己给自己打分”的问题。
- Claude 与员工评级完全一致的比例为 59%；相差不超过一级时为 97%。不同人类评估者的完全一致率也只有 35%，说明 AL3 与 AL4 的边界并不客观清晰。
- 26%只代表 AL4任务的加权占比，不能推出人员替代率，也不能证明 Anthropic 已实现完整的递归式自我改进。眼下更准确的判断是：AI 研发自动化已经从演示走进生产，但实验室的方向选择和最终责任仍在人类手中。