科技人人都是产品经理·易安说AI··AI 生成
刚刚，Anthropic公开内部RSI落地方法论
Anthropic 公开其内部 AI 研发自动化方法论，核心是 AL0 到 AL5 六级量表，用于衡量 AI 在研发工作中的参与度。截至 2026 年 8 月，Claude 已在约 26% 的 AI 研发任务中处于“AI 主导”（AL4）状态，且该比例半年内从接近零快速增长。文章深入阐述了大规模 Agent 系统的在线与离线监控机制，并指出递归自我改进（RSI）的关键瓶颈在于评估器质量，而非单纯的代码量。对于希望构建自主 Agent 的团队，文章建议优先在边界清晰的任务上建立有界自动化，并管好评估、监控与人工接管机制。原文 ↗原文 ↗
核心观点
- ▍Anthropic 提出的 AL0 到 AL5 六级自动化量表是衡量 AI 研发参与度的有效方法，而递归自我改进（RSI）的关键瓶颈在于评估器质量，而非 AI 能写多少代码。
- 01截至 2026 年 8 月，Claude 在约 26% 的 AI 研发工作中处于 AL4（AI 主导）状态，超过 90% 的任务至少进入 AI 协作阶段（AL3）。
- 02从 2026 年 3 月到 8 月，进入 AL4 的工作比例从 1% 增长到 26%，半年内增长斜率比绝对值更具关注价值。
- 03Anthropic 内部平台同时运行约 3 万个 Agent，2026 年 8 月产生了超过 10 亿次决策；其中约 0.002% 被在线监控系统拦截。
- 04Anthropic 对 Agent 系统采用两层监控：在线 Monitor 在动作执行前拦截危险行为（100% 动作检查），离线 Monitor 事后分析记录，每周约 50 条升级到人工处理。
- 05Anthropic 通过分析 Slack 和研发文档，梳理出约 1.5 万项模型研发工作，拆成 542 个节点，以此评估自动化程度，比单纯统计“AI 写的代码量”更准确。
- 06文章区分了“有界自我改进”（目标、标准固定）和“开放式 RSI”（连改进标准都可修改），认为当前工业实践更应优先做好有界改进。
反方 / 局限
- — 文章指出“模型评估模型”的架构（如 Claude 生成、Claude Agent 调查、Claude Judge 评级）容易形成自我确认循环，因此需要人类抽样、独立验证集和第三方校验来对冲。
- — 0.002% 的拦截率不能简单理解为“风险很低”，因为 Agent 基数巨大，这个比例仍会产生大量真实事件，平台需同时关注覆盖率、延迟和升级率。
概念锚点
前置背景
平行视角
未来推演
延伸追问