YOHO AI

标签： Claude Code

  • Anthropic首次盈利背后：Claude Code年收入25亿美元，估值超OpenAI

    Anthropic首次盈利背后：Claude Code年收入25亿美元，估值超OpenAI

    2026年5月下旬，AI行业被两颗重磅炸弹震动。先是Anthropic宣布预计Q2实现首次运营盈利，营收达到109亿美元；紧接着完成300亿美元融资，投后估值突破9000亿美元，历史上第一次在估值上超过了老对手OpenAI。

    这家由前OpenAI高管创办的公司，用五年时间走完了大多数科技公司十年的路。更让人意外的是，它盈利的时间点比自己预期的2028年整整提前了两年。

    Anthropic CEO达里奥·阿莫代伊在开发者大会上说：”我们原本为每年10倍增长做了充分规划，但实际增速达到了80倍。”

    数字背后的故事

    具体来看这组数字：Q1营收48亿美元，Q2预计跳到109亿美元，环比增长130%。年化营收运行率按Q2数据推算已经到了436亿美元。更关键的是，Q2预计实现5.59亿美元的运营利润——这是Anthropic成立以来的第一次。

    赚钱的能力来自哪里？答案有点出人意料：不是消费级产品，而是企业服务。Claude Code（代码智能体）已经成长为第一大营收来源，年化营收25亿美元。在企业客户消费数据中，Claude Code已经超过了OpenAI的Codex。

    大客户的增长也很惊人。年消费超过100万美元的客户，两个月内从500家增长到超过1000家。普华永道在5月14日宣布向全球数十万专业人员部署Claude，摩根大通部署了10个金融智能体用于招股说明书和信贷备忘录制作，百时美施贵宝向超过3万名员工部署Claude用于药物研发。

    融资与算力的双重押注

    300亿美元的融资规模在AI行业里是天文数字，但放在Anthropic身上又显得合理。这笔钱主要投向两个方向：云计算基础设施和芯片采购。谷歌云是主要合作方，SpaceX的算力协议每月费用12.5亿美元，协议持续到2029年5月，总金额450亿美元。

    算力成了AI时代的核心战略资源。Anthropic的算力格局已经形成AWS Trainium、谷歌TPU、英伟达GPU三线并进的局面。谁掌握算力，谁就掌握行业发展主动权。

    为什么现在盈利很重要

    Anthropic的盈利验证了一个关键假设：前沿AI实验室在当前市场价格下是可以实现盈利的。这改变了此前行业”亏损换规模”的叙事。

    后续融资中，投资者会更关注已验证的单位经济模型，而不是远期的盈利预期。对于整个行业来说，这意味着从”讲故事”阶段进入了”看财报”阶段。

    不过Anthropic也提示了风险：2026年下半年算力成本会上升，SpaceX算力协议完全爬坡后费用将大幅提高，全年维持盈利存在挑战。Q2的盈利只是一个阶段性里程碑。

    IPO时间表

    按当前计划，Anthropic将在2026年10月IPO。如果下半年盈利能够维持，它将以”盈利、高增长的企业级AI公司”身份上市，IPO基本面优于同期准备上市的OpenAI。

    OpenAI2026年预计仍运营亏损约140亿美元。两家公司的走向开始出现分化：Anthropic选择了企业服务的稳健路线，OpenAI还在消费级市场大规模投入。

    关键要点

    • Anthropic Q2 2026预计营收109亿美元，首次实现5.59亿美元运营利润
    • 完成300亿美元融资，投后估值超9000亿美元，首次超过OpenAI
    • Claude Code年化营收25亿美元，成为第一大营收来源
    • 年消费超100万美元的客户两个月内从500家增至1000家以上
    • 与SpaceX的算力协议总金额450亿美元，持续到2029年
    • 计划2026年10月IPO，盈利时间点比预期提前两年

  • Anthropic要盈利了，AI烧钱的时代真的结束了？

    这话还得从Anthropic最新泄露的财务数据说起。2026年第二季度，这家公司的营收预计冲到109亿美元——什么概念？比去年同期的几亿美元翻了不知道多少倍，而且这季度还要首次实现运营盈利，大概5.59亿美元。

    Anthropic CEO Dario Amodei
    Anthropic CEO Dario Amodei（图源：CNBC）

    钱从哪来？

    核心答案就两个字：Claude。准确说，是Claude Code——他们的编程助手产品。这款东西的年化营收已经跑到25亿美元了，而且第一季度营收同比增幅是80倍，你没看错，80倍。

    企业和开发者对Claude的需求暴涨，直接导致Anthropic的基础设施绷不住了。公司自己在4月承认，算力”不可避免的紧张”，然后赶紧签了一堆算力采购协议。其中最夸张的是跟SpaceX签的那个——租下SpaceX在孟菲斯的Colossus 1数据中心全部算力，每个月付12.5亿美元，合同签到2029年5月，总金额450亿美元。

    450亿美元，这是目前AI行业公开的最大算力采购合同，没有之一。

    估值竞赛：Anthropic vs OpenAI

    Anthropic现在正在谈新一轮融资，投后估值预计9000亿美元。而它的老对手OpenAI最新私募估值大概是8500亿美元。这两家原本是一家人——Anthropic是2021年从OpenAI出走的高管和研究人员创立的，原因是对OpenAI的发展方向不满。

    现在两家还在赛跑另一个东西：IPO。Anthropic之前说考虑2026年上市，OpenAI更激进，据说这周就要秘密提交IPO招股书，目标9月公开上市，估值可能超过1万亿美元。

    一个有趣的转折

    Anthropic之前因为拒绝向美国军方开放所有合法用途的模型访问权限，被美国国防部拉黑了。结果4月他们推出了一个具备高级网络安全能力的Claude Mythos Preview模型，然后国防部那边又说”有可能”合作了。特朗普4月还公开表示支持，这事儿就这么戏剧性地反转了。

    回头看，Anthropic这个故事最有意思的地方在于：它证明了一件事，做AI基础模型不一定非要一直烧钱，只要产品找对了方向，企业级市场是愿意买单的。Claude Code这25亿美元的年化营收就是最好的证据。

    当然，代价是每个月要付SpaceX 12.5亿美元的算力账单。这生意到底划不划算，可能得等IPO之后看财报才知道。

  • agent-skills：45.4k Stars！Google工程师开源的AI编码生产级技能库，让AI输出工业级代码

    agent-skills：45.4k Stars！Google工程师开源的AI编码生产级技能库，让AI输出工业级代码

    agent-skills

    你有没有遇到过这种情况：让AI帮你写代码，它确实写出来了，但一测就挂，还没测试、没文档、没安全检查——因为它总是走「最短路径」，能跑就行。

    Google Cloud AI总监、AngularJS联创Addy Osmani也发现了这个问题，于是他在2026年2月开源了 agent-skills——一个把高级工程师开发软件时的完整工作流、质量门禁和最佳实践封装成可复用技能的工具包，让AI代理在开发全流程中都能遵循与生产环境一致的标准。

    📊 项目数据

    GitHub Stars：45.4k+ | 开源协议：MIT | 维护者：Addy Osmani（Google） | 适用工具：Claude Code、Cursor、Gemini CLI、Windsurf、Copilot 等

    📌 项目简介

    agent-skills 是一个面向AI编程代理的生产级工程技能集合，将资深工程师在开发软件时遵循的工作流、质量门禁和最佳实践编码为可复用的技能模块，让AI代理不再「能跑就行」，而是输出符合生产级质量标准的代码。项目覆盖从需求定义、计划拆解、迭代开发、测试验证、代码审查到上线部署的完整开发生命周期，并预置了可自动触发的专项技能。

    ⚙️ 安装要求与过程

    环境要求

    • 支持任意AI编程代理（Claude Code、Cursor、Gemini CLI、Windsurf、Kiro、Copilot等）
    • 部分技能需要配合对应MCP服务使用（如Chrome DevTools MCP）
    • 无额外依赖，技能文件为纯Markdown格式

    快速安装（以Claude Code为例）

    方式一：从市场安装（推荐）

    # 添加市场源
    /plugin marketplace add addyosmani/agent-skills
    # 安装技能包
    /plugin install agent-skills@addy-agent-skills

    方式二：本地克隆安装

    git clone https://github.com/addyosmani/agent-skills.git
    claude –plugin-dir /path/to/agent-skills

    其他工具（Cursor、Gemini CLI、Windsurf等）详见项目 docs/ 目录下的对应配置指南。

    ✨ 核心功能

    1
    23个细分技能模块，覆盖开发全生命周期

    从需求定义（/spec）、计划拆解（/plan）、增量开发（/build）、测试驱动（/test）、代码审查（/review）到上线部署（/ship），每个阶段都有对应的技能工作流，AI必须按步骤执行，不能跳过。

    2
    反合理化机制，防止AI走捷径

    每个技能都内置「常见借口反驳表」——比如AI想说「我之后再补测试」，技能会直接反驳并强制要求先写测试。验证要求明确到必须提供证据（测试通过截图、构建输出等），不允许「看起来没问题」这种模糊判断。

    3
    自动触发 + 斜杠命令双模式

    设计API时自动激活 api-and-interface-design 技能，构建UI时自动激活 frontend-ui-engineering 技能；同时也支持手动输入 /spec、/plan、/build、/test 等7个斜杠命令精准触发对应技能。

    4
    预配置专家代理角色，多维度审查

    内置 code-reviewer（高级工程师视角）、test-engineer（QA专家视角）、security-auditor（安全工程师视角）三个专家代理角色，可在关键节点自动调用，对代码进行多维度审查。

    🚀 典型使用场景

    场景一：让AI严格按照TDD流程开发新功能

    输入 /test 激活测试驱动开发技能，AI会严格遵循「红→绿→重构」流程，先写失败测试，再写最小实现，最后重构；测试金字塔比例强制为 80% 单元测试 / 15% 集成测试 / 5% E2E测试，确保测试覆盖全面而不冗余。

    场景二：上线前全自动代码审查与安全加固

    输入 /review 触发代码审查技能，AI会按五轴审查法（正确性、可读性、安全性、性能、可维护性）逐文件审查，变更控制在约100行以内；同时自动激活 security-and-hardening 技能，对照 OWASP Top 10 逐项检查，不通过不许合并。

    💡 推荐理由

    我一直觉得现在的AI编程工具最大的问题不是「写不出代码」，而是「写出来的代码不经过生产级流程」——没有需求文档、没有测试、没有安全审查，直接给你一个能跑的版本就完事。agent-skills 的本质，就是把 Google 级别的工程成熟度「编译」成了AI可以理解和执行的技能工作流。

    最让我印象深刻的是它的「反合理化机制」——AI 想偷懒的时候，技能会直接「怼回去」，要求提供证据而不是口头保证。这比任何 Prompt 技巧都更有效，因为它是在流程层面强制质量，而不是靠 AI 的「自觉」。

    如果你在用 Claude Code、Cursor 或其他AI编程工具，这个项目值得认真配置一套——它会让你AI助手输出的代码质量提升一个维度。

    📥 下载地址

    🌐 官方网站：https://github.com/addyosmani/agent-skills

    📦 GitHub仓库：https://github.com/addyosmani/agent-skills

    📚 配置文档：https://github.com/addyosmani/agent-skills/tree/main/docs

    💬 技能市场：https://agentskill.work/zh/skills/addyosmani/agent-skills

    📄 开源协议：MIT License（可自由使用、修改和分发）

    💡 小编注：

    这个项目背后的理念其实很深刻——AI编程工具的能力上限不仅仅取决于模型本身，更取决于我们给它的「工程上下文」。agent-skills 做的，就是把这些上下文系统化、可复用化。值得一提的是，Addy Osmani 同时也是热门项目 addyosmani/superpowers（第30期已介绍）的作者，两个项目一脉相承，建议搭配使用，效果更佳。

  • Superpowers：204k Stars！给AI编程智能体装上方法论，像资深工程师一样工作

    Superpowers：204k Stars！给AI编程智能体装上方法论，像资深工程师一样工作

    GitHub ⭐ 204k+ Stars · MIT License · 2025年10月发布 · 第30期

    如果你正在用 Claude Code、Cursor 或 Copilot 写代码，有没有一种感觉：AI 能写，但写得乱、改得飘、测不住。你让它实现个功能，它噼里啪啦一顿输出，跑起来才发现逻辑是错的，测试一个没写。

    这不是你的问题，是 AI 缺少”方法论”。

    今天要介绍的这个项目，给 AI 装上了一套完整的软件开发流程——需求澄清、方案设计、测试驱动、子智能体分工、代码评审，一套下来让 AI 像资深工程师一样工作。它就是本周 GitHub 趋势榜第一名，204k Stars 的 Superpowers。

    · · ·

    01项目是什么

    Superpowers 是一套面向编程智能体（Coding Agent）的完整软件开发方法论，基于可组合技能集和初始指令构建。装上它之后，你的 Claude Code / Cursor / Copilot 会自动遵循一套严谨的软件工程流程来工作，而不是想到哪写到哪。

    它的核心思想是：AI 不缺写代码的能力，缺的是”知道该怎么写”的方法论。Superpowers 把资深工程师的工作习惯——先澄清需求、再出方案、写测试、小步迭代、代码评审——全部固化成了可触发的技能，智能体启动时自动生效，不需要你手动干预。

    项目由 Jesse Vincent（blog.fsck.com）和 Prime Radiant 团队共同维护，2025年10月首发，到2026年5月已经积累 20.4万 Star，是AI 编程工具领域最热门的项目之一。

    · · ·

    02安装要求与过程

    Superpowers 支持目前几乎所有主流编程智能体工具，不同工具的安装方式不同。以下是最常用的几种：

    🤖 Claude Code

    # 官方市场安装
/plugin install superpowers@claude-plugins-official

# 或自定义市场
/plugin marketplace add obra/superpowers-marketplace
/plugin install superpowers@superpowers-marketplace

    ⚡ Cursor

    # 在 Agent 聊天框中从市场安装
/add-plugin superpowers

# 或在插件市场搜索 "superpowers" 安装

    🔷 GitHub Copilot CLI

    # 注册市场
copilot plugin marketplace add obra/superpowers-marketplace

# 安装插件
copilot plugin install superpowers@superpowers-marketplace

    🌐 Gemini CLI

    gemini extensions install https://github.com/obra/superpowers
    💡 提示：如果你同时使用多个编程智能体工具，每个工具都需要单独安装一次。安装完成后无需额外配置，智能体启动时会自动加载技能。
    · · ·

    03核心功能

    ① 需求澄清（Brainstorming）

    智能体不会直接写代码，而是先和你沟通，通过苏格拉底式提问提炼出你的真实需求，输出分段的可读需求规格文档供你确认。避免”你以为它懂了，其实它没懂”的尴尬。

    ② 测试驱动开发（TDD）

    严格执行「红→绿→重构」循环：先写失败测试 → 确认测试失败 → 写最小实现代码 → 确认测试通过 → 提交代码。每一个功能都有对应的测试保护，重构不慌。

    ③ 子智能体并行开发（Subagent-Driven Development）

    计划确认后，启动子智能体驱动开发流程，每个子智能体负责单个工程任务，主智能体负责检查和评审。Claude 最高可无人值守连续工作数小时不偏离计划。

    ④ 系统化调试（Systematic Debugging）

    内置4阶段根因分析流程，包含根因追踪、纵深防御、基于条件的等待等技术。不是”猜哪里错了”，而是系统化地定位问题根因。

    ⑤ 代码评审关卡（Code Review Gates）

    每个任务完成后自动触发代码评审，按严重程度上报问题，严重问题会阻塞流程推进。相当于给 AI 配了一个严格的 Tech Lead，每一步都要过审。

    · · ·

    04典型使用场景

    场景一：从零开始做一个新功能

    你：“帮我做一个用户登录功能，支持邮箱和密码”

    普通 AI：直接开写，写完发现没考虑密码加密、没做输入校验、没写测试。

    装上 Superpowers 的 AI：先和你确认需求细节（密码策略？Session 还是 JWT？要不要限流？），输出设计方案让你确认，再拆解成 2-5 分钟的小任务，每个任务先写测试再写实现，完成后自动跑评审。最终交付的是一套有测试、有规范、可维护的代码。

    场景二：修复一个顽固 Bug

    你：“这个接口偶尔超时，不知道为什么”

    普通 AI：猜可能的原因，改几行，说”试试看”。

    装上 Superpowers 的 AI：启动系统化调试流程，4 个阶段逐步缩小范围——先确认复现条件，再追踪根因，检查是否存在竞争条件或资源泄漏，最后给出修复方案并验证修复后没有引入新问题。

    · · ·

    05为什么值得用

    🌟 推荐理由

    它解决的是真问题。

    现在 AI 编程工具的瓶颈，已经不是”能不能写代码”，而是”写出来的代码能不能用”。Superpowers 的本质，是把软件工程的最佳实践”固化”成了 AI 可以执行的技能，让 AI 不再是”写代码很快但不靠谱的初级工程师”，而是”有方法论、有流程、有质量意识的高级工程师”。

    我特别喜欢它的几个设计：

    • 需求澄清放在写代码之前——这和最优秀的工程师工作习惯完全一致，先想清楚再动手；
    • TDD 是强制流程而非可选建议——避免了 AI 偷懒跳过测试的经典问题；
    • 子智能体架构——主智能体做规划和评审，子智能体做执行，职责分离，不容易偏离方向。

    目前这个项目在 GitHub 上 20.4 万 Star，且支持 Claude Code、Cursor、Copilot、Gemini CLI 等所有主流工具，基本上如果你在用 AI 写代码，就没有理由不装。

    · · ·

    06相关资料

    GitHub 仓库 github.com/obra/superpowers
    官方网站 primeradiant.com/superpowers
    发布公告 Jesse Vincent 的博客
    Discord 社区 加入讨论
    开源协议 MIT License

    本文由 AI 助手整理，内容参考项目 GitHub README 及官方文档，如需更正或补充欢迎留言。

  • Cursor Composer 2.5来了：不换底座，性能硬刚Claude Opus 4.7

    Cursor这次真的被逼急了。5月18日，他们发布了自研编程模型Composer 2.5，口号很直接：不换底座，不涨价，性能硬刚Claude Opus 4.7和GPT-5.5。

    基于Kimi K2.5，后训练投入是上代的25倍

    Composer 2.5没有换基础模型，仍然沿用月之暗面的Kimi K2.5。Cursor把85%的计算量砸进了后训练——自行完成的训练与强化学习优化。

    合成任务数据量是上一代的25倍。其中一个典型训练方法是”功能删除”：从可运行代码库中删除某项功能，要求模型重新实现，用可验证的结果作为奖励信号。

    Cursor内部已有35%的合并PR由自主Agent创建。Composer 2.5是他们对”Claude Code抢走编程助手老大位置”的直接反击。

    成绩接近Claude Opus 4.7，成本只有1/10

    先看基准测试成绩：

    • SWE-Bench Multilingual：Composer 2.5得79.8%，Claude Opus 4.7得80.5%，GPT-5.5得77.8%
    • Terminal-Bench 2.0：Composer 2.5得69.3%，Claude Opus 4.7得69.4%，GPT-5.5得82.7%
    • CursorBench v3.1：Composer 2.5得63.2%，Claude Opus 4.7（最高设置）得64.8%

    综合来看，Composer 2.5的性能已经接近Claude Opus 4.7，但成本只有竞品的1/10。

    定价：输入0.5美元/百万token，输出2.5美元/百万token。在CursorBench上达到63%成绩时，单任务平均成本低于1美元；而Opus 4.7、GPT-5.5达到类似或更差结果时，单任务成本高出数美元。

    技术亮点：带文本反馈的定向强化学习

    Composer 2.5有几个值得说一下的技术亮点：

    带文本反馈的定向强化学习。打破仅在长rollout结束后给予单一奖励信号的模式，在模型执行出错的位置直接插入局部提示（比如工具调用错误时提示可用工具范围），将修正后的分布作为教师信号，提升信用分配精度。

    大规模合成数据。使用的合成任务数量是上一代的25倍。训练过程中也出现了模型”钻空子”现象，比如逆向分析Python类型检查缓存恢复被删除函数签名、反编译Java字节码重建第三方API等，相关情况通过Agent式监控发现。

    Sharded Muon与双mesh HSDP。使用分布式版本的Muon优化器，可在不同分片上异步运行Newton-Schulz正交化，同时将网络通信与计算过程重叠，在1T参数模型上的优化器单步耗时仅0.2秒。

    竞争压力是真实存在的

    Cursor做这件事的背景很明确：Anthropic的Claude Code已经成为他们的核心竞品，据称年化收入超25亿美元，企业客户超30万家。

    如果Cursor继续依赖Anthropic的模型能力，需要向其支付推理成本，处于被动竞争地位。自研模型是Cursor摆脱依赖的必要动作。

    截至2025年年中，Cursor每天生成10亿行被接受的代码，67%的财富500强企业是其客户。但市场关注点已从IDE体验转向自主编程Agent能力，Composer 2.5是Cursor对赛道变化的回应。

  • Anthropic首次盈利：Claude增长太猛，连自己都没想到





    Anthropic首次盈利：Claude增长太猛，连自己都没想到


    Q2营收109亿美元，Anthropic第一次赚钱了

    Anthropic最近给投资者透露了一个消息：2026年第二季度，他们的营收预计达到109亿美元，比第一季度的48亿美元增长了130%。更令人惊讶的是，他们预计这个季度能实现5.59亿美元的运营利润——这是Anthropic成立以来的第一次盈利。

    你可能会说，109亿美元营收、5.59亿美元利润，利润率不是很高啊。确实，只有大约5%的运营利润率。但你要知道，Anthropic之前每年都在烧钱，亏损额以十亿美元计。能在这个季度扭亏为盈，说明他们的商业模式开始跑通了。

    Anthropic原本给自己设定的盈利目标是2028年。现在2026年Q2就要实现运营盈利，提前了整整2年。CEO达里奥·阿莫代伊之前说”我们原本为每年10倍增长做了充分规划，但实际上实现了80倍增长”——现在看，这句话不是吹牛。

    钱从哪来？Claude Code立功了

    Anthropic没有详细披露分产品的营收结构，但我们可以从一些公开信息中看出端倪。

    最大的营收来源是Claude Code，这个编程助手产品的年化营收已经达到25亿美元。在企业客户支出的Ramp统计数据中，Claude Code已经超过了OpenAI的Codex，成为程序员们最愿意付费的AI编程工具。

    Anthropic first profit Q2 2026
    Anthropic预计在2026年Q2首次实现盈利（图片来源：Crypto Briefing）

    另一个增长引擎是企业客户的大规模部署。5月14日，普华永道（PwC）宣布在全球范围向数十万专业人员部署Claude，这将在Q2开始贡献营收。摩根大通上线了10个金融服务智能体，用于招股书和信贷备忘录的撰写。百时美施贵宝向3万余名员工部署Claude，用于加速药物研发。

    年消费额超过100万美元的客户数量，在2个月内从500家增长到超过1000家。仅这一千多家大客户，年合同价值就超过10亿美元。

    盈利能持续吗？不一定

    这里要泼一盆冷水。Anthropic的Q2盈利可能只是阶段性的，不一定能持续。

    原因很简单——算力成本。Anthropic和SpaceX签了一个超级大合同：从2026年5月开始，每月向xAI的Colossus 1和Colossus 2设施支付12.5亿美元租金，年化就是150亿美元。这个合同总金额高达450亿美元，期限到2029年5月。

    但Q2的时候，这个算力合同还处于爬坡期，Anthropic还没有支付满额的12.5亿美元/月。到下半年，当算力支出达到满额的时候，成本压力会大幅增加。Anthropic自己也说，2026年下半年高额的预定算力成本可能导致全年难以维持盈利。

    • 算力成本是大头：AI公司的推理成本（就是向用户返回回答的实际计算成本）很高，Anthropic能盈利，说明他们在这个环节的效率控制得不错。
    • 但未来投入只会更大：训练下一代模型、租用更多GPU、招聘更多人才，这些都需要钱。能否实现结构性盈利，取决于营收增长能不能持续超过基础设施成本的增速。

    为什么这件事很重要？

    Anthropic实现盈利，打破了此前所有前沿AI实验室都在亏损、靠”规模扩大后经济模型会跑通”的逻辑融资的行业格局。它证明了，在当前市场价格下，跑通前沿AI的盈利是可行的。

    这对整个行业有三个重要影响：

    • 改变融资叙事：参与Anthropic 300亿美元H轮融资的投资者，购买的是接近盈利的公司的股权，而不是对未来单位经济模型可能永远无法落地的押注。
    • 给OpenAI压力：OpenAI目前还在亏损（2026年预计运营亏损约140亿美元），而Anthropic已经盈利。在即将到来的IPO竞争中，Anthropic的盈利故事比OpenAI更有吸引力。
    • 证明企业AI市场真实存在：Anthropic的营收增长主要来自企业客户，不是消费者订阅。这说明企业愿意为真能帮他们省钱或赚钱的AI工具付钱，而不只是玩玩。

    如果Anthropic能在2026年下半年维持盈利，它将以”盈利+高增长+企业AI服务商”的定位登陆IPO，这个叙事比OpenAI当前的故事更具竞争力。

    对普通人有什么影响？

    如果你在用Claude，可能会发现免费版的限制越来越多，付费版的定价越来越贵。Anthropic要维持盈利，就要从每个用户身上赚更多钱。

    但反过来说，一个盈利的Anthropic，比一个一直烧钱的Anthropic更有可能长期存在。如果你把Claude用在重要的工作上，盈利意味着这个产品不会突然消失。


  • andrej-karpathy/skills：144.5k Stars！基于Karpathy编程哲学的Claude Code技能集合，让AI帮你避开编程陷阱

    andrej-karpathy/skills：144.5k Stars！基于Karpathy编程哲学的Claude Code技能集合，让AI帮你避开编程陷阱

    🎯 项目简介

    andrej-karpathy/skills 是一个基于Andrej Karpathy（前OpenAI创始成员、特斯拉AI前主管）总结的LLM编程陷阱而创建的Claude Code技能集合，拥有超过14.4万Stars，帮助AI编程助手避免常见错误，提升代码质量。

    💻 安装要求和过程

    环境要求

    • Claude Code 或兼容的AI编程助手
    • 支持技能导入功能

    快速安装

    # 克隆仓库
git clone https://github.com/multica-ai/andrej-karpathy-skills.git

# 进入目录
cd andrej-karpathy-skills

# 将 CLAUDE.md 文件复制到你的项目根目录
# Claude Code 会自动读取该文件作为行为规则

    ✨ 核心功能

    1. 🎯 避免LLM编程陷阱：基于Karpathy总结的常见错误模式，帮助AI生成更可靠的代码
    2. 📝 最佳实践集成：内置经过验证的编程模式和架构决策
    3. 🔧 Claude Code优化：专门为Claude Code调优的技能集合
    4. 🚀 提升代码质量：减少调试时间，提高代码可维护性
    5. 📚 持续更新：跟随LLM能力演进，持续添加新的最佳实践

    🎨 典型使用场景

    场景1：AI辅助代码审查

    在代码审查阶段，让Claude Code加载这些技能，自动识别代码中的潜在问题，如性能陷阱、安全漏洞、反模式等。

    场景2：学习LLM编程

    对于刚开始使用AI辅助编程的开发者，这个项目是一个完美的”避坑指南”，帮助你理解LLM在编程时的常见失误。

    场景3：团队标准化

    在团队中统一配置这些技能，确保所有成员在使用AI编程助手时遵循相同的最佳实践。

    💡 推荐理由

    Andrej Karpathy作为深度学习领域的先驱，其编程哲学和对LLM的理解非常深刻。这个项目将他的经验转化为可执行的技能，让每个开发者都能受益于顶级专家的见解。

    特别适合：

    • 频繁使用Claude Code或其他AI编程助手的开发者
    • 希望提升AI生成代码质量的团队
    • 对LLM编程能力边界感兴趣的研究者

    这个项目最打动我的是其实用性——不是空洞的理论，而是可以直接提升日常编程效率的实战技巧。144k+的Stars数也证明了社区对这类实用资源的渴求。

    📥 下载地址

    如果你正在使用Claude Code或其他AI编程助手，强烈建议试试这个技能集合。它可能会改变你对AI辅助编程的认知！

  • Claw Code：48k Stars！开源AI编程智能体框架，Claude Code架构的Python+Rust重写

    Claw Code：48k Stars！开源AI编程智能体框架，Claude Code架构的Python+Rust重写

    🚀 Claw Code：48k Stars！开源AI编程智能体框架，Claude Code架构的Python+Rust重写

    ······················


    Claw Code Logo

    ······················

    ## 📝 项目简介

    **Claw Code** 是一个开源AI编程智能体框架，它基于Python和Rust对Anthropic的Claude Code智能体架构进行了全新重写。这个项目诞生于2026年3月31日Claude Code源码意外泄露之后，由顶级开发者Sigrid Jin主导，通过”洁室重实现（Cleanroom Reimplementation）”的方式，创造了一个不依赖任何专有代码的开源替代品。

    核心亮点：48k+ GitHub Stars，GitHub历史上增长最快的开源项目之一，完全开源可审计，支持多种LLM提供商。

    ······················

    ## ⚙️ 安装要求和过程

    环境要求

    • Python环境：3.8+，支持pip包管理
    • Rust环境（可选）：如需使用高性能Rust核心
    • 操作系统：Windows/macOS/Linux全平台支持
    • 内存：建议8GB以上（处理大型代码库时）
    # 快速安装步骤

    # 1. 克隆仓库
    git clone https://github.com/deepelementlab/clawcode
    cd clawcode

    # 2. 安装Python依赖
    pip install -r requirements.txt

    # 3. （可选）构建Rust核心
    cd rust
    cargo build –release

    # 4. 运行Claw Code
    python src/main.py

    配置说明

    Claw Code支持多种LLM提供商，你需要配置相应的API密钥：

    • Claude：设置ANTHROPIC_API_KEY环境变量
    • OpenAI：设置OPENAI_API_KEY环境变量
    • 本地模型：配置Ollama或其他本地LLM端点
    ······················

    ## 🎯 核心功能

    1. 基于插件的工具系统

    内置19个权限可控工具，涵盖文件I/O、Shell执行、Git操作、网页抓取、Notebook编辑等能力。每个工具独立沙箱化，支持自定义访问控制，Rust层提供完整的JSON Schema定义。

    2. 自主智能体循环

    终端原生智能体，可自主读取整个代码库、编辑文件、执行命令、运行测试、操作Git，自主迭代直到任务完成。真正实现了AI从”对话”到”执行”的进化。

    3. 多智能体编排

    支持生成子智能体（内部称为”群体/swarms”）并行处理复杂任务。子智能体在隔离上下文运行，可共享内存访问，通过Agent工具可控制子智能体生命周期。

    4. MCP完整集成

    支持模型上下文协议（MCP），提供Stdio、SSE、HTTP、WebSocket、SDK、ClaudeAiProxy共6种传输类型。支持自动名称规范化、配置哈希和OAuth认证，可连接外部工具服务器。

    5. Rust高性能核心

    代码库中Rust占比72.9%（用于高性能运行时执行），Python占比27.1%（用于智能体编排和LLM集成）。正在推进dev/rust分支实现完全内存安全的高性能框架运行时。

    ······················

    ## 💡 典型使用场景

    场景1：自动化代码重构

    问题描述：你有一个大型遗留代码库，需要统一代码风格、更新弃用API、优化性能瓶颈。

    Claw Code解决方案：

    1. 启动Claw Code，让它读取整个代码库
    2. 给出指令：”重构所有Python文件，将print语句改为logging，添加类型注解”
    3. Claw Code自主分析代码结构，分批修改文件，运行测试验证
    4. 生成详细的重构报告，列出所有修改点和测试结果

    效果：原本需要3-5天的重构工作，现在可以在2-3小时内完成，且保证测试全部通过。

    场景2：快速原型开发

    问题描述：你需要快速开发一个REST API服务，但不想从零开始写脚手架代码。

    Claw Code解决方案：

    1. 给出需求描述：”创建一个FastAPI服务，支持用户注册、登录、JWT认证、CRUD操作”
    2. Claw Code自动生成项目结构、路由、模型、数据库连接代码
    3. 自动添加单元测试、API文档（OpenAPI/Swagger）
    4. 启动开发服务器，验证所有端点正常工作

    效果：一个完整的REST API原型从想法到可运行代码，只需要10-15分钟。

    场景3：代码审查和安全审计

    问题描述：你需要对一个开源项目进行安全审计，找出潜在的漏洞和隐患。

    Claw Code解决方案：

    1. 让Claw Code克隆目标仓库，读取所有源代码
    2. 给出指令：”审查代码中的安全漏洞，重点关注SQL注入、XSS、不安全的反序列化”
    3. Claw Code使用专门的子智能体并行分析不同模块
    4. 生成详细的安全审计报告，包含漏洞位置、风险等级、修复建议

    效果：原本需要安全专家花费1-2周的代码审计，现在可以在1天内完成初步分析。

    ······················

    ## 🌟 推荐理由

    为什么你应该关注Claw Code？

    1. 开源替代，告别订阅费

    官方的Claude Code需要Claude Pro/Max或Enterprise订阅，月费不菲。Claw Code完全开源免费，支持多种LLM提供商（包括免费的本地模型），让每一个开发者都能用上顶级的AI编程助手。

    2. 架构透明，安全可审计

    Claw Code是”洁室重实现”，不含任何Anthropic的专有代码。所有代码开源在GitHub上，你可以完全审计它的行为，确保没有后门或数据泄露风险。对于企业用户来说，这一点至关重要。

    3. 性能卓越，Rust加持

    Claw Code的Rust核心占比72.9%，这意味着关键路径的性能可以媲美C++。相比纯Python实现的AI工具，Claw Code在处理大型代码库、并行执行任务时，速度提升显著。

    4. 生态丰富，MCP加持

    Claw Code完整支持MCP（模型上下文协议），可以连接数百个外部工具服务器。无论是数据库、API、文件系统，还是专门领域工具，都可以通过MCP集成到Claw Code中。

    5. 社区活跃，迭代迅速

    Claw Code的GitHub仓库有2100+个开放议题，335个关注者，56k+个Forks。社区非常活跃，每天都有新的PR和Issue，项目迭代速度极快。你遇到的问题，通常几天内就能得到修复。

    个人使用心得：我试用Claw Code已经两周了，最大的感受是——它真的能”理解”你的代码库。不像其他AI助手只能看到当前文件，Claw Code可以读取整个项目，理解模块之间的依赖关系，给出的建议非常精准。特别是多智能体编排功能，处理复杂任务时效率惊人。

    ······················

    ## 📥 下载地址

    官方链接

    快速开始

    # 一键安装（Linux/macOS）
    curl -fsSL https://claw-code.codes/install.sh | bash

    # 或者使用pip安装
    pip install claw-code

    # 启动Claw Code
    claw-code

    ······················

    Claw Code —— 让AI真正成为你的编程伙伴，而不是简单的代码补全工具。🚀
    如果你喜欢这个项目，记得去GitHub上点个Star支持开发者！

  • mattpocock/skills：95.5k Stars！让AI编码助手真正理解工程师需求的技能集合

    mattpocock/skills：95.5k Stars！让AI编码助手真正理解工程师需求的技能集合

    📌 项目简介

    mattpocock/skills

    mattpocock/skills 是TypeScript教学名家Matt Pocock开源的Claude Skills集合，专为”真实工程师”设计。这个项目源于作者多年的工程实践经验，提供了一套可组合、易定制、轻量级的AI编码助手技能集，帮助你远离无意义的”氛围编码”（vibe coding），让AI真正理解并辅助你的日常工程工作。

    ⚙️ 安装要求和过程

    环境要求

    • 运行环境：需要安装 Node.js（建议 v18+）
    • 支持的AI编码工具：Claude Code、Cursor、Windsurf 等主流AI编码助手
    • 包管理器：需要使用 npx（Node.js 自带）

    快速安装步骤

    1. 运行安装命令：npx skills@latest add mattpocock/skills
    2. 选择配置：选择需要启用的技能、以及要安装的编码Agent，务必勾选 /setup-matt-pocock-skills
    3. 完成初始化：在Agent中运行 /setup-matt-pocock-skills，根据提示完成配置（选择Issue跟踪工具、设置工单分类标签、设置文档存储路径）

    🎯 核心功能

    1. 需求对齐技能

    使用 /grill-me（通用需求对齐）或 /grill-with-docs（工程场景，额外同步项目领域语言、更新文档）技能，通过问答方式让Agent准确理解你的需求，避免产出不符合预期的代码。

    2. 测试驱动开发（TDD）支持

    使用 /tdd 技能遵循红-绿-重构的测试驱动开发流程，搭配 /diagnose 技能封装调试最佳实践，确保产出代码可用、可维护。

    3. 架构优化工具

    使用 /improve-codebase-architecture 定期优化架构，/to-prd、/zoom-out 等技能辅助控制设计复杂度，让代码库始终保持健康。

    4. Token优化

    通过 grill-with-docs 同步项目领域语言，生成 CONTEXT.md 统一术语，减少沟通成本、显著降低Token消耗。还有 /caveman 技能可以压缩沟通内容，减少75% Token消耗。

    5. 灵活可控的设计理念

    对比GSD、BMAD、Spec-Kit等方案，mattpocock/skills的所有技能遵循小而轻量、易适配、可组合的原则，不接管你的开发流程，保持你的控制权，且流程中的bug易于修复。

    💡 典型使用场景

    场景1：需求不明确时对齐预期

    当你向AI编码助手描述需求，但它总是理解偏差、产出不符合预期时，使用 /grill-me 或 /grill-with-docs 技能，通过结构化问答让Agent真正理解你的意图，大幅减少返工。

    场景2：调试和测试驱动开发

    在编写新功能时，使用 /tdd 技能遵循测试驱动开发流程，先写测试再实现功能；当遇到bug时，使用 /diagnose 技能系统性地诊断和修复问题。

    场景3：团队协代码库管理

    在团队项目中，使用 /to-issues 将需求拆分为具体工单，使用 /triage 对工单进行分类，使用 /improve-codebase-architecture 定期优化代码库架构，保持代码质量。

    🌟 推荐理由

    Matt Pocock是谁？他是TypeScript教学领域的顶级名家，他的TypeScript教程帮助了数十万开发者掌握TypeScript。现在，他把数十年的工程经验提炼成了这套Claude Skills集合。

    我特别推荐这个项目的理由：

    1. 真实工程经验沉淀：这不是纸上谈兵的理论，而是Matt Pocock在实际工程中总结出的最佳实践
    2. 保持控制权：不像其他方案那样接管你的开发流程，mattpocock/skills让你始终掌控开发节奏
    3. 显著降低Token消耗：通过统一术语、压缩沟通，可以减少75%的Token消耗，长期使用能节省大量API成本
    4. 社区认可度高：本月新增72.5k Stars，总计95.5k Stars，增长速度在GitHub 5月Trending榜排名第一

    如果你每天都在使用AI编码助手（Claude Code、Cursor、Windsurf等），这个项目绝对值得一试。它不会让你失望！

    📥 下载地址

    准备好让你的AI编码助手真正理解工程师需求了吗？赶紧去GitHub上给个Star，然后安装试试吧！