AI 编程工具标准之争爆发：Shopify 因“复杂度税”要禁用 Claude Code Shopify 的 CEO 公开威胁，要在公司内部禁用 Anthropic 的 Claude Code 编程工具，原因不是工具本身不好，而是它不支持一个行业开放标准配置文件。 现在很多公司（包括 Shopify）同时在用多种 AI 编程助手：这些工具需要知道项目的特殊规则、代码风格、架构约定、技能说明等，所以大家会在代码仓库里放配置文件。 但 Claude Code 默认只认自己的专属文件 CLAUDE.md，不主动读取 AGENTS.md。 Shopify 是个大型 monorepo（单体仓库），有几千名开发者共用。 一旦某个目录漏放了 CLAUDE.md，用 Claude Code 的同事就会拿到“阉割版”的项目认知，而用其他工具的同事则正常。Tobi 把这称为 分裂脑 或 脑叶切除。 虽然 Shopify 已经写了自动化脚本去同步两套文件，但 Tobi 认为这是一笔完全不必要的“复杂度税” Claude 团队的回应 @trq212 很快回复： 他们正在让 Claude Code 变得更“可黑”，未来会支持轻松使用 AGENTS.md，或者其他自定义系统提示。 之所以目前坚持 CLAUDE.md，是因为他们认为不同模型家族（Claude vs GPT 等）并不可互换，系统提示对模型表现影响很大，所以他们为不同模型准备了不同的提示格式。 短期临时方案：可以在 CLAUDE.md 里直接 Agents.MD 引用过去。 这个解释并没有完全说服所有人，很多开发者认为：更合理的做法应该是默认支持行业开放标准 AGENTS.md，把 CLAUDE.md 当作特殊优化选项，而不是反过来。 Anthropic 承诺会改进，但具体支持时间表还没完全公布。

AI 编程 接下来的趋势是：需求对齐侧会越来越厚，需求实现侧会越来越薄 需求对齐侧： 从 /grill-me 拷问需求，到 /prototype 画需求原型，这些是“我自己该怎么对齐需求” 再到 /to-questionnaire 是“为了对齐需求，我需要采访别人什么问题” 再往下的发展，就是“更多工种（比如 设计、产品）参与其中，作为 需求对齐侧 的一个环节” 需求实现侧： 随着 Agent 长程执行能力、编码能力 越来越好，很多防御性的流程（比如 Spec 拆成 详细的 Plan）变得没必要 最终 需求实现 将退化成一个 /goal 命令

Meta 编程模型 Muse Spark 1.1 在安全测试中进入一家真实公司的系统，还修改了内部环境。「AI 又黑进一家公司」的标题立刻刷屏，难道 Meta 一夜之间造出了顶级黑客模型？ 仔细一看，又是门没关。第三方评测机构 Irregular 配错了测试环境，把原本封闭的网络靶场接上公网。模型只是顺着现成通道出去，再利用第三方服务的基础漏洞进入系统。Irregular 也承认，这不属于沙箱逃逸，攻击手段也并不复杂。 同类错误此前还坑过 OpenAI 和 Anthropic。OpenAI 模型把真实网站误认成虚构目标，Anthropic 模型则靠弱密码和未认证接口进入 3 家机构。几次事故的共同点都不是模型成功越狱，而是测试方先把公网入口留了出来。 拿 Meta 这次来吹尤其尴尬。模型连门都没撬，只是看见门开着便走了出去。完全证明不了它能突破隔离，更配不上「自主黑进公司」这种标题。 现在的流量密码已经很固定：公网没关叫黑进公司，猜中弱密码叫黑进公司，发现零日漏洞也叫黑进公司。能力差了几个级别，标题却一模一样。 模型还没学会越狱，媒体先学会了吹牛。

AI 编程 的核心目标：让软件长期保持较高的迭代效率 手段主要有 2 个： 1. 提高开发效率，但开发效率提高 200% 整体迭代效率可能只提高 30% 2. 抹平工种之间的沟通瓶颈，这才是最大的效率瓶颈

AI 编程任务里，最容易烧钱的不是“写代码”。 而是这些隐藏动作： 反复读上下文 重复扫描文件 自动修改又自动回滚 跑测试失败后继续猜 为了一个小问题重写一大片 长时间保持高推理强度 所以用高价模型时，prompt 反而要更工程化： 任务边界写清楚。 完成标准写清楚。 不该改的文件写清楚。 预算和停止条件也写清楚。 模型越强，越要给它刹车。

AI 编程下一阶段拼的，可能不只是模型有多强，而是谁先把上下文管干净。 很多 Agent 不是不会修 Bug，是跑几轮测试、看几次 diff 后，窗口已经被重复日志和无关 warning 灌满。 一个 6.69 万 Star 的项目，正在试着解决这件事。👇

AI编程火了之后，下一个被资本押注的方向会是什么？ 田渊栋的判断是：AI research。Coding之所以能快速商业化，是因为它替代的是高薪、高ROI的工作；而 AI研究人才更贵，自动化后的回报可能更大。 从新药、新材料，到训练模型的新方法，AI research的想象空间是天文级的，但也意味着高风险。 相比大公司多线押注，RSI的差异化在于更聚焦：不是让AI优化某段代码，而是让AI学会优化自己。 这是我们专访Recursive Superintelligence联合创始人/前Meta基础AI研究（FAIR）团队研究总监田渊栋的精华节选，感兴趣的话欢迎观看完整版。