10 月 14 日，Anthropic 向潜在投资者披露了最新经营数据。据路透社报道，今年第三季度公司收入达 168 亿美元，较第二季度的 116 亿美元增长约 45%；按照调整后口径计算，第三季度已实现盈利。
成立不到六年，Anthropic 已经成长为全球最受关注的 AI 公司之一。凭借 Claude 系列大模型，以及面向软件开发的 Claude Code 等产品，它与 OpenAI 的竞争正从基础模型延伸至开发者工具和企业应用市场。
在快速发展的过程中，Anthropic 也逐渐给外界留下了几个鲜明的印象。一方面，它在 AI 编程领域表现突出，旗下 Claude Code 已经成为广受关注的开发者工具；另一方面，这家公司始终强调 AI 安全，持续投入模型对齐、可解释性等研究。
而这些技术方向，早在 Anthropic 成立之初，就已有规划。
近日，一份写于 2021 年 7 月的 Anthropic 内部研究路线图意外曝光。这份由联合创始人 Jared Kaplan 撰写的文件，原本属于公司内部研究资料，今年 1 月因一起版权诉讼被提交至美国联邦法院，随后被研究社区重新发现。
图｜Anthropic 2021 年内部研究路线图（来源：美国联邦法院公开文件）
文件成形时，Anthropic 成立仅半年左右。那时，团队就已经提出，要开发一种能够像软件工程师一样工作的通用 AI 助手，并围绕这一目标研究模型训练、工具使用、反馈机制和安全问题。
五年前，Anthropic 就想让 AI 成为软件工程师
2021 年，距离 GPT-3 发布刚过去一年。当时，大语言模型已经展现出一定的文本生成能力，但距离能够调用工具、操作电脑的 AI 助手，还有很长一段路要走。同年 6 月，GitHub 与 OpenAI 合作推出 GitHub Copilot 技术预览版，支持根据编辑器中的上下文生成代码，AI 编程开始受到行业关注。
Anthropic 也因此将软件开发放在了研究计划的重要位置。路线图开篇指出，公司的长期目标是开发安全、有益的通用人工智能（AGI）。为了验证这一目标，团队计划先开发一款通用 AI 助手，让用户通过自然语言交流，就能创建、修改和解释软件。
文件对这款助手的能力给出了具体描述，包括回答常规问题、编写函数、排查代码错误、设计应用程序接口（API），以及讨论代码风格和软件开发规范。团队甚至希望，它最终能够具备一名软件工程师同事的全部能力。不过，文件也坦言，这一目标短期内难以实现。
从今天回头看，这一设想与 2025 年 2 月推出的 Claude Code 研究预览版有不少相似之处。Claude Code 可以阅读项目文件、检索代码、修改程序、运行命令，并根据测试结果继续调整。但在 2021 年，要实现这些能力，还有许多基础问题需要解决。
图｜Claude Code（来源：Anthropic）
首先是模型规模和训练效率。路线图提出，团队需要研究万亿参数及更大规模模型的训练方法，同时提高 GPU 利用率，改善强化学习过程中的采样效率。此外，研究人员还计划探索超长上下文，以及其他能够让模型长期保存信息和经验的方法。
这些研究与软件开发的实际需求有关。如果只是生成几十行代码，模型通常只需要参考当前的指令；但如果要修改一个大型软件项目，就必须理解不同文件之间的依赖关系，并记住此前进行过哪些修改。
训练数据同样重要。路线图提出，除了自然语言和代码，还要尽可能收集代码修改记录（Diff）、拉取请求（Pull Request）、调试过程以及相关评估结果。
这些数据能够提供普通代码文本中缺少的信息。以公开代码仓库为例，最终提交的代码可以告诉模型程序是如何编写的，而修改记录还能展示开发者删除了什么、增加了什么，以及代码在不同版本之间发生了哪些变化。拉取请求及其评审讨论，则可能包含修改原因、其他开发者的意见，以及后续调整过程。
如果模型既能看到最终代码，又能了解修改过程，就有机会学习开发者如何发现和解决问题。Anthropic 还提出，可以利用代码修改记录、维基文本修订历史及相关元数据，将人类意图与模型行为联系起来。
可见，至少在 2021 年，Anthropic 就已经意识到，软件开发过程中积累的数据具有重要的研究价值。
除了模型训练，路线图还单独列出了一项研究计划，即“用于工具使用的强化学习”（RL for Tool Use）。
当时的大语言模型主要依靠已有训练数据生成回答。如果用户要求它运行程序或查询外部信息，模型通常只能给出操作建议，无法直接执行，也就很难判断自己的答案是否正确。
Anthropic 希望让模型具备使用外部工具的能力，并通过工具了解周围环境和任务进展。文件列举的研究场景包括搜索信息、使用 printf 语句调试程序，以及操作代码编辑器。
以程序调试为例，如果只能阅读代码，模型需要根据已有知识推测错误出在哪里；如果能够运行程序、查看报错信息，再修改代码重新测试，就可以根据实际结果不断调整判断。
这样一来，模型便有机会连续完成多个操作，而不必每执行一步都等待人类提供反馈。研究人员也可以进一步探索，能否利用工具返回的结果开展强化学习，让模型逐渐掌握更复杂的任务。
从这些研究安排可以看出，Anthropic 当时已经意识到，仅仅依靠扩大模型规模、增加训练数据，还不足以实现理想中的软件工程助手。团队一方面希望利用代码修改记录、调试过程等数据，让模型更好地理解人类如何解决实际问题；另一方面，也在探索让模型主动使用工具，并根据执行结果获得反馈，逐步完成更复杂的任务。这些思路后来都成为 AI 编程发展的重要方向。
一场关于技术路线的内部讨论
除了研究计划，法院披露的文件还保留了 2021 年 7 月 16 日的一段内部讨论。参与者包括 Anthropic 联合创始人兼 CEO Dario Amodei、GPT-3 论文第一作者 Tom Brown，以及从事强化学习研究的 Andy Jones 等人。
当时，团队围绕工具调用的研究方向产生了不同意见。
Tom Brown 认为，代码仓库浏览是一个相对简单且有实用价值的切入点。研究员 Nelson Elhage 进一步提出，如果 AI 编程助手能够主动查找项目中的类型定义，将对实际开发很有帮助。Ben Mann 则提醒，代码仓库浏览最好与编辑器结合，否则使用起来可能不够方便。
这些建议都指向一个具体的应用场景。如果 AI 能够主动查看代码仓库，开发者就不必每次都将相关文件复制到对话框中，模型也能获得更多项目背景信息。
不过，Andy Jones 提出了另一种考虑。他认为，团队首先需要确定研究目标。如果希望尽快做出一款好用的编程助手，那么代码仓库搜索应当优先；但如果希望证明大语言模型确实能够学习使用工具，从 printf 调试、编辑器操作等任务入手，可能更有研究价值。
Dario Amodei 随后表达了自己的倾向：短期，应该优先验证工具使用的可行性，长期再开发更完善的编程助手。
两种方案的区别，在于团队究竟应该先解决实际产品需求，还是先弄清楚模型如何与外部环境交互。代码仓库搜索可以直接帮助开发者查找资料，但它只涉及工具使用的一部分。要让 AI 独立完成更复杂的任务，还需要让它判断什么时候调用工具、如何理解返回的信息，以及怎样根据结果决定下一步操作。
软件开发恰好适合开展这样的研究。程序可以运行，错误能够通过测试发现。模型修改一段代码后，可以查看运行结果，再根据报错继续调整。研究人员也因此有机会观察，模型能否通过反复尝试完成任务，而不只是根据已有训练数据生成答案。
五年之后，这些早期讨论中的部分设想已经进入实际产品。
2024 年 10 月，Anthropic 推出 Claude 的计算机使用（Computer Use）功能，让模型能够通过屏幕信息判断操作位置，进而移动鼠标、点击按钮和输入文字。同年 11 月，公司发布模型上下文协议（MCP），为 AI 助手连接外部工具和数据源提供统一接口。
2025 年 2 月，Claude Code 以研究预览版形式推出，能够搜索代码仓库、修改文件、运行测试，并根据反馈继续处理任务。
对照 2021 年的路线图可以发现，Anthropic 当时希望研究的工具使用能力，后来逐渐成为 Claude 产品的重要组成部分。尤其是 Claude Code，已经能够在一定程度上完成文件检索、代码修改和程序调试等连续操作，与最初设想的软件工程助手更加接近。
不过，模型能够执行的操作越多，安全问题也越复杂。这点 2021 年的内部讨论也已经涉及。研究员 Sam McCandlish 曾提出，如何安全部署没有沙箱隔离的工具？Dario Amodei 随后补充，尤其需要考虑那些能够在运行环境中直接执行代码的工具。
图｜Claude Code 沙箱安全机制示意图（来源：Anthropic）
当模型只能生成代码时，用户还可以自行检查，再决定是否运行。但如果模型能够直接执行系统命令、修改文件或连接外部服务，一旦错误理解任务，或者受到恶意指令诱导，就可能造成实际影响。
2025 年 10 月，Anthropic 为 Claude Code 推出新的沙箱安全机制，通过限制文件系统和网络访问范围，让模型可以在指定环境内执行操作，同时减少对其他系统资源的影响。
另一名参与 2021 年讨论的研究员 Amanda Askell 也曾提醒，如果团队主要在代码领域提升模型能力，安全研究却集中于自然语言，那么相关安全测试可能无法充分反映模型的实际风险。她建议，能力研究与安全研究应该在不同领域同步推进。
拥有哲学博士学位的 Askell，后来成为 Anthropic 负责 Claude 性格与行为对齐研究的核心人物。2026 年 1 月，Anthropic 公布新版《Claude 宪法》，其中大部分内容由她撰写，旨在帮助模型理解和遵循行为原则。虽然无法确定她当年的建议对公司具体决策产生了多大影响，但能力发展与安全研究同步推进，始终是 Anthropic 强调的研究方向。
五年后，再看这份路线图
回头看，Anthropic 在 2021 年提出的研究目标，有不少已经在后来的产品中得到体现。从让模型学会使用工具，到让 AI 参与完整的软件开发，五年前还需要验证的技术，如今已经成为 AI 行业的重要竞争方向。
当然，提出研究设想与最终实现产品之间，仍有很长的距离。Anthropic 的经历也说明，早期的技术判断需要经过持续研发和市场检验，才能真正产生价值。五年前的研究人员无法预知 Claude Code 会以今天的形式出现，也无法确定 AI 编程市场会发展到如今的规模。
而这份意外曝光的路线图，也让人不禁好奇，今天 OpenAI、Anthropic 以及其他前沿 AI 实验室的内部研究计划中，是否同样藏着一些尚未受到广泛关注、却可能在未来五年甚至十年改变行业的技术方向？至少从这份文件来看，值得关注的不只有已经发布的产品，还有那些距离实际应用仍然遥远的研究。
参考链接：
1.https://storage.courtlistener.com/recap/gov.uscourts.cand.434709/gov.uscourts.cand.434709.553.8.pdf
2.https://www.lesswrong.com/posts/em5wnA7gpQSvfsuxQ/some-interesting-internal-documents-from-anthropic
3.https://www.reuters.com/business/finance/anthropics-q3-revenue-surges-45-nearly-17-billion-2026-10-14/
4.https://github.blog/news-insights/product-news/introducing-github-copilot-ai-pair-programmer/
5.https://www.anthropic.com/news/3-5-models-and-computer-use
6.https://www.anthropic.com/news/model-context-protocol
7.https://www.anthropic.com/news/claude-3-7-sonnet
8.https://www.anthropic.com/engineering/claude-code-sandboxing
9.https://www.anthropic.com/research/constitutional-ai-harmlessness-from-ai-feedback
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
