Anthropic 衡量了智能体的自主性——并反对审批强制要求

2026年2月18日，Anthropic 的社会影响团队发布了“在实践中衡量 AI 智能体的自主性”，该分析基于通过其公开 API 发起的 998,481 次工具调用以及 500,000 次交互式 Claude Code 会话，并在文末提出了一项面向立法者的建议：监管规则不应规定特定的交互模式，包括要求人类批准智能体采取的每一项行动。这篇文章是一份研究报告，而非备案文件，但它被作为政策记录登记在事件档案中——严重性信息、置信度 A、无记录损害、无争议——因为一家模型供应商利用自己的第一方遥测数据论证，一种常见的监管设计“会造成摩擦，却未必能带来安全收益”。完整记录及其主要来源和分类，收录于Orca AI Incident Archive，并与该系列中的其他治理条目并列。

该报告列出了二十位具名贡献者，其中包括 Miles McCain、Thomas Millar、Saffron Huang、Alex Tamkin、Jack Clark 和 Deep Ganguli。它借鉴了 Anthropic 的隐私保护分析工具 Clio；该文章称，正是这一工具让公司得以研究真实客户流量，而无需阅读底层对话。这一方法论正是文章的核心：下文中的每一个数字，衡量的都是人们用智能体做了什么，而不是基准测试表明智能体能做什么。

Anthropic 测量了什么，以及如何测量

Anthropic 将智能体定义为“一种配备工具、能够采取行动的 AI 系统”——运行代码、调用外部 API、与其他智能体通信。这一定义设定了分析单元。该公司并未试图重建每个客户的智能体架构（其表示无法看到这些架构），而是统计了单个工具调用及其周围的上下文。

两个数据源在广度与深度之间取舍。公开 API 流量让 Anthropic 能够覆盖数千名客户，但只能看到孤立的工具调用层级；该公司表示，它“没有可靠的办法将发往我们 API 的独立请求关联成智能体活动的‘会话’”。Claude Code 能提供完整会话——是什么触发了停止、Claude 工作了多久、人类何时介入——但它是一个单一产品，且绝大多数用于软件工程。自主性方面的发现主要来自 Claude Code；风险与领域方面的发现则来自 API 样本。

回合持续时间，即 Claude 从开始工作到停止之间经过的时间，是论文中用于衡量自主性的代理指标。Anthropic 明确指出，这一代理指标并不完美：更快的模型和并行的子代理会缩短回合，更具雄心的任务会延长回合，而用户基数在 2026 年 1 月至 2 月中旬期间大约翻了一番，改变了样本的构成。

报告正式记录在案的数字

这些是 Anthropic 公布的数字，按报告的表述方式陈述。

• 第 99.9 百分位的 Claude Code 轮次几乎翻了一番，从 2025 年 9 月下旬的不到 25 分钟增至 2026 年 1 月上旬的超过 45 分钟。

• 中位回合耗时保持在 45 秒左右，在 40 到 55 秒之间波动，并且第 99 百分位以下的几乎所有百分位都保持稳定。

• 在 Anthropic 内部，Claude Code 在内部用户最难任务上的成功率在 2025 年 8 月至 12 月间翻了一番，而每次会话的平均人工干预次数从 5.4 次降至 3.3 次。

• 会话数少于 50 的新用户在约 20% 的会话中使用了完全自动批准；到 750 个会话时，这一比例升至 40% 以上。

• 中断的情况则相反：约有 10 次会话的用户在 5% 的轮次中打断 Claude，而经验丰富的用户约为 9%。

• 在最复杂的任务上，Claude Code 请求澄清的频率是其最低复杂度任务上的两倍多；而在这些最困难的任务中，它停下来询问的频率是人类打断它的频率的两倍多。

• 在 API 样本中，80% 的工具调用来自似乎至少采取了某项防护措施的智能体，73% 似乎有人工介入，0.8% 似乎不可逆，例如向客户发送电子邮件。

软件工程占 API 工具调用的近 50%；其他任何领域都未超过几个百分点。

Anthropic 称之为“部署悬垂”的发现

尾部的上升在不同模型版本之间是平滑的。文章认为：“如果自主性纯粹是模型能力的函数，我们就会预期每次新发布都会出现急剧跃升。”因此，这种平稳性表明信任会随着经验积累而增长，系统会尝试更困难的任务，产品也在不断改进。其结论是，现有模型“在实践中能够行使的自主性低于其实际能力”——报告将这一差距称为部署悬置。

Anthropic 将这一点与外部能力测试进行对比，并引用 METR 的估计：Claude Opus 4.5 能以 50% 的成功率完成人类需要近五个小时才能完成的任务，而它自身第 99.9 百分位的 Claude Code 回合约为 42 分钟。随后它又撤回了这一比较：METR 是在无人在环的理想化环境中衡量任务难度，而回合时长衡量的是实际部署中的经过时间，在部署中 Claude 会暂停，用户也会打断。一条脚注直言不讳——“我们不会尝试在这些指标之间进行推断。”这种并置仅作示意，并非实测倍数，不应被当作实测倍数引用。

处于论证核心的监督悖论

经验丰富的用户批准得更少，打断得更多。Anthropic 将这一组合解读为监督策略的转变，而非对监督的放弃：新用户会批准每一步，因此很少需要在 Claude 运行中途将其停下；而经验丰富的用户则让 Claude 自行工作，并在出现问题时才介入。API 数据也指向同一方向——在复杂度最低的任务中，87% 的工具调用都有某种形式的人工参与，而在高复杂度任务中这一比例为 67%。

报告直言不讳地承认，其他解释依然成立。其脚注指出，有经验的用户可能只是在尝试更难的任务；Claude Code 的默认设置会推动新用户转向基于审批的监督；软件异常适合接受监督，因为输出可以被测试和审查；在那些检查智能体工作所需的专业知识与完成工作本身相同的领域，这种转变“可能会更慢，或采取不同形式”。

政策论证，以及它要求什么

Anthropic 的建议分为三组。模型和产品开发者应投入部署后监控，因为部署前评估无法看到人们实际如何与智能体交互。模型开发者应训练模型识别自身的不确定性并将其呈现出来，报告称这一特性“补充了人类审批流程和访问限制等外部保障措施”。产品开发者应围绕监督进行设计——让智能体正在做什么具有可见性，并提供简单的重定向方式。

面向政策制定者的那一节，正是使这份文件成为一份治理记录的部分。在“现在强制规定具体交互模式还为时过早”这一标题下，Anthropic 写道，“规定具体交互模式的监督要求，例如要求人类批准每一个动作，会造成摩擦，却未必带来安全收益”，并且重点应“关注人类是否处于能够有效监督和干预的位置，而不是要求特定形式的参与”。

行业媒体报道恰好沿用了这一框架。2026年2月20日，Inside AI Policy 的报道以 Anthropic 呼吁对监管强制要求保持谨慎为标题主旨；Inside Cybersecurity 于2月24日以相同角度跟进。若无订阅，这两篇报道均无法全文阅读，而且两者都没有审视底层数据。

哪些得到了证实，哪些没有

该出版物及其头条数据得到了佐证。GIGAZINE 于 2026 年 2 月 19 日、即发表次日报道了这项研究，并复述了 25 至 45 分钟的尾部、20% 至 40% 的自动批准变化、5.4 降至 3.3 的干预下降以及 0.8% 的不可逆占比。Digital Watch Observatory 于 2026 年 2 月 20 日对其进行了概述，Inside AI Policy 也是如此。这种佐证针对的是 Anthropic 所说的话，而非其是否属实：没有任何外部方审计过这 998,481 次分类工具调用，且 Anthropic 并未发布该数据集。

这种不对称值得点明，但不应夸大。一家厂商在评估自家产品后得出结论：合规负担应落在监控上，而非逐项审批上；这个结论对它销售的产品来说很方便。Anthropic 自己在一个异常直白的局限性章节中陈述了大多数结构性限制。但在原始数据仍不公开的情况下，可复现性并不在它能解决的问题之列，而且没有任何独立机构核查过这些分类。

Anthropic 自己声明的限制

• 该分析仅涵盖一家模型提供商。基于其他模型构建的智能体可能会表现出不同的采用模式和风险特征。

• 风险、自主性和人类参与程度的分类由 Claude 生成。Anthropic 表示，隐私限制导致无法对底层数据进行人工检查，并且其关于人类参与程度的估计应被视为上限。

• 以单个工具调用为粒度进行采样，会过度代表那些包含大量顺序调用的部署，例如需要反复编辑文件的软件工程工作流。

• 这些分类无法区分生产操作与评估或红队测试。报告称，若干最高风险集群“似乎是安全评估”，并认为许多看似数据外泄的情况其实是测试。

• API 下游的人工审核是不可见的，因此一个在工具调用层面看似自主的智能体，其输出背后可能有人在把关。

• 时间窗口是 2025 年末至 2026 年初，最有力的发现来自 Claude Code，而它在绝大多数情况下是一款软件工程产品。

之后发生了什么变化

该档案未记录任何伤害、修复或争议，而这正是准确的描述：这是一次测量和一场论证，而不是带有补救措施的事件。Anthropic 表示将随时间推移扩展分析，并呼吁跨行业合作，以保护隐私的方式将 API 请求关联到会话中。该文章还指出，像 Cowork 这样的产品正让智能体更易于使用，预计这将把风险与自主性的前沿向外推进。在本文所审阅的报道中，尚无监管机构采纳、拒绝或正式回应这项反对逐操作审批的建议。

更经得起检验的要点比标题数字范围更窄。Anthropic 反对强制要求逐步审批的论证，建立在一项测量之上；而按 Anthropic 自己的承认，目前只有拥有第一方会话数据的模型提供商才能进行这种测量——甚至 Anthropic 也表示，它无法将第三方 API 流量关联成会话。在这种基础设施存在之前，这项政策建议依赖的是一家公司的测量工具，应用于一家公司的客户，且只覆盖一个冬季。这并不使该发现错误。它使该发现成为供应商的测量结果，并且应被如此引用。