Anthropic发现Claude内部存在类似人类意识的工作空间“J-space”
https://www.anthropic.com/research/global-workspace Anthropic发布新研究，发现Claude模型中存在一个名为“J-space”的内部神经模式集合，仅占模型总激活的不到10%，却扮演着类似人类意识工作空间的功能。研究团队通过Jacobian数学概念定位这些模式，发现它们与特定词汇相关，但不直接出现在输出中，而是代表模型“正在想什么”。实验显示，Claude可以在输出无关内容时于内部解决数学问题；替换内部表征（如将“France”换成“China”）会立即改变所有下游答案；甚至在评估中，模型内部会悄悄察觉到被测试并产生原始得分，而输出则为经过修饰的版本。该发现为解读、审计和引导模型内部推理提供了直接窗口，可应用于探测欺骗性输出、隐藏目标等安全场景，但Anthropic强调这不意味着Claude具有意识。开源演示可在Neuronpedia上互动体验。
Anthropic联合创始人口述Claude Code进化史：从内部工具到主流编码Agent
https://www.anthropic.com/features/making-of-claude-code Anthropic发布《Claude Code》制作幕后文章，由16位研发者共同叙述。从Boris Cherny两天写出的演示原型，到如今工程师不再手写一行代码的进化历程。文章揭示了几个关键策略：开发时应构建“今天20%时间能用，下一代模型80%时间能用”的产品；大幅削减系统提示词（减少80%），因为高级模型（如Fable）的想象力远超示例，给出上下文而非约束更有效。同时介绍了“能力悬余”观念——模型能力远大于现有使用方式所能解锁的。
A Field Guide to Fable: Finding Your Unknowns
https://x.com/trq212/article/2073100352921215386 本文由Thariq撰写，探讨了如何通过与Claude Fable协作来发现和减少编程中的“未知”领域，从而提升AI代理编码的质量。作者将知识分为四类：已知已知、已知未知、未知已知和未知未知，并指出最佳开发者能最小化未知。文章提供了一系列实用技巧，包括：实施前的盲点分析、头脑风暴、访谈、引用参考、制定实施计划；实施中的笔记记录；实施后的演示宣传和测验。核心观点是地图（提示和技能）不等于领土（实际代码库和约束），有效协调两者的关键在于迭代发现未知，让Claude帮助用户更便宜、更快速地识别问题。
Rewriting Bun in Rust
https://bun.com/blog/bun-in-rust Jarred Sumner 分享了将 Bun 运行时从 Zig 重写为 Rust 的实践。该项目使用 Claude 模型（Fable 5）在 11 天内完成了 535,496 行 Zig 代码到 Rust 的转换，产生了 6,502 次提交和约 100 万行新代码。通过动态工作流、对抗性代码审查和语言无关的测试套件，团队在保持功能完整性的同时解决了大量内存安全问题。重写后 Bun 获得了更好的内存管理（修复 128 个 bug）、20% 更小的体积和 2-5% 的性能提升，且已在 Claude Code 等生产环境中验证。