如果你关注Anthropic公司,你可能已经熟悉Claude Code。自2024年秋季以来,该公司一直在训练其AI模型像人类一样使用和导航计算机,而编程智能体一直是这项工作最实用的表现,为开发人员提供了自动化日常编程任务的方法。从今天开始,Anthropic为普通人提供了利用这些功能的方法,发布了一个名为Claude Cowork的新预览功能。
该公司将Cowork定位为"让任何人——不仅仅是开发者——都能更简单地使用Claude的方式"。在你授予系统访问计算机上某个文件夹的权限后,它可以代表你读取、编辑或在该文件夹中创建新文件。
Anthropic为Cowork提供了几个不同的使用案例示例。例如,你可以要求Claude整理你的下载文件夹,让它将其中包含的文件重命名为更容易一目了然的名称。另一个例子是:你可以使用Claude将收据和发票的截图转换为用于跟踪费用的电子表格。Cowork还可以浏览网站——前提是你安装了Claude的Chrome插件——并且可以使用Anthropic的Connectors框架来访问Canva等第三方应用程序。
"Cowork旨在让使用Claude进行新工作变得尽可能简单。你不需要不断手动提供上下文或将Claude的输出转换为正确的格式,"该公司表示。"你也不必等待Claude完成后再提供进一步的想法或反馈:你可以排队任务,让Claude并行处理它们。"
如果授予Claude访问你计算机的想法听起来不明智,Anthropic表示Claude"无法读取或编辑任何你没有明确授权访问的内容"。但是,该公司确实指出系统可能"采取潜在的破坏性行为",比如删除对你重要的文件或误解你的指令。因此,Anthropic建议最好向Claude提供"非常清楚"的指导。
Anthropic并非第一个提供计算机智能体的公司。例如,微软近三年来一直在大力推广Copilot,尽管采用率似乎有限。对于Anthropic来说,挑战将是在其他公司失败的地方说服人们这些工具是有用的。Claude Code受到程序员普遍喜爱这一事实可能会让这项任务变得更容易。
目前,Anthropic为其昂贵的Claude Max订阅用户提供了预览版的优先访问权。如果你想亲自尝试Cowork,你还需要一台安装了Claude macOS应用的Mac电脑。对于其他所有人,你需要加入等候名单。
Q&A
Q1:Claude Cowork是什么?它能做什么?
A:Claude Cowork是Anthropic推出的一个新预览功能,让普通用户(不仅仅是开发者)都能更简单地使用Claude。在获得授权后,它可以读取、编辑或在你指定的文件夹中创建新文件,比如整理下载文件夹、将收据截图转换为电子表格等。
Q2:使用Claude Cowork安全吗?会不会损害我的文件?
A:Anthropic表示Claude无法读取或编辑任何你没有明确授权访问的内容。但系统可能采取潜在的破坏性行为,比如删除重要文件或误解指令,因此建议向Claude提供非常清楚的指导。
Q3:如何使用Claude Cowork?有什么要求?
A:目前Claude Cowork处于预览阶段,优先提供给Claude Max订阅用户。你需要一台安装了Claude macOS应用的Mac电脑。其他用户需要加入等候名单等待访问权限。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。