# 影片筆記：Anthropic is coming for EVERYTHING

## 一句話總結

影片深入分析 Anthropic 發布的 **Claude Tag** 功能，指出其透過 Slack 環境模式（Ambient Mode）建立公司知識圖譜，標誌著 AI 從「應用程式」轉向「無介面」的團隊成員範式；這雖能提升生產力，但也帶來極大的**情境鎖定（Context Lock-in）**與**平台風險**，可能導致 SaaS 介面價值歸零，並讓 Anthropic 壟斷所有知識工作，因此強調企業需透過開放原始碼與多供應商策略來制衡單一巨頭。

## 核心重點

1.  **Claude Tag 的戰略意義**：
    *   Claude Tag 並非單純的聊天機器人，而是嵌入 Slack 的「主動式」員工。
    *   透過「環境模式」（ambient mode）主動讀取公司對話與文件，建立公司知識圖譜。
    *   這標誌著從「網站/應用程式」介面轉向「無介面」的互動範式，介面將消失，AI 將成為團隊成員。

2.  **互動範式的演進**：
    *   **第一範式**：LLM 是一個網站（如 Claude 或 ChatGPT 網頁版）。
    *   **第二範式**：LLM 是一個下載到電腦的應用程式（如 Codex 或 Claude Code）。
    *   **第三範式**：一個自包含、持久、非同步的實體，擁有組織範圍的工具和上下文，與人類團隊並肩工作（如 Claude Tag）。

3.  **核心風險：情境鎖定與平台風險**：
    *   **情境鎖定（Context Lock-in）**：公司將所有資訊交給 Anthropic，再向他們租用 AI 員工，導致 Anthropic 掌握所有公司的數據圖譜。
    *   **平台風險**：若整個經濟體的所有知識工作都從單一龐大公司租用，將產生極致的平台風險，類似 Apple App Store 或 Facebook API 的決定權問題，但規模更大。
    *   **SaaS 衝擊**：若 Anthropic 使用其 Agent 代表客戶操作軟體，客戶將不再登入 SaaS 公司的使用者介面（UI），SaaS 公司的 UI 將變得無價值，僅剩工作流程。

4.  **經濟與定價風險**：
    *   人類同事有薪資上限，但 Claude 的活動是「無限定製化」（unbounded tokenized activity），成本無上限，可能消耗無限美元。
    *   能夠負擔最多 token 的公司將獲得最大的 AI 業務改進，可能導致「永久底層階級」（permanent underclass）。

5.  **應對策略與未來展望**：
    *   依賴開放原始碼模型及其他研究實驗室帶來的模型競爭。
    *   確保選擇的提供者允許企業擁有「上下文」（context），企業應擁有自身業務的上下文，而非供應商。
    *   透過多模型、多供應商策略，企業可以選擇最佳價格與最佳 token，避免被綁定於單一供應商。
    *   未來企業運作模式為 AI 與人類協作（working in concert），需透過競爭來制衡單一巨頭的權力。

## 詳細大綱

### I. Claude Tag 的功能與運作機制
*   **基本定義**：
    *   Anthropic 於昨日發布的新功能。
    *   被視為在 Slack 實例中調用 Claude 的便捷方式。
    *   被定位為 Claude Code 的進化版，更具主動性，旨在服務整個團隊。
*   **運作方式**：
    *   **標籤與互動**：用戶在 Slack 中標籤（tag）Claude 即可進行對話。
    *   **情境感知**：擁有公司內部所有操作的上下文，知道用戶及其同事身份。
    *   **數據讀取**：閱讀 Slack 頻道中的所有對話，理解公司內部的不同文件。
    *   **環境模式（Ambient Mode）**：即使未被標籤，Claude 也會主動讀取對話，持續吸收公司數據。
    *   **目標**：建立整個公司的圖譜（graph）。

### II. Anthropic 內部採用與戰略定位
*   **內部採用情況**：
    *   Anthropic 產品團隊 65% 的程式碼來自其內部版本。
    *   員工不再直接進入 Claude Code，而是透過 Slack 輸入指令。
    *   已成為 Anthropic 的核心基礎設施（core infrastructure）。
*   **Andre Karpathy 的觀點**：
    *   Karpathy 剛加入 Anthropic，被視為 AI 領域最具影響力的思想家之一。
    *   提出與組織範圍內其他人類活動更一致的互動新範式。
    *   **介面消失論**：介面將消失，用戶不應再前往特定應用程式（如 Claude Code），而是在聊天發生的地方（如 Slack）使用 Claude Tag。
    *   **定位**：將 Claude Tag 定位為團隊的「新成員」或「員工」，而非單純的機器人。

### III. 互動範式的演進
*   **LLM UI/UX 的第三次重大重新設計**：
    1.  **第一範式**：LLM 是一個網站（如 Claude 或 ChatGPT 網頁版）。
    2.  **第二範式**：LLM 是一個下載到電腦的應用程式（如 Codex 或 Claude Code）。
    3.  **第三範式**：一個自包含、持久、非同步的實體，擁有組織範圍的工具和上下文，與人類團隊並肩工作。

### IV. 核心風險分析：情境鎖定與平台風險
*   **情境鎖定（Context Lock-in）**：
    *   不僅是模型鎖定，而是公司將所有資訊交給 Anthropic，再向他們租用 AI 員工。
    *   Anthropic 正在建立每個使用 Claude Tag 的公司的資訊圖譜。
    *   用戶需決定是否對這種數據匯集感到舒適。
*   **平台風險（Platform Risk）**：
    *   當 AI 供應商成為共享的同事時，它不再只是模型提供者，而是工作被解釋、記憶、路由和執行的地方。
    *   若整個經濟體的所有知識工作都從單一龐大公司租用，將產生極致的平台風險。
    *   類比：如同 Apple App Store 或 Facebook API 的決定權問題，但規模更大。
*   **定價模型風險**：
    *   人類同事有薪資上限。
    *   Claude 的活動是「無限定製化」（unbounded tokenized activity），成本無上限，可能消耗無限美元。
    *   能夠負擔最多 token 的公司將獲得最大的 AI 業務改進，可能導致「永久底層階級」（permanent underclass）。

### V. 對 SaaS 產業的衝擊
*   **介面價值歸零**：
    *   若 Anthropic 使用其 Agent 代表客戶操作軟體，客戶將不再登入 SaaS 公司的使用者介面（UI）。
    *   客戶直接告訴 Agent 要做什麼，無需使用 UI。
    *   SaaS 公司的 UI 將變得無價值，僅剩工作流程（workflows）。
    *   問題：Agent 在應用程式內實際能完成的工作流程能持續多久？

### VI. AI 接管工作流程的邏輯與解決方案
*   **AI 接管工作流程的邏輯**：
    *   AI 擅長編寫程式碼，因此可以直接為工作流程編寫程式碼。
    *   最終 AI 將接管並管理這些工作流程。
    *   軟體公司的角色將退化為單純的「資料庫」。
*   **Agent 對軟體生態的滲透**：
    *   編寫程式碼來讀寫資料庫比為工作流程編寫程式碼更簡單。
    *   Agent 不關心資料庫類型，能輕鬆協助數據在不同資料庫間移動。
    *   Agent 正在滲透每一項軟體，沒有任何軟體能倖免。
*   **單一實體壟斷的風險**：
    *   Anthropic 可能突然擁有所有知識工作與軟體。
    *   社會與政府干預將是最後的防線，因為不允許單一實體擁有所有權力。
*   **解決方案：開放原始碼與競爭**：
    *   依賴開放原始碼模型及其他研究實驗室帶來的模型競爭。
    *   確保選擇的提供者允許企業擁有「上下文」（context）。
    *   企業應擁有自身業務的上下文，而非供應商。
    *   透過多模型、多供應商策略，企業可以選擇最佳價格與最佳 token，避免被綁定於單一供應商（如 Anthropic）的價格。
*   **未來展望：樂觀的協作模式**：
    *   從 Slack 中的 Claude 標籤功能出發，揭示 Anthropic 試圖掌控所有知識工作的意圖。
    *   未來企業運作模式：AI 與人類協作（working in concert）。
    *   AI 將深入企業內部，不僅是聊天應用程式，而是能看見企業內部所有活動並協助提升生產力。
    *   結論：需要更多競爭，並提及 Anthropic 的自我改進人工智慧（self-improving artificial intelligence）概念。

## 工具 / 模型 / 名詞整理

*   **Anthropic**：公司名稱。
*   **Claude Tag**：Anthropic 發布的新功能/產品，被定位為 Claude Code 的進化版，旨在服務整個團隊，運行於 Slack。
*   **Slack**：通訊軟體平台，Claude Tag 的運行環境。
*   **Claude Code**：Anthropic 的程式碼生成工具，被視為 Claude Tag 的前身或基礎。
*   **OpenAI**：被提及的競爭對手，據稱正在開發類似功能。
*   **ChatGPT**：被提及作為第一範式（網站）的例子。
*   **Codex**：被提及作為第二範式（應用程式）的例子。
*   **Andre Karpathy**：加入 Anthropic 的 AI 思想家，提出介面消失論。
*   **Ankit Gupta**：Y Combinator 的普通合夥人（General Partner）。
*   **Y Combinator (YC)**：創業加速器，討論「AI 原生公司」（AI native company）。
*   **Ashwin Gopinath**：發推文稱 Claude Tag 是「特洛伊木馬」（Trojan horse）的人。
*   **Gbrain**：被提及為正在自建數據處理工具的公司/專案。
*   **Karpathy's LLM Wiki**：被提及為自建數據處理工具的例子。
*   **Recall 2.0**：贊助商產品，用於知識庫管理與 AI 上下文提供。
*   **OpenClaw**：被提及為可加入 Recall 知識庫的影片來源。
*   **MCP**：被提及為 Recall 2.0 的整合技術之一。
*   **API**：被提及為 Recall 2.0 的整合技術之一。
*   **Ambient Mode（環境模式）**：Claude Tag 的功能，即使未被標籤，也會主動讀取對話，持續吸收公司數據。
*   **Context Lock-in（情境鎖定）**：公司將所有資訊交給 Anthropic，再向他們租用 AI 員工，導致 Anthropic 掌握所有公司的數據圖譜。
*   **Platform Risk（平台風險）**：若整個經濟體的所有知識工作都從單一龐大公司租用，將產生極致的平台風險。
*   **Unbounded tokenized activity（無限定製化活動）**：描述 Claude 活動成本無上限的特性。
*   **Permanent underclass（永久底層階級）**：可能因無法負擔大量 token 消耗而導致的社會/經濟現象。
*   **Trojan horse（特洛伊木馬）**：Ashwin Gopinath 對 Claude Tag 的比喻。
*   **Self-improving artificial intelligence（自我改進的人工智慧）**：提及 Anthropic 擁有的概念。

## 操作流程整理

1.  **企業導入 Claude Tag**：
    *   企業在 Slack 中啟用 Claude Tag。
    *   員工透過在 Slack 中標籤（tag）Claude 進行對話。
    *   Claude Tag 啟動「環境模式」（Ambient Mode），主動讀取 Slack 頻道對話與公司文件。
    *   Claude Tag 建立公司知識圖譜，了解用戶及同事身份。

2.  **Anthropic 內部實踐**：
    *   Anthropic 員工透過 Slack 輸入指令，而非直接進入 Claude Code。
    *   Claude Tag 成為 Anthropic 的核心基礎設施，產品團隊 65% 的程式碼來自其內部版本。

3.  **AI 接管工作流程（潛在未來）**：
    *   AI Agent 編寫程式碼來讀寫資料庫。
    *   Agent 接管並管理工作流程，軟體公司角色退化為單純資料庫。
    *   客戶直接告訴 Agent 要做什麼，不再登入 SaaS 公司的 UI。

4.  **企業應對策略**：
    *   採用多模型、多供應商策略。
    *   確保選擇的提供者允許企業擁有「上下文」（context）。
    *   依賴開放原始碼模型及研究實驗室帶來的競爭，避免被單一供應商綁定。

## 值得注意的限制或風險

1.  **情境鎖定（Context Lock-in）**：
    *   Anthropic 正在建立每個使用 Claude Tag 的公司的資訊圖譜。
    *   公司將所有資訊交給 Anthropic，再向他們租用 AI 員工，導致 Anthropic 掌握所有公司的數據圖譜。
    *   用戶需決定是否對這種數據匯集感到舒適。

2.  **平台風險（Platform Risk）**：
    *   當 AI 供應商成為共享的同事時，它不再只是模型提供者，而是工作被解釋、記憶、路由和執行的地方。
    *   若整個經濟體的所有知識工作都從單一龐大公司租用，將產生極致的平台風險。
    *   類比：如同 Apple App Store 或 Facebook API 的決定權問題，但規模更大。

3.  **定價模型風險**：
    *   人類同事有薪資上限。
    *   Claude 的活動是「無限定製化」（unbounded tokenized activity），成本無上限，可能消耗無限美元。
    *   能夠負擔最多 token 的公司將獲得最大的 AI 業務改進，可能導致「永久底層階級」（permanent underclass）。

4.  **SaaS 介面價值歸零**：
    *   若 Anthropic 使用其 Agent 代表客戶操作軟體，客戶將不再登入 SaaS 公司的使用者介面（UI）。
    *   SaaS 公司的 UI 將變得無價值，僅剩工作流程（workflows）。
    *   問題：Agent 在應用程式內實際能完成的工作流程能持續多久？

## 逐字稿辨識疑點

*   **Claude Tag**：逐字稿中多次出現此名稱，若為正式發布名稱則保留；若為口誤或聽寫錯誤，需查證是否為「Claude for Slack」或其他正式名稱。
*   **cash cow**：逐字稿中提到 "evolution of their cash cow Claude code"，此處語意稍顯突兀，需查證是否為特定內部術語或口誤。
*   **Gbrain**：逐字稿中提到 "from Gbrain"，需查證是否為特定公司名稱、產品名稱或聽寫錯誤（如 GitHub?）。
*   **OpenClaw**：逐字稿中提到 "OpenClaw videos"，需查證是否為特定頻道名稱、產品名稱或聽寫錯誤。
*   **MB25**：贊助商折扣碼 "MB25"，需查證是否為正確代碼或聽寫錯誤。
*   **unbounded tokenized activity**：此為逐字稿中的用詞，需查證是否為 Anthropic 官方文件或 Karpathy 演講中的確切術語，或為口語化描述。
*   **permanent underclass**：此為逐字稿中的用詞，需查證是否為特定經濟學或社會學術語，或為演講者的比喻。
*   **Trojan horse**：Ashwin Gopinath 的推文內容，需查證推文原文是否確為此比喻。
*   **「Claude tag-like feature」**：逐字稿中提及「whatever provider you choose for this Claude tag-like feature」，此處「tag-like」具體指代何種技術功能或介面元素，需查證其確切定義。
*   **「Anthropic all of a sudden owns all knowledge work」**：此處為講者的假設性或警告性陳述，指稱 Anthropic 可能突然擁有所有知識工作，需查證此為具體預測還是比喻說法。
*   **「Anthropic having self-improving artificial intelligence」**：逐字稿末尾提及 Anthropic 擁有「自我改進的人工智慧」，此為特定技術描述，需查證是否為該公司官方宣稱的具體技術名稱或功能。

## 可延伸追問

1.  **Claude Tag 的正式名稱與功能細節**：
    *   "Claude Tag" 是否為 Anthropic 官方發布的正式產品名稱？還是影片講者對 "Claude for Slack" 或類似功能的稱呼？
    *   "Ambient Mode" 的具體技術實現方式為何？它如何確保數據隱私與安全？

2.  **情境鎖定與數據主權**：
    *   企業如何驗證 Anthropic 並未濫用其掌握的「公司知識圖譜」？
    *   若 Anthropic 壟斷了所有知識工作，企業是否有足夠的談判籌碼來保護自身數據？

3.  **SaaS 產業的未來形態**：
    *   如果 SaaS 公司的 UI 變得無價值，它們將如何轉型？是否會轉向提供更深層的 API 或數據服務？
    *   Agent 在應用程式內實際能完成的工作流程的邊界在哪裡？哪些任務仍需要人類介入 UI？

4.  **多供應商策略的可行性**：
    *   在實際操作中，如何有效整合不同模型的上下文（context）？
    *   開放原始碼模型在企業級應用中的成熟度與可靠性如何？

5.  **Andre Karpathy 的「介面消失論」**：
    *   介面真的會完全消失嗎？還是會轉化為更