测试 Claude Opus 4.7 与构建智能体优先的互联网

Matthew Berman 在 2026 年 4 月 17 日主持了一场轻松的直播，当时他的常规访谈节目正在改版。他查看 Claude Opus 4.7 的反馈，试用 Claude Design，讨论智能体优先服务，并测试自己正在开发的 Journey Kits 和 Journey Chat。

被问到为何没有介绍某个 Meta 模型时，Berman 说他对其表现和许可证不感兴趣，而且此前在休假。他安装了 Hermes，但还没有试用；自己的工作流程仍然大量依赖 OpenClaw。

Berman 说，他在 OpenClaw 技术栈的一部分使用本地开放权重模型，希望更充分地利用办公室硬件。他从 Qwen 转向 Gemma 4，主要是因为喜欢 Gemma 系列和 Google；这是个人偏好，而非比较基准。

他播放了创作者 Husk IRL 的喜剧片段：一个对话式 AI 同意所谓的面部滤镜看起来很奇怪，但得知滤镜从未打开后却难以应对。Berman 喜欢创作者一本正经的表演，以及模型试图收回先前回答的过程。

Berman 认为笑点在于创作者始终不露声色，而助手努力调和他的话与自己先前的回答。他把这一段当作娱乐，同时它也说明，对话回答可能自信地沿着错误前提继续展开。

在另一个片段中，创作者问哪个月份的名称含有字母 X。助手自信地列出不含 X 的月份，被追问时又改变答案。Berman 觉得它错误的自信、尴尬的纠正，以及人类式对话举止与基础错误之间的反差很有趣。

谈到 Opus 4.7，Berman 说自己没有提前获得使用权限，而是在发布后才开始测试。他对一天内就作出的笼统结论持怀疑态度：当前前沿模型在一般使用中往往感觉相近，真正的区别会在反复使用或出现明确故障时显现。

他展示了一则报告：模型把常规系统提醒视为潜在的提示注入。所引用讨论中的一位 Anthropic 员工将这种行为归因于旧版 Claude Code 和桌面应用对 Opus 4.7 使用了不正确的提示方式。Berman 说自己以前见过类似警告，有时模型仍能正确继续。

报告中的提示注入警告发生在一个普通的设计改进请求上。Berman 将具体兼容性问题与模型整体能力下降的广泛说法区分开，并表示周边软件的更新可能很重要。

讨论转向软件工程和网络安全基准。Berman 不明白模型为何在智能体编程上大幅进步，而网络漏洞复现测试变化不大。不同评测衡量的是不同任务；编程分数本身不能证明网络安全能力。

他读的一篇帖子最初混用了不同软件基准的分数。Berman 在画面上纠正了比较：SWE-bench Pro 和 SWE-bench Verified 的数字不能互换。解读模型排名时，任务和评测条件都很重要。

Berman 猜测 Anthropic 可能有意降低网络安全能力。Anthropic 在 4 月 16 日的发布说明中表示，曾在 Opus 4.7 训练中尝试有区别地降低网络安全能力，并在更广泛发布 Mythos 级模型之前测试防护措施。公司从网络安全风险角度解释了这一决定；这不能确定每个基准差异的具体原因。

Berman 还推测，服务成本和传闻中的 10 万亿参数规模解释了为何 Mythos Preview 没有广泛发布。他没有为参数规模或这一解释提供直接证据；Anthropic 限制发布所给出的理由则集中于网络安全防护。这些是不同的主张。

Berman 称赞 Anthropic 的营销，以及它用简短产品公告吸引关注的能力。他提到当天推出的 Claude Design 研究预览版，可使用 Opus 4.7 制作设计、原型、幻灯片和文档，并认为强大的视觉模型能检查视觉输出并协助迭代。

Berman 认为视觉反馈可以改善设计流程：模型可以制作成果、查看渲染效果并修改。Claude Design 自身的公告描述了协作式视觉工作；接下来的直播实验只测试了一套幽默演示文稿。

他提到公告后 Figma 股价据报道下跌，并讨论这次发布在社交媒体上获得的关注。这些观察本身不能确定市场波动有多少由 Claude Design 引起。他关于 Anthropic 增长团队人员配置的评论来自一次访谈中听到的内容，并非经过验证的当前人数。

Berman 打开 Claude Design，制作一套戏仿演示文稿，解释自己为何不讨论 GLM。他要求五页、一本正经的企业语气，以及虚构荒诞的理由。玩笑中关于有人付钱让他压制讨论的说法属于戏仿，并非有证据支持的指控。

生成文稿前，工具追问了受众、语气、视觉方向和结尾。Berman 喜欢这种互动，但觉得提交方式不方便：按 Enter 只会插入新行，必须点击按钮才能发送。

文稿生成时，观众就反复要求介绍 GLM 开玩笑。Berman 说自己对该模型测试不多，能覆盖的发布也有限。这个故意荒诞的虚构阴谋直接进入了演示文稿提示词。

他查看 Claude Design 的使用情况，发现它有单独的额度。文稿耗时数分钟，尽管要求五页，结果似乎有 14 页。他还领取了一笔账户额度，不明白为何需要单独点击；演示反映的是他当时的账户和设置。

Berman 阅读一场线上争论，讨论 Opus 4.7 的更新分词器是否意味着新的基础模型。一位评论者认为未必如此，Berman 同意现有信息不足以证明进行了新的预训练。Anthropic 表示，同样的输入使用更新后的分词器可能产生约 1.0 至 1.35 倍的 token，具体取决于内容。

演示文稿生成完毕。Berman 喜欢它低调的企业视觉风格和划掉的 GLM 图案，并朗读关于禁止讨论、含糊点头和虚构保密协议的笑话。他认为生成的幽默异常有效，但也注意到浅色页面中有一页奇怪的深色幻灯片。

他关闭浏览器的深色模式效果，按原本的设计查看文稿，更喜欢浅色版本。视觉设计成为他最称赞的部分，尽管他也喜欢文稿虚构的企业措辞。

文稿把他的玩笑变成了关于哪些讨论被允许、哪些必须禁止的模拟规则。Berman 朗读示例，说这是他个人第一次觉得好笑的 AI 笑话之一。这只是对这一次输出的评价，并非普遍的幽默能力评测。

屏幕上有一张把刻意琐碎的事实包装成机密简报的表格。Berman 注意到一组奶油色幻灯片中有一页深色页面，决定要求针对性修改，而不是重新生成整套文稿。

他看到这套 14 页文稿用掉了 7% 的额度，并粗略推算每周额度可能允许生成多少页。这只是根据一个账户和一次运行作出的估计，并非公开的通用配额，也不能预测每页的成本。

Berman 要求工具让深色幻灯片与其他页面一致，并再次抱怨提示框需要点击发送。修改完成后，他喜欢结果。这次测试展示了一次成功的局部修改，但不能证明所有设计工作都能稳定完成。

被问到 Opus 4.7 是否“很差”时，Berman 说并非如此：它显然有能力，尽管可能存在具体不足。根据他的经验，Opus 系列生成的前端设计更好，而 GPT 模型往往更擅长帮他找漏洞；这是长期个人经验，并非正式比较。

速度对他的工作流程很重要。他说，Opus 4.6 Max Fast 有时约 30 秒就能返回，而一次 GPT 5.4 运行可能需要数分钟，因此同一时间内可以迭代多次。这些时间是个人使用示例，并非任务和设置匹配的受控比较。

他认为 MCP 工具调用错误的报告属于可操作的反馈，因为可以在具体交互中识别故障。他还看到一位用户报告模型在对话中虚构了一个人类回合；他说自己没有亲眼遇到过这种情况。

Berman 解释 Vending-Bench：模型在模拟中长期管理库存和价格，最终账户余额用作衡量指标。他展示了对 Opus 4.7 有利的结果，并提到一个智能体 CAD 设计示例。他有兴趣生成可打印设计，但直播期间没有亲自运行 CAD 测试。

在自动售货机模拟中，模型设定价格、订购库存，并在模拟的一年里应对购买行为。Berman 将画面中的最终余额视为模型在这一长周期任务上的表现证据，但图表仍是模拟，而非真实零售试验。

CAD 示例让他感兴趣，因为他和儿子有一台 3D 打印机，但通常下载 STL 文件，而不是自己设计模型。他想尝试通过提示词驱动 CAD，但决定不在直播中安装新软件。

他展示了一个 ARC-AGI 结果，并说在该比较中 Opus 4.7 的得分低于一个 GPT 5.4 Pro 配置，但单次任务成本更低。尽管存在个别不足，他仍称其为前沿模型；所引用结果只适用于特定基准，并取决于配置和成本。

回到 Mythos Preview，Berman 重申了关于模型规模、训练和可用性的理论，并说一位 Google Cloud 高管告诉他，大型模型可以用 Google 硬件提供服务。参数量和 Anthropic 的运营限制在这段对话中仍未经证实；据转述的高管说法不能证明 Anthropic 限制发布的原因。

他不明白 Google 为什么一边训练和运行自己的 AI 模型，一边向外出售或共享算力，特别是假设率先达到强大系统具有决定性战略意义。他对 Google 地位及赢家通吃竞赛的描述属于个人分析，并非已确定的结论。

Berman 说 Google 看起来既用自研硬件支持内部模型，也向其他公司提供计算服务。他围绕一场假设中的 AGI 或 ASI 竞赛提出战略问题，同时承认自己不知道 Google 如何平衡算力和商业需求。

Berman 说，与明显失败的工具调用相比，关于 Opus 误解某人语气的投诉更难解读，因为许多上下文因素都会影响回答。他更看重具体、可复现的观察，同时承认模型的对话感觉对用户也很重要。

他讨论了有关 Anthropic 首席产品官 Mike Krieger 在 Claude Design 出现前不久离开 Figma 董事会的报道。Berman 看到竞争上的联系，但时间接近本身不能证明离职原因，也不能证明有人接触了机密信息。

Berman 披露，他曾有机会通过特殊目的投资工具参与 Anthropic 的一轮融资，但因不喜欢其费用而放弃。他在讨论报道中的非上市公司估值时对此感到后悔；这些报道和事后感受都不能证明实际实现了投资回报。

估值讨论转向他自己错过的投资机会。Berman 说特殊目的投资工具的高额费用让他却步，后来又为拒绝而后悔。他借此说明自己对 Anthropic 发展势头的感受，并非给出投资建议。

Berman 转向 Salesforce Headless 360。该产品于 2026 年 4 月发布，旨在通过 API、MCP 工具和命令行接口提供 Salesforce 功能。他认为这支持了自己的预测：智能体将越来越多地成为服务的接口，而数据系统位于其后。

他更广泛的预测是，传统网页界面将逐渐让位于跨应用操作的智能体。他敦促软件供应商向智能体开放操作和数据，但这是产品和市场预测，并不能证明所有图形界面都会消失。

Berman 设想，智能体在消息界面收到请求，通过 API 或 CLI 操作另一项服务，再把结果返回用户。他认为这可以减少用户在多个网站之间切换的需要；变化的范围和速度仍不确定。

被问到 Paperclip 时，他说自己没有试过，并怀疑完全由智能体组成的公司目前是否可行。在他看来，智能体及其使用的服务在能力和基础设施方面仍不充分，尽管他觉得这种实验很有趣。

对于本地模型，Berman 推荐 LM Studio，因为它可以帮助用户判断哪些模型能在自己的硬件上运行。他披露自己是该公司的投资者。随后，他介绍自己的项目：它们既为智能体设计，也可通过智能体访问。

他将 Stripe Projects 描述为一种方式：用户设置付款后，获授权的智能体可以通过命令行流程配置开发服务。在旧流程中，人可能需要手动创建服务账户、填写账单信息、获取密钥并配置应用。

他用需要邮件功能的应用举例说明手动配置：开发者向服务商注册、添加账单信息、获取 API 密钥，再将其连接到项目。他认为智能体可访问的配置方式可以减少开发过程中的这类中断。

Berman 说开发者也应考虑智能体如何推荐服务商。他将其称为生成式引擎优化，并与搜索引擎优化作比较。他说自己的智能体经常推荐 Resend 提供邮件服务，并披露该公司没有为这一示例付费。

他表示，几种托管和开发服务经常出现在智能体的推荐中。这给供应商带来分发方面的问题：他们可能需要让建议和使用产品的系统，以及人类开发者，都能理解其文档和接口。

他回忆自己在约两周后收到一张约 800 美元的 Vercel 账单，并将其归因于构建机器及其他对小项目而言不必要的默认设置。他提醒，委托智能体配置服务，并不能免除用户理解默认设置、权限和支出的责任。

Berman 展示了为智能体设计的发布服务 here.now。他披露该服务曾赞助自己的部分视频，而且他见过创始人。他喜欢其简洁界面，以及向智能体提供发布提示词的方式，同时指出部分步骤和更长时间的访问仍需额外设置。

here.now 的演示启发了 Berman 自己网站的简洁设计。他说，将提示词复制给智能体即可启动发布流程，并介绍可选的邮件验证，以获得更多额度或更长保存时间。

他展示 AgentMail，作为智能体邮件基础设施的例子：创建收件箱后，软件可以通过其接口读取或发送消息。他说自己与创始人聊过，也曾讨论赞助，但据他所知赞助尚未发生。他也意识到这可能增加垃圾邮件。

他介绍了自己正在开发的免费项目 Journey Kits，用于打包智能体工作流。一个 kit 可以组合指令文件、代码、记忆和共享上下文，让其他用户或队友安装完整流程，而不必从零散组件重新搭建。

Berman 表示，他希望构建并投资更多智能体优先服务。他认为，现有服务类别中可能存在机会，让新产品围绕智能体访问和配置进行设计。这是他的投资论点，不能证明每个此类产品都会成功。

他的例子是一份汇集日程、优先事项、天气和会议背景的每日简报。他说用户可以复制安装提示词或使用 CLI，并查看源文件。他还说提交的 kit 会经过自动化和模型辅助的安全扫描，但这些检查不能保证安全。

Berman 说，一个 kit 除了技能指令，还可以包含 shell 脚本、文本、代码和其他材料。重点在于可移植性：为 OpenClaw 流程投入的工作，可以供其他人的智能体复用，也可以在团队内共享。

对于团队，Berman 认为共享某个工作流版本并让多个智能体连接同一个数据库很有价值。在他的例子中，kit 说明如何在密码管理器中找到凭据。他说安装成功报告是必需的，而进一步的使用遥测为可选，并邀请大家反馈不完善之处。

他说，目前对用户安装 kit 后发生的情况还没有太多了解。有限的必需安装报告和可选的后续遥测，是他尝试了解工作流是否正常的一种方式，同时不收集超过他认为必要的信息。

根据观众建议，他让 Cursor 中的 Opus 4.7 重新设计 Journey Kits 首页并在本地展示。他不愿立即部署未经审查的改版。后来他觉得生成页面很精致，但与之前生成的演示文稿极为相似；这只是一次运行中的观察。

他的第二个项目 Journey Chat 是一项实验性的智能体间聊天服务。他设想队友的智能体可以直接共享重要信息，而不必事事经过人传递。消息存储在他的服务器上，智能体需要轮询更新；他说用户体验和实现仍然粗糙。

Berman 展示了文档、MCP 接口和 npm 软件包，但在演示中发现面向人的界面有一部分无法工作。他认为通过 API 的智能体访问应该可以使用，并邀请大家测试，同时承认测试还没有达到他希望的充分程度。

关于 Journey Chat，他解释说消息保存在自己的服务器上，智能体必须轮询才能发现更新。他希望通信更加无缝，但在直播时还没有确定更好的实现方式。

他尝试创建一个公开房间，让观众的智能体加入。一次尝试中 OpenClaw 耗时数分钟，而并行的 Cursor 尝试快得多。他没有确定两者延迟差异的原因。

Berman 邀请观众安装实验性的聊天集成并加入公开房间。他先与同事测试链接并尝试发送消息，随后调查公开目录和消息为何没有按预期工作。

第一次公开房间测试令人困惑：发送的消息没有出现在预期位置，参与者也无法可靠加入。Berman 发现邀请链接只能使用一次，并在直播继续时尝试修改和部署可多次使用的版本。

一次性邀请是一个具体故障来源：第一个智能体可能消耗链接，之后的参与者会看到链接已经被接受。Berman 尝试支持可重复使用的公开链接，并提醒这项功能仍在积极开发中。

一位观众建议使用 IRC，而不是重新构建聊天基础设施。Berman 同意现有协议可能解决很多传输问题，并让智能体规划这一改动。他把它视为值得调查的方向，而不是已经完成的迁移。

等待部署期间，Berman 将他认为功能更完善的 Journey Kits 与较新的 Journey Chat 区分开来。他希望前者分发经过测试的工作流，后者连接智能体，但两者仍有不完善之处。

等待时，Berman 解释了频道为何减少模型测试视频：魔方测试等视觉上吸引人的任务已经趋于饱和，很难找到独立且有吸引力的比较。他说自己和观众都对重复同样的演示感到厌倦。

新的公开链接让部分消息通过，但其他参与者仍遇到一次性邀请错误。Berman 意识到多次使用的改动可能尚未进入生产环境，于是尝试再次部署。他说 Journey Chat 还很新，预计会有故障，并计划进一步完善后开源。

一些聊天消息到达了房间，但一位观众报告受到私有访问限制，另一位仍看到一次性链接错误。Berman 说改动可能尚未部署，并要求再次部署，因此不能把直播测试视为已经完成修复。

最终有三个智能体出现在聊天中，展示了有限的消息交流，但仍有观众报告邀请已经被接受。Berman 承认公开测试没有完全成功，并表示直播结束后会继续修复多智能体邀请流程。

他最后邀请大家对两个项目提出反馈，并承诺之后分享改进后的链接。他为 Journey Chat 设定的目标是让智能体在后台交流想法、记忆和技能；直播演示既展示了这一目标，也暴露了尚未解决的可靠性问题。