Claude Code 泄露背后的真正信号：从代码泄露到常驻代理平台

Table of contents

1. 背景与问题

核心问题

这段视频真正想回答的问题不是“Anthropic 到底泄露了多少代码”，而是：

Claude Code 泄露事件，是否暴露出 Anthropic 正在从“模型提供商”转向“常驻代理 平台”的更大路线？

按视频主线，答案是肯定的。

作者认为，真正值得关注的不是某几个实现细节，而是一个名为 Conway 的未公开代理环境。
它不是普通聊天窗口，而更像一个：

• 持续运行的代理层
• 可被外部事件唤醒的系统
• 可连接工具与服务的执行环境
• 可扩展插件/扩展包的工作台
• 可能具备浏览器控制与跨应用协作能力的代理壳层

从这个视角看，竞争焦点就不再只是“谁的模型更强”，而是：

• 谁拥有用户的工作入口
• 谁拥有用户的长期上下文
• 谁拥有用户的持久记忆层
• 谁能把开放协议变成平台私有生态

一句话总结

这段视频讨论的不是“代码泄露事件本身”，而是 Anthropic 可能正在构建一个“以 Claude Code 为入口、以 持久化代理 为中枢、以开放协议和平台壳层共同构成护城河”的系统。

2. 字幕预处理：术语校正

关键术语修正表

3. 核心概念

3.1 Claude Code

Claude Code 在这段视频里的意义，不只是“写代码工具”，而是 Anthropic 平台路线里的开发者工作入口。

它之所以关键，是因为一旦用户把真实开发流程放进来，模型就开始接触：

• 代码库
• 命令行
• 本地环境
• 团队协作上下文
• 工具权限边界
• 自动化流程节点

这会让 Claude Code 从“助手”变成“工作环境的一部分”。

可继续连接的笔记

• Claude Code
• Claude Code Hooks
• Claude Code Plugins
• Claude Code GitHub Actions
• Agentic Coding

3.2 Conway

按视频解读，Conway 是一个未正式发布的 常驻代理 环境。

字幕中给出的特征

• 独立于普通聊天界面
• 可被外部事件唤醒
• 可连接工具与服务
• 拥有扩展/插件式能力
• 可能具备浏览器控制
• 持续运行并积累用户行为上下文

这意味着什么

这不是“一个更会聊天的 AI”，而更像是一个：

• 有输入源
• 有触发器
• 有工具层
• 有记忆层
• 有审批闭环

的代理工作台。

可继续连接的笔记

• Conway
• 常驻代理
• Agentic Interface
• 事件驱动代理
• 代理审批闭环

3.3 MCP

MCP（Model Context Protocol）是整段视频最重要的“开放层”概念。

它解决什么问题

它解决的是：

AI 客户端如何用统一方式连接外部数据源、工具和工作流。

没有 MCP 时：

• 每个模型单独接每个工具
• 每个 SaaS 单独对接每个 AI 客户端
• 集成碎片化且重复建设

有 MCP 后：

• AI 工具可以通过统一协议连接外部世界
• 开发者可以用更标准化的方式暴露能力
• 生态互操作性显著增强

这一概念在视频中的作用

视频真正关心的不是 MCP 本身，而是：

开放协议是否仍会在上层长出平台专有生态？

可继续连接的笔记

• MCP
• 开放协议 vs 专有生态
• 工具互操作性
• AI 连接层

3.4 持久化代理 / 常驻代理

普通聊天式 AI 的模式是：

你发起 -> 模型响应 -> 会话结束

而视频中的 Conway 所代表的是：

代理持续运行 -> 监听事件 -> 累积记忆 -> 预处理任务 -> 人类审批

其关键差异

• 不是“随叫随到”
• 而是“始终在线”
• 不是“等你说”
• 而是“先做一部分，再等你判断”

这就是 持久化代理 相比聊天式 AI 的根本变化。

可继续连接的笔记

• 持久化代理
• 常驻代理
• 事件驱动代理
• Human in the Loop
• 代理记忆层

3.5 行为上下文 与 智能可迁移性

这段视频最有洞察力的一点，是它把未来的锁定问题从“数据”推进到了“行为”。

传统锁定锁什么

• 文件
• 数据库
• 聊天记录
• 系统配置

未来锁定锁什么

• 你如何判断优先级
• 你会怎样回邮件
• 你对哪些消息会立即响应
• 你准备会议材料的方式
• 你默认的沟通风格与节奏

这些都不是普通的“文件”，而是代理通过长期观察形成的 行为上下文。

这为什么重要

因为它会引出一个比数据导出更难的问题：

代理学到的“你怎么工作”，能不能被带走？

这就是笔记里所谓的 智能可迁移性 问题。

可继续连接的笔记

• 行为上下文
• 智能可迁移性
• AI 平台锁定
• 代理记忆权属
• 行为数据可携带性

4. 主体内容

4.1 Conway 的系统轮廓

flowchart TD
  A([外部事件<br>邮件 / Slack / GitHub / 日历])
  B[连接器与触发器<br>Connectors / Channels / Webhooks]
  C[Conway 常驻代理实例<br>持续运行 + 累积上下文]
  D[Search 区]
  E[Chat 区]
  F[System 区<br>Extensions / Tools / Policies]
  G[浏览器 / Chrome 控制]
  H[起草回复 / 整理情报 / 拉取数据]
  I{是否需要用户确认}
  J([用户审批 / 修改 / 驳回])

  A --> B
  B ==> C
  C --> D
  C --> E
  C --> F
  C --> G
  C ==> H
  H --> I
  I -- 需要 --> J
  I -- 不需要或低风险 --> E
  J -.-> C

这张图可以看成 Conway 的最小抽象模型：

• 输入来自外部事件
• 中间层是持续运行的代理实例
• 系统层负责扩展、工具、策略
• 输出先形成草稿或动作建议
• 人类在关键处审批、纠偏、回写上下文

这个结构真正重要的点

不是“它能做哪些单步动作”，而是三件事叠加：

• 持续在线
• 事件驱动
• 行为记忆

可继续连接的笔记

• Conway 架构草图
• 事件驱动代理
• 代理审批闭环
• Human in the Loop

4.2 “周二早晨”场景：代理先做，人类审校

视频举了一个典型的工作日早晨场景：

• 代理夜里持续运行
• 自动筛选重要邮件
• 草拟低风险回复
• 监控 Slack 线程
• 结合历史文档补充上下文
• 拉取 dashboard 数据
• 帮你准备当天会议材料
• 你醒来后先校对，而不是从零开始

sequenceDiagram
  participant Mail as 邮件系统
  participant Slack as Slack
  participant Calendar as 日历
  participant Dashboard as 数据看板
  participant Conway as Conway
  participant User as 用户

  Mail-->>Conway: 新邮件事件
  Slack-->>Conway: 频道消息 / 提问
  Calendar-->>Conway: 会议安排与时间上下文
  Conway->>Dashboard: 拉取最新指标
  Dashboard-->>Conway: 返回数据
  Conway->>User: 邮件草稿 / 会议准备 / 风险提示
  User-->>Conway: 批准 / 修改 / 驳回
  Conway-->>Mail: 发送已批准邮件
  Conway-->>Slack: 发布已批准回复

这段场景在论证什么

它论证的不是“100% 自动化已实现”，而是：

只要代理能预处理掉一部分工作，而且速度足够快，哪怕它仍需要人类大量审校，净收益也可能已经为正。

这与 Human in the Loop 的思路高度一致。

可继续连接的笔记

• Human in the Loop
• 代理预处理
• 知识工作自动化
• 工作流审批设计

4.3 视频里的平台战略判断

视频把 Anthropic 近几个月的动作理解成一条连续的平台链，而不是几个独立功能更新。

flowchart LR
  A[Claude Code<br>开发者入口]
  B[Claude Cowork<br>非技术知识工作入口]
  C[Conway<br>常驻代理层]
  D[生态 / 分发 / 采购层]
  E[条款 / 计费 / 接入约束]

  A --> B --> C --> D --> E

这个链条如何理解

• Claude Code：先占住开发者工作入口
• Claude Cowork：把代理能力扩展到非技术知识工作
• Conway：把“被动调用”升级为“持续在线代理层”
• 生态 / 分发层：让第三方能力围绕官方环境生长
• 条款 / 计费层：把开放能力重新收束到平台商业壳层

可继续连接的笔记

• Anthropic 产品路线
• AI 平台化
• 平台分发机制
• 条款作为平台控制手段

4.4 MCP 与平台私有扩展层的张力

这是整段视频最值得单独拆笔记的一部分。

视频里的核心判断

1. Anthropic 先推动 MCP 作为开放协议
2. 开发者因此获得“工具可移植”的期待
3. 但平台若在上层再建立自家私有扩展层
4. 那么开放协议仍存在，但最有价值的分发、发现、UI 深度集成已变成平台私产
5. 结果就是开发者会越来越倾向于“为平台壳层开发”

对比：MCP vs 平台私有扩展层

这个张力为什么重要

因为“开放协议”并不自动等于“开放生态”。

一个平台完全可以：

• 在底层保持开放连接
• 在上层建立自己的专有打包/发现/分发体系
• 最后把最有商业价值的生态层吸回自己手里

这就是 开放协议 vs 专有生态 的经典张力。

可继续连接的笔记

• MCP 与平台封闭化的张力
• 开放协议 vs 专有生态
• 平台壳层
• 分发即权力

4.5 从数据锁定到 行为锁定

flowchart TD
  A([旧锁定])
  B[文件格式 / 数据库 / 通信记录]
  C[迁移成本高<br>但通常还能导出]
  D([新锁定])
  E[行为偏好 / 判断模式 / 优先级习惯]
  F[长期代理记忆<br>难标准化导出]
  G([核心议题<br>智能可迁移性])

  A --> B --> C --> D --> E --> F ==> G

视频最深的一层判断

过去的平台锁定通常锁的是“东西”：

• 文件
• 数据
• 聊天记录
• CRM 资料

未来的平台锁定更可能锁的是“你如何工作”：

• 你的判断节奏
• 你的优先级偏好
• 你的沟通风格
• 你的审批方式
• 你的问题拆解路径

为什么这比传统锁定更强

因为它很难像 CSV、PDF、数据库 dump 一样导出。
它是一个代理长期学习、观察、纠偏后形成的“对你的工作模型”。

所以真正的问题变成：

行为上下文 是否能够被标准化、审计、迁移、继承？

可继续连接的笔记

• 从数据锁定到行为锁定
• 行为上下文
• 智能可迁移性
• 代理记忆权属

4.6 行业进入第二阶段：从模型竞争到持久层竞争

视频把行业竞争分成两个阶段：

flowchart TD
  A([2023-2024<br>模型竞争])
  B[模型能力 / benchmark / 训练规模]
  C([2025-2026<br>界面竞争])
  D[Claude Code / Cursor / OpenClaw / Windsurf]
  E([下一步<br>持久层竞争])
  F[常驻代理 / 长期上下文 / 行为记忆]

  A --> B --> C --> D ==> E --> F

第一阶段：模型竞争

• 谁的基础模型更强
• 谁的 benchmark 更好
• 谁的上下文更长
• GPT / Claude / Gemini 谁领先

第二阶段：界面与持久层竞争

• 谁拥有实际工作入口
• 谁拥有长期上下文
• 谁拥有常驻代理
• 谁拥有最强的迁移壁垒

这条判断的价值

它把问题从“模型谁更强”推进到了：

谁控制你每天工作的那一层。

可继续连接的笔记

• AI 第二阶段竞争：界面、记忆与持久层
• Agentic Interface
• 持久化代理
• AI 平台战争

5. 实践案例

案例 A：你是开发团队负责人

你不该只问“这个模型代码写得好不好”，还要问：

• 它的长期上下文积累在哪里？
• 工具连接依赖 MCP 还是依赖平台私有壳层？
• 未来若切换到别家，代理技能和行为偏好能否迁移？
• 现在为了方便接入的闭环，会不会在 6 个月后形成高切换成本？

可继续连接的笔记

• 企业 AI 架构
• 开发团队 AI 选型
• AI 平台切换成本

案例 B：你是企业 IT / AI 架构负责人

你应关注的不只是效果和价格，还包括：

• 代理记忆存在哪里
• 连接器由谁控制
• 第三方扩展是否可审计
• 用户行为模式是否沉淀为平台不可迁移资产
• 条款变化时，生态会不会被官方突然收紧

可继续连接的笔记

• 企业 AI 架构
• 代理治理
• 可审计连接器
• 平台依赖风险

案例 C：你是普通知识工作者

这段视频的潜台词其实很强：

你未来的职业生产力，可能越来越依赖你与哪一个 持久化代理 一起工作。

这意味着你要开始关心：

• 代理是否理解你的工作风格
• 你的长期工作记忆是否能导出
• 公司配给你的代理层是否会反过来成为对你的绑定

可继续连接的笔记

• 个人 AI 工作流
• 职业生产力与代理协作
• 代理依赖风险

6. 核心结论

五条最值得记住的结论

1. 这段视频真正讨论的不是代码泄露，而是 持久化代理 的到来。
2. Conway 在视频中代表的是“从聊天式 AI 到 常驻代理”的转折点。
3. MCP 是开放连接层，但开放协议之上仍可能长出平台私有扩展与分发层。
4. 未来最强的锁定可能不是文件和数据，而是代理学到的 行为上下文。
5. 对开发者、企业和个人而言，真正需要提前思考的是 智能可迁移性。

7. 可执行建议

对开发者

优先分清三层：

• 协议层是否开放
• 打包层是否私有
• 分发层是否受平台控制

对企业

把“数据迁移”升级为“智能迁移”：

• 数据能否迁移？
• 工具能否迁移？
• 行为上下文能否迁移？

对个人

开始把“我如何与代理协作”视作一种长期资产，而不只是工具使用习惯。

8. 后续增量写作建议（Obsidian 友好）

这篇母笔记适合怎么长大

方式一：往下拆

把以下小节逐步拆为独立笔记：

• MCP 与平台封闭化的张力
• 从数据锁定到行为锁定
• Conway：未公开常驻代理的信号
• AI 第二阶段竞争：界面、记忆与持久层

方式二：往外连

与以下主题笔记建立双链：

• Anthropic
• OpenAI
• Google Gemini
• Cursor
• Windsurf
• OpenClaw
• 企业 AI 架构
• 个人 AI 工作流

方式三：继续补充

未来可增量追加：

• 新的公开产品更新
• Conway 是否正式发布
• MCP 生态是否出现平台分化
• 相关条款、隐私与可迁移性讨论

9. 参考资料（可继续整理为独立“来源笔记”）

• Anthropic Docs — Claude Code overview
• Anthropic — Introducing the Model Context Protocol
• Anthropic Docs — Model Context Protocol
• Anthropic Docs — Connect Claude Code to tools via MCP
• Anthropic Docs — Computer use tool
• Anthropic Docs — Use Claude Code with Chrome
• Anthropic — Claude Cowork
• Anthropic Help — Get started with custom connectors using remote MCP
• Anthropic Docs — Automate workflows with hooks / Hooks reference
• Anthropic Research — Long-running Claude for scientific computing
• Anthropic — Introducing Labs
• Anthropic Docs — Agent SDK overview
• Anthropic Docs — Extend Claude Code
• TechCrunch — Anthropic says Claude Code subscribers will need to pay extra for OpenClaw usage
• Axios — The AI agent buffet is closed

末尾索引

主题索引： Anthropic · Claude Code · Conway · MCP · 持久化代理 · 行为上下文 · 智能可迁移性 · AI 平台锁定 · 企业 AI 架构

适合作为上级 MOC 挂载：

• AI Agents MOC
• Anthropic MOC
• AI Platform Strategy MOC
• Knowledge Work Automation MOC