1. 先看历史：Claude Code 是长出来的，不是规划出来的

要理解 Anthropic 现在这套”统一 harness、行业 plugin、按需加载 skill”的产品逻辑为什么 work，得先回到起点。

Anthropic 2021 年由 7 位前 OpenAI 员工创办，2023 年 3 月发布的第一个产品是 API，不是 chatbot。和 OpenAI 主攻消费级 chatbot 不同，Anthropic 从一开始押的是企业 API 合同和开发者生态，本质是一家 API 公司。

2024 年 9 月，Boris Cherny（前 Meta principal engineer）以 founding engineer 身份加入，最初只是在探索 API 的可能性，并没有”做编程产品”的明确任务。几个月后，他的 manager、Anthropic 联合创始人 Ben Mann 给了他一句话：”Don’t build for today’s model. Build for the model in six months.” 这句话后来成了 Claude Code 起源故事里被反复引用的 north star。

时间线上的几个关键节点：

  • 2024-09：Boris 拿 Claude 3.5 做出 CLI 工具原型，能用但他自己只用它写 10% 的代码。
  • 2024-10：Claude 3.6 发布，能力小幅提升，工具仍勉强可用。
  • 2025-02：Claude Code 以 research preview 形式首次公开。
  • 2025-05：Claude Opus 4 发布，同一套 harness 突然变得真正可用，先在 Anthropic 内部自然传开，同月 Claude Code GA。
  • 2025-11：Claude Opus 4.5 发布，能力再次跃升，这次裂变扩散到外部开发者社区，15K 开发者调查中 46% 将其评为”most loved”。
  • 2026 初：Claude Code 单产品年化收入达 $2.5B，周活 2M+。

这条时间线的关键在于：harness 的设计始终没有大改，真正带来质变的是底层模型两次跃升。如果 Boris 当初按 Claude 3.5 的能力上限去设计 harness、塞入大量兜底的工程复杂度，Opus 4 发布时就得推倒重来，也就赶不上那波内部自发传播。

所以 Claude Code 的成功更准确的描述是：模型能力曲线和 harness 设计的耦合，而非一开始就规划好的战略蓝图。今天 Anthropic 官方叙事里”押注模型会变强”这条 thesis，是 Boris 的实验、Ben Mann 的一句话、Opus 4 的能力突破三者叠加之后事后验证的结果，而不是 2021 年就画好的蓝图。

2. 现在的根命题：模型会持续变强，所以底座要薄

Anthropic 现在复盘出来的 product principle 是：如果模型会持续变强，今天为了弥补模型能力不足而叠加的大量工程复杂度，未来都会变成负担。

复杂的 multi-agent 编排框架 —— 模型变强后单个 agent 就能做。精巧的 output parser —— 模型变强后自己就能输出结构化数据。大量的 prompt engineering 技巧 —— 模型变强后自己理解任务意图。

反过来推 —— 如果你押模型会变强，产品形态就应该是”极简底座 + 可扩展能力”。底座保持极简，让模型的进步直接转化为产品能力的提升；能力的扩展通过松耦合的插件而不是硬编码进框架。

从这个根命题往下走一步 —— agent 在 Anthropic 的产品体系里就有一个清晰的定义：

Agent = Model + Harness

Model 提供智能（reasoning、language understanding、tool use 能力），Harness 提供让智能能落地工作的外部 scaffolding —— 工具调用、上下文管理、状态、权限、审计。

更关键的是 —— 这个 Harness 在 Anthropic 的产品里是统一的、共享的、不为每个 vertical 重做的。

这意味着 Anthropic 不是 “做了 N 个 agent 产品”，是 “做了 1 个 Harness，让它能加载 N 套行业配置”。这两种说法听起来差不多，经济和工程含义完全不同 —— 前者是 N 倍工程投入和 N 倍维护，后者是 1 倍工程投入加上配置可以由生态甚至客户自己写。

这是 Anthropic 的小工程团队能服务 1000+ 个 $1M+ 客户的根本原因。所有的 leverage 都集中在 “1 个 Harness” 这件事的设计上 —— 但要记住，这个 leverage 在 2024 年还没显现，是 Boris + Opus 4 + 12 个月 iteration 之后才长出来的。

3. 先澄清一个术语：关于Harness 的定义

在进入探讨之前，必须先把 “Harness” 这个词说清楚——整个 AI agent 行业都在做 Harness，但这个词在不同上下文里指的不是同一个东西。 Harness 在 Anthropic 自己的产品讨论和行业的公开讨论里，实际上有两种使用方式：

3.1 狭义 Harness：Agent Runtime

这是 “Model + Harness = Agent” 这个等式里的 Harness。 它指的是让模型能够作为智能体持续工作的那一套核心运行机制，包括：agent loop、tool use、conversation state、subagent dispatch、permission system、context management、audit trail。 这一层不是用户看到的界面，而是模型旁边那层“让模型能把事情做完”的运行时。你可以把它理解成智能体的操作系统内核。

3.2 广义 Harness：Agent Runtime + 产品接触面

在日常讨论 Claude Code、Claude for Enterprise、桌面端产品、浏览器扩展时，大家说的 Harness 往往更宽。 它不仅包括运行时，还包括用户接触智能体的方式：命令行、编辑器插件、聊天界面、办公软件插件、浏览器扩展、桌面端应用，以及企业部署和授权方式。

这两种含义不是矛盾关系，而是嵌套关系。狭义 Harness 是核心运行时，广义 Harness 是运行时加上产品接触面。

广义 Harness（完整产品体验）
├── 用户接触面 / Surface（CLI、Chat UI、Office add-in、Chrome extension）
├── 交付层（marketplace、安装、licensing）
└── 狭义 Harness（Agent Runtime）── 本文之后简称 "Harness"
    ├── Agent loop
    ├── Tool use
    ├── Conversation state
    ├── Skill / MCP 加载
    └── ...

本文后面统一使用一个约定：Harness 指狭义的智能体运行时；产品接触面指用户实际使用 Claude 的入口。 这个区分很重要。因为做产品判断时，如果把运行时和界面混在一起，就很容易误判 Anthropic 真正的设计重心。Anthropic 真正在押的，不是某一个聊天界面、某一个命令行工具，而是底层 Harness 能不能成为所有工作场景的共同运行时。

4. Anthropic 的产品矩阵：不是多个产品，而是一套分层系统

把 Anthropic 已经发布或正在推进的产品放在一起看，会发现它不是横向堆很多产品，而是一个非常清楚的分层系统。

4.1 行业场景：从代码进入高价值知识工作

过去一年多，Anthropic 进入的行业场景大致包括： | 行业 | 行业能力包 / 产品 | 典型任务形态 | |—|—|—| | 软件开发 | Claude Code | 读代码、改代码、测试、重构 | | 金融服务 | Claude for Financial Services | 估值模型、研报、IC memo、KYC | | 法律 | Claude for Legal | 合同起草与审阅、诉讼支持 | | 生命科学 | Claude for Life Sciences | 试验方案起草、文献综述 | | 医疗健康 | Claude for Healthcare | 临床文档、病历起草 | | 私募 / Deal-making | PE bundle | 尽调、deal memo | | 网络安全 | Security | 告警分析、安全审计 |

这些行业看起来差异很大，但底层结构很像：它们都是高价值知识工作，都依赖大量文档、数据和流程，也都需要“AI 起草，人类审核”的协作方式。

4.2 技术分层：统一底座，上层加载行业能力

如果从技术层看，Anthropic 的产品矩阵可以拆成四层：

┌──────────────────────────────────────────────────────┐
│ Layer 4: Plugin（行业 Agent）                          │
│ KYC Screener · Statement Auditor · Litigation         │
│ Associate · Trial Protocol Drafter · IC Memo ...      │
├──────────────────────────────────────────────────────┤
│ Layer 3: Vertical Bundle（行业能力包）                  │
│ Financial Services · Legal · Life Sciences ·          │
│ Healthcare · PE / Deal-making                         │
├──────────────────────────────────────────────────────┤
│ Layer 2: Surface（产品接触面）                          │
│ Claude Code · Cowork · M365 Add-in ·                  │
│ Chrome Extension · Desktop · Managed Agents API       │
├──────────────────────────────────────────────────────┤
│ Layer 1: Model + Harness（统一底座）                    │
│ Claude Opus 4.7 + Agent Runtime + MCP + Skills        │
└──────────────────────────────────────────────────────┘

关于这个图的每一层：

  • Layer 1（Model + Harness，统一底座）：所有产品共享的底层——Model 提供智能，Harness 提供让 model 能持续工作的核心机制（工具调用、上下文管理、状态、权限、审计）
  • Layer 2（Surface，产品接触面）：统一底座触达用户的产品形态——Claude Code（CLI / IDE）、Cowork（chat 界面）、Office add-in、Chrome 扩展、Desktop、Managed Agents API
  • Layer 3（Vertical Bundle，行业能力包）：每个 vertical 一套的 skill bundle + connector 配置——金融、法律、生命科学、医疗、PE / Deal-making 等
  • Layer 4（Plugin，行业 Agent）：vertical 内部的具体 named agent——KYC Screener、Statement Auditor、Litigation Associate、Trial Protocol Drafter 等 以金融 行业 为例，Layer 3 和 Layer 4 的关系长这样：

Layer 1 是 “agent 本身”，Layer 2 是 “agent 怎么到达用户”，Layer 3 + 4 是 “agent 怎么变成行业专家”。三件事在 Anthropic 的产品矩阵里清晰分层、相互正交。因此，Anthropic 的行业扩张不是“每个行业重做一个产品”，而是：统一 Harness + 不同行业能力包 + 不同产品接触面。 这就是它能够快速横向扩张的关键。每进入一个新行业，真正增加的是第三层和第四层，第一层和第二层保持相对稳定。

5. Harness 的三个基础构件：MCP、Plugin、Skill

底座要保持极简，但能力又要扩展到很多行业。这个矛盾怎么解决？ Anthropic 的答案不是做一个巨大的框架，而是抽象出三个基础构件：MCP、Plugin 和 Skill。

5.1 MCP：解决“怎么连接外部世界”

MCP，全称 Model Context Protocol，可以理解为模型与外部数据源、工具和系统之间的标准连接协议。 它解决的是一个典型的多对多集成问题。没有标准协议时，N 个智能体产品要连接 M 个外部系统，就需要 N × M 次集成。每个模型厂商、每个应用、每个数据源都要重复适配。 有了 MCP 后，智能体产品只要实现 MCP 客户端，外部系统只要实现 MCP 服务端，就能通过同一套协议连接起来。集成复杂度从 N × M 降到 N + M。 这就是为什么 Anthropic 没有把 MCP 做成私有 SDK，而是做成开放协议。协议的意义不是“我多一个开发工具”，而是“我把连接世界这件事标准化”。 更深一层，开放协议也是一种生态承诺。Anthropic 把工具集成这件事交给生态，生态做的连接器越多，Claude 能使用的外部能力就越多。因为 MCP 不把生态强行锁死在 Claude 上，反而降低了生态投入的风险。

5.2 Plugin：解决“加载什么能力”

Plugin 是按需加载的能力单元，是 Anthropic 在行业扩展上的关键构件。 具体形态：

claude plugin install kyc-screener@claude-for-financial-services
claude plugin install litigation-associate@claude-for-legal
claude plugin install trial-protocol-drafter@claude-for-life-sciences

每个 plugin 是独立的可寻址单元，有四个关键属性：

  1. 按需加载：用户不需要的 plugin 不进 context，不消耗 token，不增加模型困惑
  2. 版本可控：plugin 可以独立升级、回滚——不会因为升级某个 vertical 影响其他 vertical
  3. 权限可控：每个 plugin 有独立的 connector 授权、tool permission、audit log——合规边界清晰
  4. 独立 release：plugin 可以分阶段发布给不同客户群体，不需要整个产品 ship-or-skip 最关键的——plugin 边界 = 组织边界。合规部门可以认领 KYC Screener、风控部门可以认领 Statement Auditor、法务部门可以认领 Litigation Associate。从组织视角看是 N 个”数字员工”，从工程视角看只是同一个 Harness 加载不同的 plugin bundle。 这套设计同时满足了两个看起来矛盾的需求：组织需要的”清晰责任边界” + 工程需要的”统一底座”。

5.3 Skill：解决“沉淀什么经验”

如果说 MCP 连接外部系统，插件组织能力边界，那么 Skill 解决的是一个更关键的问题：行业经验如何沉淀下来，让模型可以稳定复用。 在 Anthropic 的设计里，Skill 通常以 Markdown 文档为核心，用来描述某类任务的流程、规范、判断标准、示例和工具使用方式。 为什么是 Markdown？

  • 第一，模型天然理解 Markdown。模型的训练数据、系统提示词、文档语料和输出格式，大量都是 Markdown。用 Markdown 写 Skill，相当于用模型最熟悉的语言描述能力。
  • 第二，业务专家可以直接参与。律师、医生、银行分析师、研究人员都可以阅读和修改 Markdown，而不必先成为工程师。这一点对行业扩张非常关键，因为真正理解领域工作流的人，往往不是写代码的人。
  • 第三，它支持渐进式加载。核心说明可以进入上下文，详细参考、示例、脚本和模板只在需要时加载。这样既能让模型知道某个技能存在，又不会一开始就把所有内容塞进上下文窗口。 Skill 的意义在于，它把原本存在于专家脑中的隐性经验，变成了可以版本化、可审阅、可分享、可执行的显性资产。 这也是 Anthropic 的 Harness 设计中最容易被低估的一点：它不是只在做“工具调用”，而是在为行业知识找到一种能被模型直接消费的载体。

5.4 三个构件合在一起

把 MCP、插件和 Skill 合在一起看，Anthropic 的扩展机制就很清楚了：

  • MCP 负责连接外部世界；
  • 插件负责组织和加载能力；
  • Skill 负责沉淀行业经验。 一个行业产品，本质上就是一组插件；每个插件包含若干技能和连接器配置；它们共同运行在同一个 Harness 上。 所以 Anthropic 的行业扩张不是不断重写产品，而是不断把新的行业知识、工具连接和任务入口加载到同一个运行时里。

6. Anthropic 的四个核心押注

理解了产品矩阵和技术底座之后，下一步是看清这套布局背后的 战略意图——为什么这么布局，押的是什么。 我看到四个战略意图，每一个都比表面上看起来更深。

6.1 Claude Code 不仅是开发者工具，更是后训练飞轮

很多人会把 Claude Code 理解成 Anthropic 的开发者产品。这个理解没有错，但还不够深。 在 Anthropic 的战略里，编程不是普通的垂直行业，而是一个“元行业”。它不只是收入来源，更是模型后训练飞轮的入口。 编程任务有几个其他行业很难同时具备的特征。

  1. 结果可验证：代码能不能编译，测试能不能通过，功能有没有实现，都能形成相对明确的反馈信号。
  2. 数据量大。开发者每天会产生大量真实任务：读代码、改代码、写测试、修复错误、重构模块、解释系统行为。这些都是高质量的智能体轨迹。
  3. 任务复杂度连续分布。从修改一行代码到完成一次大规模重构，任务复杂度可以自然分布。
  4. 正反馈快：模型变强 → Claude Code 体验变好 → 更多开发者用 → 更多数据 → 模型更强 这是 RLHF 时代之后最重要的训练数据闭环。GPT-4 那一代主要靠人类标注，Claude Opus 4.7 这一代很大程度上靠 Claude Code 跑出来的 agent trajectory。 更深的一层——Claude Code 不只是给 Anthropic 提供 training data。它间接提供了 RLAIF 数据：开发者拒绝/接受 Claude 的 PR、修改/不修改 Claude 写的代码、测试 pass/fail——这些都是 scalable preference signal，比人类标注便宜 100 倍，比纯 RL 信号准 10 倍。 所以 Claude Code 不是 toD 产品，是 toD 包装的 training infrastructure。 这是 PM 视角的关键 reframe。从外部看 Claude Code 是给开发者用的工具；从 Anthropic 内部产品决策视角看，它的首要战略意义是验证根命题（模型会变强）的飞轮，其次才是产品收入。这两个目标都达到了——它既贡献 50%+ 的企业收入，又持续产生下一代模型的训练数据。

6.2 行业选择不是随机的，而是围绕高价值工作流展开

Anthropic 进入行业的顺序并不是随机的。 除了代码之外，它选择的行业高度一致：生命科学、医疗健康、法律、金融服务、私募交易、网络安全。这些行业都有三个共同特征。

  1. 高合规：把别人不敢碰的地方变成优势 高合规行业通常是 AI 产品最难进入的地方。医疗有隐私和合规要求，金融有监管和审计要求，法律有责任边界和专业规范。 但对 Anthropic 来说，这些高门槛反而是机会。它一直把自己定位成重视安全、可靠性和企业可信度的 AI 公司。这个品牌心智天然适合进入高合规行业。 高合规不是扩张阻力，而是 Anthropic 区分自己的方式。
  2. 高客单价：优先进入高价值知识工作 这些行业里的专业人士，本身就是高价值知识工作者：律师、医生、投行分析师、研究人员、合规专家、审计人员。 他们的时间昂贵，工作成果高价值，且很多任务高度依赖文档、分析和判断。因此，只要 AI 能真正提升效率，就有足够的商业空间支撑企业采购。 这和低客单价、高流量的消费级场景完全不同。Anthropic 明显更愿意先吃企业高价值工作流，而不是去争夺娱乐、社交、电商这样的消费入口。
  3. 工作流可拆解：天然适合“AI 起草，人类审核” 这些行业还有一个共同点：工作流普遍可以拆解成“起草、审核、确认”。 律师起草合同，合伙人审核，客户确认。医生生成病历草稿，主治医生审核，进入正式病历。分析师做估值模型，董事总经理审核，再发给客户。 这正好匹配 Anthropic 的产品哲学：AI 先完成草稿和分析，人类保留审核、判断和责任。 这不是完全自动化，而是把 AI 放在最适合的位置：承担大量信息处理和初稿生成，把最终判断留给人。

反过来看，Anthropic 没有优先进入的行业，同样值得注意。

  • 没进消费者社交、娱乐、电商——这些是 OpenAI 的战场，让出
  • 没进政府、国防——美国政府 GovCloud 是 Anthropic 在 Microsoft 体系下吃的，不需要单独 vertical
  • 没进教育——监管和商业模式不清，先放着

所以，Anthropic 的行业选择并不是“哪里有需求就去哪里”，而是非常克制地选择了一组更符合自身优势的场景： 高合规、高客单价、工作流可拆解，并且天然需要“AI 起草，人类审核”。 这种克制很重要。产品战略不只是选择做什么，也包括选择暂时不做什么。Anthropic 的产品组合之所以显得清晰，是因为它没有被“所有行业都可以做 AI”这个诱惑牵着走，而是始终围绕同一套进入标准展开。

6.3 分发策略：把 Claude 放进用户已经工作的地方

Anthropic 的另一个重要判断是：不要强迫企业用户迁移到一个全新的工作空间，而是把 Claude 放进他们已经工作的地方。 这就是为什么办公软件插件、浏览器扩展、桌面端、聊天界面、命令行和编辑器集成同样重要。 开发者已经在终端和编辑器里工作，所以 Claude Code 进入终端和编辑器。 白领已经在文档、表格、邮件和浏览器里工作，所以 Claude 要进入办公软件和浏览器。 企业员工已经在各种内部系统和 SaaS 里工作，所以 Claude 需要通过连接器和扩展进入这些系统。 这背后的战略意义是降低采购和使用阻力。 传统企业软件进入大公司，往往要经历漫长的采购、审查、试点和推广流程。但如果 Claude 以插件或扩展的方式进入已有工作环境，它就不再像一个“全新系统”，而更像已有系统里的新增能力。 这不是一个小的交互优化，而是分发策略。 Anthropic 不是试图让所有人先打开一个新的 Claude 应用，再把工作搬进去；它是在反过来做：让 Claude 出现在用户每天已经打开的地方。

6.4 从幕后能力到前台入口：Claude 想成为知识工作的操作系统

理解 Anthropic 的最终野心，需要看清一个变化：Claude 不想只做其他软件背后的模型能力，它想成为用户完成工作的前台入口。 过去，很多垂直 AI 应用会把 Claude 当成后端模型。用户打开的是法律 AI、金融 AI、科研 AI 产品，Claude 在背后提供推理和生成能力。 但当 Anthropic 开始自己发布法律、金融、医疗、生命科学能力包时，它的位置就变了。 它不再只是别人产品背后的模型供应商，而是在直接进入应用层。 这意味着价值链可能发生变化。 以前的结构是： 用户 → 垂直 SaaS 或垂直 AI 应用 → Claude 模型 → 数据源 Anthropic 想推动的结构是： 用户 → Claude 产品接触面 → Claude Harness → 数据源与企业系统 在这个结构里，传统 SaaS 和数据平台不一定消失，但它们可能退到连接器和数据源的位置。用户不再主要通过它们的界面完成工作，而是通过 Claude 这个智能入口调动它们。 想象一个金融分析师早上开始工作。 她不一定先打开 Bloomberg、Excel 和 Outlook，而是先打开 Claude。她说：帮我跟踪今天某家公司的业绩会，对比卖方预期，找出最值得追问的三个问题。 Claude 调用市场数据连接器、公司内部研究库、历史报告和邮件上下文，生成分析结果。分析师审核后，让 Claude 起草客户简报，再进入 Word 做最终编辑，通过邮件发出。 在这个流程里，传统软件还在，但它们的位置变了。Bloomberg 和 FactSet 变成数据连接器，Word 变成最终编辑器，Outlook 变成交付渠道。真正承载“理解任务、组织信息、形成判断”的中间层，被 Claude 接走了。 这就是 Anthropic 最激进的地方：它不是只想做模型层，而是想把模型层和应用层连接起来，成为知识工作的默认入口。

7. 把扩展权交给企业：Anthropic 如何覆盖长尾场景

Anthropic 不可能亲自做完所有行业。 金融、法律、医疗、生命科学只是参考样板。真正的长尾在企业内部：保险、制造、能源、零售、物流、教育、政企、内部运营、IT 支持、人力资源、财务共享、风控合规。 这些场景太多、太细、太依赖企业内部系统，不可能全部由 Anthropic 官方定义。 所以 Anthropic 需要提供企业自定义能力：Anthropic 还提供 Claude Agent SDK 和 Managed Agents API，让企业能自己定义 agent。。 这层能力的战略意义是：Anthropic 不需要自己知道每个行业、每家公司、每个部门应该怎么工作。它只需要提供通用 Harness 和扩展机制，让企业自己把内部工作流接进来。 官方行业包是样板，企业自定义是规模化的真正来源。 当这件事跑通后，Anthropic 的产品矩阵就不只是它自己发布过的产品，而是整个企业生态在它的 Harness 上构建出的所有能力。

8. 从模型进步到行业扩张：Anthropic 的产品路径

到这里，Anthropic 的产品逻辑已经可以串成一条清晰的路径。 它不是先想“我要做哪些行业产品”，而是从一个更底层的判断开始： 模型会持续变强，所以产品底座应该尽量轻。 如果模型会持续变强，Harness 就不应该变成一个沉重的规则系统，而应该保持统一、轻量、可扩展。它负责工具调用、上下文管理、状态维持、权限控制和审计机制，让模型能力的提升能够直接转化为产品能力的提升。 接着，Anthropic 需要让这个判断自我强化。 Claude Code 就承担了这个角色。编程任务天然可验证，开发者的真实使用会产生大量任务轨迹和反馈信号。这让 Claude Code 不只是开发者工具，也成为模型后训练飞轮的一部分：模型越强，Claude Code 越好用；Claude Code 越好用，真实任务数据越多；这些数据又反过来帮助模型继续变强。 在模型和 Harness 形成飞轮之后，Anthropic 开始进入高价值行业。 它优先选择生命科学、医疗、法律、金融、私募交易等场景，不是因为这些行业最容易，而是因为它们同时具备高合规、高客单价、工作流可拆解的特点。这些场景天然适合“AI 起草，人类审核”，也更能发挥 Anthropic 在安全、可靠和企业可信度上的品牌优势。 行业能力并不是通过重做产品来实现，而是通过 MCP、插件和 Skill 加载到同一个 Harness 上。 MCP 负责连接外部数据、工具和系统；插件负责组织和按需加载能力；Skill 负责沉淀行业经验。这样，Anthropic 每进入一个新行业，真正增加的是行业能力包和具体任务入口，而不是重新开发一套智能体运行时。 最后，Anthropic 通过不同的产品接触面进入用户已经工作的地方。 开发者在终端和编辑器里工作，Claude Code 就进入终端和编辑器；白领在办公软件和浏览器里工作，Claude 就进入办公软件和浏览器；企业员工在内部系统和 SaaS 里工作，Claude 就通过连接器和扩展进入这些系统。 把这条路径连起来看，Anthropic 的产品逻辑是：

模型持续变强
↓
Harness 保持轻量、统一、可扩展
↓
Claude Code 形成后训练飞轮
↓
MCP / 插件 / Skill 承载行业能力
↓
进入高价值工作流
↓
通过产品接触面进入用户已经工作的地方
↓
Claude 从幕后模型走向前台工作入口

这条路径解释了为什么 Anthropic 的产品看起来很多，但底层逻辑其实很统一。 Claude Code、MCP、Skill、插件、办公软件插件、浏览器扩展、行业能力包，并不是一组零散发布。它们共同服务于同一个方向：用一个统一的 Harness，把越来越强的模型接入越来越多真实工作流。

9. 真正的胜负手：谁拥有企业工作的智能入口

走到最后，Anthropic 这套产品布局真正要回答的问题，不是“下一个行业产品是什么”，也不是“Claude 又接入了哪些工具”。 真正的问题是： 未来企业里的知识工作，会从哪里开始？ 过去，企业工作的入口是一个个确定的软件。 销售打开 CRM，分析师打开金融终端，律师打开法律数据库，员工打开办公软件，工程师打开代码编辑器。每一个软件都对应一个相对固定的工作场景，也各自拥有一部分用户入口和工作流。 模型最初进入企业时，更多是作为这些软件背后的能力层存在。用户仍然在原来的产品里工作，只是在某些环节调用 AI：帮我总结一段文档，生成一封邮件，解释一段代码，起草一份合同。 但 Anthropic 想推动的变化，不只是“在原有软件里加一个 AI 功能”。 它真正想做的是让 Claude 走到工作流前台：用户先向 Claude 描述目标，再由 Claude 调用工具、连接数据、理解上下文、组织信息，并把任务推进到下一个状态。 这会改变企业软件价值链里的位置关系。 传统 SaaS 不一定会消失。企业仍然需要系统记录客户、管理合同、保存病历、处理审批、承载权限和审计。这些系统长期积累的数据、流程和合规能力不会被轻易替代。 但它们的位置可能会变化。 一部分系统会继续作为记录系统存在，一部分工具会变成 Claude 调用的连接器，一部分办公软件会变成最终编辑、确认和交付的界面。真正被重新分配的，是中间那层最有价值的工作：理解任务、调动上下文、组织信息、形成初步判断，并推动流程继续向前。 这也是为什么 Harness 如此关键。 如果没有统一 Harness，Claude 很难稳定进入这么多不同工作场景。每进入一个行业，都要重新做工具接入、权限管理、上下文处理、状态维持和审计机制，扩张成本会非常高。 但如果 Harness 足够统一、轻量、可扩展，Anthropic 就可以不断把新的行业能力加载上去：通过 MCP 连接外部系统，通过 Plugin 组织任务能力，通过 Skill 沉淀行业经验，再通过不同产品接触面进入用户已经工作的地方。 这时，Claude 就不只是一个模型，也不只是一个聊天工具，而是有机会成为企业知识工作的智能入口。 如果这条路径跑通，Anthropic 会获得比模型调用更高的位置。它不只是提供推理能力，而是参与企业工作如何被发起、组织、执行和交付。模型层、运行时、行业能力和用户入口被连接到一起，Claude 就会从幕后能力变成前台入口。 如果这条路径没有跑通，Claude 依然会是一家重要的模型供应商。它可以继续给垂直 AI 应用、企业软件和开发者工具提供能力，但用户入口和工作流仍然主要掌握在传统 SaaS、垂直 AI 公司和企业内部系统手里。 所以，这场竞争真正决定的不是 Anthropic 能不能多做几个行业包，而是： Claude 能不能从“被调用的模型”，变成“发起工作的入口”。 这也是我看 Anthropic 产品布局时最关心的地方。 Claude Code、MCP、Skill、Plugin、办公软件插件、浏览器扩展、行业能力包，看起来是很多不同产品。但放在同一条线上看，它们都指向同一个方向： 用一个统一的 Harness，把越来越强的模型接入越来越多真实工作流。 理解了这一点，再看 Anthropic 的产品矩阵，就不再是零散发布，而是一套非常一致的产品系统。