Anthropic這篇新的工程文章裡，最值得別人搬回去用的並不是claude.ai兩週內快了約三倍這件事，而是團隊留下的那條絆線：一道以CPU指令數為準的CI關卡，數值只能往下走。這讓往後每一個拉取請求都變成一次效能測試。
重點摘要
- 在第75百分位，claude.ai全新載入到可以打字的時間從3.1秒降為0.55秒；Claude Code的新工作階段則從0.8秒降到0.3秒。
- 兩週內合併超過三千次變更，沒有任何影響客戶的事故，也沒有回滾。
- 兩條熱路徑的指令數分別下降48%與31%，換算成實際耗時是減少78%與44%。正是這項驗證，讓團隊敢用指令數而非計時來卡CI。
為什麼是指令數，而不是碼表
使用者感受到的是延遲，但毫秒級的讀數雜訊太大，不足以拿來判定建置失敗。Anthropic的做法是去找確定性的數字，而不是有代表性的數字，並且在信任每個數字之前，先證明它確實跟著真實延遲走。
驗證的樣本是組裝對話訊息樹的那段常式。用Valgrind分析後發現，其中四分之一的指令是超型態的字典查詢，同一個訊息ID被分三次解析。修掉這段，再加上Claude Code輸出中的狀態列掃描，指令數分別少了48%與31%，同樣路徑的實際耗時則掉了78%與44%。到這時，指令數才成為CI中的永久上限，並由一支夜間工作在每次建置低於上限時把門檻再往下調。
圍繞著這套做法的紀律，和機制本身一樣重要。只要某個基準測試被證實不穩定，或是它會變動但使用者延遲不動，團隊就直接刪掉而不是容忍它，否則模型會去爬一座沒人想爬的山。React的commit次數、V8涵蓋率的呼叫次數、樣式重算與DOM變動，也都通過了同一輪試鏡。
這個三倍是拿什麼當基準
範圍在任何東西上線之前就先定好。Claude透過Datadog的MCP伺服器讀取使用遙測資料，挑出佔整體活動95%的四條動線：啟動應用程式、開始新對話、打開舊對話、送出訊息。這四條後來變成橫跨網頁與桌面的十三項量測，每一項都以使用者操作為起點、以畫面渲染為終點。
十三項目標中有十二項在第三天就達成。手法一點也不華麗：把靜態輸入框直接寫進HTML，讓React初始化期間也能打字；預先編譯V8程式碼快取，讓桌面殼層省下一次重新編譯；在對話之間讓輸入框保持掛載；滑鼠移過去就預取工作階段；側邊欄的重新渲染減少90%。Anthropic估算，這些加總起來每天替使用者省下數萬小時的等待。
只有靠數才看得見的臭蟲
接下來的清單，與其說是效能待辦事項，不如說是對沒有任何儀表板在看的東西所做的稽核。全面清點掛鉤後，找到6900個會在每次按鍵時重新渲染輸入框的掛鉤。一個:root:has()選擇器，對每一次DOM變動收取24毫秒。一段被遺忘的location.reload()，每天觸發五十萬次，卻沒出現在任何載入指標上。相同的快取快照，在主執行緒上每分鐘被複製進IndexedDB兩次。
最離奇的一個，是完成的程式碼區塊會卡住約一秒，追查後發現元兇是破折號。只要出現一個非Latin-1字元，V8就會把整個字串當成UTF-16保存，於是所有語法高亮的正規表示式都掉到較慢的雙位元組路徑上。二十行程式碼，先把區塊複製成單位元組字串，問題就消失了。
版面位移最直接說明了這一點。側邊欄每跳一次，累積版面位移大約是0.008，遠低於0.1這個判定頁面「良好」的門檻——換句話說，標準指標說一切正常。改成直接讀Layout Instability API的原始資料，並依頁面區域替位移貼標籤後才看出，31%的網頁載入在頁面已經可用之後仍有東西在動。
零回滾才是更難的那個數字
兩週合併三千次，講的是產出量。在首次繪製、輸入框這種曝險極高的熱路徑上，既無事故也無回滾，講的則是流程——值得照抄的是後者。
拆開來看，每個環節都很常規：每個拉取請求都要經過自動審查加至少一位人類核准；單元測試寫在它要保護的那項最佳化之前；任何使用者看得到的改動都藏在短命的旗標後面；並從員工、1%使用者到全體逐步放行。不常規的是量——兩週內開出將近兩百個旗標、撤掉其中一半以上，而全部拉取請求約有三分之一帶的是新的遙測或護欄，而不是修正。量測被當成變更的一部分，而不是後續補票的工單。
這件事為何重要
過去，量測是第零步：先推出一個指標，等資料，然後才開始理解問題。當手上有一個你給什麼數字它就往什麼方向最佳化的代理程式，量測就變成攀爬的第一步，而稀缺的資源轉移到「到底什麼值得給一個數字」的判斷上。從83萬行的Rust重寫，到讓代理程式寫程式但把部署權留給人的Perplexity，其他高度倚賴代理程式的工程案例，也看得到同樣的倒轉。
Anthropic很小心，沒有把它說得太滿。該公司自己的紀錄寫道，這個循環很有生產力，但並不自主：目標、取捨與核准都留在人手上，而其中一項長期任務，是持續推著模型在範圍上別像預設那樣保守。對那些把這篇當範本讀的團隊來說，令人不安的推論是：瓶頸會移到審查產能，以及決定該量什麼的品味上——這兩樣都不會因為多加代理程式而變多。
FAQ — 常見問題
這次衝刺是由哪個模型執行的
Anthropic表示，它使用了測試版的Claude Tag，底下跑的是一個內部研究模型，公司形容其能力大致與Opus 5.5相當。所有工作都在單一共用的Slack頻道裡協調，而不是透過專門工具。
這些變更有經過人工審查嗎
有。每個拉取請求都經過自動審查，並且需要至少一位人類核准；使用者看得到的變更則藏在功能旗標後面，依序對員工、1%的使用者、再到全體漸進放行。
沒有內部模型的團隊能照做嗎
機制本身不挑模型：先證明某個確定性指標和延遲相關，再把它放進CI裡逐步收緊即可。不能照搬的是產出量——兩週合併三千次，預設了多數團隊得先自行建立的審查產能與量測基礎。
