Anthropic官方工程博客2026年9月23日发布复盘《How we made claude.ai 3x faster in two weeks》：8月一场为期两周的冲刺让claude.ai与桌面端核心体验提速约3倍（13项测量几何平均3.1倍），合并超过3000项变更，无一次面向客户的事故或回滚；高峰期单日落地200余项变更、同时运行150多个协作线程。

怎么做到的

团队聚焦占用户活动95%的四个旅程：启动应用、发起对话、加载会话、发送消息。75百分位下，claude.ai冷加载到可输入从3.1秒降至0.55秒，Claude Cowork云会话加载从2.6秒降至0.73秒。执行主体是Claude Tag（内部研究模型，约相当于Opus 5.5）：在共享Slack通道里，把模糊的延迟问题转成确定性基准——Valgrind指令计数、V8函数调用数、React提交数、布局重算与DOM变更次数——每项基准既要能被Claude在实验室「爬坡」，也要作为CI棘轮防回退：任何推高指令数的PR直接失败CI，每日任务在计数下降时自动下调上限；不能证明与真实延迟相关的基准直接废弃。

可复用的经验

两条经验对自动化工作流直接可用：其一，「有了可度量的数字，优化就可被驱动」——先造确定性指标再让AI循环爬坡，比等待监控数据快一个数量级；典型收益是两条热路径指令数下降48%和31%，对应真实耗时下降78%和44%。其二，所有变更走功能开关与灰度放量，配守护性基准测试，人在环中只做目标设定与取舍审批。把这一模式迁移到财务自动化脚本：把「快」「准」翻译成可断言的数值门槛（行数、勾稽差、耗时上限），交给机器持续盯防，比事后人工抽查更可靠。