Code with Claude London 2026 全 24 場演講筆記：寫程式不再是瓶頸，那瓶頸跑去哪了？
Anthropic 第一次把「Code with Claude」開到舊金山以外的城市，地點選在倫敦。我把這場大會放上 YouTube 的 24 場演講全部看完，逐字稿也都抓下來整理過一遍。
先丟幾個數字給你感受一下溫度。
過去 12 個月，Anthropic 的 API 用量年增將近 17 倍。Spotify 近 3000 人的工程組織，每天部署到 production 約 4,500 次，光是自動維護就累計合併了 2,500 萬個 PR。Base44 從創辦人一個人，長到 80 名工程師。Lovable 平台上已經被建出 5,000 萬個 app，每天新增 20 萬個。
這些不是 demo，是真的在跑、真的在賺錢的東西。
你沒時間看完 24 場，這篇幫你導覽
我猜你的狀況跟我差不多。
24 場演講，每場 20 到 40 分鐘，加起來超過 10 個小時。你白天要開會、要顧專案、要回客戶訊息，誰有那個美國時間一場一場啃？可是這裡面又確實藏著今年 AI 工程最值得知道的轉折，漏掉很可惜。
所以我把 24 場依主題分成 6 組，每一場給你講者是誰、在講什麼、最值得帶走的一句話。
想深看哪一場，點標題就能直接跳到 YouTube 那支影片。
這就像逛展，先給你一張動線地圖，你再決定哪個攤位要蹲下來細看。
切入重點。
群組一：先搞懂模型到底進化到哪了
要談怎麼用，得先知道手上的工具長到什麼程度。這四場是「能力盤點」。
01. Opening Keynote 開場主題演講 由 Claude Code 創造者 Boris 開場，多位 Anthropic 主管接力。核心論點很尖銳：模型能力是指數成長，但多數組織的採用速度卻是線性的，這中間的落差就是開發者的機會。他們秀出過去一年出貨 8 個 frontier 模型、平均一個開發者每週用 Claude Code 超過 20 小時。最讓我印象深的一句：「現在的預設，已經不是『我去提示 Claude Code』，而是『我讓 Claude 去提示 Claude Code』。」人退到後面一層了。
06. The capability curve 能力曲線 Anthropic 研究團隊 PM Jeremy 把這條曲線攤開講。SWE-bench verified 從 Sonnet 3.7 的約 60% 一路爬到 Opus 4.7 的 87%，解題量大概翻了三倍。進步集中在三件事：會先規劃再動手、能從錯誤中自己爬出來、長任務能撐到 1M token 還不迷路。最瘋的案例是 bun 創辦人 Jared 用 Claude 在一週內把整個 JS engine 用 Rust 重寫，而他本人根本不會 Rust。金句：「Evals 就是 AI 時代的單元測試與回歸測試。」
15. The thinking lever 思考這根槓桿 Anthropic 的 Alexander Bricken 拆解「test-time compute」，講白話就是讓模型在回答前多想一下，這跟把模型練大一樣能提升智能。他現場用紅綠燈車流模擬 demo，low、high、max 三檔花的 token 差到 10 倍，品質遞增但有邊際遞減。實用結論一句帶走：「拿不定主意時，就開 extra high。」
10. Picking the right model 怎麼挑對模型 Anthropic Applied AI 的 Lucas 給的建議很反直覺：別信公開 benchmark，自己建一套小 eval。他有個數據很打臉：在某個修 code 的任務上，便宜的 Haiku 4.5 開了 thinking 竟然拿到 100%。所以重點是什麼？「對的模型不是每個 token 最便宜的，而是每次『成功結果』最便宜的那個。」這句話我覺得做行銷投放的人也該抄起來。
群組二：Claude Code 進階，別再盯著它跑
這五場是給已經在用 Claude Code、想用得更兇的人。共同主題：把它從「工具」變成「會自己做事的隊友」。
02. Beyond the basics 超越基本功 Claude Code 團隊工程師 Daisy Holman（前 C++ 委員會主席）講大規模環境下怎麼客製化。她點出 context window 大約就停在 1M token、不會再變大了，所以穩定的東西放最前面、每次任務才變的放後面，遵守「不要為你沒用到的東西付費」。金句：「讓 agent 更懂你 codebase 最快的方法，不是更聰明的模型，而是更緊的回饋迴路。」這場講的「harness 客製化」如果你還沒概念，可以先看我之前寫的 Agent Harness 是什麼，墊一下底再回來看會更有感。
05. The prompting playbook 提示工程手冊 倫敦的 Applied AI 工程師 Margo 示範用 evals 驅動的系統化改 prompt。她用一個電信客服 bot 當教材，一個個攻破失敗案例。最受用的一句：「如果你讀一份 prompt 都分不清哪句是 guidelines、哪句是 policy、哪句是 data，模型多半也分不清。」還有一個觀念要記住：指令本身不會增加能力，該給工具的時候就給工具，別叫模型心算。對 prompt 還很沒安全感的人，我另外整理過一篇 給天天用 AI 的人的 4 個 Prompt 技巧，可以搭配著看。
19. Build a proactive agent workflow 打造主動的 agent 工作流 Anthropic 的 Maya 介紹 Claude Code 的新功能 routines。重點是讓 agent 跑在雲端的 managed 基礎設施上，不再綁在你的筆電。觸發方式有兩種：定時排程，或事件觸發（原生支援 GitHub events）。她舉內部例子：有人設了一條「每週比對 main 的變更跟文件的差異，發現不一致就自動開 PR」。金句：「程式 agent 不該等你按 enter 才開工。」
23. Stop babysitting your agents 別再當 agent 的保姆 Claude Code 創始工程師之一 Sid 的進階課。三層技巧：verification（教 Claude 用人類那套 build、run、查 log、跑測試的流程自我驗證）、multi-Clauding（同時開多個 session，但他坦言超過 4、5 個自己也顧不來）、background loops（用 /loop 10 minutes babysit my open PRs 讓它定期醒來處理 PR）。最該想的一個問題：「你的 codebase 裡，有哪些是人類視為理所當然、但 agent 其實拿不到的東西？」
24. What's new in Claude Code 最新功能盤點 Anthropic 的 Ralph 一次講完近期新功能：手機遠端遙控 session、無閃爍全螢幕模式、桌面版大改版、會自動判斷動作危不危險的 auto mode、原生 worktree 支援、自動把你的 coding 習慣記進 memory.md。他把 CLAUDE.md 比喻成「入職手冊」、memory.md 是「工作筆記」，這個分法很好懂。金句很有畫面：「Claude 現在就是那個終端機了。」
群組三：從 demo 到上線，這段路最難走
很多人卡在「demo 很漂亮，但上不了 production」。這四場專治這個病。
04. Getting more out of the Claude Platform 把 Claude 平台榨乾 Anthropic Platform PM Puneet 講三招把成本壓下來：prompt caching（命中可享 90% 折扣，目標命中率拉到 80% 以上）、context engineering、advisor strategy（用便宜的 Sonnet 執行、貴的 Opus 當顧問，拿到前沿品質但成本砍好幾倍）。他講了一句很適合貼在牆上的話：「這場如果你只記得一件事，就記 prompt caching。」
13. How to get to production faster 用 Managed Agents 更快上線 Anthropic 技術團隊的 Michael 和 Harrison 發表 Claude Managed Agents，把 agent 上 production 需要的基礎設施都包成 API。核心觀點：「提升能力的瓶頸，其實是模型周邊的基礎設施，而不是模型智能本身。」現場還拉了 Cloudflare、Daytona、Modal、Vercel 一起站台。
14. Build a production-ready agent 手把手建一個可上線的 agent 這場是上一場的技術 deep dive，用一個 M&A 投資決策的 demo 做 live coding。重點是讓你看清楚 Managed Agents 那四個積木怎麼拼：agent、environment、session、events，還有 credential vault 怎麼讓 Claude 全程看不到你的 token。金句很妙：「這意味著 Claude 可以幫你打造出你自己的 Claude。」
11. Memory and dreaming 記憶與作夢 Anthropic 的 Ruvi 介紹兩個讓 agent 自我學習的功能。Memory 讓 agent 把前一個任務學到的東西帶到下一個；Dreaming 則是離線批次去翻 session 紀錄、找出模式、自動整理出更好的記憶。數據很有說服力：Rakuten 的生產 agent 首次錯誤降了 97%，Harvey 用 dreaming 在自家法律 benchmark 上完成率提升 6 倍。
群組四：雲端三雄怎麼跑 Claude
你公司用哪朵雲，這三場對號入座就好。三家的邏輯其實很像：把資料留在你自己的邊界內、計費整合、企業級安全。
08. Building with Claude on Google Cloud Google Cloud 的 Developer Advocate Ima 戴上 PM、設計、工程、資安、分析五頂帽子，示範用 Claude Code 在 Google Cloud 上把一個 app 從原型做到部署。亮點是新推出的官方 Google Cloud Skills 和 Developer Knowledge API，讓 Claude 拿得到每 24 小時更新的新鮮文件。
20. Build AI agents using Claude in Microsoft Foundry 微軟資深 Developer Advocate Marlene 帶的實作 workshop。重點訊息：產業正從單輪對話走向 agentic 系統。她用一個杯子蛋糕店場景，在 Foundry 裡接 Claude 模型、建 agent、再接 MCP 工具。金句點出本質：「你不能只靠模型變強，還需要能讓這份智慧真正被執行的系統。」
22. AI with Claude on AWS：從寫程式到編排 AWS 的 Antonio 自稱「對雲低語的人」。他講 AWS 上用 Claude 的三種方式，從直接用 Bedrock API、到數天前剛 GA 的 Claude platform on AWS、再到桌面版。一句話總結這年頭的工作型態：「我們其實是在對模型低語，而不是真的在寫程式。」
群組五：工程組織重組，團隊長相變了
模型變強之後，痛苦的不是技術，是組織。這五場都在講「人」要怎麼重新排列。
03. Running an AI-native engineering org 經營一個 AI 原生的工程組織 （這場的逐字稿品質較差，以下是可辨識範圍內的重點，建議直接看影片。）核心觀察是：瓶頸已經從「寫 code」上移到「規劃」和「組織結構」，review 和 onboarding 反而成了新的卡點。一個有意思的轉變是，主管、VP 開始重新回到 codebase 裡動手。
18. From one person to 80 從一人到 80 人 Base44（已被 Wix 收購）的 Job 和 Gabrielle 講擴張故事。他們 onboarding 不寫文件，而是用兩個 prompt：「掃過所有 commit，給我一張組織知識地圖」「給我這個元件的 mermaid 圖」，讓 Claude 即時維護。還有一招很聰明：用 production 流量取代難建的 eval，因為使用者開心時沉默、壞掉時會在 chat 大聲罵，就用便宜模型去分類抱怨的強度。金句：「瓶頸會一直移動。」配上他們的信念「把一切保持得非常、非常簡單」。
21. Coding is no longer the constraint Spotify 的故事 在 Spotify 待了 15 年的 Niklas 分享。數字很猛：每天約 4,500 次部署、4,000 萬行的 monorepo、超過 99% 工程師每週用 AI 工具、PR 頻率增加 76%。他們的 fleet management 累計自動合併了 2,500 萬個維護 PR。但新痛點來了：「要 review 的 PR 多到爆炸。」約束從寫程式，轉移到了人類做決策的環節。
17. Building AI-native at enterprise scale 三家企業的轉型 monday.com、Doctolib、Delivery Hero 三家都成立於 2011 到 2013 年，要在龐大的舊 codebase 上轉型。Delivery Hero 的 Herogen 把 Jira issue 自動帶到可 merge 的 PR，近十天日均約 173 個，還用「council of agents」多模型互審把成功率推到約 85%。Doctolib 做到接近 100% 採用，連 PM、設計、法務都在用。共識金句：「別再等完美條件、完美使用情境了。」
07. Designing with Claude 從 prompt 到 production 的設計法 Anthropic Labs 的 PM Dan Carey 講一個三人小團隊怎麼在 10 週把產品從點子做到上線。他們不寫 PRD、不寫 vision doc，直接用「能跑的原型」溝通，因為「文件不夠精確」。最反骨的一句：「別去做那個『已經能用』的東西，要為那個『快能用』的東西做原型。」因為下一代模型可能直接幫你把它解掉。
群組六：別人家的實戰案例
理論看再多，不如看別的行業真的怎麼用。這三場是金融、法律、和一個 vibecoding 平台的第一線。
09. Building signals that trade themselves 會自己交易的訊號 Man Group（管理超過 2,000 億美元資產）的數據與 AI 主管 Tashara 分享，他們已經有真的在跑真錢的交易訊號，由 AI 想點子、取資料、回測、寫策略提案，人類只做審查。他們 1,700 人裡有 750 人在用 Claude Code。最值得行銷人、經營者抄下來的一句：「聚焦你的組織脈絡，那是你的 IP、你的護城河，是 AI 時代少數還安全的地帶。」前沿實驗室不會幫你解這個。
12. Lessons from Legora 法律 agent 的繼承學 Legora（為律師打造協作 AI，估值超過 50 億美元，ARR 從 100 萬衝到 1 億）的工程師 Jacob 提出一個很實用的框架：垂直領域的 agent，可以直接「繼承」coding agent 的進展，分三類處理，能重用的就重用、相似的就翻譯、剩下的自己發明。金句：「你就一直盯著 coding agents，他們每出一個新東西，你就拿過來用。」
16. How Lovable vibecodes at scale Lovable 怎麼大規模 vibecoding Lovable 平台規模驚人：5,000 萬個 app、每天新增 20 萬、月訪問 6 億。他們的核心機制是「自我修復」：偵測使用者是不是卡住了（連問三次 fix it 就算），然後用一個「抱怨工具」把問題送進 Slack，由另一個 agent 去調查、開 PR，每天大概 merge 10 個修復。金句很值得做平台的人記住：「平台上建的每一個 app，都應該幫忙改善下一個。」
看完 24 場，我自己最有感的一件事
如果你問我，這 24 場講到最後，其實都在繞同一個圈：瓶頸移動了。
以前你缺的是「會寫 code 的人」。現在 code 幾乎是免費的，你缺的變成「能審查、能下判斷、能定義要做什麼」的人。這個題目我在 王董週刊 #2：Coding is Solved 之後，Growth Hacker 該蓋什麼？ 裡專門聊過一輪，有興趣可以延伸看。Spotify 那句「要 review 的 PR 多到爆炸」，跟 Base44 那句「瓶頸會一直移動」，講的是同一件事。
這個感覺我太熟了。
做數位行銷這些年，我經歷過一模一樣的轉折。早期你缺的是「會下廣告、會排版、會寫文案」的手，誰手快誰贏。後來工具越來越自動化，內容可以批量產，投放可以自動優化，缺的東西就變了。變成什麼？變成「判斷哪個內容值得做、哪個客戶值得追、哪個數字是真訊號哪個是雜訊」的腦。
我帶過一個小團隊，那時候卡關卡最久的，從來不是「做不出來」，而是「不知道該做哪個」。
工具把執行的成本壓到趨近於零之後，你的價值就全部壓到「決策」那一格上。這跟那位 Anthropic 工程師講的「對的模型不是每 token 最便宜的，而是每次成功結果最便宜的」是同一個道理。重點不在便宜，在於你選對了沒有。
所以這場大會表面在講工程，骨子裡是在問每一個經營者、每一個帶團隊的人：當執行不再是瓶頸，你打算把省下來的注意力，放到哪裡去？
三件你今天就能做的事
看完別只是收藏，不然跟沒看一樣。給你三條可以立刻動手的：
► 先建一套你自己的小 eval，別信公開排行榜。 不管你是要選模型還是選工具，挑 5 到 10 個你真實會遇到的任務，自己跑一遍比對結果。這是第 10 場 Lucas 反覆強調的，也是最容易被跳過的一步。
► 挑一件「重複、無聊、明天就能做」的苦工，直接交給 agent 全力做。 這是第 17 場那三家企業的共識：別等完美情境。可能是你每週都要整理的報表、每次都要查的內鏈、每月都要對的數據。先讓它做一件，建立信任再擴大。
► 把你的「判斷標準」寫下來，餵給 AI。 Base44 讓 Claude 從累積的 PR 評論萃取出創辦人的 review 重點，等於複製了一個審查者。你也可以把自己對「什麼是好內容、什麼客戶該追」的判斷整理成文件，這會是你接下來最值錢的資產。
最後
這年頭就是模型、模型、模型。但這場大會看到最後，講者們反覆在提醒的，反而是模型以外的東西：你的組織脈絡、你的回饋迴路、你的判斷力。
模型會一直變強，這不用你操心。
該你操心的，是當大家手上的模型都一樣強的時候，你還剩下什麼別人複製不走的東西。
想深入哪一場，上面每個標題點下去就是原始影片。完整的 24 場播放清單在這裡，挑你最有感的那幾場，週末泡杯咖啡好好看。
協作聲明與免責
這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 [來源名稱](URL) 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。
內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。
