Anthropic两周提速3倍：AI主导性能优化的方法论与实战复盘

当性能优化从工程师的专属手艺变成AI可以自主完成的任务，软件开发的生产力边界将被彻底重写。Anthropic的三位工程师在官方开发者博客分享了一个真实案例：他们在8月仅用两周时间，借助Claude大模型将Claude.ai网页版和桌面端的核心体验整体提速约3倍。具体数据是：打开页面到可输入的耗时从3.1秒降至0.55秒，桌面端新建会话从0.8秒降至0.3秒，加载云端会话从2.6秒降至0.73秒，四类核心操作共13项指标的几何平均提速达到3.1倍。据估算，这相当于每天为用户节省数万小时的等待时间。更值得关注的是，完成这一切的主力是Claude本身——它负责找瓶颈、建基准测试、写代码提PR、盯每一次部署，而人类只负责定目标、做取舍、审批改动。两周内合入3000多个改动，零次线上事故。这篇复盘可能是目前关于AI在真实产品上大规模替代人工优化工作写得最详细的一篇。

测量驱动：从第零步到第一步的范式转变

传统性能优化的流程是：先加埋点、等线上数据积累、再开始分析问题。Anthropic的实践彻底颠覆了这个顺序——测量变成了爬山的第一步。他们让Claude通过MCP连接Datadog分析使用数据，从海量日志中定位出影响最大的四类操作：打开应用、发起对话、加载历史对话、发送消息，这四类占了用户全部活动的95%。随后统一了13项指标的计时口径：每项从用户操作触发开始，到结果渲染完成截止，客户端和服务端耗时分开统计。冲刺开局时，团队准备了一份约二十个项目的清单，每个项目对准一类操作。Claude为每个项目评估能节省多少毫秒，工程师将估算汇总后设定了冲刺目标。然而第三天，13个目标就达成了12个——AI的执行效率远超预期。核心方法论可以凝练为一句话：只要Claude能把一件事衡量出来，它就能把这件事变快。

三大机制：棘轮、护栏与掌舵

为了让Claude的优化成果不被后续改动侵蚀，Anthropic建立了三套配套机制。其一是棘轮机制：将benchmark写入CI流程，数字只许降不许升，任何让指标变差的PR都无法合并，每天还有定时任务自动将上限下调。其二是护栏机制：每个改动至少一人审批，单元测试永远先于优化，用户可见的改动全部置于功能开关之后，高风险变更按员工内测、1%用户、全量上线的节奏逐步放量。两周内他们加了近200个功能开关，冲刺结束时一半以上已清理。其三是人类掌舵：Claude默认保守，工程师需要鼓励它更大胆；同时每个线程都有具名负责人，用户能感知的变化必须附上改动前后的截图或录屏供人拍板；方向和优先级始终由人决定。有一句来自评审的回复很典型：「每次发送省2毫秒，不值得维护这个构建插件的复杂度。」

多线程并发：150把锤子的协同作战

一个线程跑通后，扩展到更多线程只是多开几个的问题。Claude在单个线程上能提出50到100个优化PR，而且越来越多的机会是Claude自己在新线程中主动挖掘。例如它做了一次React Hook普查，发现输入框的打字路径上挂着6900个Hook和900个状态订阅，用户每按一个键就要全部重新渲染；它数了样式重算，发现一个:root:has()选择器让每次DOM变更多花24毫秒；它追踪首次绘制之后的代码路径，发现一个遗留的location.reload()每天造成约50万次隐藏页面重载。有一个典型案例：Claude排查CPU卡顿时注意到给已完成的代码块做语法高亮能把页面冻住约1秒，深挖后发现元凶是破折号——任何非Latin-1字符都会让V8把整段字符串按UTF-16双字节存储，导致正则匹配进入慢路径。修复方法只是一个20行的改动：高亮前先把每个代码块复制为单字节字符串。更惊人的是，他们发现汉字同样不在Latin-1范围内，中文用户可能是这次修复受益最大的人群之一。

120Hz帧预算：追求极致流畅的实战细节

在流式输出优化这条线上，团队展示了如何将性能追求推向极致。为了精确测量帧率，Claude在实验室里用DevTools的begin-frame控制在无头Chrome中实现120Hz确定性逐帧步进，每帧8.33毫秒的预算被严格监控。它一帧一帧步进长回复，给每一帧计时，找出慢的部分后逐个优化：把已输出完的块缓存起来避免重复计算，把还在增长的代码块分词逻辑移到worker线程，表格改成一格一格地显示。长回复的帧预算优化最终让主线程阻塞时间从约750毫秒降至约200毫秒，CPU占用降至原来的三分之一，在120Hz的MacBook上从头到尾稳在120fps。这个120Hz测试台后来成为每晚例行的定时任务，持续监控是否存在退化。整个冲刺期间，他们同时跑着150多个优化线程，最忙的几天一天合进去200多个改动，Claude官方开发者账号还专门发推介绍了这次流式渲染器的重写成果。

Anthropic的实践揭示了一个关键趋势：当测量成为爬山的起点而非终点，AI在性能优化上的效率远超人力。然而这套方法并非全自动，每个线程都有人负责，护栏机制是并发扩展的前提，方向和品味始终由人掌舵。对于开发者而言，核心启示是：先让AI把快变成一个可衡量的数，再用棘轮锁住成果，最后逐步扩展并发。Anthropic的结论是：「只要Claude能把一件事衡量出来，它就能把这件事变快。」这可能是AI工程化落地最有力的佐证之一。