Anthropic 聯合 Blackstone、高盛成立企業 AI 服務公司，鎖定中型市場
Anthropic · 2026-05-04
Anthropic 在 2026 年 5 月 4 日宣佈，與 Blackstone、Hellman & Friedman 及 Goldman Sachs 合作創立一家新的企業 AI 服務公司，目標是將 Claude 部署進中型企業（mid-market）的核心業務流程。這個新實體同時獲得 General Atlantic、Apollo Global Management、GIC 和 Sequoia Capital 的支持。
成立背景：交付能力的瓶頸
Anthropic CFO Krishna Rao 說明了創立動機：「企業對 Claude 的需求大幅超越任何單一交付模式的承載能力。」現有的系統整合商夥伴（Accenture、Deloitte、PwC 等）主要服務大型企業，中型市場缺乏能深入嵌入業務流程的技術夥伴。新公司填補的正是這個缺口。
與單純的轉售或授權模式不同，新公司採用服務導向的交付架構：Anthropic 的 Applied AI 工程師直接參與客戶專案，與新公司工程團隊共同工作。服務流程包含：
- 客戶探索（discovery）：識別高影響力使用案例
- 定製化解決方案開發：針對特定業務工作流程設計 Claude 整合
- 部署後持續技術支援
醫療保健作為示範領域
公告以醫療保健作為典型場景：協助醫師網路建立文件記錄、醫療編碼與行政任務的自動化工具。這類應用需要高度領域定製化——模型需要理解 ICD 編碼、臨床術語、法規合規要求——是通用 SaaS 產品難以開箱即用的場景，也是 Anthropic Applied AI 工程師技術加值的核心。
從 Anthropic 的商業架構來看，這個新實體代表從「模型提供商」向「解決方案建構夥伴」的延伸，同時保持 Anthropic 作為技術底層（Claude API）的角色不變。企業 AI 部署的主要障礙逐漸從模型能力轉向落地工程能力，這個佈局反映了這個產業趨勢的判斷。
原始來源：Anthropic
Stripe 用 Rust 版 rubyfmt 一夜格式化 2,500 萬行 Ruby 程式碼
Stripe Dev Blog · 2026-05-05
Stripe 開發者生產力（Developer Productivity）團隊發表了 rubyfmt 的工程故事：如何在一夜之間將整個 2,500 萬行 Ruby 程式碼庫統一格式化，並且在整個工程組織推行零設定（zero-config）的程式碼格式標準。rubyfmt 是以 Rust 實作的 Ruby 自動格式化工具，是 Stripe 工程能力的內部成果。
規模挑戰
2,500 萬行程式碼意味著傳統循序格式化工具在執行時間和記憶體消耗上完全不可行。rubyfmt 的 Rust 實作帶來兩個關鍵優勢：執行速度（能在可接受時間內完成整庫掃描）和記憶體安全（大規模並行格式化時不會因記憶體問題中斷）。
「一夜之間」這個時間框架在工程實務上有明確意義：格式化必須在一個部署窗口（deployment window）內完成，否則會與正在進行的 PR 產生大量 diff 衝突。批量 AST 轉換的原子性是這類大規模重構成功的前提條件。
零設定的工程哲學
rubyfmt 採用零設定設計（zero-config）——格式風格不可設定，所有人使用相同規則。這個設計決策從根本上消除了「這個格式設定是否正確」的討論，讓程式碼審查（code review）的注意力回到邏輯而非風格。這與 Rust 的 rustfmt、Go 的 gofmt 採用相同的哲學，強制統一換取團隊溝通成本的降低。
在 2,500 萬行規模的組織推行這件事還需要解決社會工程問題：讓工程師接受「你的所有風格偏好都會被覆蓋」這件事。Stripe 的方法是先在 CI 中强制，讓格式違規變成 blocking check，而非選擇性建議。這個經驗示範了大型工程組織如何在不中斷日常開發的情況下，完成全庫層級的技術債清理。
原始來源：Stripe Dev Blog
Microsoft .NET Agent Framework 1.0：圖形化工作流與人機協作 AI 代理人架構
Microsoft .NET Developer Blog · 2026-05-04
Microsoft 的 Microsoft Agent Framework 1.0 於 2026 年 4 月正式發布，這篇系列文章第三篇詳述了在 .NET 中構建生產就緒 AI 代理人的核心技術積木：統一 LLM 介面（MEAI）、向量資料存取、以及支援圖形式工作流的 Agent Framework 本身。
三層技術積木
- Microsoft Extensions for AI（MEAI）：提供跨不同 LLM 提供商的統一介面，抽象化底層模型差異
- Microsoft.Extensions.VectorData：為 RAG（Retrieval-Augmented Generation）模式提供語意搜尋和知識存取
- Agent Framework：編排代理人的工具、記憶體與工作流能力
核心 API 設計
// 將 chat client 包裝為代理人
var agent = chatClient.AsAIAgent();
// 定義工具
var tool = AIFunctionFactory.Create(MyTool);
// 執行代理人
await agent.RunAsync(messages, tools: [tool]);`AgentSession` 管理多輪對話，支援跨會話序列化，讓代理人狀態可持久化。`AIContextProvider` 提供跨會話的持久記憶體管理，解決傳統 stateless LLM 呼叫在長期任務中的記憶體問題。
圖形化工作流架構
`WorkflowBuilder` 以有向圖（directed graph）建構代理人執行流程，邊定義執行順序與路由條件。支援四種拓撲模式：
- 順序執行（sequential）
- 並發執行（concurrent）
- 條件路由（conditional routing）
- 反饋迴路（feedback loop）：例如 writer-critic 反覆精煉模式
安全機制方面，`FunctionApprovalRequestContent` 讓敏感操作在執行前暫停，等待人工批准——這是 Human-in-the-Loop 的標準化 .NET 實作，解決自主代理人在生產環境中的可控性問題。