Claude Code 增加 ultrareview 和 auto mode,代码审查与权限自动化继续前进
Anthropic 在 Opus 4.7 发布中同步推出 Claude Code 的 ultrareview 和 auto mode 等能力。
Claude Code 增加 /ultrareview 与 auto mode,代码 Agent 的审查和权限体验继续前进
Anthropic 在 Claude Opus 4.7 发布中同步更新了 Claude Code。除了模型本身在复杂编码任务上提升外,Claude Code 新增 /ultrareview slash command,并将 auto mode 扩展到 Max 用户。
这两项更新都指向同一个问题:当代码 Agent 开始处理更复杂的开发任务后,团队需要的不只是“让它写代码”,还需要更强的审查入口和更顺滑的执行权限体验。
/ultrareview 是专门的代码审查会话
Anthropic 原文说明,Claude Code 新增的 /ultrareview 会生成一个 dedicated review session,读取变更并标记出 careful reviewer 会发现的 bug 和 design issues。Pro 和 Max 版 Claude Code 用户可以获得三次免费 ultrareview 试用。
这个功能的定位很清楚:它不是让 Claude 继续写代码,而是让 Claude 进入审查者角色。对于 AI 编码工作流来说,这一步非常关键。很多团队已经能让模型生成 patch,但真正的瓶颈变成了如何判断这些改动是否安全、是否破坏设计、是否遗漏边界条件。
/ultrareview 的价值就在于把“模型自检”变成一个独立动作。它可以在实现完成后重新阅读改动,从 bug、设计问题和潜在风险角度再次检查,而不是让同一次生成流程顺手说一句“看起来没问题”。
Opus 4.7 的代码审查能力为这个功能提供基础
这项功能和 Opus 4.7 的模型能力是配套的。Anthropic 在原文中引用 CodeRabbit 的测试反馈称,Opus 4.7 是其测试过最 sharp 的代码审查模型,recall 提升超过 10%,能发现复杂 PR 中一些最难检测的问题,同时 precision 保持稳定。
Anthropic 还强调,Opus 4.7 会在汇报前主动验证自己的输出,并能更精确遵循复杂指令。这些能力让 /ultrareview 不只是一个命令入口,而是可以承接更严格的代码审查任务。
对团队来说,真正值得关注的是它能否形成稳定流程:先让 Claude Code 实现,再让 /ultrareview 独立审查,最后由人工基于测试结果和 review 结果做最终判断。
auto mode 扩展到 Max 用户,降低连续执行摩擦
同一篇发布中,Anthropic 还提到已将 auto mode 扩展到 Max 用户。auto mode 主要解决的是代码 Agent 在连续执行过程中频繁请求确认的问题。
在真实开发任务中,Agent 经常需要读取文件、修改代码、运行命令、调整实现、再次验证。如果每一步都需要用户确认,任务容易被打断;但如果完全无约束自动执行,又可能带来安全和误操作风险。
因此,auto mode 的意义不是“让 Agent 随便做”,而是在用户授权范围内减少重复确认,让 Claude Code 更适合较长的开发流程。它和 /ultrareview 放在一起看,一个提升执行连续性,一个加强执行后的复查。
task budgets 和 xhigh effort 也服务长任务控制
Opus 4.7 发布中还包含两个与长任务控制相关的更新。第一是新的 xhigh effort level,介于 high 和 max 之间,让用户可以更细地控制困难问题上的推理投入、延迟和成本。Anthropic 还将 Claude Code 的默认 effort level 提高到 xhigh。
第二是 Claude Platform API 的 task budgets public beta,开发者可以引导 Claude 的 token spend,让模型在更长运行过程中更合理地分配工作。
这些更新说明,Anthropic 正在把代码 Agent 从“能不能做”推进到“怎么控制它做”。长任务开发不只需要模型能力,也需要 effort、预算、权限、审查和验证等控制面。
这次更新的实际看点
从 Claude Code 的角度看,/ultrareview 和 auto mode 代表两个方向:一个是更深的代码审查,一个是更顺畅的自动执行。它们都不是单纯提高模型智力,而是在补开发工作流里的关键环节。
对于正在用 Claude Code 或类似工具做项目开发的团队,比较稳妥的流程不是直接让 Agent 一路写到合并,而是把任务拆成:计划、实现、验证、ultrareview、人工最终审查。这样既能利用自动化带来的速度,也不会把风险全部交给模型自我判断。
参考来源
本文为公开资料整理与技术学习参考,不提供采编、转载或发布服务。
17GB对100GB:Qwen3.8-27B与Flash-Next做同一批任务,省下的容量换来了什么?
同做89项终端任务,17GB的27B首轮完成35项,100GB的Flash-Next完成45项;最多两次是46对53,最多四次是48对60。本文追到9月13日后续结果,区分模型能力、环境故障和返工时间;测试为苹果MLX四位量化,不是GSQ-RCO IQ3_S,也不能套到16GB显卡。
Qwen3.8-Flash-Next每秒70词元?本地加速之前,先看模型究竟改了什么
同样叫Flash-Next,70词元/秒背后可能是另一条计算路径:每词元激活专家从10减到5,再训练共享专家补偿。本文对照单台DGX Spark的两套原始资料,拆开量化、MTP、输入速度、输出速度和并发吞吐,不把128GB统一内存结果套到16GB显卡。
NVIDIA PAIR:把家里的 RTX、DGX Spark 和 Mac 变成本地 AI 请求集群,但它不是“显存池化”
可以把 NVIDIA PAIR 理解成家里本地 AI 的“派单前台”:RTX 主机、DGX Spark、Mac 就像几名能力不同的员工,PAIR 看谁在线、谁装了对应模型、谁现在最空闲,就把下一份 AI 工作交给谁。它特别适合多 Agent 并发,但不会把 16GB + 24GB 显存拼成 40GB,也不会把一个大模型拆到多台机器上。