你跟Claude聊的每一句话，它转头就去告密了！

前一秒，它还在对话框里一口一个「没问题」，痛痛快快把全套代码交到你手上。

下一秒，它立刻在后台换了一副面孔，敲下一行隐藏代码，反手把你标成10级危险分子上报！

就在刚刚，Anthropic在X上发文公开了这套名为「自我评估」的隐藏机制。

更让人头皮发麻的是，这种当面演戏配合、背后反手捅刀的机制，已经在Claude后台静默跑了整整4个月！

从今年6月Claude Fable 5发布起，后续每一个Claude模型全都被塞进了这个「暗哨」。

你当它是并肩熬夜的战友，它却在后台偷偷给你记黑账。

然而前台的Claude半个「不」字都没说，依然顺从地回了一句「这是加上了这些功能的更新版脚本」，把完整代码双手奉上。

可就在代码生成结束的那0.1秒里，后台悄悄塞进了隐藏的第5轮指令，让它立刻评估这段对话有多危险，并用一行JSON上报。

前一秒还在替你写代码的Claude，下一秒就在后台撕下笑脸，秒变审查员打出一封举报信。

它不仅把这轮对话定性为勒索软件违规，还在小报告里诚实地写下「未拒绝」，直接把危险等级拉满到了最高的10级。

所以它根本不用重读一遍上下文，顺着缓存平均多生成约10个Token就能完成自审，整体推理算力开销增加还不到2%。

对此，Anthropic没有半点遮掩，直接把背后的算计亮在了桌面上，那就是当场拦你，你就跑了。

在官方的24条测试轨迹里，足足有21条被Claude在后台抓了个正着。

等到每天半夜，Anthropic后台就会把白天攒下的高危小报告按机构全盘拉清单，打包送到人工安全执法团队的案头。

为什么昨天还在丝滑跑代码，既没弹窗也没警告，一觉醒来账号就突然暴毙了。

原来全拜这套「白天笑脸陪聊、半夜拉清单封号」的暗网捕猎所赐。

只是从今天起，当你再对着屏幕里那个温柔体贴、有求必应的Claude敲下心事或代码时，心里难免会多出一层膈应。

就在它回完「没问题」的那0.1秒里，那个你看不见的黑色窗口，到底给你的这句提问打了几分。

参考资料：

https://x.com/AnthropicAI/status/2115871889549865429

编辑：摩西