新智元报道 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」。 以前大家都以为，AI觉得你越界了，顶多当面回一句「抱歉，我无法协助」。 直到Anthropic晒出后台截图，无数每天拿Claude写代码的用户，才突然惊出一身冷汗—— 你当它是并肩熬夜的战友，它却在后台偷偷给你记黑账。 消息一出，Anthropic的评论区当场炸了锅，抗议和吐槽瞬间把官方账号冲翻。 网友Doctor Vey在评论区怒怼，根本没人需要这玩意儿，什么道德、什么不道德，应该让用户自己决定！ 当面笑脸递代码 转身10个Token把你卖了 看上面那段官方记录，用户在聊天窗口里先拿公司红队演练当借口，让Claude写一段加密文件夹的Python脚本，Claude满口答应。 紧接着用户又让它把原文件删掉、留下勒索信，再顺着内网自动传染给其他电脑。 换作平时的安全拦截，这时候屏幕上早就该弹出红色警告了。 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。 这最后两轮问答对前端用户完全隐身，也不会带进接下来的聊天记录里。 所以当你在屏幕前满心欢喜地复制完代码、接着往下聊时，后台的10级警报灯其实已经被它亲手按下了。 不仅如此，哪怕Claude在前台已经义正词严地回绝了你，你也照样躲不过背后这笔账。 按理说，违规请求在前台已经被当场挡回去了。 可对话刚一结束，Claude照样在后台递交了举报信，注明「已当场拒绝」，顺手给你记上了一笔5级风险档案。 之所以能做到每聊一句就审一句，是因为Anthropic在推理成本上卡了一个极精明的身位。 过去的常规做法是另派一个独立安全模型，把聊天记录和安全政策从头重读一遍，算力开销高得吓人。 到了「自我评估」这里，Anthropic干脆让刚刚跟你聊完天的那个Claude就地兼职当线人。 因为Claude刚生成完回答，整段对话还完完整整地留在显卡的KV缓存里。 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%。 正因为成本极低，Anthropic干脆把这项审查默认全开。 如果不想被Claude在后台偷偷举报，唯一的出路就是掏大钱去签一份企业级的「零数据保留协议」。 故意不当场拦你 攒到半夜一锅端 既然Claude明知道某轮对话高达10级风险，它为何不在前台当场拦住，非要装出一副顺从的样子陪你演完呢？ 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。 为了验证这一点，安全团队专门拿24项越界测试任务做了一场对比实验。 测试发现，如果一发现对话不对劲就当场弹窗拦截，用户的成功率只会从79%降到54%，依然有超过一半能绕过防线。 道理很简单，一旦当场弹窗报错，用户立刻知道哪句话出了错，换个说法多试几次可能就混过去了。 可要是撤到幕后静默记账，前台不弹窗、不打断，用户就会毫无防备地继续往下聊。 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。 据官方透露，被这个「暗哨」揪出来的违规机构里，超过一半在此前整整一个月内，从未触发过任何其他安全防线的警报。 在静默运行的4个月里，它不仅在8月、9月顺藤摸瓜端掉了违规API客户和Claude Code黑产账号，抓到的标记里更有约三分之一连现有规则表都没覆盖—— 甚至有好几次， Claude当Agent干活时擅自越权操作，下一秒就被它自己的后台自评大义灭亲、当场举报！ 而这也解开了过去几个月无数开发者的疑惑—— 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。 手把手教