LLM 垂直工作流：从 Anthropic 黑客松六强看范式切换
Anthropic 黑客松六强作品速览
Anthropic 2026年4月公布的 Build with Claude 黑客松六强作品，每一个都直接切入具体行业场景，没有一个是通用聊天机器人。先快速过一遍这六个项目：
虚拟诊室（土耳其，医疗） — 一位土耳其医生用 Claude Opus 4.7 搭建的医学生训练平台，让医学生在 AI 模拟病人身上练习问诊和诊断。系统会自动记录问诊过程、生成 ICD-10 编码、给出诊断评分。
PCB 维修助手（法国，工业维修） — 法国工程师团队做的电路板维修工具，能把 80 页的设备原理图两分钟编译成知识图谱，维修师傅拿着电路板拍张照，AI 就能自动定位故障点、标出相关电路图区域、给出维修步骤。
编程教学平台（智利，教育） — 智利大学老师开发的编程教学系统，学生不写清楚需求规格，代码编辑器就处于锁定状态。系统会强制学生先想清楚「要做什么」再动手写代码，写完后自动评测代码质量、给出针对性反馈。
墙体损伤评估工具（美国，建筑施工） — 那个被社区热议的「木匠儿子修墙 AI」，开发者把父亲三十年的墙体维修经验整理成 prompt，配合 AR 测距，能现场评估墙体损伤程度、估算材料用量和人工成本，普通装修工人拿着手机就能用。
另外两个获奖项目分别是实验室数据自动整理系统（自动解析实验记录、生成合规报告）和手语翻译辅助工具（多模态识别手语并实时转写），同样都是面向具体工作流的垂直工具。
这六个项目共同的特点是：你几乎看不到 Claude 在哪里，它被藏在诊室表单、AR 相机、代码评测回路、PCB 画布背后，干的是推理中间件的活。
下面从机制、工程取舍、以及这类项目为什么现在能做出来，逐层拆。
为什么是现在：三件事在 2024 年同时成立
同样的创意，放到 2023 年的黑客松基本做不出来——不是想不到，而是跑不动、或者贵到没法演示。真正把这批垂直工作流项目「托」起来的，是 Claude 这一年补齐的三块基础设施。
第一块是 Tool Use 的 GA。Anthropic 在 2024-05-30 把 Tool Use（function calling）从实验特性推到正式可用。这件事表面看只是一个接口稳定，本质是结构化外部调用从「能用但别上生产」变成可靠协议。模型可以用 JSON schema 调 record_diagnosis()、highlight_pcb_region(x, y, w, h)、estimate_materials(wall_area) 这类领域函数，schema 本身就是边界约束——这是这些项目不退化成聊天机器人的技术根因。
第二块是 Vision 加 200K 上下文。Claude 3 系列默认 200K token 窗口，同时原生支持图像输入。200K 是什么概念？一本中等厚度的维修手册、完整 ICD-10 编码表、一个诊所的问诊模板库，这类过去必须靠 RAG 检索拼接的东西，现在可以直接塞进 system prompt 一次性喂进去。这不是说 RAG 没用了，而是**「先把知识塞满再推理」第一次在成本上可行**，对 48 小时黑客松尤其关键——团队不用再花半天搭向量库。
第三块是 Prompt Caching。2024-08-14 发布，官方数据是成本降低最高 90%、延迟降低最高 85%。对于这些垂直应用，system prompt 里那几万 token 的领域模板是固定的，只有用户输入的几百 token 会变。开了 cache 之后，单次调用成本从几毛钱降到几分钱，demo 直接能 pitch 商业化——这一点太关键了，黑客松作品过去最大的尴尬不是不能跑，而是「跑一次两美金，怎么给评委多试几轮」。
再加上 10 月发布的 Computer Use（OSWorld 基准 22%，对比 GPT-4o 的 7.8%），整个 2024 年 Claude 把「模型作为推理中间件」所需的工具链补齐了。六强作品是这套基础设施落在工程师手里后的第一批产出。
共通的机制骨架
把六个项目拆开看，场景天差地别，但技术骨架高度一致。可以画成一条流水线：
领域输入（语音/图像/传感器）
→ 多模态预处理（Whisper / Claude Vision / OCR）
→ 结构化上下文构造（领域模板 + RAG 片段）
→ Claude 推理（tool_use / structured output）
→ 领域动作（写病历 / 标记故障点 / 评测代码 / 计算材料）
→ 人类专家确认闭环这条骨架上有四个组件值得展开讲，因为它们决定了项目是落地工具还是 demo 玩具。
输入层：多模态打底，但不指望模型一步到位
医生场景用 Whisper 做语音转文字，问诊过程就是自然对话，医生不用去点表单；PCB 和墙体损伤场景直接把图传给 Claude 3.5 Sonnet Vision；编程教学场景把学生代码跑在沙箱里，执行结果连同代码一起喂给模型。
关键取舍是：领域工程师知道 Claude Vision 精细坐标不稳，所以不让它干这件事。PCB 项目的做法很典型——让 Claude 只输出「左上象限靠近 USB 接口那颗电容看起来烧了」这类相对区域描述，再用传统 OpenCV 做边缘检测精修坐标。这是把 LLM 当语义层、把 CV 当几何层的分工，比硬让 Claude 吐像素坐标靠谱得多。木匠项目类似：AR 测距拿几何数据，Claude 只做「这是承重墙裂缝还是表面掉漆」的判断。
上下文构造：200K 窗口撑出的新范式
过去做医疗应用要 fine-tune，或者至少上 RAG。这批项目几乎都没走这条路，而是把领域知识以 system prompt + 少量 few-shot 的形式直接注入。土耳其诊室项目把常见主诉模板、当地医保代码规则、ICD-10 子集一起塞进 system prompt；PCB 项目把对应设备的电路图要点和常见故障模式塞进去。
为什么这么做？不是 RAG 不好，而是任务域足够窄时，静态 prompt 比动态检索更稳——没有检索 miss、没有 top-k 排序抖动、配合 prompt caching 成本也压得住。这是窗口大了之后才成立的工程选择，值得记一笔：200K 不只是让长文档能读，它实际上把一部分原本属于 retrieval 的活拉回了 prompt 本身。
Tool Use：把「自由文本」锁成「确定动作」
这是整条流水线最工程化的环节。六个项目每一个都定义了自己的一小组工具函数，Claude 的输出不是段落，而是对这些函数的结构化调用。医生项目里 Claude 产出的是 record_diagnosis(icd_code, confidence, notes)，不是「根据您的症状，建议考虑以下几种可能……」这种自由文本；墙体项目里是 estimate_materials(area_sqm, surface_type, damage_level)，直接接到建材清单生成器。
输出一旦锁成 schema，整个系统的行为就可预测了。分布外输入？模型会 refuse 或者走兜底工具，不会自由发挥出一段让医生哭笑不得的建议。这也是这些项目敢放在真实工作流里的原因——失败模式是显式的，不是静默的。
结构化输出 vs 推理质量：两阶段 prompt 的取舍
但强 schema 约束有代价：会压缩 Claude 的 chain-of-thought 空间。你让它直接填 JSON，它就没地方「想」了，质量会掉。主流解法是两阶段 prompt——先让模型在一个 <thinking> 标签里自由思考，推完结论之后再让它把最终答案填进 tool call 的 schema。
这个技巧在六强作品里是标配。说白了就是「先让模型写草稿，再让它自己誊到表格里」，牺牲一点 token 和延迟，换来输出质量和可解析性兼得。这种小工程细节在黑客松 demo 和真实产品之间的区别，其实比模型选型还关键。
为什么是「收敛任务 + 专家在环」才跑得通
有一个容易被情怀叙事盖住的事实：这批项目能赢不是因为故事动人，而是因为它们选中了「LLM 恰好擅长」的任务形态。墙体损伤评估之所以好做，不是因为 Claude 懂土木工程，而是因为这个任务几何约束强、输出空间小、专家（木匠本人）验证成本极低——看一眼就知道模型对不对。
把这个形态抽出来，大概是三个条件同时满足：
- 任务边界收敛：一个诊室流程、一块 PCB、一堵墙。不是「帮我规划一次旅行」这种开放式任务，Claude 对这类任务稳定性天差地别。
- 输出空间小：要么是枚举（ICD 代码、故障类型），要么是带约束的数值（材料用量、置信度），不是自由叙事。
- 专家在环成本低：医生、电工、木匠、老师自己就是 domain expert，review 一次模型输出只要几秒——这是兜底机制，也是法律责任的承担者。
这三条合起来，解释了为什么这类项目能在 48 小时做出有生产价值的东西，而开放式 Agent（AutoGPT、CrewAI 那种）做了两年还在 demo 阶段。开放任务的问题不在模型不够强，而在没有专家可以廉价地 review 每一步输出——任务越开放，review 成本越逼近「自己从头做一遍」。
反过来也解释了天花板：专家在环是落地的原因，也是规模化的瓶颈。诊室 AI 最终医疗责任仍在医生身上，这是产品能过合规的前提，也意味着它没法像纯 SaaS 那样「无人值守」。六强里没有一个项目的 TAM 看起来像独角兽，但每一个都有非常实在的落地路径——这种范式天然倾向于「很多小而稳的垂直工具」，不是「一个吃掉一切的 agent」。
维度化对比：和相邻方案到底差在哪
把这批作品和两类邻居放一起看，差异会更清楚。
| 维度 | 黑客松垂直工作流 | 传统垂直 AI SaaS | 通用 Agent 框架 |
|---|---|---|---|
| 模型投入 | 仅 prompt + tool，0 训练 | fine-tune 或自训小模型 | 同为 prompt，但任务开放 |
| 开发周期 | 48 小时 | 6–18 个月 | 数天，但难收敛到可用 |
| 领域知识来源 | system prompt + 专家在环 | 标注数据集 | 网络搜索 + 模型先验 |
| 失败模式 | 分布外直接 refuse 或兜底 | 静默错误（最危险） | 任务漂移、死循环 |
| 适用规模 | 单一诊所 / 小作坊 / 单班级 | 企业级部署 | 演示级 |
和传统 AI SaaS 比，这批项目最大的优势是没有数据冷启动。一家诊所就能开用，不需要先收集两年病历去训模型。最大的劣势是过度依赖基模能力——Claude 降智或者 API 涨价，整个产品链直接抖动。
和通用 Agent 比，差异是方向性的。Agent 框架试图用开放推理覆盖所有任务，结果是没一个任务做得特别好；这批项目反向走，把任务切窄到 Claude 一次推理就能搞定的粒度，把 Agent 的「多步自主」退化成「单步推理 + 工具调用 + 人审」。退化不是贬义——在当前模型能力下，这种退化是让系统可用的工程选择。
工程坑：demo 和产品之间的那些细节
六强作品都是 48 小时产出，但能看出哪些是未来能生产化的、哪些还停在 demo。几个共性工程问题值得记一下，对做 LLM 应用的工程师都有参考价值。
Vision 精细坐标的失稳问题，前面提过，解法是 LLM 出语义、CV 出几何。
术语漂移特别值得说。土耳其诊室这种多语言叠加场景——土耳其语 prompt、英语医学术语、数字化的 ICD-10 编码混在一起——Claude 偶尔会把 ICD 编码写成临近编码（比如该是 J44.1 写成 J44.0）。这种错误不是幻觉那种「编个不存在的东西」，而是「选了相邻的正确编码」，非常难查。解法是在 tool_use 的参数层做后置校验：收到 ICD 码后查一次本地字典，不匹配就让模型重出。这种事在黑客松 demo 里可能没暴露，真上生产就是医保拒付。
成本曲线前面也算过。200K 上下文塞满一次调用约 $0.60（Sonnet 输入 $3/M tokens）。高频场景如果不开 prompt caching，单用户月成本就能做到几十刀。Cache 开起来以后降一个量级，但要注意 cache 的 5 分钟 TTL——如果你的流量是稀疏的，cache 命中率可能远低于官方 demo 数据。
延迟 2–8 秒在医生问诊场景是可接受的（医生也在思考），但在 PCB 维修这种「师傅拿着探头等答案」的场景就有点紧。加 Haiku 做前置路由、Sonnet 只处理关键决策，是常见优化。
合规的坑是最大的坑。六强里好几个项目场景上要碰 HIPAA、GDPR、CE 认证——黑客松 demo 可以绕，产品化不行。这也是为什么我说这种范式偏向「很多小而稳的工具」：一个小诊所自己用，合规压力远小于跨国 SaaS；一个木匠工作室用，压根不涉及个人数据。规模扩上去之后，合规成本的增长往往是非线性的，模型本身反而成了最便宜的那部分。
Computer Use 会不会把这批项目吞掉
最后一个值得讨论的问题：Anthropic 自己在推 Computer Use，让模型直接操作界面。这会不会让这批「垂直工作流嵌入」项目在 12–24 个月内被通用 agent 吞掉？
我的判断是不会，至少在可预见周期内不会，原因还是专家在环。Computer Use 目前在 OSWorld 22%，听起来比 GPT-4o 强一倍，但绝对值还是一个「五次里错四次」的水平。在消费者场景（订个机票）错了可以重来，在医疗、工业维修、建筑施工这些专家场景，错一次的代价高到必须有人在环。
更可能的演化路径是：Computer Use 会吃掉「通用白领工作流」（帮我在 Salesforce 里更新客户信息这种），但垂直专家工作流会反过来用 Computer Use 作为底层能力，继续按领域切分。土耳其医生项目未来可能用 Computer Use 去操作医院的 HIS 系统，但诊断逻辑、ICD 编码、问诊结构仍然要由领域工程师用 prompt + tool 精心设计。这两层分工，我觉得会长期并存。
落点：给做 AI 产品的同行
回到开头那个中心论点。六强作品真正传递的信号是：LLM 应用开发的默认形态变了。过去两年大家的直觉是「做个聊天机器人然后加能力」，现在应该反过来——先想清楚领域工作流长什么样，再决定在哪一步嵌入一次模型推理。聊天界面不是默认选项，是在「用户需要自由表达、任务边界模糊」的条件下才应该选的一种 UI。
对国内做 AI 落地的团队，这件事有两个直接推论。一是垂直工作流嵌入的机会窗口正在打开——不是做大而全的行业 SaaS，而是做「诊所能当天上手的问诊助手」「班级老师能当天用的代码反馈工具」这种颗粒度的东西，技术门槛已经被 Claude/GPT-4 级模型拉得很低，竞争壁垒反而在领域 know-how 和工具函数设计上。二是评估 LLM 应用的尺子得换。还在按「对话流畅度」「知识广度」打分的产品评估框架，已经跟不上这批应用的真实价值——应该换成「任务完成率」「输出可解析率」「专家 review 的 merge 率」这类更工程化的指标。
六个项目不是六个 demo，是一个范式切换的六个样本。聊天机器人这个形态不会消失，但它从 2025 年起就不再是 LLM 应用的默认答案了。
本文部分内容由 AI 辅助生成，经人工审校和补充后发布。