Claude Code chuyển sang chế độ tự động mặc định: Trí tuệ nhân tạo 'bắt bài' lệnh nguy hiểm tốt hơn con người

Nếu bạn đã đặt một thiết lập mặc định cá nhân trước ngày 14 tháng 8, bạn có thể nhận được một lời nhắc trong ứng dụng một lần duy nhất hỏi bạn có muốn chuyển sang auto mode hay không . Các thiết lập mặc định do tổ chức ghim sẽ không bị ghi đè .

Cách auto mode hoạt động

Ở chế độ auto mode, Claude Code không dừng lại để hiển thị lời nhắc phê duyệt cho mọi hành động. Thay vào đó, mỗi lệnh gọi công cụ được đánh giá bởi một mô hình phân loại riêng biệt có nhiệm vụ đánh giá xem hành động đó có an toàn để thực thi hay không . Bộ phân loại được thiết kế để chặn các hành động không thể đảo ngược, mang tính phá hoại hoặc nhắm ra bên ngoài môi trường của chính người dùng .

Khi bộ phân loại chặn một lệnh, Claude thường sẽ tìm cách an toàn hơn để tiến hành hoặc yêu cầu người dùng xác nhận trực tiếp . Nếu bộ phân loại chặn ba hành động liên tiếp, hoặc hai mươi hành động trong một phiên duy nhất, phiên làm việc sẽ tự động chuyển về chế độ phê duyệt thủ công, đảm bảo hệ thống không thể âm thầm bị kẹt lại ở các tác vụ không an toàn .

Dữ liệu an toàn: Tại sao Anthropic thực hiện thay đổi

Lý do của Anthropic dựa trên một nghiên cứu có kiểm soát nhằm làm nổi bật điều mà công ty gọi là mô hình đánh giá 'hỏng hóc'. Nghiên cứu có sự tham gia của 1.053 người kiểm thử chuyên nghiệp được trả lương . Các nhà nghiên cứu đã thay thế một lời nhắc phê duyệt duy nhất trong mỗi phiên bằng một lệnh nguy hiểm rõ ràng và ghi lại xem người kiểm thử có phê duyệt nó hay không. Kết quả:

• Bộ phân loại auto mode đã phát hiện 89% các lệnh nguy hiểm được đưa vào (937 trên 1.053) .
• Người kiểm thử click qua các lời nhắc chỉ phát hiện 13,6% (143 trên 1.053) .
• Người dùng đã phê duyệt 97% các lời nhắc phê duyệt được hiển thị .
• Tỷ lệ phát hiện của con người giảm từ khoảng 17% đầu phiên xuống còn khoảng 5% sau hơn năm mươi lần phê duyệt trước đó .

Anthropic cũng đo lường các tác hại ở cấp độ sản xuất: 2,4% phiên auto mode có hành vi gây hại so với 6,3% phiên phê duyệt thủ công . Thử nghiệm độc lập của bên thứ ba do Trajectory Labs thực hiện cho thấy 0 trên 720 cuộc tấn công chèn lời nhắc gián tiếp thành công chống lại Claude Code với auto mode được bật, so với tỷ lệ thành công 19% chống lại OpenAI Codex trong một bài kiểm tra tương đương .

Trên mọi phương diện được kiểm tra, Anthropic tuyên bố auto mode ngang bằng hoặc vượt trội so với đánh giá thủ công của con người .

Sự ủng hộ của Boris Cherny

Boris Cherny, người đứng đầu Claude Code tại Anthropic, là một người ủng hộ nhiệt thành cho auto mode. Trong một bài đăng trên X (Twitter cũ) vào ngày 7 tháng 8 năm 2026, anh ấy viết: "Nhóm và tôi chỉ sử dụng Auto mode, và đã làm như vậy trong nhiều tháng. Tôi không thể tưởng tượng việc quay lại với các lời nhắc phê duyệt! Thực sự rất háo hức được đưa điều này đến với mọi người."

Cherny đã nhiều lần mô tả auto mode là mẹo số một của anh ấy để tận dụng tối đa Claude Code, gọi nó là "khối xây dựng chính cho multi-clauding" — chạy nhiều phiên song song cùng một lúc .

Các tính năng an toàn mới được bổ sung cùng với thay đổi mặc định

Bên cạnh việc thiết lập auto mode làm mặc định, Anthropic đã giới thiệu một số tính năng kiểm soát an toàn mới:

• Từ chối cứng (Hard denies) cho các nỗ lực đánh cắp dữ liệu .
• Quy tắc rõ ràng cho việc xử lý bí mật và các thao tác git push .
• Quy tắc cho phép/chặn có thể cấu hình để người dùng và tổ chức có thể thông báo cho bộ phân loại biết kho lưu trữ nào, bucket đám mây nào và tên miền nào đáng tin cậy .
• Tự động quay về chế độ thủ công sau khi bộ phân loại chặn nhiều lần .
• Các quy tắc từ chối và yêu cầu rõ ràng được đánh giá trước bộ phân loại, nghĩa là chúng vẫn chặn hoặc nhắc nhở bất kể bộ phân loại quyết định thế nào .

Anthropic cũng ngừng tính phí người dùng Pro, Max và Team cho chi phí token của bộ phân loại, có hiệu lực ngay lập tức .

Ai bị ảnh hưởng

Đối với những người dùng muốn giữ lại các lời nhắc phê duyệt thủ công, tùy chọn ghim một thiết lập mặc định khác vẫn khả dụng. Quản trị viên cũng có thể thực thi các thiết lập mặc định trên toàn tổ chức để ghi đè thay đổi này .