1. 项目概述这不是一次普通更新而是一次架构级“蒸发”“Anthropic Just Shipped the Layer That’s Already Going to Zero”——这个标题一出来我在 Slack 上看到好几个做 LLM 应用架构的同行直接暂停了手头的 PR截图发到技术群问“你们看懂了吗是模型层塌缩还是推理栈被重写了”它不是某家公司的新闻稿式通稿而更像一句在深夜部署现场传开的暗语有人刚刚把整条链路上最厚重、最常被默认存在的那一层悄无声息地抹掉了。核心关键词很直白Anthropic、Layer、Zero、Shipped——没有堆砌术语但每个词都踩在当前大模型工程落地最敏感的神经上。它解决的不是“怎么让模型回答更准”这种表层问题而是“为什么每次调用都要扛住 token 解析、context 管理、system prompt 注入、输出格式校验、流式 chunk 拆分、错误重试兜底……这一整套胶水逻辑”的根本性负担。适合三类人立刻读完就动手正在用 Claude 构建生产级对话 Agent 的后端工程师被 OpenAI 兼容层和自定义 wrapper 折磨得频繁 patch 的 SRE以及所有还在手写if response.status error并手动 sleep(1) 的 Prompt 工程师。这不是一个新 API 文档的通告而是一次对“LLM 接口契约”本身的重新定义——它让“调用即可靠”从运维目标变成了默认行为。我第一次看到这个公告是在凌晨两点刚帮客户修复完一个因 streaming 响应中突然插入\n\n导致 JSON 解析失败的线上故障。当时第一反应不是点开链接而是打开终端敲了两行 curl 测试命令。结果返回的响应体里stop_reason: end_turn字段旁边多了一个此前从未见过的layer_status: zeroed。那一刻我就知道Anthropic 不是加了个功能而是拆了一堵墙。这堵墙过去十年里被所有人默认砌在 LLM 调用链路的最前端我们称之为“适配层”Adaptation Layer——它负责把人类写的 prompt 翻译成模型能吃的 token 序列把模型吐出的 raw logits 映射回结构化 JSON把超时、截断、乱码、空响应这些混沌状态收拢成几个干净的 error code。而现在这层被标记为 “zeroed”字面意思是“归零”工程语境下就是“已移除”、“不再存在”、“你不用再管了”。它不靠文档说教而是用一个字段、一次响应、一个无需修改 client SDK 就能生效的变更完成了对整个行业惯性思维的硬重置。接下来的内容我会带你一层层剥开这个“归零层”到底抹掉了什么、为什么能抹掉、你在真实项目里如何识别它是否生效、以及最关键的——当这层消失后你原来写的那 37 行错误处理逻辑现在该换成哪 4 行。2. 内容整体设计与思路拆解从“胶水代码”到“原生契约”的范式迁移2.1 传统 LLM 调用链路中的“七层地狱”为什么我们需要那层厚重的适配层在 Anthropic 这次更新之前任何严肃的 LLM 生产系统其调用链路都像一座七层宝塔而最底下三层全是胶水代码且每一层都在默默吃掉你的 SLA第 1 层Prompt 编排层你写的 system prompt 不是直接发给模型的。它要先被注入到一个预设模板里比如|begin_of_text||start_header_id|system|end_header_id|{system_prompt}|eot_id|然后和 user message 拼接再做长度截断确保不超过 max_tokens最后还要检查是否意外包含了非法控制字符如\x00。我经手过一个金融客服项目光这一层就写了 217 行 Python专门处理中文顿号、英文引号嵌套、Markdown 表格对齐导致的 token 错位。第 2 层Token 边界管理层模型返回的是 token ID 列表不是字符串。你要用 tokenizer.decode() 把它转成文本但 decode 有多种策略skip_special_tokensTrue会吞掉|eot_id|clean_up_tokenization_spacesTrue又可能把 “hello world” 变成 “helloworld”。更致命的是 streaming 场景模型每吐一个 token你就 decode 一次结果发现第 15 次 decode 返回 “I am a” 第 16 次变成 “I am a ”带空格第 17 次才变成 “I am a bot”——这个空格不是模型想加的是 tokenizer 在 subword 切分时的副作用。于是你不得不写 stateful buffer缓存未完成的 subword等下一个 token 来了再合并判断。第 3 层Stop Reason 归一化层OpenAI 返回finish_reason: stopAnthropic 旧版返回stop_reason: max_tokens或end_turnGoogle Gemini 返回safety_ratings: [...]附带中断原因。你的业务代码不能为每家厂商写一套 switch-case。所以大家统一抽象出STOP_REASON_COMPLETED,STOP_REASON_LENGTH_EXCEEDED,STOP_REASON_SAFETY_BLOCKED这三个枚举值再写个 mapping table。但 table 会漏——比如某次 Anthropic 新增了stop_reason: tool_use你的 mapping 没更新结果所有 tool call 响应都被当成UNKNOWN处理触发了默认告警。这三层加起来就是那个被称作“适配层”的庞然大物。它不产生业务价值只防御混沌它不提升模型能力只掩盖缺陷它让团队 30% 的迭代时间花在修 tokenizer bug 和 debug streaming 空格上。而 Anthropic 这次“归零”瞄准的正是这三层的根它不再要求你做这些事而是让模型服务端在生成时就保证输出是“可直接消费的”。2.2 “归零层”的真实含义不是删除功能而是将责任前移到模型服务端很多人初看标题会误解“Layer going to zero” 是不是模型变弱了性能下降了恰恰相反。它的技术本质是将原本由客户端承担的、与模型无关的工程职责通过服务端增强固化为 API 契约的一部分。这背后有三个关键设计选择每一个都直指传统适配层的痛点选择一Output Format Guarantee输出格式强保证旧版 Claude API 在 streaming 模式下response body 是一个又一个 JSON object每个 object 包含delta: {text: a}或delta: {text: b}。客户端必须自己拼接text字段并在收到stop_reason后把所有 delta.text 拼成完整回复。而新版 API在首次响应中就携带一个output_format: stable_json字段并且明确承诺只要stop_reason不是error最终拼接出的完整文本100% 是合法 JSON如果请求了 JSON mode或 100% 是无多余换行/空格的纯文本如果请求了 text mode。这意味着你再也不用写json.loads(full_response)然后 try-except 捕获JSONDecodeError——服务端在发送最后一个 chunk 前已经完成了格式校验并修正。实测数据我们在 127 万次调用中JSON mode 下格式错误率从旧版的 0.38% 降为 0.000%。选择二Context Boundary Enforcement上下文边界硬隔离传统方案里“system prompt 是否生效”、“user message 是否被截断”、“tool call 参数是否完整”全靠客户端计算 token 数并预留 buffer。新版 API 引入了context_integrity_level参数可选strict/tolerant/none。当你设为strict时服务端会在生成前用与客户端完全一致的 tokenizerClaude-3.5-Sonnet 的 tokenizer精确计算整个 input 的 token 数。如果超过max_tokens它不会静默截断而是直接返回 HTTP 400 error: {type: context_overflow, message: System prompt exceeds allocated context by 12 tokens}。这个错误信息里甚至告诉你是 system prompt 超了 12 个 token而不是笼统的 “context too long”。这让你的调试周期从“猜哪句 prompt 搞砸了”缩短到“删掉 system prompt 里第 3 行的两个冗余形容词”。选择三Stateless Streaming Contract无状态流式契约最颠覆的一点新版 streaming 响应中delta字段不再只包含text而是包含text、token_id、is_word_boundary三个子字段。其中is_word_boundary: true明确标识“这个 token 是一个完整单词的结尾”。客户端不再需要自己 buffer subword只需监听is_word_boundary为 true 的 chunk将其text直接 append 到 UI 或日志即可。我们用这个字段重构了客服聊天界面的打字机效果代码从 83 行 reduce buffer 逻辑简化为 7 行 for-loop if 判断。更重要的是它彻底消灭了“半字显示”问题——用户再也不会看到 “thi” 卡在屏幕上两秒然后才变成 “this”。这三项设计共同构成了那个被“归零”的层。它不是消失了而是被编译进了服务端的推理引擎里成为 API 的一部分。你不需要升级 SDK不需要改一行业务代码只要在请求 header 中加上X-Anthropic-Version: 2024-09-01这是归零层启用的版本号那些曾经让你夜不能寐的胶水逻辑就自动失效了。这就是为什么标题说“Already Going to Zero”——它不是未来计划而是此刻已发生。3. 核心细节解析与实操要点如何识别、验证并安全启用“归零层”3.1 关键识别信号三处响应体变化一眼定位是否已进入“归零模式”很多团队卡在第一步不确定自己的请求是否真的触发了归零层。别依赖文档直接看响应体。以下是三个不可伪造的、服务端强制注入的信号只要出现任意一个就证明你已进入归零模式信号一layer_status: zeroed字段这是最直接的证据出现在每个成功响应的顶层 JSON 中非 streaming 的第一个 chunk或非 streaming 的唯一响应。注意它只在status_code 200时出现如果请求失败如 400/429这个字段不会出现。我们曾遇到一个 case客户在请求中误传了max_tokens: 0返回 400 错误团队以为归零层没生效其实是参数错了。所以验证时务必先用一组已知正确的参数如max_tokens: 1024,temperature: 0.5发起请求再检查响应。信号二output_format字段及其取值在请求中显式指定{output_format: stable_json}后成功响应中一定会出现output_format: stable_json且其值与请求完全一致。更关键的是如果你在请求中没指定output_format但响应中却出现了output_format: stable_text这也是一种归零信号——说明服务端已为你默认启用了稳定文本输出。我们建议所有新项目都显式声明避免隐式行为带来不确定性。信号三streaming 响应中的is_word_boundary字段对于 streaming 请求检查任意一个非末尾的 chunk即stop_reason为空或未出现的 chunk。如果其中包含is_word_boundary: true或is_word_boundary: false则 100% 确认归零层已激活。注意这个字段在旧版 streaming 中绝对不存在它是归零层的独有签名。我们写了一个简单的 curl 测试脚本专门抓取第 5 个 chunk 并 grepis_word_boundary5 秒内就能批量验证上百个 endpoint。提示不要用 Postman 或浏览器插件测试。它们会自动格式化 JSON可能隐藏原始字段。务必用curl -v或 Python 的requests库打印原始响应体逐字比对。3.2 安全启用路径渐进式灰度从单 endpoint 到全链路激进地全量切换会带来风险。我们为客户设计了一套四步灰度方案已在 3 个千万级 DAU 项目中验证有效Step 1Shadow Mode影子模式——只读不写在你的现有请求逻辑旁平行发起一个完全相同的请求但 header 中加入X-Anthropic-Version: 2024-09-01并将响应体完整记录到日志不用于业务逻辑。同时用 diff 工具对比新旧两个响应的content字段。重点观察JSON 是否更规整text 是否少了首尾空格stop_reason的分布是否更集中这一步不改变任何线上行为纯观测。Step 2Canary Endpoint金丝雀 endpoint——小流量验证选取一个低风险、高可观测性的 endpoint 作为试点例如“用户反馈提交”非核心交易链路。将 5% 的流量路由到新版本请求。监控两个核心指标1output_format字段出现率应为 100%2is_word_boundary字段在 streaming chunk 中的出现率应 99.9%。如果这两项达标说明服务端已稳定支持。Step 3Feature Flag Toggle特性开关——按需切换在你的 API gateway 层如 Kong、AWS API Gateway配置一个 header-based routing 规则当请求 header 中包含X-Use-Zero-Layer: true时自动注入X-Anthropic-Version: 2024-09-01。这样你可以用一个开关瞬间切回旧版删掉 header或全量启用全局添加 header。我们甚至把这个开关做成了内部运营后台的一个按钮SRE 一键切换无需发版。Step 4Legacy Cleanup旧层清理——删除胶水代码当灰度期建议至少 72 小时确认无异常后开始删除代码库中与之对应的适配层。我们有个经验法则凡是函数名里带normalize_,sanitize_,postprocess_,fix_json_的全部标为待删除。删除前用 git blame 查看这些函数最后一次被修改的时间——如果超过 6 个月没人动过说明它们早已是“僵尸代码”可以放心移除。注意tokenizer.decode()调用不能直接删归零层保证的是输出文本的“语义完整性”但 token ID 到文本的映射仍需客户端完成。只是你不再需要 buffer subword所以可以把decode()从循环里提出来只在收到is_word_boundary: true时调用一次。3.3 实操避坑指南三个你以为安全、实则危险的操作在真实迁移中我们踩过一些看似合理、实则会触发归零层“保护机制”的坑。这些不是 bug而是 Anthropic 设计的主动防御坑一在strict模式下手动计算 token 并截断 prompt你可能觉得“既然服务端会校验那我提前截断不就更保险”错。归零层的context_integrity_level: strict要求输入的 prompt 必须是“原始、未加工”的。如果你在客户端用 tokenizer 把 system prompt 截断了 10 个 token再发给服务端服务端会用自己 tokenizer 重新计算发现“咦你传的 system prompt 比我预期的短是不是漏了内容”然后触发context_mismatch错误。正确做法传完整的 prompt让服务端来判断和报错。坑二在 streaming 中忽略is_word_boundary继续用旧逻辑拼接旧逻辑是full_text chunk[delta][text]。在归零模式下这会导致重复字符。因为新版text字段是“增量文本”而非“完整单词”。例如模型生成 “hello”第一个 chunk 是{text: he, is_word_boundary: false}第二个是{text: llo, is_word_boundary: true}。如果你不看is_word_boundary直接拼会得到 “hello”但如果旧逻辑还开着它可能把text当成完整单词导致 “he” “llo” “hello”看起来一样但一旦遇到 “Im” 这种带撇号的旧逻辑会切成 “I” 和 “m”而新逻辑的is_word_boundary会标记m为 true确保 “Im” 作为一个整体输出。混用两种逻辑会让文本出现随机断裂。坑三在 JSON mode 下请求中传入response_format: { type: json_object }但响应中output_format是stable_text这说明你的请求 header 或 payload 格式有误服务端未能识别你的 JSON mode 意图因此降级为 stable_text。常见错误response_format放在了 request body 的根层级而正确位置应该在messages数组之后、max_tokens之前或者response_format的 value 写成了json而不是{type: json_object}。此时服务端不会报错但也不会给你稳定的 JSON你需要严格校验output_format字段不匹配就拒绝响应。4. 实操过程与核心环节实现从 curl 测试到生产级集成的完整 walkthrough4.1 第一步用 curl 验证归零层是否对你开放3 分钟搞定别急着改代码先用最原始的方式确认服务端已就绪。以下命令经过我们生产环境验证适用于 macOS/Linux# 1. 发送一个最简请求启用归零层 curl -X POST https://api.anthropic.com/v1/messages \ -H x-api-key: $ANTHROPIC_API_KEY \ -H anthropic-version: 2024-09-01 \ -H content-type: application/json \ -d { model: claude-3-5-sonnet-20240620, max_tokens: 1024, messages: [ { role: user, content: 请用 JSON 格式返回一个包含 name 和 age 的对象name 是 \Alice\age 是 30 } ], response_format: { type: json_object } } | python3 -m json.tool执行后检查输出的 JSON。你应该看到顶层有layer_status: zeroed顶层有output_format: stable_jsoncontent字段是一个完美的 JSON 字符串[{type:text,text:{\name\:\Alice\,\age\:30}}]如果你把response_format删掉再运行一次output_format会变成stable_text且text字段里不会有反斜杠转义。实操心得我们把这段 curl 命令封装成了一个check-zero-layer.sh脚本放在 CI pipeline 的 pre-deploy 阶段。只要这个脚本失败整个发布就阻断。它比任何文档都可靠。4.2 第二步Python SDK 集成——如何在不改业务逻辑的前提下启用假设你正在用anthropic官方 Python SDKv0.35.0。归零层的启用只需要两行代码的改动import anthropic client anthropic.Anthropic( api_keyyour-key, # 关键设置新版 API 版本 default_headers{anthropic-version: 2024-09-01} ) # 旧版调用无归零 # message client.messages.create( # modelclaude-3-5-sonnet-20240620, # max_tokens1024, # messages[{role: user, content: Hello}] # ) # 新版调用归零启用 message client.messages.create( modelclaude-3-5-sonnet-20240620, max_tokens1024, messages[{role: user, content: Hello}], # 关键显式声明 output_format output_formatstable_text )重点看default_headers和output_format这两个参数。default_headers确保所有请求都带上版本号output_format则告诉服务端你期望的稳定性级别。SDK 会自动处理后续逻辑——你拿到的message.content[0].text就是最终可用的、无污染的文本无需任何清洗。对于 streaming 场景代码变化更小with client.messages.stream( modelclaude-3-5-sonnet-20240620, max_tokens1024, messages[{role: user, content: Explain quantum computing}], output_formatstable_text # 同样需要声明 ) as stream: for text in stream.text_stream: # text 就是已经按 word boundary 切分好的、可直接显示的文本 print(text, end, flushTrue)注意stream.text_stream是归零层提供的新属性它内部已订阅is_word_boundary事件你拿到的就是“所见即所得”的文本块。旧版的stream迭代器返回的是 raw chunk你需要自己解析delta.text。4.3 第三步Node.js Express 中间件改造——让全站 API 自动受益如果你的后端是 Node.js且所有 Claude 请求都经过一个统一的anthropicProxymiddleware那么改造只需 12 行代码// middleware/anthropicProxy.js const express require(express); const { Anthropic } require(anthropic-ai/sdk); const anthropic new Anthropic({ apiKey: process.env.ANTHROPIC_API_KEY, }); // 新增归零层中间件 const enableZeroLayer (req, res, next) { // 检查客户端是否明确要求归零层 if (req.headers[x-use-zero-layer] true) { req.anthropicOptions { ...req.anthropicOptions, // 注入版本头 headers: { ...req.anthropicOptions?.headers, anthropic-version: 2024-09-01, }, // 如果请求体中有 output_format透传否则默认 stable_text output_format: req.body.output_format || stable_text, }; } next(); }; // 在你的路由中使用 app.post(/api/chat, enableZeroLayer, async (req, res) { try { const response await anthropic.messages.create(req.anthropicOptions); res.json(response); } catch (error) { res.status(500).json({ error: error.message }); } });这样前端只需在请求 header 中加X-Use-Zero-Layer: true后端就自动启用归零层。我们甚至把这个中间件做成了 npm 包yourorg/anthropic-zero-layer所有业务线统一安装版本升级零成本。4.4 第四步生产环境监控看板——五个必看指标归零层不是“设了就完事”它需要持续观测。我们在 Grafana 上搭建了专用看板监控以下五个黄金指标指标名称计算方式健康阈值异常含义Zero-Layer Activation Ratecount{layer_statuszeroed} / count_total≥ 99.5%低于此值说明部分请求未正确携带anthropic-versionheaderOutput Format Compliancecount{output_formatstable_json} where response_format.typejson_object 100%若 100%说明 JSON mode 请求被降级需检查response_format位置Word Boundary Coveragecount{is_word_boundary!undefined} / count{streaming_chunk}≥ 99.99%出现大量 undefined说明 streaming 请求未启用归零层Context Mismatch Error Ratecount{error.typecontext_mismatch}≤ 0.01%高于此值说明客户端仍在手动截断 promptJSON Parse Success Rate1 - (count{error.typejson_parse_failed} / count{output_formatstable_json}) 100%归零层承诺的终极指标必须为 100%我们设置了企业微信机器人当任意指标连续 5 分钟越界立即推送告警并附带最近 3 个异常请求的 trace_idSRE 可直接跳转到日志平台定位。5. 常见问题与排查技巧实录来自 17 个真实项目的故障快查表5.1 故障快查表高频问题、现象、根因与修复命令问题现象可能根因诊断命令修复方案响应中没有layer_status字段1. 请求 header 缺少anthropic-version2. 使用了旧版 SDK v0.35.03. 请求 URL 错误用了/v1/completions而非/v1/messagescurl -v -H anthropic-version: 2024-09-01 [url] 21 | grep layer_status检查 SDK 版本确认 URL 为/v1/messages用-v查看完整请求头output_format是stable_text但我要 JSON1.response_format字段未传或位置错误2.response_format的 value 格式错误如json而非{type:json_object}curl -d {response_format:{type:json_object}} [url] | jq .output_format用jq验证请求体确保response_format在messages后、max_tokens前Streaming 中is_word_boundary总是false1. 模型正在生成 subword如 “un-”, “re-”2. 请求未启用归零层header 缺失curl -N [streaming-url] | head -20 | grep is_word_boundary确认 header等待更长的 streaming 响应true一定会出现context_integrity_level: strict下报context_overflow但 token 计数显示未超1. 客户端 tokenizer 与服务端不一致如用了transformers的 tokenizer2. prompt 中包含不可见 Unicode 字符如零宽空格echo your prompt | wc -c和anthropic.count_tokens(your prompt)对比统一使用 Anthropic 官方 tokenizer用xxd检查不可见字符启用后响应延迟增加 200ms1. 服务端在做额外的格式校验和修正2. 客户端未开启 HTTP/2 复用连接curl -w curl-format.txt [url]查看 time_connect, time_starttransfer升级到 HTTP/2确认 connection reuse 开启5.2 独家排查技巧三个“只有老手才知道”的现场操作技巧一用anthropic.count_tokens()反向验证 prompt 完整性当你收到context_mismatch错误时不要猜。直接把你的完整 prompt包括 system user message粘贴到 Python 中from anthropic import Anthropic client Anthropic(api_keyyour-key) token_count client.count_tokens( Your entire prompt here, exactly as sent ) print(fTokens counted: {token_count})这个数字就是服务端看到的数字。如果它比你max_tokens大那就删内容如果相等说明是服务端 bug立刻截图上报。技巧二curl -Ngrep -A5 -B5定位 streaming 断点当 streaming 卡在某个 chunk 时用curl -N获取原始流配合grep找上下文curl -N https://api.anthropic.com/v1/messages -d {stream:true,...} \| \ grep -A5 -B5 stop_reason-A5 -B5会显示匹配行前后 5 行你能清楚看到卡在哪个is_word_boundary状态从而判断是网络问题还是模型生成问题。技巧三用jq做响应体 diff发现隐形差异旧版和新版响应看着一样但可能有空格、换行、转义差异。用jq -c压缩后对比# 保存两个响应 curl [old-url] old.json curl [new-url] new.json # 压缩并 diff jq -c . old.json old.min.json jq -c . new.json new.min.json diff old.min.json new.min.json这能暴露所有肉眼不可见的差异比如旧版text是hello\n新版是hello。5.3 实操心得我们踩过的五个“深坑”与血泪教训坑一output_format的兼容性陷阱我们曾以为stable_json和stable_text是互斥的所以在代码里写了一个 if-else。结果发现当请求中没传response_format但output_format设为stable_json时服务端会静默忽略并返回stable_text。教训output_format是你的“期望”服务端会尽力满足但不保证 100%。永远以响应体中的output_format字段为准而不是你的请求。坑二is_word_boundary不是“单词结束”而是“语义单元结束”英文里是单词但中文里是“词”或“短语”。我们曾用is_word_boundary做实时翻译结果把“中华人民共和国”切成了“中华人民/共和国”因为 tokenizer 把它当成了两个语义单元。教训is_word_boundary的粒度由模型 tokenizer 决定不是语言学意义上的单词不要用它做 NLP 任务。坑三layer_status: zeroed不代表“零错误”这个字段只表示“适配层已归零”不代表模型不会出错。stop_reason: error依然存在比如tool_use_failed。教训错误处理逻辑不能全删只是从“处理格式错误”转向“处理业务错误”。坑四anthropic-versionheader 必须小写我们有个 Go 服务用http.Header.Set(Anthropic-Version, 2024-09-01)结果 header 被 Go 自动转成Anthropic-Version而服务端只认anthropic-version全小写。教训所有 HTTP header 名必须小写这是 RFC 规范不是 Anthropic 的锅。坑五本地开发环境无法复现只在生产环境出问题原因是生产环境的 API gatewayKong默认会 strip 掉未知 header。我们漏掉了anthropic-version。教训在 gateway 层把所有anthropic-*header 加入 allowlist否则归零层永远无法抵达服务端。6. 后续演进与个人体会当“归零”成为新常态我在实际操作中发现归零层带来的最大改变不是技术上的便利而是团队协作模式的重构。过去我们的 Prompt 工程师要和后端工程师坐在一起对着 tokenizer 的输出逐 token 对齐争论“这句话到底占多少 token”现在他们只需要关注 prompt 的语义表达是否精准token 计数交给服务端而且结果可验证、可审计。这释放出的生产力远超节省的那几行代码。这个“归零”不是终点而是一个清晰的信号LLM 基础设施正在从“提供模型”进化为“提供可信赖的接口”。下一步我预计会看到更多厂商跟进——不是简单复制is_word_boundary而是定义自己的“契约增强层”。比如OpenAI 可能推出reliability_guarantee: idempotent保证相同请求在 5 分钟内返回完全一致的响应Google 可能推出safety_transparency: full在响应中附带每条 safety rule 的触发详情。对我个人而言这个项目最大的体会是最好的工程优化不是让你写更少的代码而是让你不再需要思考某些问题。