AnthropicはClaude向けにセルフアセスメントを導入しました。これはClaudeが応答を生成した「後」に実行される、リアルタイムの安全レイヤーです。プロンプトを事前にフィルタリングするのではなく、Claudeは会話全体の文脈（自身の出力を含む）を評価し、悪用の可能性があるパターンにフラグを立てます。

技術的に重要な理由：

• 効率の向上：Claudeは応答を生成するためにすでに会話を処理しているため、安全性チェックではその文脈を再利用でき、追加コストはほぼゼロです

• 適応型の検出：固定された有害性の分類体系で訓練された硬直的な分類器とは異なり、セルフアセスメントはClaudeの推論能力を活用します。ベースモデルの改善に応じて、安全性の検出能力も自動的に向上します

• エッジケースを検出：6月の導入以降、従来のガードレールを回避する悪用の試み（プロンプトインジェクション、複数ターンにわたるジェイルブレイク、エンコードされた攻撃）を検出しています

このアーキテクチャは洗練されています。実質的には安全性に特化したプロンプトで2回目のフォワードパスを実行していますが、KVキャッシュがすでに温まっているため、レイテンシの増加は最小限です。別個の推論パイプラインを必要とする後付けの分類器より、はるかに賢い方法です。