Anthropic 负责人：最 AI 化的产品团队如何工作丨Lenny's Podcast

Anthropic 负责人：最 AI 化的产品团队如何工作丨Lenny's Podcast Anthropic 负责人：最 AI 化的产品团队如何工作丨Lenny's Podcast Modified June 22 🔗 原文链接： https://mp.weixin.qq.com/s? biz=Mz... 原创 Capihom Capihom 晚点再听LaterCast2026年6月21日 23:10 北京 我们每天为你更新硅谷最新的 AI 创业与科技播客总结，让你与前沿保持同频。 全文约 3900 字，如果你现在没有时间，试试转成播客稍后再听 "编码已经不再是瓶颈，判断力才是。” “最 AI 化的团队，拼的不是会不会用工具，而是谁更敢重新设计工作。” “AI 把产能放大之后，人的主动性和验收能力变得更贵了。” Fiona Fung 现在带着 Anthropic 里 Claude Code 和 Cowork 背后的工程、产品团队，也就是 Boris Cherny 和 Cat Wu 所在的组织。她在微软做过 Visual Studio 和 TypeScript，在 Facebook 从零启动 Marketplace，后来又参与 Meta 智能眼镜、Orion AR 眼镜，并在 Instagram 带过基础设施、增长、诚信和安全团队。Lenny 找她来聊的，不只是一款编码工具有多快，而是一个已经被 AI 深度改造的产品团队，今天到底怎样做计划、招人、验收、协作和保持质量。 这份履历让她的判断有分量。Fiona 见过从 Unix、Vim 到 IDE 的开发工具变化，也带过 500 人规模的 Meta 组织。如今她站在 Claude Code 和 Cowork 的一线，能同时看到工程师、PM、设计师、数据科学家和小企业用户怎么被 AI 改变。读这期对话，最有价值的地方不在工具清单，而在一支先进团队怎样把“能做更多”翻译成更可靠的组织习惯。 代码暴涨 8 倍后，瓶颈换了地方 这期对话的起点，是 Anthropic 刚公布的一张图：工程师平均每个季度提交的代码量，已经达到 2021 到 2025 年基线的 8 倍。Fiona 的判断很直接，Claude Code 和 Cowork 把过去最稀缺的手工编码时间释放出来，团队不再围着“能不能写完”转，开始围着“该不该做、能不能验、上线后会发生什么”转。 当代码产能突然变得很便宜，产品团队的稀缺资源就从手速变成判断力和验证能力。 "编码已经不再是瓶颈。" 她拿自己熟悉的软件工程历史作对照：早年做盒装软件时，计划周期长、改动成本高，工程师会把大量精力放在前期规划上。今天 Claude Code 团队面对的场景完全不同，代码可以迅速铺开，需求也可以更快试探。 团队的工作重心因此前移到假设和后移到验收，中间那段“写出来”的阻力被大幅削薄。 Fiona 说工程师不再只问“这个需求什么时候排得上”，还会问“有没有更大的解法”“这个假设能不能用更快的方式验证”。AI 把很多低层执行变成可并行的选项，团队反而更需要清楚选择哪一条线。 产品经理和设计师也开始提交代码 Fiona 观察到的变化，不只发生在工程师身上。Claude Code 团队里，设计师、PM 也会 check in 代码。她提到一个移动端功能，当时团队需要补一个 Android 体验，负责的人并不是移动工程专家，却可以借助 Claude 完成过去需要跨团队排期的部分工作。工作边界变薄以后，跨职能成员能更快把想法落到真实界面里，后续再由工程体系保证质量。 "不只是工程师，设计师和 PM 也在提交代码。" 这会带来一个新考题：更多人能产出代码，代码评审和验证就会变得更重要。Lenny 问到软件工程未来的管理方式，Fiona 的回答集中在“verification”。一支高产团队需要知道哪些检查必须自动化，哪些场景需要人工看，哪些质量信号能够提前暴露风险。 AI 没有取消工程纪律，它把工程纪律推到了更多角色面前。 她还把这条线延伸到数据科学和设计：当业务同学能先让 AI 做一份分析，数据科学家的角色会变成复核、纠偏和建立可信流程；当设计师能生成更接近可运行的界面，工程系统也要让他们安全落地。 Lenny 还提到一个数据科学朋友的变化：同事会先把 AI 做出的分析拿来，请数据科学家确认是否正确。工作的入口从“帮我做分析”变成“帮我判断这份分析能不能信”。这类变化会出现在更多岗位里，PM、设计、数据、工程都要学会给 AI 产物设验收线。 招人更看主动性和系统深度 当 Lenny 问什么样的人在 AI 原生团队里适应得最好，Fiona 没有先谈提示词技巧。她强调的是主动性、好奇心和学习速度。她从 IBM、微软、Meta 一路走到 Anthropic，亲身经历过从 Vim 到 IDE、从盒装软件到移动互联网、再到 agentic coding 的多轮变化。能继续往前走的人，往往愿意承认过去让自己成功的方法，到了新阶段可能要被重写。 "表现最好的人，主动性最强。" 她还提到两类人会更突出：一类是有创造力、能快速把想法做出来的 builder；另一类是对复杂系统有深理解的人。AI 抬高了可执行范围，但系统设计、质量判断和长期维护仍要靠人的经验。 越是工具能写很多代码，团队越需要知道哪些代码会在真实系统里站得住。 Fiona 还把恐惧拆得很具体：有人会觉得变化发生在自己身上，所有东西都失控。她给出的动作是靠近它，问“我还能做什么”“什么在我控制范围内”。这个动作不靠口号推进，而是把焦虑拆成一次能开始的尝试。 Cowork 来自非程序员的真实用法 Fiona 讲 Cowork 时，用了一个很产品经理的观察：团队一直盯着 latent demand。Claude Code 最初是给编码场景做的，但 Anthropic 发现很多不写代码的人也在借它处理工作。于是 Cowork 的方向逐渐清晰：把那批非程序员已经摸索出的真实用法，变成更顺手的产品体验。产品洞察来自用户绕开原本定位的行为：他们已经在拿 Claude Code 做知识工作，团队要做的是把那条小路铺平。 "很多非程序员也在使用 Claude Code。" 她还举了小企业的例子。Fiona 很关心普通小店、社区型生意如何用 AI 改善日常工作，因为那里面有大量具体而琐碎的任务：看反馈、整理主题、生成计划、跟进顾客。她还提到一个朋友用 Claude 生成棚屋建造计划，拿给她看成果。 Cowork 的想象力不在“人人都要变成工程师”，它更像一套把重复劳动交给 agent、把注意力放回判断和关系的工作入口。 Routine 把工作推进到异步模式 Fiona 说，自己过去每天早上会手动看反馈频道、整理主题、生成 prompts。Routines 出现后，她可以让系统持续观察一个反馈 channel，第二天醒来就看到总结，甚至让 agent 帮自己生成后续 prompt 和 PR。工作流从“我坐在电脑前发起一次任务”，变成“任务在后台持续推进，我回来接收结果”。 这也是 Cowork 名字背后的含义：它不只是一个聊天窗口，而是能替人守住某条工作线。Fiona 说过去她会自己写 prompt、自己追反馈；现在 routine 可以先把材料准备好，等她回到电脑前，讨论已经有了初稿。管理者的早晨因此不再从翻信息开始，而是从审阅 agent 整理出的工作包开始。 "我们正在更多转向异步。" 异步 agent 也带来新的负担。Fiona 提到上下文切换压力正在升高；Lenny 则形容，如果同时跑 20 个 agents，人需要不断检查、记住每条线在做什么。Fiona 自己也开始重新给日程留出 focus time，用来追上那些已经启动的异步工作。 AI 帮人开启更多任务，人也要重新设计接收、复盘和合并任务的时间。 她不把这看成单纯的个人效率技巧，而是产品体验的一部分：工具应该帮助用户降低切换负担，让人更容易知道每个 agent 到了哪一步。 ROI 要从 token 狂欢回到产出 Lenny 提到最近的氛围变化：从“token maxing”，也就是尽量多用、先看看能做什么，转向追问花了多少钱、获得了什么。Fiona 承认工程生产力很难衡量。代码行数、提交量、处理速度都能看趋势，但一支 AI 原生团队不能只盯着更大的数字，还要问业务假设是否被验证、质量是否稳定、用户体验是否变好。 "我们到底得到了什么？ROI 是多少？" Anthropic 的特殊之处在于内部用自家模型和工具，token 成本的感受和普通公司不同。可 Fiona 依然把 ROI 当成团队讨论的一部分。原因很简单：即使成本暂时低，组织也需要知道新工作方式是否改善了结果。 花更多 token 不难，难的是把 token 变成更少返工、更快反馈、更高质量和更清晰的产品判断。 Boris 过去在 Meta 做过工程生产力相关工作，Lenny 也追问代码提交量之外还该看什么。Fiona 的回答更像一个组合：趋势数据要看，体验质量要看，团队是否更敢做大事也要看。 这也给普通团队一个现实提醒：先别急着证明 AI 一定省多少钱，先挑一个能量化的流程，看从需求到上线、从反馈到修复的周期有没有缩短，再看质量和用户反馈是否同步改善。 质量管理先分清 Bad 和 Sad 在质量管理上，Fiona 给团队引入了一个很轻的框架：Bad 和 Sad。Bad 是不可恢复的严重错误，Sad 是可恢复但让人痛苦的小挫折。单个 Sad 也许还能忍，很多 Sad 叠在一起，就会变成 Bad。这个框架适合多产品界面，因为单看加载时间、可靠性数字，很难判断用户真实感受已经坏到什么程度。 "很多 Sad 叠起来，会走向 Bad。" 这套分法对 AI 产品尤其现实。Agent 可能完成了任务，却在权限、等待、解释、重试、上下文丢失上制造小摩擦。仪表盘会记录很多技术指标，用户记住的是一次次被打断。 高产团队不能只庆祝吞吐量，还要尽早发现那些会侵蚀信任的小失败。 Fiona 强调要更早发现质量信号，因为高吞吐会把缺陷放大得更快。一天内多出很多 PR，也会让小问题更容易成片扩散。 团队文化要补上人的连接 Fiona 很清楚 AI 原生团队会失去一些旧体验。Claude Code 团队发现，大家越来越多和自己的 agent 一起工作，时间久了会有孤独感。于是他们最近开始办 pair wise programming lunch，让人重新坐在一起写、看、讨论。AI 把个体能力放大以后，团队还要主动设计新的同步场景。 "只和 agent 工作久了，会变得孤独。" 她对管理者也有很强的要求：在 Anthropic，所有 manager 都从 IC 开始。Fiona 会亲自 dogfood 产品，用自己的时间检查体验、做 polish、守住质量线。她还把半年路线图缩短成 JIT monthly planning，每周快速确认本月优先级是否还成立。 速度越快，管理者越不能只当流程主持人；他们必须下场使用产品，持续校准方向。 她甚至还在想怎么自动化那张月度优先级表，不希望更新表格变成团队税。计划本身也要接受 AI 原生团队的效率审视。 半年路线图在她刚加入 Claude Code 时还像一个合理做法，三个月后团队已经很少回头看那份文档，因为市场、模型和用户行为都在快速变。JIT 月度计划更轻，团队每周只确认本月优先级是否仍然成立，再把注意力放回真实反馈。 写在最后 Fiona 给焦虑者的建议很朴素：靠近它，然后问自己还能做什么，什么在自己控制范围内。AI 原生团队不会等每个人准备好才前进。先把一个真实任务交给 Claude Code，认真验收一次结果，再把流程里最耗人的一步自动化掉，改变就会从口号变成肌肉记忆。 内容来源："Building the most AI pilled engineering team in the world"丨Lenny's Podcast 原视频：https://www.youtube.com/watch?v=Ybrl4FYM57c No access 0838ff4ae25d4e6cb73341353c3c075a 00:00 如果你喜欢深度好文，试试用小程序将不方便立刻阅读的文章转成播客，用「听」的方式，稍后阅读，不再错过好文章⇣ ⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣ https://mp.weixin.qq.com/s? biz=Mz... 🔗 原文链接： https://mp.weixin.qq.com/s? biz=Mz... https://mp.weixin.qq.com/s? biz=Mz... 原创 Capihom Capihom 晚点再听LaterCast2026年6月21日 23:10 北京 我们每天为你更新硅谷最新的 AI 创业与科技播客总结，让你与前沿保持同频。 全文约 3900 字，如果你现在没有时间，试试转成播客稍后再听 "编码已经不再是瓶颈，判断力才是。” “最 AI 化的团队，拼的不是会不会用工具，而是谁更敢重新设计工作。” “AI 把产能放大之后，人的主动性和验收能力变得更贵了。” Fiona Fung 现在带着 Anthropic 里 Claude Code 和 Cowork 背后的工程、产品团队，也就是 Boris Cherny 和 Cat Wu 所在的组织。她在微软做过 Visual Studio 和 TypeScript，在 Facebook 从零启动 Marketplace，后来又参与 Meta 智能眼镜、Orion AR 眼镜，并在 Instagram 带过基础设施、增长、诚信和安全团队。Lenny 找她来聊的，不只是一款编码工具有多快，而是一个已经被 AI 深度改造的产品团队，今天到底怎样做计划、招人、验收、协作和保持质量。 这份履历让她的判断有分量。Fiona 见过从 Unix、Vim 到 IDE 的开发工具变化，也带过 500 人规模的 Meta 组织。如今她站在 Claude Code 和 Cowork 的一线，能同时看到工程师、PM、设计师、数据科学家和小企业用户怎么被 AI 改变。读这期对话，最有价值的地方不在工具清单，而在一支先进团队怎样把“能做更多”翻译成更可靠的组织习惯。 代码暴涨 8 倍后，瓶颈换了地方 这期对话的起点，是 Anthropic 刚公布的一张图：工程师平均每个季度提交的代码量，已经达到 2021 到 2025 年基线的 8 倍。Fiona 的判断很直接，Claude Code 和 Cowork 把过去最稀缺的手工编码时间释放出来，团队不再围着“能不能写完”转，开始围着“该不该做、能不能验、上线后会发生什么”转。 当代码产能突然变得很便宜，产品团队的稀缺资源就从手速变成判断力和验证能力。 "编码已经不再是瓶颈。" 她拿自己熟悉的软件工程历史作对照：早年做盒装软件时，计划周期长、改动成本高，工程师会把大量精力放在前期规划上。今天 Claude Code 团队面对的场景完全不同，代码可以迅速铺开，需求也可以更快试探。 团队的工作重心因此前移到假设和后移到验收，中间那段“写出来”的阻力被大幅削薄。 Fiona 说工程师不再只问“这个需求什么时候排得上”，还会问“有没有更大的解法”“这个假设能不能用更快的方式验证”。AI 把很多低层执行变成可并行的选项，团队反而更需要清楚选择哪一条线。 产品经理和设计师也开始提交代码 Fiona 观察到的变化，不只发生在工程师身上。Claude Code 团队里，设计师、PM 也会 check in 代码。她提到一个移动端功能，当时团队需要补一个 Android 体验，负责的人并不是移动工程专家，却可以借助 Claude 完成过去需要跨团队排期的部分工作。工作边界变薄以后，跨职能成员能更快把想法落到真实界面里，后续再由工程体系保证质量。 "不只是工程师，设计师和 PM 也在提交代码。" 这会带来一个新考题：更多人能产出代码，代码评审和验证就会变得更重要。Lenny 问到软件工程未来的管理方式，Fiona 的回答集中在“verification”。一支高产团队需要知道哪些检查必须自动化，哪些场景需要人工看，哪些质量信号能够提前暴露风险。 AI 没有取消工程纪律，它把工程纪律推到了更多角色面前。 她还把这条线延伸到数据科学和设计：当业务同学能先让 AI 做一份分析，数据科学家的角色会变成复核、纠偏和建立可信流程；当设计师能生成更接近可运行的界面，工程系统也要让他们安全落地。 Lenny 还提到一个数据科学朋友的变化：同事会先把 AI 做出的分析拿来，请数据科学家确认是否正确。工作的入口从“帮我做分析”变成“帮我判断这份分析能不能信”。这类变化会出现在更多岗位里，PM、设计、数据、工程都要学会给 AI 产物设验收线。 招人更看主动性和系统深度 当 Lenny 问什么样的人在 AI 原生团队里适应得最好，Fiona 没有先谈提示词技巧。她强调的是主动性、好奇心和学习速度。她从 IBM、微软、Meta 一路走到 Anthropic，亲身经历过从 Vim 到 IDE、从盒装软件到移动互联网、再到 agentic coding 的多轮变化。能继续往前走的人，往往愿意承认过去让自己成功的方法，到了新阶段可能要被重写。 "表现最好的人，主动性最强。" 她还提到两类人会更突出：一类是有创造力、能快速把想法做出来的 builder；另一类是对复杂系统有深理解的人。AI 抬高了可执行范围，但系统设计、质量判断和长期维护仍要靠人的经验。 越是工具能写很多代码，团队越需要知道哪些代码会在真实系统里站得住。 Fiona 还把恐惧拆得很具体：有人会觉得变化发生在自己身上，所有东西都失控。她给出的动作是靠近它，问“我还能做什么”“什么在我控制范围内”。这个动作不靠口号推进，而是把焦虑拆成一次能开始的尝试。 Cowork 来自非程序员的真实用法 Fiona 讲 Cowork 时，用了一个很产品经理的观察：团队一直盯着 latent demand。Claude Code 最初是给编码场景做的，但 Anthropic 发现很多不写代码的人也在借它处理工作。于是 Cowork 的方向逐渐清晰：把那批非程序员已经摸索出的真实用法，变成更顺手的产品体验。产品洞察来自用户绕开原本定位的行为：他们已经在拿 Claude Code 做知识工作，团队要做的是把那条小路铺平。 "很多非程序员也在使用 Claude Code。" 她还举了小企业的例子。Fiona 很关心普通小店、社区型生意如何用 AI 改善日常工作，因为那里面有大量具体而琐碎的任务：看反馈、整理主题、生成计划、跟进顾客。她还提到一个朋友用 Claude 生成棚屋建造计划，拿给她看成果。 Cowork 的想象力不在“人人都要变成工程师”，它更像一套把重复劳动交给 agent、把注意力放回判断和关系的工作入口。 Routine 把工作推进到异步模式 Fiona 说，自己过去每天早上会手动看反馈频道、整理主题、生成 prompts。Routines 出现后，她可以让系统持续观察一个反馈 channel，第二天醒来就看到总结，甚至让 agent 帮自己生成后续 prompt 和 PR。工作流从“我坐在电脑前发起一次任务”，变成“任务在后台持续推进，我回来接收结果”。 这也是 Cowork 名字背后的含义：它不只是一个聊天窗口，而是能替人守住某条工作线。Fiona 说过去她会自己写 prompt、自己追反馈；现在 routine 可以先把材料准备好，等她回到电脑前，讨论已经有了初稿。管理者的早晨因此不再从翻信息开始，而是从审阅 agent 整理出的工作包开始。 "我们正在更多转向异步。" 异步 agent 也带来新的负担。Fiona 提到上下文切换压力正在升高；Lenny 则形容，如果同时跑 20 个 agents，人需要不断检查、记住每条线在做什么。Fiona 自己也开始重新给日程留出 focus time，用来追上那些已经启动的异步工作。 AI 帮人开启更多任务，人也要重新设计接收、复盘和合并任务的时间。 她不把这看成单纯的个人效率技巧，而是产品体验的一部分：工具应该帮助用户降低切换负担，让人更容易知道每个 agent 到了哪一步。 ROI 要从 token 狂欢回到产出 Lenny 提到最近的氛围变化：从“token maxing”，也就是尽量多用、先看看能做什么，转向追问花了多少钱、获得了什么。Fiona 承认工程生产力很难衡量。代码行数、提交量、处理速度都能看趋势，但一支 AI 原生团队不能只盯着更大的数字，还要问业务假设是否被验证、质量是否稳定、用户体验是否变好。 "我们到底得到了什么？ROI 是多少？" Anthropic 的特殊之处在于内部用自家模型和工具，token 成本的感受和普通公司不同。可 Fiona 依然把 ROI 当成团队讨论的一部分。原因很简单：即使成本暂时低，组织也需要知道新工作方式是否改善了结果。 花更多 token 不难，难的是把 token 变成更少返工、更快反馈、更高质量和更清晰的产品判断。 Boris 过去在 Meta 做过工程生产力相关工作，Lenny 也追问代码提交量之外还该看什么。Fiona 的回答更像一个组合：趋势数据要看，体验质量要看，团队是否更敢做大事也要看。 这也给普通团队一个现实提醒：先别急着证明 AI 一定省多少钱，先挑一个能量化的流程，看从需求到上线、从反馈到修复的周期有没有缩短，再看质量和用户反馈是否同步改善。 质量管理先分清 Bad 和 Sad 在质量管理上，Fiona 给团队引入了一个很轻的框架：Bad 和 Sad。Bad 是不可恢复的严重错误，Sad 是可恢复但让人痛苦的小挫折。单个 Sad 也许还能忍，很多 Sad 叠在一起，就会变成 Bad。这个框架适合多产品界面，因为单看加载时间、可靠性数字，很难判断用户真实感受已经坏到什么程度。 "很多 Sad 叠起来，会走向 Bad。" 这套分法对 AI 产品尤其现实。Agent 可能完成了任务，却在权限、等待、解释、重试、上下文丢失上制造小摩擦。仪表盘会记录很多技术指标，用户记住的是一次次被打断。 高产团队不能只庆祝吞吐量，还要尽早发现那些会侵蚀信任的小失败。 Fiona 强调要更早发现质量信号，因为高吞吐会把缺陷放大得更快。一天内多出很多 PR，也会让小问题更容易成片扩散。 团队文化要补上人的连接 Fiona 很清楚 AI 原生团队会失去一些旧体验。Claude Code 团队发现，大家越来越多和自己的 agent 一起工作，时间久了会有孤独感。于是他们最近开始办 pair wise programming lunch，让人重新坐在一起写、看、讨论。AI 把个体能力放大以后，团队还要主动设计新的同步场景。 "只和 agent 工作久了，会变得孤独。" 她对管理者也有很强的要求：在 Anthropic，所有 manager 都从 IC 开始。Fiona 会亲自 dogfood 产品，用自己的时间检查体验、做 polish、守住质量线。她还把半年路线图缩短成 JIT monthly planning，每周快速确认本月优先级是否还成立。 速度越快，管理者越不能只当流程主持人；他们必须下场使用产品，持续校准方向。 她甚至还在想怎么自动化那张月度优先级表，不希望更新表格变成团队税。计划本身也要接受 AI 原生团队的效率审视。 半年路线图在她刚加入 Claude Code 时还像一个合理做法，三个月后团队已经很少回头看那份文档，因为市场、模型和用户行为都在快速变。JIT 月度计划更轻，团队每周只确认本月优先级是否仍然成立，再把注意力放回真实反馈。 写在最后 Fiona 给焦虑者的建议很朴素：靠近它，然后问自己还能做什么，什么在自己控制范围内。AI 原生团队不会等每个人准备好才前进。先把一个真实任务交给 Claude Code，认真验收一次结果，再把流程里最耗人的一步自动化掉，改变就会从口号变成肌肉记忆。 内容来源："Building the most AI pilled engineering team in the world"丨Lenny's Podcast 原视频：https://www.youtube.com/watch?v=Ybrl4FYM57c No access 0838ff4ae25d4e6cb73341353c3c075a 00:00 No access 0838ff4ae25d4e6cb73341353c3c075a 00:00 如果你喜欢深度好文，试试用小程序将不方便立刻阅读的文章转成播客，用「听」的方式，稍后阅读，不再错过好文章⇣ ⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣