Anthropic 首位技术产品经理谈 token maxing、锯齿边缘与活在未来 | Dianne Penn

00:002023 年我刚加入时，还没人会把 Anthropic、Claude 和编程放在同一句话里。

00:06我想回到 Anthropic 刚起步的时候。我记得当时心想：“天啊，这些人毫无胜算。OpenAI 领先太多了。”

00:14后来我看到人们开始用这些模型，不只是做代码自动补全，而是真正编写长篇代码。我就想：我们能不能借此训练 Opus 3，让它在这方面做得更好？这就是转折点。

00:26我总会想到一年后的 Opus 4.5：那年寒假，大家都在家里，也都能写代码。

00:31Opus 4.5 的神奇之处在于，我们现在不只有模型，还有一个载体：Claude Code 这样优秀的产品体验。没有 Claude Code 这样的产品，Opus 4.5 就不会迎来那个时刻；没有 Opus 4.5 加速采用，Claude Code 也不会获得那样的普及速度。

00:50我想聊聊产品这个角色正在发生怎样的变化。

00:53对我的团队来说，要为用户创造价值，关键是找到正确的用户反馈。我们团队有句话：评测就是新的 PRD。

01:02这是 Garry Tan 一直在谈的事。如果你现在愿意每年花 10 万美元买 token，你就过上了 2028 年的人们将会过的生活。

01:10你得像在意像素一样在意 token。你必须用这些模型想出好点子、更好的点子，甚至最好的点子；这件事没有替代方案。

01:20如今人们应该对 AI 工具抱有更大的雄心，因为它们真的能做很多事。

01:26我会问团队：假设 Claude 8 出现了，用户的行为会有什么变化？这对你们现在的构建方式意味着什么？

01:36今天的嘉宾是 Diane Penn，她负责 Anthropic 的 AI 研究与 Labs 团队产品。三年多以前，她以 Anthropic 首位技术产品经理的身份加入公司；在 AI 领域，这几乎算得上很久了。那时产品团队只有五位工程师。从 Claude 2 到 Fable，她参与发布了 Anthropic 的每一个模型；她还参与孵化并推出了 Claude Code、MCP、skills、Claude Design，以及计算机使用、工具使用和推理等核心能力。（00:02:03）能和身处 AI 与产品管理核心的人交流，总是令人愉快，也会大大拓展思路。很难想象还有谁比 Anthropic 研究与 Labs 团队的产品负责人更了解行业走向。开始前，别忘了访问 lennysproductpass.com。Lenny 的通讯订阅者可以免费使用一年全球最热门、设计最精良的 AI 产品。下面有请 Diane Penn。Diane，非常感谢你来做客，欢迎来到节目。（00:02:36）

02:41谢谢你，Lenny。很高兴再次见到你。

02:43我想回到 Anthropic 刚起步的早期。我记得 Anthropic 刚发布时——那是几年前，大概三年前的第一个模型——当时的情况……

02:56它能用。

02:56三年。我记得自己当时心想：天啊，这些人毫无胜算。OpenAI 领先太多了。他们到底在想什么？怎么可能呢？OpenAI 已经是一家顶尖公司，时机太晚了。如今情况完全不同了。我最近看到的数字是，Anthropic 的年经常性收入好像达到了 500 亿美元。以前公司要上市时，估值 500 亿美元就已经非常成功了。据报道，Anthropic 每年都能赚到这个数。你是最早加入的 PM 之一。你加入时大概只有五位工程师，模型甚至还没有发布。Anthropic 早期是什么样的？有什么事可能会让人意外？

03:44我认为，Anthropic 今天成功的很大一部分，其实从早期起就已经具备了。我在 2023 年加入，正如你说的，当时我们有五位产品工程师。你敢信，整个 API 业务只有一位工程师。我觉得很大一部分原因是文化非常强。我经常对有意加入公司的朋友强调，我们确实会践行自己的使命、文化和价值观。当时的氛围非常像初创公司。（00:04:23）你说得对，早年我们也在努力寻找自己的定位。一方面是技术本身，另一方面是技术怎样为用户和社会创造价值，究竟能做些什么。早期几年，我们不断从不同方向探索。起初我们做 Claude.ai，也就是另一个聊天机器人、对话助手，后来逐渐加入工具使用等功能。我觉得我们真正开始找到节奏的一个时刻，是推出 Golden Gate Claude 之类的东西。不知道你还记不记得。

05:02不。

05:03这个功能实际上只上线了大约 24 小时。2024 年初，我们刚发布一项早期的可解释性研究。其中一个例子是，模型的各层里有些所谓的特征，会表达某类主题。研究人员识别出的主题包括项目符号列表、人物和地点；另一个经常出现、也很受关注的主题是金门大桥。把这个特征调高后，Claude 就会对金门大桥念念不忘，也就是说，它每次回答都会绕回金门大桥。（00:05:54）比如你问“给我一个意大利面食谱”，它会说：“这是食谱；橙色只是金门大桥所用国际橙的颜色。”效果相当古怪。当时我们很希望把这个研究成果带给大众，也让刚开始使用 Claude 的人亲自体验。因此，我们在 24 小时内就在 Claude.ai 网站上搭起了整套体验。工程、产品、设计和研究团队一起协作完成，我们为此非常自豪。老实说，体验可能只有 2,000 人用过，但它让我们意识到：我们确实能创造新的用户体验，以不同于以往的方式展示研究，而且这种方式很符合我们的风格。（00:06:52）当时的节奏非常像初创公司。对我来说，这是一个隐约的转折点：我们开始找到自己的定位，意识到自己可以做出不同于竞争对手和市面现有产品的体验。我认为，后来 Labs、Claude Code 等产品也帮助我们逐渐定义自己：我们怎么看待 AI，怎样让公众更接近 AI。但那时的文化是自下而上的，整个体验也是这样做出来的。我看到工程师和设计师都主动抽时间投入其中。（00:07:35）所以我常用它来说明早期的样子。不过我认为，那时形成的文化与价值观直到今天依然延续。

07:46本期节目由本季冠名赞助商 WorkOS 呈现。OpenAI、Anthropic、Cursor、Vercel、Replit、Sierra、Clay 以及数百家其他优秀公司有什么共同点？它们都由 WorkOS 提供支持。如果你正在开发企业产品，就会体会到集成单点登录、SCIM、基于角色的访问控制、审计日志等大型企业必需功能有多么棘手。WorkOS 能把这些销售障碍变成即插即用的 API。你可以在几天内完成集成，而不用花费数月。Anthropic 等公司也采用了它。更重要的是，你可以先免费试用。访问 workos.com/lenny，开始使用 WorkOS。再次感谢 WorkOS 对本季的支持。

09:11在训练并测试 Opus 3 时，我觉得公司迎来了一个关键时刻。当时公司应该还不到 200 人。我们很明确地意识到，自己需要也希望打造一个前沿模型。这对触达用户和消费者、展示研究成果都非常重要。我们也在寻找让人选择 Claude 的理由；早期大家经常问的核心问题就是这个。Opus 3 大约在 2024 年 3 月初发布，但此前几个月里，推理、研究、微调、预训练等不同团队在不同阶段汇聚起来，朝着共同目标努力。（00:10:11）所有参与其中的人都很自豪。我记得那时大约是 12 月，我们这些 PM 和研究负责人都在各自父母家里，背景里还能看到儿时的卧室。大家都非常努力地研究：我们究竟要训练出怎样的模型？它表现得对不对？这段经历建立了很强的信任。后来，那些研究负责人中有很多人分别领导强化学习、模型性格和对齐方面的工作。（00:10:54）早期大家一起深入一线协作所建立的信任，也让产品与研究团队如今能够顺利合作，推出各类生产模型。后来我们还发现编程是一个重要方向。我 2023 年加入时，没人会把 Anthropic、Claude 和编程放在同一句话里。当时像 GPT-4 这样的竞品模型也有人用来编程，但这只是众多用途中之一。我观察到，有些人开始用这些模型写长篇代码，而不只是写代码或自动补全。我们能不能训练 Opus 3，让它更擅长这件事？从训练角度看，这项改动相对不大，却帮助我们在早期形成竞争差异，吸引了最早一批 Claude 爱好者和开发者，也让用户获得了当时难以想象的价值。

12:10你说 Opus 3 时，听起来仿佛已经是很久以前的事了，很难想象当时那是一次重大转折。很有意思的是，对公司内部来说，那是一个重要里程碑；这似乎让大家建立了信心，意识到我们真的能推出前沿模型。拿今天的模型来比，它现在当然显得没那么出色。我总会想到 Opus 4.5：一年后又逢寒假，大家都在家里写代码。那是不是又一个重要里程碑？

12:38是的，Opus 4.5 确实是另一个重要时刻。我觉得它的神奇之处在于，我们不只有模型，还有一个载体，也就是 Claude Code 这样的优秀产品体验。我们团队常说，想要有前沿模型、让人感受到前沿模型的魔力，就需要前沿产品。我认为，在 Opus 4.5 出现前的几个月里，我们已经感受到 Claude Code 的魔力了。（00:13:16）但真正的转折点在于，模型的智能水平达到了一个阶段，让广泛用户可以在新的使用场景中体验前沿智能，并以智能体方式让它端到端地运行。我觉得这是两者共同促成的结果。没有 Claude Code 这样的产品，Opus 4.5 就不会迎来那个时刻；没有 Opus 4.5，Claude Code 的普及也不会如此加速。

13:50接着这个话题，Dario 有个很有意思的观点。回顾他的各种预测，他曾说：“好吧，一年后编程就会彻底解决。”大概是这个意思。他一直说 AI 会替我们写所有代码。我记得当时大家都觉得：“不可能，这太复杂了。AI 怎么可能把人类做的这件复杂事情做得这么好？不可能，未来很长时间还得靠人。”结果他完全说对了。他还经常谈到指数曲线。他形容说，现在我们已经踏上指数增长曲线了。（00:14:25）不久前，每次有新模型发布，大家还会说：“好了，提升空间没了。发展到头了，不会再变强了。”现在完全相反。我们已经进入指数曲线之中；按定义，这意味着每次改进都会带来巨大飞跃，因为曲线已经到了陡峭的上升阶段。身处这样一个 AI 飞速进步、不断解锁新能力的历史时刻是什么感受？人们该如何为 AI 持续加速进步做好准备？

15:05我常对团队说，我们大多数人在互联网从新奇事物转变为人人都能使用的东西时，还没有开始工作。这让我觉得，我们现在面对的事情就像是把人类……我觉得类比很有帮助。这件事有几个方面。第一，适应力变得非常重要。我们有评测；在安全方面有安全测试和红队测试；在能力与产品方面有新原型，以及 Claude Code、Tag 等产品。但很难准确预测哪个时刻或哪一个模型会带来变化。（00:15:54）因此，当你遇到新信息时，如何据此做出更好的决策，而不是固守原计划？这种敏捷性很重要。另一个方面是，怎样从第一性原理出发思考并推演下一步？这意味着什么？我们应该怎样投入新产品？怎样向用户解释不同之处？身处指数增长时期的体验，很大程度上就是这种节奏：理解如何运作、如何改进决策，再运用第一性原理思考，去做一些原本计划几个月后再做、但现在模型已经能够实现的事情，并把它带给用户。（00:16:51）例如 Cowork、skills、Tag 等。这是一个积极的自我强化循环。我认为，彼此信任也很重要；要确保我们做出正确的决策，也让相关同事跟得上。不同团队感受到指数增长的速度可能不同，我们要有耐心，帮助不断扩大的组织和公司一起跟上。

17:23我听到的是，每次模型发布后，你们都不太确定它能做到什么。因此，重要的是随着新能力出现保持适应力。正如你说的，产品本身也得跟上能力的变化。模型能做很多事，但用户可能不了解怎么用，也不一定能真正用起来。所以，产品需要让这些能力容易上手，甚至告诉用户“你可以这样做”。大致是这个意思吗？

17:53我想是的。早期的 scaling law 论文里有一些很有意思的图表。大家都熟悉这样一种扩展曲线：增加算力和数据，所谓的损失，也就是下一个 token 预测的损失，就会下降。因此，模型规模扩大时，智能提升呈现一条平滑、线性的曲线。那篇论文里另一个有趣的部分，是各种能力涌现的曲线完全不同。比如，随着数据和训练算力增加，模型可能突然出现一些不连续的能力跃升。（00:18:38）模型可能先是连 1+1 都算不出来，随后突然就能稳定地算出来。这些涌现能力在某种程度上难以预测，不是每个人都知道确切的发生时刻。你需要评测来判断能力是否出现。这一直是这项技术的运作方式之一，也让安全问题更难处理：如果没有评测和测试系统，能力跃升可能已经发生，而你却不知道。

19:16很有意思：你可能已经造出了一个具备某种能力的 AI 大脑，自己却还没意识到。因此，工作的一部分就是把它挖掘出来：“哇，我们突然很擅长这件事了。那能用它做什么？”

19:27用 PM 的说法，即使是现在的模型，也存在产品侧和用户侧的能力余量。我觉得我们还能用当前的 Opus 模型探索很多东西，尤其是 Fable。探索本身也是 Anthropic 早期基因的一部分，而且现在仍然是我们在产品、Labs 和研究各处工作方式的重要组成部分。

20:03这让我想到 YC 总裁 Garry Tan 最近谈到的一件事——我不确定他的具体头衔是什么。他提出一个有趣的观点：如果你现在愿意每年花 10 万美元买 token，你就过上了 2028 年的人们将会过的生活，因为届时成本会很低，人人都能这样工作。但现在有一个先发优势：可以直接活在未来，大胆使用大量 token。因此，人们有机会通过亲自使用这些模型，学习怎样以不同方式工作。你们如何看待这件事？你们会鼓励员工大量使用 token、尽可能多地了解能力吗？

20:37是的。我更倾向于从产品角度看。token 消耗更像投入，而真正的产出是你说的实验。如果围绕实验来设定目标，可能更能准确描述我们想要的结果，也意味着实现目标的方式不止一种。我可以说，我们内部一些最有创意的思考者和最出色的原型设计者，确实会花大量时间使用 Claude，也会在每一版新的研究模型推出时亲自体验。（00:21:14）所以你必须使用模型，才能逐步想出好点子、更好的点子，再到更出色的点子；没有什么能替代这种体验。技术变化这么快，不接触技术，很难制定完美策略。同时，我们还可以做其他事。比如，我们经常在 Anthropic 内部公开协作。早期产品界面较少时，公司几乎所有人都在一个 Slack 频道里测试 Claude 的早期版本、尝试不同用途。大家当时可能没把它们称作“用例”，但有人会让它修改文章、帮忙斟酌邮件。我们公开分享之后，团队里不同的人会提出想法，其他人再尝试不同变化。也许十次左右请求之后，就会出现一个很有意思、可能成为用例的东西。我认为，探索这项技术不该只是每个人独自摸索；我们可以更好地把共同发现融入实验。实验不一定是个人运动。

22:55太有意思了。我们并不确定这些技术具备什么能力，或者我们能用它做什么，因此需要不断尝试、探索，听听别人怎么用，再判断可能性。真是一项很有意思的技术：我们像是在说“看看这个……我发现它能做这件事。你打算怎么用？”

23:14从宏观层面来说，我们知道模型能写出好文章、能进行长篇写作。但具体到个人痛点，究竟能解决什么问题、如何把能力做成用户可用的产品，我认为仍需要探索和实验。

23:33接着这个话题，你负责 Labs 团队的产品，这太酷了。Ben Mann 和 Mike Krieger 都来过节目，他们现在也在 Labs 工作。聊聊 Labs 吧。Labs 是什么？推出过哪些产品？很多人听说过这些东西。它的工作方式是怎样的，为什么能在 Anthropic 核心产品团队之外不断创造新想法？

23:58Labs 的核心思路，在很多方面是识别并深入探索……

24:00……识别并深入探索那些可能不在核心路线图上的重大、非连续性押注，看看它们是否真的有潜力，以及这项潜力能放大到十倍、一百倍或一千倍。比如 Claude Code 这样的产品，我认为……

24:26听说过。

24:29例如 Claude Code、skills、最近推出的 Claude Design，还有 MCP。团队特别强调的一点是：尤其是现在，可构建的东西太多了，那么什么才算一次非连续性的重大押注？我们今年采取的一种做法是，对主题或领域可以有非常坚定的看法，但对具体原型的看法则可以更灵活。因此，我们营造了实验文化。团队里的许多工程师自下而上、自主驱动地尝试不同想法。有时我们有一个论点，但眼下可能还行不通，于是会在一两代模型之后重新审视。原型有时只是帮助我们学习，即使没能立刻变成正式发布的产品，也有价值。我认为，这种方式能让 Labs 的孵化工作加速，也让 Anthropic 更早看到可能出现的机会。

25:44Anthropic 本身已经非常创新、富有创造力，发布产品的速度也很快，但即便如此，在公司内部设立 Labs 团队依然有价值，这很有意思。你刚才列举的这些产品几乎都是最大的成功案例。当然，我可能还没想到其他很多产品。是什么让 Labs 能在大公司里运作得这么好？建立成功的 Labs 组织，关键是什么？

26:12我认为团队文化非常重要，这一点和整个 Anthropic 的情况类似。Ben 制定了很有感染力的愿景，并推动大家思考一个想法能做到十倍、一百倍的规模。Labs 的小组规模很小，有些想法最初甚至只有一位工程师参与。我觉得，如果让很大的团队同时去追求模糊、宏大的想法，反而会拖慢速度。所以，文化很重要。（00:26:56）我们也会选择那些确实想做从零到一实验的人。这并不容易。很多押注最后会被我们否决或暂停，也许未来会重新考虑；但当你全心投入、像创始人一样经营一个押注，它却暂时没有进展时，放弃会很难。因此，我们需要那些愿意做从零到一工作、对此充满热情并且理解深入的人。

27:30你负责研究团队的产品，也会与 Anthropic 的研究人员合作。很多人知道研究是什么，但不太了解各家 AI 实验室里这些非常重要的人究竟在做什么。我想帮助听众理解，也想请你帮我弄明白：研究人员每天都做些什么？我想象他们会先提出改进模型的假设，然后寻找数据、调整算法、调整训练方式，再测试结果，不断迭代并尝试改进模型。大致是这样吗？也请你介绍一下研究人员每天的工作。

28:09我觉得研究人员日常工作可能主要是这样。不过，Anthropic 这样的研究组织还有更宏大的未来愿景。比如，我想公司创立时，研究人员就已经在讨论：怎样让 Claude 使用计算机？怎样让 AI 浏览屏幕？我会说，研究人员身上有很强的创始人式能量。他们大胆、有雄心，而 Anthropic 有很多这样的研究人员。这是技术发展方向的一个层面。（00:28:59）在循环的另一端，既然这项技术、或者说 Claude，已经交到人们手里，我们又该如何让它今天变得更好？一方面要考虑中长期愿景，也要投入大量精力思考未来；另一方面也要考虑眼下和短期能改进什么。你描述得很好：我们怎样通过不同版本的 Claude 持续迭代改进？（00:29:26）我的团队会与研究人员紧密融合、嵌入这些循环，尤其是对用户影响很大的领域，例如视觉、计算机使用、编程、智能体编程、工具使用、测试时计算等。接下来要做的是找到合适的方法，把用户反馈转化为研究人员能理解、也能据此采取行动的内容。（00:30:08）这其实是工作的第二部分，也常常比较困难。比如我们可能会收到 claude.ai 用户的反馈：“Claude 幻觉了。”这很模糊。如果你把它转给研究人员，说“请修好 Claude 的幻觉问题”，他们也很难采取行动。因此，团队有一部分时间要用来理解用户为何这样反馈。用户已同意分享相关信息后，我们会查看当时 Claude 应该调用什么工具；或者它是否掌握了相关知识、查看了正确的文档，却引用了错误事实。第一种可能是工具使用出了问题；第二种可能涉及搜索、知识注入、搜索结果综合，也可能是对齐方面的问题。（00:31:06）我们要把足够细致的信息交给研究人员，再共同判断问题是否重要，并设计评测来描述和衡量改进。这种细致、可执行的层次，就是研究人员每天使用的语言。我们的目标是紧密衔接用户反馈与核心模型训练和研究开发循环，让两者之间的信息能推动实际行动。

31:36我最近和人聊到，如果想在事业上大获成功，AI 研究似乎成了理想去处。要成为一名真正成功的研究人员，需要什么特质？我知道并不是每个人的思维方式都适合，但你观察到的成功研究人员有什么共同之处？

31:59你说的是研究人员，还是与研究团队合作的产品经理，还是两者都包括？

32:04那就两者都谈谈。

32:04好。

32:05研究人员通常很成功，和研究人员合作的 PM 也会很成功。但感觉每家公司都在争抢顶尖研究人员。我知道你不是 AI 研究员，不过就你看到的情况而言，想走上研究这条职业道路并获得成功，需要具备什么？

32:22我认为，Anthropic 最出色的研究人员和研究领导者，往往很擅长从第一性原理思考问题，推理能力强，对自己的研究领域充满热情，也能大胆描述这个领域可能发展成什么样。他们还会深入细节。公司的领导层、首席科学家、微调和强化学习负责人，都很关注训练过程，查看训练运行情况、评测结果以及底层数据。他们愿意深入细节、并由此培养判断品味，这些都是优秀研究人员的表现。另一点是，他们能从长远角度思考，抱有很大雄心。比如 Dario 说我们可以改变软件工程。沿着这样的方向探索，你会学到很多。我认为，要成为成功的研究人员，很多时候就得敢于仰望星空。

33:49我喜欢现在经常出现的那句梗：“要更有雄心。”这话很难做到。说起来容易，真正想清楚自己能把目标定得多大，却不容易；而如今 AI 解锁的许多能力，恰恰都需要我们更有雄心。

34:01是的。

34:02是啊。

34:03我觉得，要先把整个过程从头到尾推演一两遍。然后，对自己选择的领域要有坚持，但对具体做法可以更灵活。我们会不断问自己这个问题。技术进步太快了，怎样确保正在构建的产品能适应未来？这其实也是产品开发核心循环的一部分：思考得更长远。我经常问团队，或者在构建产品时这样想：假设 Claude 8 来了，用户行为会有什么变化？这意味着我们现在应该怎样构建？目前的产品会兼容那种体验吗？我觉得“有雄心”这个说法太宽泛了，因此要努力把它落到具体描述上。

35:13而且，各项工作都应该朝着连贯、合理的方向发展，而不是各自朝着完全不同的方向盲目追求雄心。说到雄心和 Claude 8，最近 Fable／Mythos 好像让模型达到了一个新的临界点。过去有一个很棒的模型，发布就好了：“大家好，Opus 4.5 已经上线，所有人都能用。”但 Mythos 走了完全不同的路线。它受到了限制，人们对它的能力高度审视、心存担忧。各家公司都得确认它不会侵入自家系统。现在模型不断变强，每一代都可能受到更多审查，也更可能限制谁能使用。这感觉是很大的变化。你怎么看？这会如何改变你们的运作方式？

36:02政策和出口管制方面，我打算留给负责这些工作的同事处理。我想谈产品层面，以及我们内部如何与模型互动。正如你说的，前沿模型能力越强，防护措施、红队测试、测试流程和发布前流程也都必须快速演进，及时应对风险。举例来说，在 Fable 模型之前，我们的备用用户体验和相关系统还没有那么完善。我们的目标是确保这项技术带来的好处远大于风险，并尽量减少负面影响或严重风险。因此，我们建立了备用系统，让用户仍能立即获得 Opus 4.A 的优质回答。我认为，随着安全系统不断改进，我们还要继续开发并交付出色的用户体验。这两方面都还有提升空间。接下来几周到几个月，你会看到我们持续创新和改进现在所说的模型防护方案。

37:29这里有个很有意思、也出乎意料的结果：Anthropic 能接触到最新模型，这反而带来了一项很特别的优势。每家实验室可能都会遇到这种情况：所有人持续改进模型，实验室内部可以使用外界暂时无法访问的最新能力，这会形成一种不太公平的优势。你们当然希望所有人都能使用它。因此，随着限制出现，新的反馈循环也会形成：先进模型只有部分公司能用，这可能带来一系列意料之外的二阶影响。

37:59我们的目标是尽可能让这些模型系统更具包容性。我们不希望通用技术出现这种情况，希望让更多人能够使用。我认为，目前最优先的工作之一就是减少我们正在看到的这种现象。

38:21这说得通。我想，如果人们正在使用这项技术，你们肯定希望有尽可能多的客户。（00:38:26）本期节目由 Mercury 呈现。Mercury 是一家与众不同的银行服务平台，受到 30 多万名创业者喜爱。我使用 Mercury 已经六年多，从来没想过换掉它。Mercury 就像是由产品人而不是银行家打造的银行。它让开票、转账、为团队成员设置虚拟卡都变得简单，甚至可以说很有趣。你的银行有 API、面向终端的 CLI，或适用于 AI 的 MCP 服务器吗？我想大概没有。（00:38:59）他们最近还推出了 Command，这是直接集成在 Mercury 中的对话式界面，可以充当你的财务运营助手。我用它转账、查看支出最多的类别、分析现金流。就在今天，我用它查过去一年从某个赞助商那里赚了多少钱。我只要问：“过去一年我从 X 那里赚了多少钱？”十秒后就能得到答案，简直太酷了。访问 mercury.com 了解详情并在线申请，几分钟就能办好。Mercury 是金融科技公司，并非 FDIC 承保银行。银行服务由 Choice Financial Group 和 Column N.A. 提供；两者均为 FDIC 成员。（00:39:38）我想聊聊 AI 已成为日常核心之后，产品岗位如何变化，以及谁能在这种新环境中做得好。你招聘 PM 和产品人员时，会观察什么？最看重什么？哪些特质越来越重要，哪些正在变得没那么重要？

40:04我们团队三年来一直没有改过招聘流程。我们寻找的特质，以及评估通才型 PM 和研究产品经理的方法，都没有改变。我认为，其中一些特质包括：第一，第一性原理思维……

40:50能举个例子吗？很多人听到“第一性原理思维”就会说：“懂了，我很擅长。”怎样才能看出一个人真正展现了很强的第一性原理思维？

41:00举个例子：你可能认为产品经理负责产品策略并交付用户价值，但日常证明自己在做这件事的方式，却是撰写 PRD 或产品愿景文档。对我团队里的研究产品经理来说，推动用户价值的方式，是找出正确的用户反馈，再通过评测把用户需求具体呈现出来。我们确实会写一些产品文档和 PRD，但团队有句话：评测就是新的 PRD。要交付用户价值，关键不在于必须产出过去一二十年大家惯常撰写的那种文档；现在的工作方式已经不同。第一性原理思维意味着，先找出实现目标真正该做什么，而不是列出自己做过的一系列活动，然后继续重复这些活动。

42:10过去的做法是：有个想法，写 PRD，找人讨论并对齐计划，设计、构建、发布，再观察效果并迭代。我听到的现在的流程是：先收到某个问题或机会的反馈，第一步就把评测作为……

42:32第一步也许是理解用户痛点。获取痛点的方式也变了。过去我们可能会做用户访谈；如果深入一点，可能请用户演示自己的使用流程、逐像素讲解界面。现在，你得像在意像素一样在意 token。团队的一项工作是阅读对话记录，深入理解失败的交互轨迹，之后再判断：这是幻觉吗？Claude 是不是过度自信？（00:43:14）失败的表现有很多细微差别。弄清这些后，你就能更系统地描述痛点，并据此形成新的评测。评测是否符合真实使用分布？是否既覆盖出问题的正面案例，也涵盖 Claude 实际上不该失败的情形？（00:43:43）接着把评测带给研究团队，让他们改进模型，并真正衡量质量：到了 Opus 5.5，这方面到底有没有改善？Claude 是否能在文档里找到正确位置，并提炼出正确内容？重点在于让反馈更具可操作性，缩短研究等合作团队从发现问题到采取行动的距离。

44:16你们有没有遇到过这样的例子：发现了某个问题或机会，然后据此写了一项评测？而且多数情况下，评测具体长什么样？听众通常会怎样想象一项评测？

44:29我们其实在 Anthropic 内部率先实践了这个想法。早期 Claude 模型不太擅长遵循特定格式，例如输出 JSON；而如今，这种能力是 Claude 成为优秀智能体的基础。如果不能按指定格式输出，就无法使用 API、调用工具等等。我最初听到的反馈之一是：“Claude 不会听指令。”于是我们深入了解用户的意思：你说 Claude 不听指令，具体指什么情况？请给我实际例子：当时的原文段落是什么？你提出了什么要求？Claude 怎么回答？我们要深入到这个程度。（00:45:25）我发现，早期用户所说的这种失败，大约 80% 指的是 Claude 没有输出正确的 JSON。于是我们可以先整理 30 到 40 个 Claude 没做好这件事的例子。这些例子就构成了评测集。每条评测包含一个提示和模型回答；如果模型输出和预设的标准答案不匹配，这项评测就有价值，因为它能持续识别同一类痛点。我们把评测加入代码库。每次发布 Claude 的新版本，都会运行这些评测检查。现在这项能力的表现大概一直是 100% 或 99.9%，已不再是痛点。早期的做法就是收集用户反馈、理解真实含义、确认能否复现、是否稳定、问题是否严重，然后再把问题标准化，转化成研究人员能用的材料。

46:42我们所处的这个世界，差不多就是 PM 的测试驱动开发：先写测试。所以，在 Anthropic，编写评测现在已经是产品经理工作的核心部分了吗？

46:54我认为是的。我也和其他公司的 PM 聊过，我认为这越来越成为更广泛的技能。我们构建的许多产品，处在模型、运行框架和特定用户场景的交汇处。评测不仅能帮助模型团队，也能帮助整个产品团队创造更好的用户体验，因为无法衡量的东西就无法改进。很多工作仍需要亲自体验并运用判断，因此要贴近细节。

47:38而且结果并不确定。模型每次不一定给出相同答案，所以需要更广泛地描述目标，不能要求每次都精确匹配。这真是产品工作方式的有趣变化：评测和编写评测将会……

48:00是的，没错。

48:01等一下，好吧。你现在摇头了。

48:03是的，我们确实会这么做。不过，遇到界定明确的问题时，评测可能几乎可以替代其他表达方式；而在另一些情况下，PRD 仍然很有价值。PRD 是很好的工具，可以让大型团队围绕体验和目标达成共识，建立共同事实来源。每推出一个模型，我们都有一份 PRD；它不一定主要写给研究人员看，更多是给不断扩展的产品团队、工程团队，以及法务、安全等相关团队，作为共同的目标依据，让大家朝同一方向努力。（00:48:54）PRD 还有一个适用场景，是比较模糊的问题和机会。如果我们还没发布过计算机使用这样的功能，就不一定已经有一套明确的用户痛点。PRD 中的产品愿景部分可以帮助探索：即使这项技术还没准备好服务所有人，如何先让某一群人用得好，从而探索它的价值？你可以先向一类用户提供连贯的体验。因此，我们仍然会写 PRD；只是它们现在的用途有所不同。

49:39很好。我最近采访了 OpenAI Codex 应用负责人 Andrew，他的观点和你一致：PRD 没有消亡，在特定项目和想法中仍然很有用。好，PRD 还在发挥作用。我们刚才聊了产品人员正在形成哪些新技能。除此之外，在 AI 新时代表现出色的产品经理和团队成员身上，还有哪些模式发生了变化？有什么能力是你觉得大家需要调整或你更看重的？

50:19我特别想对处于职业中期、或主要担任管理型产品领导岗位的人说一件我很确信的事：想成为优秀的团队管理者、带领 PM 与团队使用这项技术，你自己必须亲自上手。不只是花时间摆弄工具，还要真正用它交付产品。你要和 PM、工程师及团队一起关注 token，深入细节。我招聘的资深 PM，入职计划和职业早期的 PM 完全相同：了解用户、阅读经授权的用户反馈、与客户交谈。我认为，重要的是亲自体验并学会如何使用 AI，理解哪些做法有效、什么才算好产品。（00:51:40）如果一个人没有亲自构建过 AI 产品，就很难判断一个好的或很棒的 AI 产品、AI 功能究竟应该是什么。所以我很确信，管理者必须亲自上手，也要抽出一部分时间真正交付产品。你得设身处地理解团队的工作。我会留出时间，在有新模型时亲自负责一两个工作流，这样才能维持对模型的理解，掌握它们的进展和改进速度，进而帮助团队做出更好的决策。

52:35所以，无论你在公司的层级中处于什么位置，如果你自己不动手构建、不和 Claude 或 Codex 对话、不亲自做东西，就很难在这个时代立足。

52:46而且你应该享受使用这项技术。我认为另一点是，无论处于哪个级别，最可能成功的人都是喜欢使用 AI、愿意探索和实验的人。他们会专门留出时间，不只做实验，还会……

53:12我完全明白你的意思。我可以坐在这里写通讯、录播客，聊起这些就说“对，对，听起来很好”。但每次我真的开始构建东西、尝试各种小项目时，就会突然说：“好，我明白了。”亲自用模型做东西带来的体验很难准确描述，但那完全是另一个世界：你会理解大家在说的计算机使用是什么，理解某种用户体验限制具体意味着什么。你提出了一个非常有意思的观点：人得享受使用它。这对很多人来说不容易，因为他们被要求用 AI，却不知道该怎么用；也有人会觉得：“这真烦，我只是被迫做这个。我讨厌这玩意儿。为什么非得用它？变化太多了，我累了。”你有什么建议，能让他们重新找到乐趣？

54:06我想再次强调，实验不是个人运动。我觉得自己实际体验过几乎所有研究模型版本，也接触过二十多个生产版 Claude。乐趣的一部分来自看到别人也发现了新的用法。因此，一个办法是找一位对 AI 感兴趣的人结伴，围绕你关心的用例一起尝试，而不是逼自己独自找出完美用例，因为那可能会像工作。和别人一起做事常常很有乐趣；我们还能不能做更多事，帮助其他人一起来探索？有时公司里某个特别好奇的人分享一个新原型，就会带动更多人，他们会说：“我不知道 Claude 现在已经能做到这个了。”这会形成良性循环，让大家继续享受探索技术的过程。

55:22这个观点太好了。我想这也是 Twitter 在这方面很有用的原因：你会看到别人分享他们做的东西，受到启发，想出自己的点子；分享自己做的东西也很有趣。找些伙伴一起动手，寻找用例。我还经常听到一个建议：找到生活或工作中想解决的问题，打开 Claude 或 Claude Code，把你想做的事告诉它。即便只有一个模糊的问题想法，也能用它推进很远。

55:53我觉得难点在于可尝试的东西太多了。因此可以缩小范围：要么和一位喜欢这项技术的人结伴，要么找一个能立刻带来价值的具体问题。无论哪种方式，都能让你深入探索，而不是对太多事情只停留在表面。我很难跟上那么多原型和产品，所以我的做法是亲自深入了解其中一两种。

56:31你这么说真有意思，因为我们最近刚和同事 Noam 做了一项调查，问读者现在如何看待科技行业和 AI 的各种变化。其中一个最有意思的发现，正是你说的：幸福感来自深入使用少数几个工具，而不是浅尝很多工具。找出几个真正想解决的问题，然后深入研究。很多人的幸福感来自终于找到一种方式，让 AI 真正改善生活；而不是手上有几个出了问题、坏掉一半、只能勉强运行的东西。

57:08是的，关键是怎样避免把它变成一项打勾完成的任务。对产品人来说，这是一个时间和精力的优先级问题。如果目标是快乐地实验，需要哪些投入？不过我认为 Anthropic 的秘诀在于文化和自下而上的工作方式，以及公开分享实验成果。这样做的价值很大一部分就在于带动更多人一起参与。

57:55我在好几家实验室都听过类似观点：没人完全确定这些能力会如何被使用。很多时候就是尽早把东西发布出来，观察人们怎么用、能做到什么，再利用这些信息构建真正的产品并加大投入。

58:10是的，是的。

58:11接着聊聊怎样用 AI 帮助工作和生活：你最近作为 PM，有没有什么有意思的 Claude 使用方式？

58:22Fable、TAG 等产品都有不少可能性。TAG 还处于非常早期的阶段。我觉得其中一个新模式是：让智能体独自去工作，然后把产品和体验带回来交给你。我经常和团队提起的另一种 AI 用法其实没那么新，但我们可以做得更多，那就是用 AI 帮助彼此更好地交流、成为更好的管理者。我用它来准备一些重要谈话，思考当下怎样沟通得更好。我很喜欢那本书。因此我做了一个 skill，帮助我判断在具体情境中应该讲到什么细节程度，也让我成为更好的管理者、更好地支持团队。我也在和团队里的管理者分享：怎样用 Claude 成为更好的教练？有时很难找到最合适的措辞，而模型很擅长提供准确、得体的表达。我认为 AI 不只可以增强我们的智力，也能增强情商。

60:04天啊，这里面有太多有意思的东西。我想先弄清楚你的做法：你制作了一个 skill，直接对 Claude 说“帮我做一个 skill”，让它结合《Crucial Conversations》这本书里的经验。Claude 已经了解这本书的内容，你甚至不用把内容提供给它。接着你用这个 skill 和 Claude 对话，比如：“我马上要和同事进行一次很棘手的谈话，给我一些沟通建议。”

60:25对。这就像一种个性化辅导，帮助你……我们一天里要不断切换上下文。Claude 可以陪我一起思考。也许我最后并不会采纳它的建议，但它能帮我提出想法、集思广益：我对他人反应的判断是否准确？怎样更深入、更快速地思考？怎样更快建立信任、表达得更直接？

61:05我有很多问题，这太有意思了。一种担忧是，人们和 AI 交流太多之后，开始像 AI 写作那样说话，比如：“Dianne，不是这样，而是那样。”我知道你不会这么说，但很多人担心这一点。我想问，你会不会担忧人们所说的“脑力退化”？比如现在太依赖 AI，我们停止学习和思考，开始把 AI 的想法叠加到自己的想法上，跟 AI 过度亲近、时时刻刻都和它融在一起？

61:38对我个人来说，思考过程和写作过程紧密相连。我会用 Claude 增强自己的思考，但我想确保它不会替我完成所有思考。具体要怎么用，取决于场景，也取决于我想在多大程度上保留自己的判断。有时我会先形成自己的观点，再和 Claude 一起打磨，同时确保自己的立场和语气仍然在场。还有一些事情，例如业务月报，我更希望内容格式标准化，把信息清晰地整理出来。（01:02:35）我已经做了一个 skill，现在还在改进它。我希望最终能把业务月报的写作完整交给 Claude，因为写作本身可能不如其中的思考重要；而我可以转为审阅和核实这些信息。所以要看你用 Claude 做什么、想表达什么，以及把更多工作交给 Claude 是否会带来明显的额外价值。

63:11我听到的第一个建议很棒：先自己思考、形成观点，再把 Claude 当作讨论伙伴，一起发展观点，也让它挑战你的想法。

63:22是的。我觉得我们的对齐研究和安全研究在这里很有帮助，因为我们不希望 AI 只会附和你。我们希望这项技术能够增强、拓展你的能力，让你得到更好的结果。有时 Claude 反驳我，反而让我变得更好，这很好。就像同事一样，如果我的想法还不完整，我希望有人能指出来。

63:53我还想多聊聊这一点。Ben Mann 上节目时谈到过 Claude 内置的宪法，以及安全和对齐工作如何构成这套说明 Claude 应该怎样思考、行动的规则。直觉上你可能会觉得，这会限制 Claude 的能力，让它变得无趣、没那么有意思；结果恰恰相反。Claude 的个性最有意思，这是我常听到的反馈。人们说，他们更喜欢和 Claude 对话。OpenClaw 最初是用 Claude 构建的，后来一些人不得不改用 ChatGPT——我们先不展开——他们就会说：“太差了，这不是我熟悉的那个助手。”我觉得这是个很有意思的观点，也想多花点时间讨论。为什么会这样？为什么对齐、安全，以及明确的宪法，反而让 Claude 更好用、也更有趣？

64:49为了让 Claude 尽可能聪明、能力尽可能强，它需要在合适的时候提出反对意见、补充观点，帮助你得出更好的结论。最终目标是得到更好的结果。我曾用 Claude 帮我思考下一版 Claude 的定价是否合理，这听起来有些元，但我会让 Opus 的研究版本推演它应该如何定价。（01:05:27）AI 不该只是一个助手、一个执行任务的工具；它还应该判断正在做的事是否正确。这和它是否知道何时反驳密切相关。主动性并不总是按计划完成某个任务，也包括主动提出新想法。因此，Claude 要变得更有用，就必须知道什么时候该提出异议。这是模型特征中很核心的一部分。

66:10这很有意思。AI 不那么顺从，反而让它更好用，因为我们需要它提出不同意见。我听过太多人说：“AI 告诉我我是对的。”而他们真正希望的是它去挑战别人。

66:26这又回到之前谈的思考问题：怎样保护自己的思考能力？如果 AI 能成为思考伙伴，它就不该只会同意你，而应该为你增添新的东西。一天结束时，你应该因为和 Claude 一起工作而产生更好的想法。这才应该是目标，而不只是把你的想法改进 10%。

66:52我很喜欢这个观点。过去创始人鼓励团队时常说“想想怎样做到十倍”，而现在我反复听到的是：“怎样把这个想法放大到一千倍？最有雄心的版本是什么？”我想回到刚才那个关于经常和 Claude 交流的话题。现在 AI 写出来的东西仍然很容易辨认。讽刺的是，大语言模型听起来应该很擅长写作，但实际上 AI 写作往往不怎么样，而且一眼就能看出是 AI 写的。你觉得我们最终能不能达到让人分不出是不是 AI 写作的程度？

67:32我觉得这取决于你想通过识别作者身份达到什么目标，或者想知道……

67:39评测是什么？

67:40对，评测是什么？我确实认为，我们还可以让 Claude 的写作能力更好。我的团队和研究团队都在积极努力，整体提升 Claude 的写作能力。我觉得应该能够分辨一个想法是由你、Lenny，还是我 Dianne 提出的。当然，这取决于写作的目的。比如业务月报，我很愿意让 Claude 从头到尾完成。

68:22当然，但也不需要让人感觉这篇内容是人写的。这是个很有意思的观点：我们真的更希望知道内容是 AI 写的吗？

68:29也许关键在于可验证性，或者谁来核实输出、谁来签字负责？重点可能不在谁写的，而在谁进行了验证、谁为结果负责。这比作者是谁更重要。

68:52你觉得 AI 为什么不擅长写作？我猜它学习了人类最好的作品，然后归纳出最佳写法。写作的方式本来也有限，所以我们现在逐渐认出了 AI 写作的套路。核心原因是这个吗？还是还有其他因素，让它无法成为优秀的写作者？毕竟它明明是大语言模型，按理说应该非常擅长语言。

69:21我认为我们还需要投入更多训练改进，让 AI 在写作等领域持续表现出色。另一方面，正如我们刚才提到的，这项技术发展并不平滑。模型有时已经擅长写作，却还不够智能体化。那时我们的想法是，怎样让模型更像智能体，或者学会调用正确的工具？现在这一点有所改善，其他能力就成了新的短板。我觉得我们正处在一个适合把写作提到优先位置、专注训练模型让它写得更好的阶段。这是我们正在积极推进的领域。很高兴你提到这一点。

70:11我很高兴你这么说。等 AI 写得足够好，我们可能会不知道是谁写的。但正如你所说，有时候我们确实希望知道内容是 AI 写的，这个角度很有意思，我以前没想过。还有个相关的例子：有位喜剧演员开玩笑说，飞机在空中飞行，像鸟一样穿过天空，我们却抱怨机上 Wi-Fi 坏了：“这是什么破飞机？怎么连不上网？”你的意思是，技术已经取得如此大的进步、能力如此强大，我们不可能让它每个方面都最好。写作过去可能不是优先事项，现在看起来正开始得到更多投入。

70:53是的，语气和个性是优先事项。技术进步仍在持续，我们会看到智能体行为出现跃升、突然涌现，然后这会变成新的常态。其他能力也需要继续改进。等我们提升写作、语气和个性之后，可能又会问：怎样让 Claude 更主动？主动性仍有提升空间。人总是希望变得更好，我们希望技术也不断进步；把这种追求应用到 AI 上是对的，我们应该让它更好。

71:41我想问几个常问身处未来核心、正在推动未来的人士的问题。第一个是：未来几年里，人类的大脑在哪些方面仍然最有价值？我知道 Anthropic 的使命和愿景是实现 AGI，也就是超级智能。所以也许到了未来，人类就不再有用。但在那之前……

72:00也就是说，未来或许没有什么价值；但在实现超级智能之前，随着我们逐渐接近那个时间点，你认为人类大脑在哪些方面仍然最有价值？

72:09过去一年左右，我们开始讨论如何让 Claude 和其他模型拥有更好的判断力。我认为，判断力来自大量细微经验的积累，而这些系统还没有经历过人类经历的那么多事情。因此，人类历经多年形成的判断力，对产品负责人和其他人来说仍将极为重要。AI 能构建的东西非常多；像 Labs 这样的组织究竟该做什么，仍需要人类的判断力、毅力和主动性。这些不只是一般能力，更是行为方式和个人特质；它们能帮助人们找到更好的解决方案、创造更好的体验。我认为这些实际特质今后会继续重要。（01:13:22）专业能力和领域知识也依旧重要。AI 已经深刻改变软件工程，但生物学、生命科学等领域的指数式发展还处于初期。软件工程可能已经进入指数增长阶段，其他领域却还没有完全走到那里。因此，你会看到我们加大对 Claude Science 等方向的投入，因为我们希望把这项技术带给社会，并为社会创造积极价值。这些领域仍有很大的发展空间。

74:11还有个问题：你有孩子，你会鼓励他们学什么？在我们即将进入的这个变化剧烈的新世界里，你会引导他们发展哪些能力，帮助他们成功？

74:27我觉得，重要的特质和你我小时候培养的其实差不多：对学习保持好奇、坚持不懈、相信自己的内心声音。要培养并相信自己的内心声音。我有一个四岁的孩子和一个八岁的孩子，我有责任帮助他们建立自己的内心声音，让他们能有主见、表达立场。我会鼓励他们培养这些能力，拥有属于自己的独特声音。我认为这些技能在未来仍然重要。

75:10这和你之前回答怎样避免脑力退化、避免过度依赖 AI 的观点密切相关：在过度依赖 AI 之前，先关注自己的立场和观点。你现在谈到帮助孩子建立这种能力，也很重要。判断力、坚持不懈、拥有自己的观点，这些都连在一起。

75:34是的。

75:35对孩子和成年人都一样。

75:37[01:15:37 听不清]。是的。还有什么……

75:37还有什么……

75:37你对自己的……有什么想法？

75:39天啊，我在想的是：什么时候让孩子接触一些 AI 工具？我家孩子三岁，现在还太早了。但要怎样让他们开始接触这项疯狂的新技术？我最近参加活动时，有不少家长在聊该怎样让孩子接触 AI。有个人的方法很有意思：先让孩子使用早期一些的模型，让他们仍然需要努力思考，而不是马上得到所有答案。我觉得这挺有意思，比如使用本地开源模型，而不是 Fable。

76:11我喜欢这个做法。

76:12是啊。

76:12是的。

76:12对，好奇心也很重要。我一直提到 Ben Mann，但他对这个问题的回答让我印象很深：要有好奇心；他也很推崇蒙特梭利教育，我们正在用这种方式教育孩子。我觉得这很有启发。最后再问一个类似的问题，这是最近上过节目的 Fiona Fung 提议我问你的：作为一位母亲，在 AI 这场风暴中心工作，怎样保持精力、不至于倦怠？我们正经历 Anthropic 的研究工作，也正处于史无前例的时代。作为公司外的人，我都觉得不可思议，根本无法想象身处其中会是什么感受。关于避免倦怠、恢复精力、在这一切中保持清醒，你学到了什么？

77:012024 年，我们全年发布了四个模型或四个系列；我觉得今年光第二季度发布的数量就超过了那个数字。我很幸运，团队逐渐成长壮大，无论是研究侧的相关同事，还是研究产品管理团队，都非常出色。面对这一切，有件神奇的事是：这不是一个人的战斗。团队既有很强的主人翁意识，也会协同合作。有时这就像高水平竞技运动，因为你要参与非常关键的决策；用户和训练方面会有新信息出现，你必须很快提出建议、做判断和决策。但没人能独自长期做到这一点。（01:18:04）真正帮到我的是一支很棒的团队，大家互相照应。产品发布前一晚，即使某人不是该模型的直接负责人，也会熬夜帮负责人审核博客、修改文字、构思更好的演示，成为彼此的额外助力。我觉得，如果把所有变化都扛在自己肩上，很容易觉得孤立无援，觉得什么都得亲自完成。但 Anthropic 很特别的一点，是大家会主动发现彼此能帮上忙的地方，并且真的伸出援手。（01:18:54）我们把这种深度协作称作进入“蜂巢思维”，还有文章专门写过它。我认为，这能让团队恢复精力。我六月刚休了一次假。休假并不是回来看见待办事项增加三倍；我可以休息，并相信团队会找出该做的正确事情，也相信大家会彼此关照。我觉得这是很重要的一点。个人层面，我也很幸运，伴侣非常支持我。这是我从事 AI 工作的第六年，之前在 Amazon，之后加入 Anthropic。他知道我有多喜欢这项技术、它能做什么，这对我个人也很有帮助。

79:45我很喜欢这些回答之间的呼应：和他人合作、彼此支持，在变化剧烈时互相帮助。这和你关于怎样找到工作的乐趣给出的建议也一样：从别人身上获得启发，看看他们在做什么，一起协作。

80:06对。

80:08有意思的是，Fiona 最近上节目时，我问她软件工程发生了什么变化。她提到，现在工作变得孤独了许多，因为我们在和智能体协作，而不是和其他人一起工作。团队规模更小，人们同时与一整支智能体队伍沟通。这提醒我们，身边有真实的人是多么重要。

80:26技术让我们能处理更大规模的工作、做出更重大的决策。我认为，如果身边有一些能与你产生一定思维共鸣的人，他们不必了解每个细节，但能理解你的工作方式、思考方式、第一性原理和假设，就能支持你，也能质疑你的决定、帮助你打磨想法。所以我在组建、扩充和招聘团队时特别关注这一点：一个人会只在意自己的面子和建立庞大组织，还是更愿意为 Anthropic 和团队影响力做贡献？我们会优先考虑低自我、重视团队协作的人。我认为这也是保持可持续的重要因素。

81:30是的，最终很多事情都回到文化和招聘上。我听过很多人说，Anthropic 之所以能行动这么快，是因为大家都围绕使命和价值观高度一致，所以能够迅速决策。我记得那阵子几乎每天都有东西发布，大家看着发布日历都在问：“这怎么可能？”我听到的解释很多都是：因为大家对使命和价值观非常一致。在进入激动人心的快速问答之前，Diane，你还有什么想分享、想补充，或想再次强调的吗？

82:04这场对话很有意思，你的问题也帮我理清了不同想法之间的联系。

82:10我就是你身边真正的人类版 Claude。

82:13我很希望大家记住的一点是：工作方式很重要；另外，技术和工作都在快速发展变化，而我们也应该享受使用这项技术。如果你现在没有最初那种兴奋感，或许可以找到一些仍然很享受的人。如果你对这个领域感兴趣、想参与其中，就和他们一起探索。我认为，培养技能、重新练习技能也很重要，例如从第一性原理出发思考要解决的问题。你没问这个，但社区里常有人问：模型这么强、工程师也越来越多地亲自做产品，我们还需要 PM 吗？（01:23:10）我认为，产品人员的核心工作是以用户为中心，深入了解用户想完成什么，把这些需求以可执行的方式传达出来，并持续不懈地推进这件事。我觉得这方面的需求只会更多。我们越来越受技术层级和能力驱动；要让技术真正产生影响，就必须深入细节、保持好奇、亲自上手。我认为这些特质也帮助 Anthropic 推进产品和模型开发，是公司文化的一部分。希望这些经验对其他人也有帮助。

83:59用这样振奋人心的观点收尾太好了。我也一直这么说：现在构建东西变得容易，难点变成了应该构建什么，以及已经做出的东西是否正确、是否足够好、是否值得继续投入。对我来说，这正是 PM 的工作，也是他们擅长的事。

84:18是的，还要深入了解用户细节。

84:22对，同理心。很好，PM 会继续发挥作用。PRD 也没有过时。这里有很多重要经验。Diane，接下来是激动人心的快速问答，一共五个问题。准备好了吗？

84:36准备好了。

84:37第一个问题：你最常推荐给别人的两三本书是什么？

84:43有一本比较个人化的书，我很喜欢《How to Raise an Adult》。我是母亲，会经常想要教给孩子什么。这本书很有帮助，它提出的框架是：我们不是要把孩子养大，而是要把他们培养成成年人。那意味着什么？我们希望培养并发挥孩子的哪些特质？我最近还在 Audible 上听 Eric Reese 的《Incorrigible》，这位作者……

84:44我想书名是《Incorruptible》……

85:22《Incorruptible》，对。

85:24对，他最近那本……[01:25:26 听不清]。

85:27我认为如何建立优秀公司这个问题很重要。对我个人而言，我更着迷的是如何让优秀团队和优秀公司持续发展。看到他如何重新描述、重新思考这个问题，很有意思。我很喜欢书里关于为文化设定指标的一些例子。如果只衡量收入，就会只朝收入努力；但如果有更合适的指标，就能更好地维持自己重视的价值观。我一直在想，怎样把这些想法应用到团队层面，更清楚地描述我们的规范和团队里讨论的许多原则。所以我觉得这是本很值得读的书。

86:16大家听到这里可以去看 Eric Reese 那期节目。他的节目真不错，而且新书《Incorruptible》刚刚出版。

86:25[01:26:25 听不清]。

86:25我记得它好像登上了《纽约时报》畅销书榜，成绩非常好，我很为他高兴。

86:31没错。

86:32下一个问题：最近最喜欢的电影或电视剧是什么？我知道 Anthropic 的很多人没时间看剧，但还是想问问。

86:40上个月休息的时候，我抽空一口气看完了 Amazon Prime 上的《辐射》。你看过吗？

86:56看过，是根据电子游戏改编的。

86:58对，是根据电子游戏改编的。我觉得它很机智、幽默，动作场面也很多，非常推荐。

87:08下一个问题：最近发现了什么特别喜欢的产品吗？

87:12我确实觉得 Claude Tag 作为产品体验很有意思。Anthropic 内部有不同版本，我认为它真的是一个非常、非常、非常强大的工具。

87:29有些人可能会问：“这有什么了不起？”但 Anthropic 的每个人都在夸它，说明它确实有重要之处。我也在尝试把它接入自己的 Slack 社群，那里是付费通讯订阅者的社区。想想就很酷。

87:43是的。

87:43我在琢磨，如果不是一个公司内部的团队，而是一群彼此不认识的人，这个工具还能怎样运作；我们正在尝试。好，接下来还有两个问题。你常常在工作或生活中想起的人生格言是什么？

87:57我人生前十年是由祖父母抚养长大的。我的父母当时是移民，在美国读大学和硕士。

88:08哦，原来如此。

88:08我祖父常说：“无论你走得多远，总还有更高一层。”我觉得这句话很好，也很强烈地体现了他的人生哲学。每当遇到新鲜或前所未有的事情，我都会想起这句话。今年上半年确实有很多新情况，也学到了很多。所以，我会提醒自己：前面总还有一座山、另一个机会。

88:50还不够好，Diane。我们得做得更好、更大。这让我想到 Ben Mann 在节目里说过的另一句话：现在已经是最正常的时候，往后只会越来越奇怪、越来越疯狂。

89:04是啊。

89:05天啊，最后一个问题。我看了你的 LinkedIn，发现你职业生涯早期曾在摩根大通做高收益债券交易员，还管理过一个经过隐去信息的 1 亿美元交易组合。那段经历给你留下了什么、后来一直用得上？或者有什么疯狂故事？那是你人生中的四年。

89:31我从那段经历中学到了很多，后来在 Anthropic 和其他工作中都用得上。在摩根大通时，交易大厅可能会让人想到《华尔街之狼》，但实际情况很不一样。我觉得大多数交易员都坐在终端前，主要用电脑做分析。不过这个行业仍然由男性主导，而我是交易台上唯一的女性，也是唯一拥有我这样背景的人。我学到，首先要建立真实的自我感；其次，即使我是最初级的员工、看起来和别人不同，最重要的仍然是提出最好的想法，并坚信这些想法，不受其他因素影响。（01:30:43）我会把这种态度带到工作中，对团队坦诚、真实。我努力确保不论资历或职位，只要有人有好想法，我们就帮助他们推进；我自己也会这么做：提出想法、坚定相信它、持续跟进，并且做那些让它落地的细致工作。这些都是我从交易工作中学到的，在很多工作中都适用。

91:20说得太好了。听众如果想关注你，可以在哪里找到你？他们又能怎样帮到你？

91:28我在社交媒体上的影响力不大。想了解我和团队的工作，最好的方式是关注 Anthropic 博客，以及我们发布新模型和新产品体验时的消息。对我最有帮助的事，第一就是给我们反馈。你可以在任何产品界面点“赞”或“不喜欢”；也可以联系你的客户经理，反馈模型的问题，这些意见都会传到我这里。每推出一款研究模型，我都会密切了解用户的喜好和反馈。所以请告诉我们使用体验，继续挑战 Claude，指出它在哪些地方表现不好，这能帮助我们改进 Claude。另一种帮忙方式，是推荐你认识的、符合我刚才描述的人选。我正在招聘，团队也在扩大。我们很希望找到真正喜欢这项技术、好奇心强、会用第一性原理思考、敢于质疑假设、喜欢动手折腾和创造工具的人。

92:46哇，这简直是梦想工作。所以 Anthropic 研究团队现在有 PM 职位在招聘？

92:52是的。

92:53我猜他们可以在你们的网站招聘页面申请？

92:56是的。

92:56天啊，好，那就准备迎接即将涌来的简历吧。

93:01谢谢你，Lenny。

93:04Diane，非常感谢你来做客。

93:06非常感谢你邀请我，也感谢你提出这些很有帮助、发人深省的问题，让我进一步梳理了我们的工作方式，以及这项技术如何逐渐汇聚成形。我也为参与其中的人感到自豪。

93:21我真的很感谢你。Diane，再次谢谢你。听众朋友们，再见。感谢大家收听。如果你觉得节目有帮助，可以在 Apple Podcasts、Spotify 或常用的播客应用中订阅。也请考虑给节目评分或留下评论，这能帮助更多听众发现节目。你可以访问 lennyspodcast.com 查看所有往期节目或了解更多信息。下期再见。