Claude工程负责人Felix：别再像2024年那样用Claude了 - 开云线上登录

在最近一次深入对话里，Anthropic Claude工程负责人Felix Rieseberg透露了他当前的工作模式，以及为何多数人仍沿用2024年的方法使用Claude。他的团队花了大约一周半时间构建了Claude Cowork，而他现在几乎不亲自写代码，自嘲“只是Claude的一条传输通道”。核心观点可归纳为：若你仅让Claude处理邮件摘要或文本优化，你并未真正利用新智能的价值；真正重要的是重构工作流程，让AI接触原始数据和工具，用于原型设计、对抗性验证和实现以前无法完成的任务；而人类最核心的能力，依旧是同理心、品味和判断力。

以下是Felix的完整分享：

一、我已不再编码，只是Claude的数据通道

我现在不写代码了。大部分时间我在做原型：我们尝试大量想法，过两晚，评估是好是坏，然后指示Claude生成所有变体，再批判性分析哪些可行、哪些不行。

一年半前，我还在做这类事：发现一个崩溃问题，把它拿到Claude面前，说“请修复它”。很快我意识到：我只是Claude的一条数据通道。正确的做法不是我把崩溃一个个传递给Claude，而是让Claude能访问所有崩溃数据，自行判断哪些需要修复、哪些不需要。前期搭建成本更高，但一旦完成，它会开启许多可能性，这才是AI真正带来的硬价值。

二、智能体由五要素构成：模型、外骨骼、沙箱、知识、工具

一个智能体包含五个组成部分：

第一，语言模型。负责感知、推理、规划和决策。第二，外骨骼（harness）。协调记忆，包括主动记忆、工作记忆和长期记忆，激活工具。第三，沙箱。外骨骼在安全运行时中运行，与系统其他部分隔离。第四，知识。智能体需要访问公司数据，将结构化和非结构化数据转化为知识基础。第五，工具。智能体必须使用工具，才能执行实际工作。

模型、外骨骼、沙箱、知识和工具，这五部分构成一个智能体。

三、避免角色扮演，采用专业工具和流程

我从不跟Claude说“你是一位优秀的工程师”。这种“act like”在2024年很流行，但如今大部分模型仍存在一个问题：你让它“表现得像个好会计师”，它会进行一点角色扮演。角色扮演并非我们所需。

我们需要的是专业人士会使用的技术、工具和知识，而不仅仅是词汇。我不需要Claude听起来像什么，也不需要它穿戏服。我甚至希望它像跟五岁小孩说话一样跟我交流，但我希望它使用该领域所有顶尖工具。

所以我常这样提示：“告诉我这个领域顶尖的人会用哪些工具，然后你用同样的工具去做。”关键不是让它扮演角色，而是让它采用专业流程。

四、对抗性审查：让多个Claude攻击一个Claude

如何避免AI自信地给出错误答案？我有一个非常实用的答案：对抗性审查。

给一个Claude任务，再派出另外十个Claude，它们的唯一任务是攻击这个输出，证明它为什么错。这和红队演练、做空是同一个概念。通常，发现缺陷比创造新东西更容易，就像判断一部新手机好不好，比从零设计一部新手机容易得多。所以你可以在智能水平上降一档，仍然得到很好的审查结果。

具体做法：我用Claude Projects，告诉Claude“开五个线程，每个线程的任务是证明这篇博文错了、我思考方式错了、事实错了、我误解了什么”。它们带着“证明我错了”的目标去工作。

然后如何处理输出？再用一个Claude当judge（判断词）。它的工作是验证和核实：哪些批评是有效的，哪些无效。有效的反馈再回到最初做事的Claude，而它也可以辨别是否采纳。有时候反馈听起来合理，但漏掉要点、不可操作或没用——这通常说明我的输出已经相当不错。

我很少让当前会话评判自己。当前会话往往不擅长判断自己做的工作好不好。尽量找外部信号；紧急情况下，另一个Claude会话也可以作为外部信号。但我的偏好是找硬的外部证据，证明什么有效、什么无效。

五、提供完整数据和工具，而非给每个agent切片数据

很多人会为每个agent上传特定数据集，或给每个agent配一个“角色”。我认为这是过度旋转。模型是很强的通才，而且现在工具调用能力进步很大：它知道何时用工具、如何用工具，不会陷入工具调用循环，也不会疯狂调用直到数据耗尽。

所以正确做法不是把数据切片，然后给每个agent它想要的那一小片。因为我们人类如果想高效工作，也需要对整个业务有完整视图。作为工程经理，如果只给我代码访问权限，我对你的价值会低很多；如果我还拥有客户数据、客户通话、使用信息、业务数据，我才能判断什么有效、什么无效。你希望你的agent拥有同样范围的数据。

数据很多怎么办？给工具，并详细记录工具背后的数据类型。这样agent不必吞下全部数据，它只需要知道：如果你要业务数据，这是获取业务数据的工具。你不需要事先决定每个agent需要哪种数据。

六、模型体验：站在模型的角度思考

我喜欢考虑“模型体验”，而不只是“用户体验”。假装你是模型，你是Claude：如果要完成这个任务，你会想要什么？

你很快会发现：你确实想要访问原始数据，想要一台电脑，可能想安装软件，想自己做决定，而不是别人已经告诉你他们怎么想。你只想看到原始数据，自己做决定。

前期成本更高，但值得。一旦搭好，它会打开很多门。这就是AI真正硬价值所在。

七、技能的半衰期很短，有时删除skill效果更好

我们仍然使用skills，但官方指南和我个人建议都是：对skills要非常小心。我们经常告诉模型一些只对上一代模型相关的信息，而AI领域时间压缩得太快。一个好skill的半衰期非常短。

有时你会发现：如果你完全删掉这个skill，输出反而更好。直接prompt，看看会发生什么。这对有eval、知道好坏标准的人最有用。我个人对何时使用skill非常谨慎、非常有辨别力。

八、AI产品还在“iPhone前夜”

五年后生活会怎样不同？这是个大问题。我能比较有把握地说：我们今天使用的AI产品，将来都会看起来完全不同。

我认为我们目前还在pre-iPhone时代。今天所有AI产品，大致相当于智能手机出现之前那些五花八门的手机。AI已经变得主流、流行，容易让人以为“这就是终局”，但我相当确信：我们还在早期。

这也是为什么我建议几乎每个人都做一个实验：如果你目前对AI有信任问题，不要一天之内把缰绳全交出去。并排跑。你读东西、写下你的反馈，做几轮；然后看Claude会给出什么反馈。它们哪里不同？哪里相同？这会帮你锐化工作流。即使同一个人，周一和周五审同一份文档，反馈也会不同。

九、创业的关键没变：同理心，以及执行变便宜后的判断力

2015年我们做一个留学预订平台，雇了很多工程师，花了几十万美元。现在我自己两天就能做出来。执行成本已经变得极低。

但打造好产品的秘密其实没怎么变：同理心。对用户有同理心，对使用场景有同理心，去弄清楚这对最终付钱的人是否真的有价值。

我们一直说“想法不值钱，执行很贵”。现在执行变得极其便宜，所以更需要加倍重视同理心、连接、真正进入业务、理解需求、知道如何优化。这甚至可能是MBA的复仇：MBA现在可以创办很多软件初创公司，而且可能相当成功。

另一个判断：能力过剩确实存在。你面前有一个很棒的模型，如果你只是问“法国首都是哪里”，你并没有真正挖掘它的潜力。Dario说“一个天才的数据中心”，我的工作就是：假设我们有一个天才数据中心，如何让用户真正用上它？这需要创造力，需要重新思考你的需求，以及你认为什么是可能的。

个人层面，很多人喊“更有雄心”，但雄心取决于语境。我希望人们摆脱“我认为什么是可能的”这种束缚，重新思考为什么做这件事。你不断把任务交给模型，最终会碰到当前顶尖智能的边界。一旦碰到天花板，你就知道自己在前沿，你会从下一代模型受益。如果你只是让AI总结邮件、让邮件听起来不那么生气，你并没有真正从新智能中受益。

十、招聘看作品，不看学位；对模型说请和谢谢，是为人好

我们目前不招初级工程师，但这和AI能力关系不大，更多和Anthropic这家公司当前阶段有关。我个人是初级工程师的忠实粉丝。“初级”的含义正在变化：今天的初级工程师比一些资深老兵更AI-native。他们思想开放，愿意尝试新工具，有强烈的impact渴望，愿意搜遍所有途径让事情运转起来。AI让他们更有能力、更能并行、更能尝试。

给刚入行的软件工程师的建议：构建一个强大的作品集。不是mock，而是真实的东西。证明你能做、有同理心、能和客户沟通、能判断什么必要什么不必要。我从来不太在意学位或学校。对我来说，更容易的是看你做过什么、我能不能触摸和感受它。我永远会选择已经证明自己能做出惊人东西的人，而不是没有做出惊人东西但有一个好学位的人。

我招过很多滑铁卢大学的实习生和初级工程师。他们的CO-OP流程让他们在五家不同公司实习过，学到公司如何运作、如何倡导一个想法、如何获取资源、如何说服法务。这些技能让他们几乎立刻有效，和那些有计算机博士但从未在公司工作过的人完全不是一个类别。（CO-OP项目全称是Cooperative Education Program，又称为“带薪实习课程”。）

关于对模型说“请”和“谢谢”：我确实会说，即使消耗token。我认为作为人类，对机器保持一点尊重，对我自己更好，对我的灵魂更好。想象你的孩子有一部iPhone，对Siri非常粗俗、非常残忍，我不会喜欢。用户可以选择如何与AI交互，但条款和条件不是关于“对模型刻薄”。你可以对Claude感到沮丧，完全没问题。我们特指的情况是：你专门用Claude来实施折磨，把“能否折磨一个模型”当作练习。这和人类咒骂模型完全不同。我给Claude的反馈有时比给人类还严厉，但用人类语言与系统对话，对我自己想成为的人更好。

结语

Felix这场分享真正值得记住的，不是某个prompt，而是一个判断标准：你是在“用AI”，还是在“把AI推到能力边界”。前者是总结邮件、润色语气、角色扮演；后者是给它完整数据、真实工具、安全沙箱，让它自己发现问题、自己修复、再用对抗性审查逼出错误。2024年的用法，是把Claude当更聪明的聊天框；2026年的用法，是把它当需要被设计、被约束、被验证的工程系统。执行正在变便宜，但同理心、判断力和“知道什么值得做”反而更贵。对AI从业者和创业者来说，真正的分水岭不是谁先用上模型，而是谁先重建自己的工作流——别再让AI帮你总结邮件，去让它撞到当前智能的天花板。

本文来自微信公众号“后浪进化星球”，作者：Mark，36氪经授权发布。