Claude工程负责人Felix：别再像2024年那样用Claude了 - mksport

在最近一次深入对话中，Anthropic Claude工程负责人Felix Rieseberg阐述了他当前的工作模式，以及为何多数人仍沿用2024年的方式使用Claude。他的团队耗时约一周半构建了Claude Cowork，而他现在几乎不亲自编写代码，自嘲“只是Claude的一条传送带”。核心观点可总结为：若你仅让Claude总结邮件、润色文本，你并未真正利用新智能的价值；真正有意义的是重塑工作流程，让AI接触原始数据和工具，用于原型制作、对抗性审查，以及完成你以往无法实现的任务；而人类最关键的技能，依旧是同理心、品味和判断力。

以下为Felix的完整分享：

一、我已不再写代码，只是Claude的传送带

我现在不再编写代码。大部分时间，我专注于原型设计：我们尝试众多想法，经过两晚思考，判断其优劣，随后指示Claude生成所有变体，再批判性地分析哪些想法可行、哪些不可行。

一年半前，我仍从事类似工作：发现一个崩溃问题，将其提交给Claude，要求“请修复它”。很快我意识到：我只是Claude的一条传送带。 正确的方法并非我将崩溃逐个搬运给Claude，而是让Claude能访问所有崩溃数据，自行判断哪些需要修复、哪些无需处理。初期搭建成本更高，但一旦完成，它会为你开启许多可能性，这才是AI带来的实质性价值。

二、智能体由五部分构成：模型、外骨骼、沙箱、知识、工具

一个智能体包含五个要素：

第一，语言模型。 负责感知、推理、计划和决策。第二，外骨骼。 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内运行，与系统其他部分隔离。第四，知识。 智能体需访问公司数据，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，这五部分共同构成一个智能体。

三、避免角色扮演，采用专业工具和流程

我从不告诉Claude“你是一位优秀的工程师”。这种“act like”在2024年很普遍，但如今多数模型仍存在一个问题：你让它“表现得像个好会计师”，它会进行一定程度的角色扮演。 角色扮演并非我们所需。

我们追求的是专业人士所使用的技术、工具和知识，而非仅仅是术语。 我不需要Claude听起来像什么，也不需要它模仿特定风格。我甚至希望它像对五岁孩子说话一样与我交流，但我期望它运用该领域的所有顶尖工具。

因此，我常这样提示：“告诉我这个领域顶尖人士会用哪些工具，然后你使用同样的工具去执行。” 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方法：对抗性审查。

给一个Claude分配任务，再派出另外十个Claude，它们的唯一任务是攻击这个输出，证明它为何错误。这与红队演练、做空是同一概念。通常，发现缺陷比创造新事物更容易，就像判断一部新手机好坏，比从零设计一部新手机简单得多。因此，你可以在智能水平上降低一档，仍能获得良好的审查结果。

具体做法：我使用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误、我思考方式错误、事实错误、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作为判断者。 它的工作是验证和核实：哪些批评有效，哪些无效。有效反馈再返回给最初做事的Claude，而它也能辨别是否采纳。有时反馈听起来合理，但遗漏要点、不可操作或无用——这通常表明我的输出已相当不错。

我很少让当前会话评判自己。当前会话往往不擅长判断自身工作的好坏。 尽量寻找外部信号；紧急情况下，另一个Claude会话也可作为外部信号。但我的偏好是寻找硬的外部证据，证明什么有效、什么无效。

五、提供完整数据和工具，而非为每个智能体切片数据

许多人会为每个智能体上传特定数据集，或为每个智能体分配一个“角色”。我认为这过度复杂。模型是强大的通才，且现在工具调用能力显著提升：它知道何时使用工具、如何使用工具，不会陷入工具调用循环，也不会疯狂调用直至数据耗尽。

因此，正确做法不是将数据切片，然后为每个智能体提供它想要的那一小部分。因为我们人类若想高效工作，也需要对整个业务有完整视图。作为工程经理，如果仅给我代码访问权限，我对你的价值会大幅降低；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。你希望你的智能体拥有同样范围的数据。

数据量很大怎么办？提供工具，并详细记录工具背后的数据类型。 这样智能体无需吞下全部数据，它只需知道：若需业务数据，这是获取业务数据的工具。你无需事先决定每个智能体需要哪种数据。

六、模型体验：站在模型角度思考

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

你会很快发现：你确实需要访问原始数据，需要一台电脑，可能想安装软件，想自己做决定，而非他人已告诉你他们的想法。你只想看到原始数据，自己做决定。

前期成本更高，但值得。 一旦搭建完成，它会开启许多可能性。这就是AI真正硬价值所在。

七、技能半衰期很短，有时删除技能效果更好

我们仍在使用技能，但官方指南和我个人建议都是：对技能要非常谨慎。 我们常告诉模型一些仅与上一代模型相关的信息，而AI领域时间压缩太快。一个好技能的半衰期非常短。

有时你会发现：若完全删除这个技能，输出反而更好。 直接提示，观察会发生什么。这对有评估标准、知道好坏标准的人最有用。我个人对何时使用技能非常谨慎、非常有辨别力。

八、AI产品仍在“iPhone前夜”

五年后生活会怎样不同？这是一个大问题。我能比较有把握地说：我们今天使用的AI产品，未来都会看起来完全不同。

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

这也是为何我建议几乎每个人都做一个实验：若你目前对AI有信任问题，不要一天之内完全放手。并排运行。 你阅读内容、写下反馈，进行几轮；然后观察Claude会给出什么反馈。它们哪里不同？哪里相同？这会帮你优化工作流。即使同一个人，周一和周五审同一份文档，反馈也会不同。

九、创业关键未变：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，雇佣了许多工程师，花费了几十万美元。现在我自己两天就能完成。执行成本已变得极低。

但打造好产品的秘诀其实没怎么变：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现在可以创办许多软件初创公司，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，若你只是问“法国首都是哪里”，你并未真正挖掘它的潜力。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。 若你只是让AI总结邮件、让邮件听起来不那么生气，你并未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。 不是模拟，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。

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，不是某个提示词，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。

在MKSPORTS看来，这种工作流的重塑正是未来竞争的关键。