在 Anthropic，当工程师学会与 Claude 共事之后

—— Anthropic发布的《How AI is transforming work at Anthropic 》中关于个人效率、能力边界、学习成长与职业意义的深度叙事分析

2025 年11月，Anthropic发布了《How AI is transforming work at Anthropic 》研究报告，他们花了半年时间，做了一件少见的事：把自家工程师当成研究对象。 132 名工程师、53 场深访、20 万条 Claude Code 会话记录，一切只为回答一个最现实的问题——

AI 到底如何改变一个人的工作？它让我们变得更强，还是更迷茫？

数据诚实而充满张力：

• 约 60% 的工程任务已有 Claude 参与，比去年几乎翻倍；
• 平均自评 生产力 +50%；
• 大约 27% 的 Claude 支持任务属于“原本不会做的新增工作”；
• 同时，大量工程师表达了对未来技能退化与职业意义感的担忧。

下面，我们从四个个人视角的“角色故事”出发，看看 Anthropic 的实践对每一个知识工作者意味着什么。

效率升级：当“时间被重新安排”后，人开始把精力用在真正重要的地方

故事：一个工程师从“拆炸弹”到“半天完成一天的活”

Marcus 是 Anthropic 的一名后端工程师。 他维护一个“历史欠债很重”的服务：文档缺失、函数链条绕得像迷宫，任何改动都让他心跳加速。

过去，一次排查就得像拆炸弹一样：

• 反复查log
• 一行行读调用链
• 猜测错误产生的位置
• 试错、回滚、继续试错

直到有一天，他把异常堆栈、关键代码片段丢给 Claude。

Claude 先解释调用链，再给出三种可能原因，附带一个“最省事的修复顺序”。Marcus 做的事情变成：

1. 选择最合理的路径；
2. 让 Claude 生成重构步骤和测试骨架；
3. 自己只修改关键边界条件。

这次，他只花了半天。剩余的时间，他终于能和 PM 讨论新功能——这是以前他一直没有余力做的事情。

抽象：效率并不是“做同样的事更快”，而是“让你能做更重要的事”

Anthropic 的数据指出：

• Debug 与代码理解是每日最高频的 Claude 使用场景；
• 工程师报告“每个任务节省一点时间，但总体产出显著扩大”。

关键原因在于两点：

1. AI 接手了易验证、重复性的部分，降低了“启动成本”；
2. 人可以把时间投入到分析、决策、权衡与设计这些真正创造价值的环节。

这是效率的质变，而不是量变。

个人启示：如果你把 AI 只当“生成代码的工具”，那你只用到了十分之一的价值

可立即采用的行动建议：

• 让 AI 处理“能被验证”的部分：日志分析、结构化重写、样板代码、测试骨架、文档框架。

• 把“注意力资源”保留下来做：

  • 需求取舍
  • 架构决策
  • 代码评审
  • 跨团队对齐
  • 关键路径设计

换句话说： 你真正创造价值的地方，从来不是“敲键盘”，而是“决定敲什么”。

能力边界升级：当跨栈不再困难，每个人都成为“端到端问题解决者”

故事：安全工程师做出了自己人生的第一个前端 Dashboard

Lisa 是 Anthropic 安全团队的一员。 她的强项是威胁建模、代码审计，但几乎不碰前端。

有一天，她需要一个实时风险 Dashboard。以前的流程是：

• 找前端工程师排期
• 等几天或几周
• 拿到一个 MVP，再反复修订

现在，她把接口返回数据给 Claude，并要求：

“用最基础的 HTML + JS 做一个可过滤、可视化的风险图表。”

Claude 用几十秒生成了一个完整页面：图表、筛选器、交互都在。 Lisa 对视觉做了几处调整后，整个工具就上线了。

回头看，她意识到：

“我第一次感觉自己能把一个完整问题从头做到尾，而不是卡在技能边界上。”

抽象：AI 把“不会”变成“我可以尝试”，把“尝试”变成“我可以交付”

Anthropic 报告的核心洞察之一是：

Everyone is becoming more full-stack.

表现为：

• 安全部门做代码导航；
• 研究人员做前端可视化；
• 后端工程师做数据分析；
• 非工程师做轻量脚本工具。

这种跨界不是替代原有岗位，而是：

1. 缩小从 idea 到 MVP 的距离；
2. 让每个人都能更端到端地理解问题本质；
3. 增强个人对产品、系统和业务的关联理解力。

未来最值钱的能力，不是技术栈，而是“AI 放大你跨域能力的速度”

在个人日常任务中，引入AI，比如编码，可立即开始的练习：

• 用 AI 做一个你“不熟悉”的小任务：

  • 前端组件
  • 数据分析
  • DevOps 脚本

• 观察你如何判断 Claude 的输出可不可靠。

• 再把这些能力迁移到你的主职工作中。

你的职业标签，不再是“前端 / 后端 / 数据 / 安全”，而是：

能否独立把问题完成闭环的人。

学习方式升级：AI 是加速器，但也可能悄悄削弱理解力

故事：新工程师“学得更快，却理解得更少”

新入职的工程师 Alex 要熟悉一个大型服务网格系统。 有 Claude 做向导，他一周就能写出看似成熟的代码。

但三个月后，他发现：

• 他能“写”，但不能“解释为什么”；
• Claude 知道的比他多；
• 代码能跑，但他无法回答“服务之间为什么要这么通信”。

这就是工程师口中的“监督悖论”：

要有效使用 AI，你必须有能力监督它； 但如果你把所有实现都交给 AI，你的监督能力会下降。

Anthropic 报告中大量工程师都意识到这个问题，并主动采取措施应对。

AI 加速“操作层学习”，但会稀释“结构性理解”

两种学习速度同时存在：

• 快学会怎么做（procedural）：AI 给你范例、给你步骤；
• 慢学会为什么（conceptual）：这需要你主动深入结构、权衡、取舍。

AI 没有恶意，但它容易让你觉得：

• “我好像会了”，
• 实际上你只掌握了表层。

真正的成长来自“与 AI 对话”，而不是“让 AI 替你做”

1. 保持“遇到问题，先想一版 / 先写一版”的习惯： AI 负责提出另一种方案，你负责从对比中提炼结构。

2. 定期做“无 AI 训练”： 就像练习基本功，让你的判断力、抽象力不生锈。

3. 让 AI 做你的老师，而不是代工者：

   • 请 Claude 解释 trade-offs；
   • 请它列出三种架构会导致什么隐患；
   • 请它做你的代码审查伙伴，让你主动阐述“我为什么这样写”。

总结一句话：

学习被 AI 加速，但理解必须靠你自己才能建立持久成长。

意义感与职业认同：在“兴奋”与“不安”之间找到新的定位

故事：有人觉得自己变成“AI 团队的指挥官”，有人觉得自己“不再写真正的代码”

同样的数据，带来不同的情绪：

• 有的工程师说：

  “我感觉像是在管理一个小型 AI 工程团队，我的产出翻倍了。”

• 有的工程师却说：

  “我喜欢写代码本身，现在每天都在 Review Claude，我有点不知道自己是谁了。”

还有一些人问得更尖锐：

“如果 AI 一直进步，我真正独特的价值在哪里？”

Anthropic 的研究没有给简单答案，但为我们揭示了一种趋势：

职业认同正在从“手艺人”转向“系统设计者、监督者、协调者”。

#个人价值正在从“做任务”转向“指挥任务的完成方式”

AI 在不断吞噬“操作性技能”：

• 写代码
• 找 bug
• 生成测试
• 生成文档

但有几个领域，它短期无法替代：

1. 理解团队、业务、组织目标之间的复杂关系
2. 判断取舍（trade-off）与系统性影响
3. 把多角色协作编织成一个可落地的解决方案
4. 为他人做解释、做引导、做沟通

这些部分，恰恰是人类最不容易被替代的区域，也是未来最值钱的能力。

你的价值不是“写多少代码”，而是“让多少代码写得更好、更快、更安全”

问自己三个问题：

1. 我是否懂得如何让 AI 在团队中发挥更大作用？
2. 我是否能解释“为什么这样做比那样做更好”？
3. 我是否在从“执行者”迈向“设计者 / 协作者 / 决策者”的位置？

如果答案开始变成“是”，你的职业已经在升级。

一份 Anthropic 式的个人成长与升级路线图

把前面的四个故事贯穿起来，我们可以得到一份“AI 时代的个人成长模型”：

1. 效率升级：先把精力从“最低价值区”抽出来

AI 做：重复、可验证、枯燥的部分 你做：思考、分析、权衡、解释

2. 能力边界升级：跨栈跨域成为新常态

AI 降低工具门槛 你利用“更低的门槛”成为端到端的问题解决者

3. 学习升级：把 AI 当陪练，而不是代练

用 AI 加速 靠自己理解 用对比构建判断力

4. 意义感升级：职业价值迁移到“编排人机协作”

AI 是执行者 你是 orchestrator（协作者、监督者、设计者）

一句话总结

在 Anthropic的报告中，我们看到了一个企业组织中的优秀个体，如何与AI系统成为更优秀的人，真正成长最快的人，不是写代码最快的人，而是最先学会“重新定位人与 AI 分工关系”的人。

点此登记信息加入哈希泰格社群，与产业开发者一起分享400+AI应用,1500+场景用例研究报告