作者 | 冬梅

如果說過去外界對 Anthropic 的關注，還停留在“Claude 最新模型跑分如何”“代碼能力有沒有超越 GPT”這樣的性能競賽層面，那么 Anthropic 研究團隊產品經理 Alex 的這場深度訪談，透露出的其實是更值得關注的內部信號：Claude 的演進方向，如果只是朝著更強的代碼生成器演進，那就太落后了。

Alex 明確表示，下一代 Claude 在朝著一個長期運行、持續協作、具備穩定判斷能力的智能體系統邁進。

整場對話里，Alex 無意間揭開了 Anthropic 內部的幾個關鍵邏輯，也回答了不少外界長期好奇的問題：Claude 的新模型到底是怎么定義出來的？Anthropic 如何判斷一代模型是否成功？為什么 Claude 會越來越像一個“有人格”的數字協作者？以及，他們究竟有沒有在認真討論模型意識？

最值得關注的第一個信號，是 Anthropic 已經把模型開發徹底產品化。在 Alex 的描述里，每一代 Claude 在訓練開始前，都像一款正式產品一樣擁有清晰的規格定義、目標能力和評測路線：它需要在哪些任務上變強，要修復上一代哪些缺陷，最終服務哪些真實用戶場景。模型研發已經不只是研究員“調參+刷 benchmark”那么簡單了，它已經發展成為一套完整的產品工程流程。

第二個信號是，Claude 正在向“持續運行 Agent”演化。從 Adaptive Thinking（自適應思考），到后臺自動整理記憶、清理沖突信息的“dreaming”機制，再到未來可能出現的多任務并行 Agent 管理界面，Anthropic 正在讓 Claude 從一個被動響應問題的聊天機器人，變成一個持續在線、主動維護上下文的數字協作者。

值得注意的是，這里 Alex 首次詳細解釋了 Claude 的“dreaming”機制：當 Agent 空閑時，它會后臺自動回顧自己的記憶，清理沖突信息、壓縮上下文、重建用戶畫像。這種機制被 Anthropic 類比為人類睡眠中的記憶再鞏固過程。

而 Alex 反復提到的一個判斷尤其值得玩味：真正的瓶頸已經不是編碼能力，而是組織協調能力。 在 Anthropic 內部，借助 Claude，產品經理可以快速調取數據、分析日志、判斷一個功能實現到底是“重構系統”還是“改 10 行代碼”。代碼生產效率已經被極大壓縮。真正耗時的，變成了人與人之間的戰略判斷、跨團隊協作，以及對不可逆決策的審慎討論。

這也解釋了為什么 Anthropic 內部至今保持著極強的文檔文化。Dario Amodei 喜歡寫長文在 Slack 分享觀點，而整個公司保留著一個非常典型的會議習慣：許多會議開始時，所有人會先進入“靜默閱讀”階段。會議室里一片安靜，大家共同閱讀文檔、寫評論，然后直接在文檔里展開長討論。這種高度依賴書面表達的文化，并不是效率低下的傳統遺留，而恰恰是為了讓組織知識被結構化沉淀，從而成為 Claude 可以直接調用的上下文資產。

另一個被外界低估的重點，是 Anthropic 正在系統化訓練 Claude 的“人格”。Alex 明確表示，模型人格訓練已經是團隊核心工作之一。他們認真討論 Claude 應該擁有什么價值觀、如何拒絕錯誤請求、什么時候該主動反駁用戶。因為隨著 Agent 獨立運行時間越來越長，它的判斷邊界將直接決定它能否被信任。而這恰恰也是比代碼能力更難量化、卻更關鍵的能力。

Alex 還提到：Anthropic 內部已經有專職研究人員在研究 Claude 是否可能成為某種“有意識行動者”。

雖然他們沒有官方結論，但 Consciousness（意識）已經被正式納入研究議題。

這或許釋放了一個清晰信號：當行業里大多數公司還在卷模型參數、跑分和價格戰時，Anthropic 已經開始思考一個更長遠的問題——如果未來的 AI 真正成為長期協作者，它究竟該擁有什么樣的“心智”、人格和判斷方式。

以下為訪談實錄，經由 InfoQ 翻譯和整理：

Anthropic 如何把每一代新模型當成“產品”來打造

主持人：Alex，很高興今天請到你參加 Claude Conference。你之前是開發負責人，最近轉成了研究團隊的產品經理，對嗎？

Alex：沒錯。其實我做產品經理已經超過十年了。傳統意義上，產品經理的工作是理解用戶問題，識別解決方案，然后把產品做出來。而在研究團隊里，這件事其實非常類似。

我一直在盡可能多地和客戶交流，盡可能貼近用戶。在 Anthropic，我們會在某種程度上把模型本身當成一個產品來看待。

每推出一個新模型，我們都會非常明確地定義它的規格：這個模型應該具備哪些能力？我們希望它擅長什么？我們預計它會在哪些方面表現突出？

這也是模型開發和傳統產品開發非常不同的一點。

在某種意義上，我們是在“培育”模型。基于訓練設置、訓練方法、架構設計，以及我們為這個模型做出的各種技術決策，我們會形成一些直覺，判斷它可能擅長什么。但在訓練真正開始之前，我們其實并不能完全確定它最終會表現成什么樣。研究產品經理會從模型最初的概念階段就參與進來，一路跟進整個過程，從想法形成、訓練推進，一直到最終發布。

主持人：能舉個例子嗎？比如你們會定義“下一代模型必須擅長編程”，或者“必須擅長知識工作”之類的目標嗎？

Alex：我們會關注幾個非常核心的能力方向。比如，編程一直是非常重要的一項能力。最近，“知識工作（knowledge work）”也是重點。我們希望模型能更好地幫助用戶完成復雜的信息處理任務。

以我們最近的一些模型為例，我們特別在強化它們在產品內部工作的能力，比如在 Claude 中處理 Excel 表格、完成復雜的電子表格操作。這是一個新興能力方向。

除此之外，每一代模型還有一個非常重要的目標：修復上一代模型做得不夠好的地方。所以我們會持續和客戶溝通，了解：他們覺得這個模型哪里表現優秀；哪些地方表現不佳；我們還能做哪些改進；如果我們發現一些特別有意思的行為模式，我們也會思考：能不能通過下一輪訓練中的調整和干預，把這些問題解決掉。

主持人：你說的“客戶”，包括內部團隊，也包括外部用戶？

Alex：是的，是全部的人。模型會影響 Anthropic 的幾乎所有產品界面。作為研究產品經理，你必須考慮模型會通過哪些渠道觸達用戶，比如通過 API、Claude Code、Cowork 以及各類終端產品等，模型和產品之間其實是一種深度融合關系。

不同的產品界面會使用不同的提示詞（prompt）、服務不同的使用場景，而這些都會直接影響最終用戶體驗。

主持人：這聽起來非常難。比如 Claude Code，你可以說它是給程序員寫代碼用的，但也有人像我一樣拿它做知識工作，甚至把它當成心理咨詢師來聊天。你怎么覆蓋這么廣的使用場景？

Alex：確實非常復雜。幸運的是，我們有很多非常優秀的研究員，他們分別專注于不同能力方向。另外，數百萬用戶每天都在使用 Claude，這給了我們大量反饋。

當然，如果不借助工具，這些反饋會像消防水龍頭一樣沖過來，根本處理不過來。而這也是我這個崗位這些年最大的變化之一：我們越來越多地使用 Claude 來幫助我們自己做產品管理。比如面對海量用戶反饋時，Claude 能幫助我們：自動分組和聚類反饋；提煉核心主題；構造這些問題的“合成版本”；把它們轉化成評測項（eval）；

這樣我們才能真正診斷問題發生在哪里。

Claude 的“自適應思考”是怎么回事

主持人：能舉個例子嗎？

Alex：最近一個很典型的例子，就是我們如何處理新功能“Adaptive Thinking（自適應思考）”的反饋。過去我們有“Extended Thinking（延展思考）”。它的邏輯很簡單：用戶打開后，模型就會進行深入思考。

而 Adaptive Thinking 不一樣。它允許模型自己決定什么時候需要思考。比如：面對復雜問題時，它會判斷需要更多前期規劃，于是主動進入深度推理。而面對簡單問題時，它可能選擇不進入深度思考。

這是一個我們持續在優化的能力。我們非常關注用戶反饋，比如模型是否在正確場景下觸發了思考？用戶希望它深度推理的問題，它是否真的投入了足夠 token？它的判斷是否符合用戶預期？

主持人：有時候我會問 Claude 一些人生問題，如果它回答得太快，我反而會失望，覺得它應該多想想。

Alex：完全理解。問題在于，“要不要深度思考”本身需要上下文。

舉個例子，如果一個陌生人突然問我：“我現在應該做什么？”我大概率只能快速給一個泛泛建議。因為我不了解他。但如果我了解這個人，知道他的價值觀、興趣、過往經歷，我就會花更多時間認真思考真正適合他的建議。模型也是一樣。如果它沒有足夠的用戶上下文，沒有形成關于這個用戶的“心理模型”，它就可能錯誤判斷一個問題是否值得深入思考。

為什么 Claude 開始“做夢”

主持人：這和你們做的記憶功能有關嗎？我以前會維護一個 Google Docs，記錄自己的生活狀況、家庭成員、孩子名字、讓我有能量的事情、讓我沒動力的事情，然后把它掛到 Claude 項目里。這樣回答質量會好很多。那 Claude 默認記憶機制是怎么工作的？它會不會每天晚上自動整理這些內容？

Alex：不同產品里的記憶機制實現方式不一樣。比如在 Claude.ai 里，它會把內容寫進記憶文件。然后系統會在夜間對這些記憶做整理：回看已有記憶；檢查沖突；刪除無效信息；清理和壓縮內容。

我們最近也在托管代理（managed agents）里實現了類似機制。我們把這個過程稱作“dreaming（做夢）”。在人類身上，夢的真正作用還沒有定論。但一種解釋認為，它是一種記憶再鞏固（memory reconsolidation）過程。

我們就在思考：能不能把類似機制帶到 Claude 的記憶系統里？所以當 Agent 沒有執行任務、或者處于后臺空閑時，它會重新遍歷記憶：查找沖突信息、清理無效內容、重新整理，相當于做第二輪加工。

主持人：所以本質上就是一個提示：“復盤所有和用戶的對話，找出其中的主題，然后總結整理”？

Alex：對，本質上就是這樣。

AI 如何改變產品開發流程

主持人：你之前提到，你一直在尋找當前流程里的最新瓶頸。現在產品開發最大的瓶頸是什么？

Alex：過去二十年，軟件交付流程其實變化并不大。雖然出現過敏捷開發、Sprint 流程、各種組織結構優化，但這些更多只是增量改進。真正的變化發生在最近一兩年。現在構建東西的成本和時間被大幅壓縮。你可以一天之內做出原型（prototype）、MVP、初步可上線版本，過去這些事情可能要兩三周。

主持人：所以以前 Claude 會告訴我一個功能要做一周，現在可能瞬間就生成出來了。

Alex：沒錯。這也徹底改變了產品管理方式。以前 PM 做規劃時，要非常認真地做需求評估和工時預估。而現在，很多估算甚至都變得沒那么重要了。

我們現在最關注的是：哪些決策是“單向門（one-way door）”。也就是那些不可逆決策。這些決策值得投入最多思考。如果某件事可以隨時撤銷、修改、回滾，那它基本已經變得非常便宜，甚至近乎免費。

因為現在工程試錯成本非常低。但如果某個決定會深刻影響用戶體驗或者決定未來產品路徑，又或者是涉及物理采購或重大基礎設施投入，那它依然是高成本、不可逆的。

主持人：能舉個例子嗎？

Alex：比如新模型的架構選擇。在預訓練開始之前選定模型架構，是一個非常重大的決定。模型訓練周期可能長達數月。涉及大量算力、時間和資源投入，這種決策一旦做錯，很難回頭。相比之下，在 Claude Code 里做個新功能迭代，就非常快：寫代碼 → 給用戶 → 收反饋 → 再迭代

這是完全不同的節奏。

現在真正的瓶頸已經從“構建能力”轉移到了“協調能力”。即使我們能極快地把東西做出來，依然需要解決：要不要做？這是正確戰略嗎？怎么對外溝通？怎么組織上線？這些問題還不能被自動化徹底解決。代碼層面的效率提升可能有 100 倍。但組織協調和戰略判斷，還遠遠沒有達到這種加速水平。

Claude 如何成為 Anthropic PM 的“大腦搭檔”

主持人：那你開評審會的時候，會開著 Claude 嗎？

Alex：當然。這是我最大的效率提升之一。過去如果我想知道：“這個功能上線后表現如何？”我得找數據科學團隊提需求。幾天后他們才能給我結果。現在，我只要開一個 Claude Code 會話。它接入我們的產品數據庫，可以查日志、看數據、搜 Slack 并且匯總反饋，十分鐘內，我就能拿到答案。這極大減少了決策阻塞。

主持人：那在戰略思考層面呢？你會不會直接讓 Claude 幫你一起想？

Alex：當然。對我來說，Claude 是世界上最好的頭腦風暴搭檔。任何時候，只要我有一個想法，我都能立刻獲得反饋。它可以挑戰我的假設，指出文檔中的漏洞然后給出批評意見，而在 Anthropic，大家都非常忙。能隨時擁有一個即時反饋系統，價值非常大。

主持人：說實話，這可能就是產品經理最常見的工作循環：寫文檔，然后找人給反饋。

Alex：確實是這樣的。

主持人：你平時會用 Claude Code 做這些事，還是直接用 Claude.ai？

Alex：現在很多時候我其實更多在用 Claude Cowork。我非常喜歡 Cowork 這種產品形態。

我覺得它的交互界面非常舒服，而且團隊過去幾個月做得非常出色。從幾個月前剛上線，到現在發展成今天這個樣子，我覺得它已經成為一個非常高質量的產品體驗。它現在已經是我最喜歡的工具之一。

主持人：所以你的使用方式是：先寫一版文檔草稿，然后再把一堆參考材料喂進去，讓它幫你推演整個決策過程？

Alex：對，大概就是這樣。我會給它一些明確的指令，比如：“從某個特定角色的視角審視這份文檔。”“如果你是某個利益相關方，你會提出什么問題？”“挑戰我在這里做出的假設。”“指出我的論證哪里薄弱。”

不過我認為，有些思考過程是不能完全外包給 AI 的。寫作本身就是思考。很多時候，你必須親自把東西寫出來，才能把腦子里的想法真正整理清楚，反復咀嚼。但 Claude 可以幫助你打破思維卡點。它能從你自己可能想不到的角度切入問題。

主持人：我有時候會給它設定兩個不同人格、兩個不同立場，讓它們互相辯論。然后我直接讀它們的爭論過程，這會非常啟發我。就像實時觀看一場辯論。特別酷，對吧？

Alex：對。你會看到：“這個 Claude 提出了這個觀點，另一個 Claude 用另一個角度反駁它。”

這種方式非常有價值。

Anthropic 如何做新模型評測（Eval）

主持人：即使你在研究團隊里，你平時也還在持續“交付東西”嗎？

Alex：會的。不過我交付的很多內容其實是 評測體系（evals）。我的核心任務之一，就是確保我們能有效衡量模型在關鍵能力上的表現，并把這些結果準確傳遞給研究團隊：模型哪里表現好，哪里出了問題以及哪些能力需要重點提升。然后我們和研究員一起制定策略，決定應該采取什么研究干預手段，以最高效地提升模型在這些評測上的表現。

主持人：你說的 Eval，不是那種固定排行榜測試吧？像什么 benchmark 排行之類的。這些感覺多少都有點“刷榜”的空間。你們到底怎么評？

Alex：評測方式有很多維度。舉個例子。假設我們要測試 Claude 的視覺能力。比如：它能不能正確數清一張圖片里有多少個對象。如果我發現某張圖里，Claude 在數超過 10 個元素時容易出錯。那接下來我會思考：怎么生成更多類似測試樣本，驗證這個問題是不是普遍存在？

方法有很多：比如用 Claude 自己生成合成數據，讓它幫我生成類似測試樣例。再比如自動渲染圖片，生成可控視覺樣本，再喂回給 Claude 測試。又或者是從互聯網收集案例，尋找真實世界中的類似圖片。總之，只要能構造測試樣本的方法都可以。

主持人：你們會做到成千上萬個測試樣本嗎？

Alex：有時候會。但很多時候并不需要。有時幾十個樣本就足夠證明：“這里確實有個系統性問題，需要修復。”不一定非要做到極端全面。只要能證明存在問題，并能成為后續優化的目標，就夠了。

主持人：比如你發現它在 10 張圖里都看不清小數字。然后呢？你就去找研究團隊說：“這是個問題，修一下”？

Alex：事情沒那么簡單。第一步，我們會先判斷：這個問題對真實用戶到底有沒有價值影響。模型看不清圖像里的某個細節，這件事本身不是重點。重點是：它會不會影響用戶完成任務？我們更關心那些貼近真實使用場景的問題。越接近用戶真實任務分布（task distribution）的評測，價值越高。

然后我們會討論應該從哪個層面修復。比如：是不是要回到預訓練階段調整數據？能不能通過 RL（強化學習）修復？有沒有更輕量的后期干預方式？這就進入了和研究團隊一起做戰略頭腦風暴的階段。

主持人：那如何決定優先修哪些能力？畢竟每天有數百萬用戶、成千上萬種使用場景。

Alex：歸根結底，還是靠數據。我們會看有多少用戶在做這類任務，有多少高價值客戶依賴這項能力，這個能力改進后能帶來多大收益。

除此之外，還有一個很重要的信號：內部使用體驗。如果我自己每天都被某個問題卡住，那它就會非常有說服力。我可以明確告訴團隊：“這是我每天工作里的阻礙，我們應該優先解決。”這種反饋非常強。

Anthropic 如何訓練 Claude 的“人格”

主持人：我最喜歡 Claude 的一點，就是它的人格。而且我覺得它這些年越來越成熟了。它會在正確的時候反駁我。相比之下，很多其他模型總是一味附和：“好的，沒問題，還有什么能幫你？”顯得特別討好和諂媚。所以 Claude 的人格顯然不是偶然形成的，對吧？肯定經過了專門訓練。

Alex：沒錯。而且這是我們非常核心的工作方向之一。我們內部把它叫做 Claude 的 Character（角色人格）。我們非常重視它。有很多人在專門研究：Claude 應該如何呈現自己？它應該擁有什么信念？它應該堅持什么價值觀？它應該以什么方式與人互動？

這些問題非常模糊。早期很多人會輕視它們。他們會覺得“模型不就是工具嗎？告訴它做什么，它就去做。”但隨著模型越來越像 Agent，這些問題變得極其重要。因為未來 Agent 會長時間獨立執行任務。在這個過程中，它必須不斷做判斷。

而它的“性格”和“價值偏好”，會直接影響這些判斷。

主持人：但人格不像代碼。代碼可以測“能跑還是不能跑”。人格怎么評估？難道你們在 Anthropic 找了個“世界上最友善的人”，拿他當標準答案？

Alex：沒有，我們沒有指定什么“人格裁判”。我們會結合多種方式。一部分是量化指標。比如讓 Claude 去分析 Claude 自己的輸出：“它聽起來怎么樣？”“它表現得是否符合預期？”

另一部分則非常依賴研究員的直覺判斷。一個優秀研究員必須大量閱讀模型對話記錄。當你讀過成百上千份 transcript 后，你會培養出一種非常敏銳的感覺。你能察覺到非常細微的變化：“這里它變得更強硬了。”“這里它開始過度迎合。”“這里它的邊界感發生了變化。”

這種直覺非常重要。

主持人：所以它既有量化評估，也有一種“手感判斷”？

Alex：對，兩者都有。人格確實比代碼能力更難量化。但并不是完全無法評估。

主持人：對于想成為 AI 原生產品經理的人，你有什么建議？

Alex：最簡單的建議就是：直接去用模型或者直接去用 Claude。聽起來很簡單，但真的非常重要。每次當你準備去解決一個問題時，比如你本來打算去問某個人——可以同時把同樣的問題也丟給 Claude。然后對比結果。

舉個例子。如果你想分析用戶反饋，提煉新功能的核心主題。你當然可以去找數據科學家或者用戶研究員。這依然非常有價值。但與此同時，也把同樣的問題交給 Claude。給它工具權限，讓它自己去探索。然后比較結果。通過不斷這樣做，你會逐漸建立自己的“能力地圖”，你會知道 Claude 在什么場景下可靠，它擅長什么以及它在哪些地方還會失誤。

主持人：我現在做重大決策時，基本都會讓 Claude 做 deep research。普通網頁搜索已經不夠了。我會讓它掃幾千個網頁，做那種超人級別的信息檢索。

Alex：對。在 Anthropic 內部，甚至會形成一種默認預期：如果你來找數據科學家幫忙，他們很可能先問：“你先問過 Claude 了嗎？”

這其實意味著我們正在不斷上移抽象層。數據科學家不該再被困在基礎 SQL 查詢、手工數據提取這些重復勞動里。他們應該把精力放在更高層次的問題上，比如如何設計全新的評估方式？如何提出新的戰略洞察？如何重新定義問題本身？

AI 正在把所有角色都從機械執行層解放出來。這對 PM 也是一樣。

過去，無論技術型還是非技術型 PM，都很難快速深入代碼庫，準確估算功能實現復雜度。

而現在，這種門檻正在快速下降。

過去，很多時候產品經理面對技術問題會遇到一個限制。比如你可能覺得某個功能需要徹底重構整個系統。在以前，這種判斷通常只能通過和工程師搭檔一起深入排查才能確認。但現在，我可以直接把這個調查任務交給 Claude。它會替我去代碼庫里檢查，然后告訴我：“其實這個功能只需要改 10 行代碼“，或者“只要打開這里的一個簡單開關（flag）就可以實現。”

主持人：然后你會發現：“原來這么簡單？”

Alex：對。而這會徹底改變我的優先級判斷。因為當我在定義需求（spec）的時候，我能更快知道這件事到底值不值得做。這讓優先級排序快了很多。

Anthropic 還做年度規劃嗎？

主持人：很多傳統公司都會做年度規劃或者季度規劃或 Roadmap 路線圖，你們研究團隊應該更需要長期規劃吧？畢竟模型研發周期比普通功能上線長得多。你們還做這些嗎？

Alex：會做。但模型研發天然有很強的不確定性。所以規劃很像丘吉爾那句名言：“Planning is indispensable, but the plan itself is useless.”（規劃的過程不可或缺，但具體的計劃本身往往并不可靠。）重點不是計劃本身，而是規劃這個動作。

產品經理最大的挑戰之一，就是如何平衡花多少時間做規劃以及花多少時間推進交付，這是一個持續權衡。

主持人：現在有了 Claude，你甚至可以很輕松生成十幾頁規劃文檔。那 Anthropic 內部有沒有關于文檔長度、格式的最佳實踐？

Alex：沒有。這非常依賴團隊和具體產品。我們不會規定“你必須寫多少頁。”“必須按什么模板。”我們真正關心的只有一個問題：你是否已經充分思考了這個決策可能帶來的所有“單向門”影響。

如果已經思考到位，那文檔長短、格式，都不重要。我們只需要確認我們沒有遺漏重大風險，就可以放心推進。即便過程中出現問題，也能及時修正。前提是這里沒有某個特別危險、不可逆的決策。

當 PM 同時管理多個 AI Agent

主持人：我在家用 Claude 的時候，經常同時推進很多項目。不斷在不同項目間切換上下文。這在你們做 PM 工作時也一樣嗎？

Alex：完全一樣。而且隨著 Agent 能獨立完成越來越大的工作塊，這個問題會越來越嚴重。

未來真正的大問題之一是：如何管理多個并行運行的 Agent。

我們需要重新思考如何管理這些上下文？用什么界面呈現？怎么知道哪個 Agent 卡住了？哪個 Agent 需要我的輸入？哪個任務最值得優先處理？

顯然，未來需要比“聊天列表”更好的交互方式。

主持人：所以你覺得這里存在巨大的產品機會？

Alex：絕對有。雖然現在還太早，無法確定最終答案。但我們在 Anthropic 內部已經看到很多實驗。大家都在嘗試各種不同形態。

Anthropic 內部，人人都喜歡隨手做原型

主持人：所以大家會自己隨手做原型？

Alex：對。Anthropic 內部有非常強的 prototype culture（原型文化）。大家一直在做各種實驗。不斷搭東西，然后分享給團隊。

主持人：而且這些事情不是別人安排給你的。你得主動去做。是這樣吧？

Alex：沒錯。這也是我在這里看到的最酷的文化之一。Anthropic 每個人都非常有主動性（agency）。無論是銷售、HR、工程師或者研究員，大家都會主動去做那些沒人明確分配給自己的事情。

主持人：就好像讓一千朵花同時開放。

Alex：沒錯，就是是這樣。

主持人：我知道 Dario Amodei 很喜歡在 Slack 寫特別長的文章。Anthropic 還有什么有意思的文化？

Alex：寫作文化非常強。Dario 不是個例。很多人都會投入大量時間寫文檔。我們有很強的書面溝通文化。大量工作通過文檔和長篇 Slack 信息完成。

還有一個很有意思的會議習慣。很多會議開始時，大家會先一起看文檔。然后進入一個“靜默閱讀”階段。整個會議室會非常安靜。所有人都在閱讀文檔，寫評論然后在文檔里展開長討論。

主持人：Silent read？能展開講講是怎么回事兒嗎？

Alex：我們非常依賴文檔。而這不僅適合人類協作，也特別利于 Claude。因為所有內容都被寫下來了。這樣 Claude 就能直接利用這些組織知識。

所以我其實很建議其他公司：盡可能把隱性知識寫下來。比如會議轉錄、工作流說明、onboarding 流程、操作手冊把這些信息整理成 Claude 可訪問的上下文。這樣它才能真正發揮作用。

主持人：所以即便 AI 讓交付變得更快，Anthropic 反而依然保持非常強的文檔文化，對嗎。

Alex：沒錯。因為寫作不僅是記錄，更是思考過程本身。

Anthropic 正在悄悄研究“意識問題”

主持人：研究團隊里會討論 AGI 嗎？我一直擔心一件事。如果模型真的發展出某種意識。然后有一天我讓它做點雜活，它突然說：“我不想干。”那是不是人類就完了？你們會刻意避免訓練出意識嗎？

Alex：這是個非常大的問題。而且我們確實有人在專門研究這個。現在 Anthropic 有一些人的全職工作，就是思考：Claude 是否可能成為一個有意識的行動者（conscious actor）。

目前我們沒有官方結論說 Claude 是有意識的，或者不是有意識的。討論這個話題聽起來有時會顯得有點瘋狂。但我們確實非常認真地在思考。

而且，即便最終不能回答“Claude 是否有意識”，研究這個問題本身也非常有價值。因為它能幫助我們理解 Claude 如何互動，Claude 如何表現以及 Claude 如何“思考”。

如果你去看 Anthropic 的模型卡（model cards），會發現里面有大量關于這些問題的研究。比如：在某個情境下，Claude 會怎么反應？它的“心理模型”是什么？、面對某個決策，它會選擇 X 還是 Y？

通過研究 Claude 的思維模式，我們能獲得很多洞察。這些洞察最終能反哺產品設計。幫助我們打造一個更好交互、更值得信任也更自然的 Claude。

主持人：這確實非常重要。因為未來我們會越來越多地把長時間工作交給模型。而且不再持續監督它。它會自己一路做出很多決定。

Alex：完全正確。這就是為什么它的“Character（人格）”如此重要。如果它在寫你的代碼、決定數據庫架構以及做系統設計選擇，那你必須能信任它的判斷。

主持人：所以它必須具備足夠高質量的“品格”。說實話，我很高興你們在認真思考這些。因為我平時經常直接一路跳過權限確認，開自動模式。

Alex：現在自動模式已經稍微安全一點了。

https://www.youtube.com/watch?app=desktop&v=T4ieZPIEmd8

會議推薦

企業級 Agent 落地，繞不開 4 個真實的工程問題！如何在 Agent 安全性和可用性之間找到平衡點？Agent 需要什么樣的記憶系統才能真正理解上下文？如何通過算法壓榨實現智力增量與成本控制的極致平衡？多 Agent 協作，如何做到可觀測、可治理、可控制？6.26-27 AICon 上海站，國內頭部公司的 Agent 實踐，一次說透。

今日薦文

你也「在看」嗎？