Anthropic的工程文化与组织架构 - 公司所有技术职称均为“Member of Technical Staff”，旨在承认“大家都在摸索，无绝对正确答案”，鼓励通才模式并打破角色边界[3] - 团队文化倾向于拒绝大量文档（不写PRD），更偏好“直接做原型、演示验证”的快速迭代方式，原型化被视为产品构建的核心方式[3] - 公司内部几乎不写产品需求文档，很多想法直接在Slack中讨论或通过提交PR来呈现，产品团队更倾向于直接发一个PR而非写文档[72][73] AI驱动的软件开发范式转变 - AI的进展极快，工程师需要保持“新手心态”和智识上的谦逊，以前失败的想法可能因模型变强而变得可行[3] - AI让“写代码”从工程师专属技能变成人人可及的能力，类似印刷机颠覆抄写员，本质是工具普及，会催生全新职业和可能性[3] - 在Claude Code时代，高产的含义发生变化，产出代码的类型更丰富，不再是简单的迁移工作，AI可以自行处理迁移类任务[48] - 工程师应放下对代码风格、语言、框架的执念（模型可灵活适配），但需坚持“假设驱动”思维、好奇心、开放心态和适应力[3] Claude Code的起源、发展与影响 - Claude Code起源于一个内部研究项目，其前身Clyde是一个用Python写的非agentic工具，启动需要40秒[26] - 公司决定公开发布Claude Code的一个重要原因是为了在真实环境中研究AI安全性，产品发布服务于安全研究[32] - 发布后，Anthropic内部采用率曲线几乎垂直向上，目前公司每个技术员工每天都会使用Claude Code，非技术员工的采用率也在快速接近100%，内部大约80%的代码由Claude Code编写[34][35] - 对于创始人Boris Cherny个人而言，几乎100%的代码由Claude Code编写，在使用了Opus 4.5模型后，他卸载了IDE，因为不再需要手动编码[35][37] Claude Code的技术实现与工作流 - Claude Code的核心架构非常简单，是一个query loop加上一组可调用的工具，团队经常增删工具进行实验[57] - 权限系统设计复杂，采用“瑞士奶酪”多层防护模型，包括运行时的classifiers、静态分析以及用户可配置的allowlist[57][64] - 早期尝试过使用RAG（检索增强生成）和本地向量数据库进行代码检索，但最终因代码漂移、权限控制复杂等问题放弃，转而采用效果更好的“Agentic Search”，本质上是“globbing + grep”[61][62] - 支持并行开发，用户可以通过多个终端tab或利用Git worktree功能创建隔离环境来同时运行多个agent[40][41] - 提供了多种使用模式，例如针对新代码库的“learn mode”或“explanatory”模式，以及针对熟悉代码库后追求效率的“plan mode”[45] 代码审查与质量保障的演变 - Anthropic的每一个PR都会先由Claude Code进行第一轮代码审查，能捕获大约80%的bug，并自动修复其中一部分[53] - 之后一定会有一名工程师进行第二轮人工代码审查并批准变更，确保在关键的企业产品中始终有“人类在循环”中把关[53] - 审查方式发生演变，例如现在如果发现一个可被自动化的问题，会直接在PR中@Claude，让它编写相应的lint规则，而不是像以前那样记录在电子表格中[54] - 可以通过启动并行agent进行审查，并使用并行的去重agent检查误报，实现类似“best-of-N”的确定性增强方法[55][56] Claude Cowork的产品理念与开发 - Claude Cowork的诞生源于观察到大量非工程师用户（如财务、销售团队）在绕开门槛使用Claude Code，这是一个强烈的产品信号[79] - Cowork由一个很小的团队在大概10天左右的时间内，完全使用Claude Code开发并发布[81] - 产品复杂度一方面来自需要为非技术用户设计强大的安全护栏（如包含完整的虚拟机、后端classifiers、操作系统级集成），另一方面来自与浏览器扩展（如Chrome扩展）的深度集成以调用各类工具[83][84][85] - 技术栈基于Electron和TypeScript，最初选择macOS平台发布是为了尽快开始学习，Windows版本很快会跟进[87][88] Agent Teams与未来方向 - 新发布的“agent teams”功能允许多个agent（subagents）协作，它们拥有不相关的上下文窗口，这种“uncorrelated context windows”思路可以带来更好的结果，尤其是在处理单个agent难以完成的复杂任务时[92][93] - 该功能已经内部实验了一段时间，在Opus 4.6模型上表现成熟，目前作为研究预览发布，因为它非常消耗token[93] - 团队内部已使用swarms（群组智能）方式成功构建了多个功能，例如plugins就是完全由swarms在周末自动生成的，它创建了Asana看板、拆解任务并实现了它们[78][94] AI时代对工程师角色的重塑 - 随着编码变得容易，工程师的角色正在转变，产品、工程和设计之间的界限变得模糊[2] - “短注意力”成为被奖励的技能，因为工作模式从深度沉浸式转向管理多个agent[3] - 通才型人才会越来越被重视，软件工程正越来越走向通才模型[3][69] - AI进展导致技术迭代周期极短，工程师需要不断调整自身预期和工作方式，以前无效的方案可能因模型能力提升而变得有效，这要求持续的“智识上的谦逊”[3][95] - 部分工程师可能感受到“失落感”，因为曾经作为核心职业身份的“写代码”技能正在普及，但这也将释放工程师去从事更高层次的工作[98][99]