文章核心观点 - IBM过去一年股价下跌18.5%，而行业增长81.3%，主要受宏观经济挑战和AI公司Anthropic对其核心传统业务的威胁影响 [2] - 微软同期上涨2.2%，亚马逊基本持平，IBM表现落后于同业 [2] - Anthropic的Claude Code工具可现代化改造传统COBOL系统，威胁IBM主frame生态系统的竞争护城河 [4][5] - 尽管面临竞争压力，混合云需求、HashiCorp收购和watsonx平台支撑IBM增长前景 [6] IBM传统业务面临的威胁 - IBM长期定位为主frame系统的主导供应商，围绕维护、升级和现代化大型企业的传统COBOL环境建立了持久收入流 [4] - COBOL系统的复杂性历史上构成竞争护城河，企业因成本、运营风险和COBOL开发者减少而犹豫重写或替换这些系统 [4] - Anthropic的Claude Code工具可自动化代码探索、文档编制、重构和安全分析，可能减少企业对IBM等专业传统服务提供商的依赖 [5] - COBOL仍深度嵌入全球基础设施，每日在生产环境中运行于金融机构、航空公司、零售商和政府系统 [5] - 若Claude Code显著降低分析和迁移传统系统的成本与复杂性，可能压缩IBM咨询部门定价权，该部门历来是劳动密集型高利润业务 [5][7] 利润率压力与竞争 - IBM面临来自亚马逊云服务（AWS）和微软Azure的竞争，定价压力加剧侵蚀利润率 [8] - 盈利能力多年来呈下降趋势，仅偶有 spikes，传统业务疲软和汇率波动仍是重大担忧 [8] - IBM频繁收购加剧整合风险，收购对资产负债表产生负面影响，导致高商誉和净无形资产 [9] - 高杠杆资产负债表长期困扰IBM [9] 混合云与AI需求增长机遇 - 混合云和AI的健康需求趋势驱动软件和咨询部门增长，分析和云计算及安全预计长期助力增长 [10] - 更好的业务组合、通过生产力提升改善经营杠杆以及增加增长机会投资，可能提升盈利能力 [10] - 传统云原生工作负载和相关应用激增，加上生成式AI部署增加，企业管理的云工作负载数量急剧扩张 [11] - 异构、动态和复杂的基础设施策略促使企业采用云无关和可互操作的方法进行高度安全的多云管理，转化为对IBM混合云解决方案的健康需求 [11] - HashiCorp收购显著增强IBM协助企业管理复杂云环境的能力，其工具集补充IBM RedHat组合，增强混合多云方法 [12] - IBM的watsonx平台可能成为其AI能力的核心技术平台，向企业交付基础模型价值，提升生产力 [12] 盈利预估趋势 - IBM目前盈利预估呈上升趋势，2026年盈利预估过去一年上调1.5%至12.41美元 [13] - 2027年盈利预估上调1.3%至13.24美元，积极的预估修正反映对股票增长潜力的看涨情绪 [13] 其他增长驱动因素 - IBM大力投资自身AI能力，可将生成式AI融入咨询工作流以提高效率而非失去相关性 [16] - 对量子计算和混合云的强烈重视正在为客户驱动价值，随着盈利预估改善，股票正获得积极投资者认知 [16] - IBM增长受高运营成本和激烈竞争削弱，公司面临Anthropic的重大威胁，需要微调商业模式以保持竞争力 [17]

文章核心观点 - Claude Code与Cowork产品总负责人、创始产品经理Cat Wu于上周五离职，这是短短10天内Claude Code团队离开的第4位核心成员，发生在Anthropic递交IPO招股书前后的关键时期 [1][2] - Cat Wu是创始人Boris Cherny最核心的搭档，硅谷媒体曾把两人并称为Anthropic的「蝙蝠侠与罗宾」，一个写下最初的原型代码，一个负责整个产品的方向与落地 [2] - 回归之后两人一路把Claude Code做成了年化收入数十亿美元的核心业务 [9] Cat Wu的职业背景与加入Anthropic - Cat Wu全名Catherine Wu，2017年本科毕业于普林斯顿大学计算机科学系，大四那年和6个朋友一起开发了支持手写公式与图表的协作白板应用Scratchwork [4] - 毕业后先去摩根大通股票衍生品交易台实习，随后进入YouTube和早期的Scale AI担任产品工程师，又在开源数据编排公司Dagster带队做出了核心商业化产品Dagster Cloud [4] - 2021年10月加入知名风投机构Index Ventures，当了近三年投资人，期间经常自己写程序爬X上的动态来寻找早期创业公司 [5] - 2024年8月加入Anthropic，最初在研究团队担任产品经理，负责把前沿模型能力做成面向客户的产品 [7] - 那年秋天Boris Cherny做出的Claude Code刚在公司内部开放试用，最早发在内部Slack上的演示甚至只收到两个表情包回复 [7] - Cat先拿它写Streamlit应用来分析用户反馈，随后让Claude Code帮她从零搭建一个强化学习环境（RL env），让Claude连续跑了十几个小时，自己一行代码都没手写，最后真把整个环境搭出来了 [7] - 这次体验彻底震撼了她，让她当即决定转岗加入刚刚起步的Claude Code团队，成为创始产品经理 [7] 跳槽Cursor与闪电回归 - 随着Claude Code在2025年5月大火，她和Boris Cherny成了硅谷最抢手的搭档 [8] - 2025年7月1日，Cursor母公司Anysphere突然出手，把Boris Cherny和Cat Wu双双挖走，分别委以首席架构师兼工程主管、产品总负责人的重任 [8] - 仅仅过了大约两周，两人又双双回到Anthropic，创下了硅谷AI圈有史以来最短的跳槽纪录之一 [8] 产品成果与用户洞察 - 回归之后两人一路把Claude Code做成了年化收入数十亿美元的核心业务 [9] - 在看日常数据时她发现，公司内部连法务、财务和运营同事都在学着用终端里的Claude Code，非技术人员的使用比例超过了20% [9] - 她立刻意识到不写代码的普通人同样需要这类工具，于是带队做出了面向普通办公人群的Claude Cowork和Tag [9] 团队管理方法 - 几十个人的小团队能在一年多里同时做出命令行、IDE插件、桌面端、网页版和Cowork，很大程度上得益于Cat Wu独特的带队方式 [10] - 团队里几乎所有产品经理都是全职工程师出身，产品、设计与工程之间的分工界限非常模糊 [11] - 团队规矩是「如果我们有个点子，却没能说服任何一个工程师去写，那产品经理就自己动手把它写出来」 [11] - 团队取消了传统的汇报站会，改成花半天时间让Claude Code直接做出能跑的原型来讨论 [11] - 她给自己写了一套测试工具，让Claude自动打开本地应用、模拟真实用户点击界面来验收新功能；碰到报错直接让Claude去读团队的Slack聊天记录 [11] - 她鼓励全员在主线工作之外去跑「支线任务（Side Quests）」，拿一个下午的时间自由尝试新点子 [11] - 如今广受欢迎的Claude Code桌面版、AskUserQuestion反问工具以及Todo待办清单，全都来自这些一下午的支线尝试 [12] 模型能力进步与产品策略 - 从2024年10月的Sonnet 3.5开始，每当内部训出新模型，Cat都会测同一道题目，让Claude Code给开源白板工具Excalidraw加上一个「表格工具」 [14] - 早期模型每次都做不出来；到了2025年6月的Opus 4，它开始偶尔能跑通，团队赶紧录下视频当成发布会演示；不到一年后的Opus 4.6，已经稳到可以在几千名开发者面前现场直播演示 [14] - 第三方机构METR的评测数据显示，Claude Code刚立项时模型只能完成人类21分钟的软件任务；16个月后Opus 4.6已经能独立完成人类近12小时的工程任务，任务时长提升了约41倍 [15] - 她立下了一条「三个月报废原则」，哪怕明知一个功能三个月后就会被新模型淘汰，只要今天能让产品更好用就立刻动手上线 [15] - 仅在升级Opus 4.6时，团队就删掉了20%的系统提示词，把更干净的上下文留给模型 [15] - 她直言「如果你老想着竞争对手，你的执行速度永远会比自己的极限慢上两周到一个月」 [16] 用户反馈驱动的产品迭代 - Claude Code早期为了安全每执行一步操作都要弹窗让用户确认，但她观察到当用户出于习惯对99%的弹窗看都不看就直接点「同意」时，权限弹窗就失去了原本的安全作用 [17] - 为此她和团队推出了「自动模式」，在底层加入一个轻量级安全分类模型，自动放行绝大多数常规操作，只在真正有风险的时候才提醒用户 [17] - 开启自动审批（Auto-approve）已经成为大多数开发者的默认用法 [18] - 发现开发者写完网页老是手动切到Chrome插件里复制粘贴测试，她就拍板把两边打通，做成了内置的Claude Code with Chrome [18] - 看到社区有人抱怨Token消耗太快，她主动联系了几位发帖的用户打视频电话，对着他们本地的对话记录一起排查到底是哪里用掉了太多Token [18] 心态转变 - 以前在公寓里手工缝皮包时，她是一个连几毫米孔距误差都要反复调整的完美主义者，习惯把每个细节都攥在自己手里 [19] - 但在那篇长文的末尾，她坦言做AI产品教会她的第一堂课就是「学会放手」，做AI产品就像在冲浪，最重要的事情是留在浪头上 [19] - 两年前大家连一行终端命令都不敢让AI自动运行；两年后成百上千万用户已经习惯放手让AI自己干活 [19]

文章核心观点 - Spark Capital作为Anthropic最早的机构投资者之一，在OpenAI如日中天时坚定押注其竞争对手，累计投入7.77亿美元，按1.5万亿美元估值测算账面回报约14倍，最初7500万美元投资潜在回报可能达80倍 [9][1] - Spark的成功并非偶然，而是基于对AI技术范式革命的系统性判断和全产业链布局，其投资逻辑强调技术判断与持续迭代能力而非静态竞争优势 [2][1][13] - AI时代风险投资的规则正在改变，传统SaaS投资中可量化的指标评估方法在AI领域失效，投资AI更像探索答案尚未写出的"谜题"而非有标准解法的"难题" [15] Spark Capital投资Anthropic的背景与过程 - Anthropic刚成立时几乎没有VC愿意投资，2021年公司没有产品、没有收入却要融资5亿美元，科学家Anjneyn Midha帮助寻找投资人时见了22家VC，21家当场拒绝，剩下一家最终也没谈成 [6][5] - 2021年5月Anthropic完成1.24亿美元A轮融资，领投方为Skype联合创始人Jaan Tallinn，其他投资者包括Facebook联合创始人Dustin Moskovitz等 [7] - 2022年4月完成5.8亿美元B轮融资，最大金主之一是后来因FTX破产而声名狼藉的Sam Bankman-Fried [8] - 2023年ChatGPT横空出世且微软向OpenAI投入巨额资金后，大多数VC仍选择观望，但Yasmin Razavi专门写了两份详细投资备忘录说服Spark其他合伙人 [8] - 2023年5月Spark领投Anthropic的4.5亿美元C轮融资，自己出资7500万美元，这是Spark历史上最大的一张支票，相当于其14亿美元成长基金规模的5%以上 [9] - 此后Spark又连续参与Anthropic五轮融资，累计投入达到7.77亿美元 [9] - Razavi从2023年3月开始担任Anthropic董事，甚至早于C轮融资正式官宣 [9] Yasmin Razavi的投资逻辑 - 第一，大模型可能代表一次真正的技术范式革命，借用科学哲学家托马斯·库恩的范式转换理论，认为过去十年深度学习、无监督学习和Transformer的发展已为LLM带来新的技术范式创造了条件 [8] - 第二，AI的应用范围将远远超过普通的软件工具，正在重新定义法律、医疗、会计、软件开发、采矿、农业等领域人类与计算机共同工作的方式 [8] - 第三，安全不仅是技术伦理，也是开发可靠AI产品的基础，特别提到Anthropic团队在Scaling Laws、RLHF以及Constitutional AI方面的研究积累 [8] - 并不认为大模型行业已被OpenAI彻底拿下，随着AI成为新的技术范式，拥有原创研究能力、能够持续迭代模型的公司仍有机会成为下一代科技巨头 [8] Spark Capital的AI全产业链布局 - 基础模型领域：除Anthropic外，还投资了AI蛋白质设计公司Profluent、机器人基础模型公司Generalist [11] - 算力层：投资了Lightmatter、MatX、Enfabrica，分别布局光互联、AI专用芯片和高性能网络互联 [11] - 基础设施层：投资了数据标注公司Scale AI、向量数据库Qdrant、模型推理平台Baseten以及AI数据中心公司Crusoe [11] - 应用层：投资了AI医疗公司Abridge、音视频编辑平台Descript、AI视频生成公司Pika以及AI会议笔记工具Granola [11] - 投资逻辑高度一致：寻找每个环节真正有能力建立长期竞争壁垒的公司 [11] Spark Capital对AI应用公司的分类框架 - 第一类Adaptation（适配）：给现有软件增加AI功能，如AI搜索、AI助手，这类产品虽能改善体验却很难仅凭AI功能形成长期壁垒 [11][12] - 第二类Evolution（进化）：利用AI重新设计工作流程，代表案例为AI医疗公司Abridge和AI会议笔记工具Granola，前者利用AI自动整理医患对话生成临床文档，后者把用户自己的记录与会议内容结合生成更符合个人需求的笔记 [12] - 第三类Revolution（革命）：AI创造出过去根本不存在的产品和市场，Spark最成功的投资主要集中在第三类以及部分第二类，对第一类简单增加AI功能的公司基本没有兴趣 [12] - 真正有价值的技术创新不只是把原来的事情做得更便宜更快，而是让用户能够完成过去无法完成的事情 [12] - AI Agent创业存在陷阱：很多公司利用大模型自动化传统人工服务通过降低成本迅速获得收入，但如果竞争对手都能调用相同的模型，今天建立的成本优势明天就可能消失 [12] - 真正的竞争壁垒必须来自产品本身以及持续积累的数据、用户反馈和工作流能力 [13] Razavi进入董事会后的价值贡献 - Razavi开始帮助公司识别哪些具体应用能创造最大商业价值 [10] - Anthropic联合创始人Daniela Amodei曾向《福布斯》透露，在Claude Code成熟之前Razavi就反复建议公司把AI编程作为一个独立的重要市场 [10] - Claude Code后来成为Anthropic增长最快的产品之一 [10] AI时代VC投资方法的反思 - Spark合伙人Nabeel Hyatt在2025年访谈中提出，过去十几年的SaaS投资越来越像一道有标准解法的数学题，投资人可通过ARR、客户留存率、销售效率、市场规模等指标评估软件公司的增长潜力 [15] - 但投资AI不行，几个月后模型会有什么能力、会出现什么产品形态、哪些岗位会被重新定义，这些问题在决策的那一刻都没有答案 [15] - Hyatt做了区分：过去VC擅长解Puzzle（已知条件下的难题），AI投资更像Mystery（答案还没被写出来的探索） [15] - 2023年任何试图用传统财务模型估算Anthropic价值的投资人都很难为一家收入有限、算力成本高昂、前面还有OpenAI的公司找到令人信服的投资理由 [15] - Spark看中的恰恰是财务模型难以衡量的东西：一支顶尖研究团队以及大模型可能创造的全新市场 [15] AI公司长期竞争壁垒的判断 - DeepSeek的出现让不少投资人质疑大模型公司投入数百亿美元训练模型究竟还能建立多大竞争优势 [16] - Hyatt并不认为巨额资本投入本身就是模型公司的唯一壁垒，相比某一代模型的领先，Spark更看重顶尖团队的技术判断以及持续执行和迭代的能力 [16] - 传统投资逻辑中那些相对静态的竞争优势在AI时代正变得越来越不可靠，企业能否持续适应变化甚至主动引领下一轮技术变革才是决定其长期价值的关键 [16][2]

文章核心观点 - OpenAI和Anthropic大量预订算力，2027年两家拿走的新增算力占比在25%到40%之间，算力供需严重失衡，买得起算力不等于拿得到算力 [3] - 算力租赁价格大幅上涨，H100一年期合约价从去年10月低点每小时1.70美元涨到2.80美元左右，卖token推理利润极高持续推高租价 [3][9] - 资金端吃紧，美债收益率大幅上升，10年期收益率10月初升至5%以上，靠借钱建机房的新兴云厂商越来越难融到资 [4] - 英伟达已出面为约6.5吉瓦算力托底，但在2030年前新增算力里只占很小一部分，杯水车薪 [4] - 云厂商交付能力和安全性存疑，即使租到算力，集群好不好用才决定实际价值 [15][16] 算力需求与买家集中度 - 全球算力总量2024年底约60吉瓦，今年底超过100吉瓦，两年接近翻倍 [6] - OpenAI和Anthropic两家算力总量去年底合计约4吉瓦，今年约10吉瓦，明年超过20吉瓦 [6] - 2027年一年两家合计新增约12吉瓦，全球当年新增总量约40吉瓦，占比约三成；到2028年AI实验室一年就要新增约30吉瓦 [6] - 两家拿走的是新增算力里25%、30%、40%的那一部分，去年底OpenAI和Anthropic收入随Claude Code开始飙升，于是疯狂买算力，Meta也开始疯狂买 [7] - 这些算力主要用于训练而非推理，Anthropic今天有4吉瓦，整个Claude Code只用其中约1吉瓦来服务，花在推理上的算力比训练少得惊人，即便用户端需求稳定，实验室训练新模型的预算仍会继续占用芯片 [7] 算力租赁价格与推理经济性 - 自建一个B300集群，建设和五年运营摊下来约合每年900万美元；向云厂商租能做到每年1400万美元就算走运 [9] - 用一兆瓦算力跑开源模型DeepSeek V4.1 Flash，利用率60%情况下一年收入约7000万美元，即使租价高出自建成本五成，卖推理收入仍是租金的五倍 [9] - 即使利用率只有30%仍然会赚到离谱的钱，有数十人专门租GPU卖推理赚了很多钱 [9] - 该测算基于SemiAnalysis开源的InferenceX基准，只用vLLM和SGLang两套开源推理软件，团队只有四个工程师，未做投机解码等进一步优化 [10] - H100去年10月约1.70美元，最低能找到1.45美元，现在成交价在2.40至3.20美元之间，中间值2.80美元；SemiAnalysis一年期合约指数今年3月已是2.35美元，10月Nebius等厂商挂牌价继续上调 [11] - 判断若H100涨到3美元以上、B300涨到7美元以上不会感到意外；建议能找到6美元一小时的B300就应该签下来去卖token [12] - Anthropic服务Fable和Opus 5.5的收入超过1亿美元，来自其IPO过程中披露给投资者的材料，按上下文应是每兆瓦的年收入 [12] 云厂商交付能力与安全性评测 - SemiAnalysis的ClusterMAX评测追踪323家云供应商，评测其中77家，给19家授予奖牌 [16] - 最好的是CoreWeave和Nebius，但两家可得性都很差，未来六个月不会再卖算力，已售罄；Nebius要求预付整整一年或六个月，价格高得离谱 [17] - Oracle和Google也被评为很好，Google从首轮铜牌一路升级；Azure降为银牌，Together和AWS降为铜牌，Crusoe也被下调 [17] - AWS问题偏体验，要拿到一个集群得和约十个人打交道，耗时极长，网络也有点难搞 [17] - 安全评测中最刺眼，有些漏洞是互联网上早已公开的，模型能直接找到并利用，然后访问其他客户的存储；一次用落后于OpenAI和Anthropic的开源模型拿到整个集群的Slurm权限，看到某国国防工业和国家安全情报机构的作业名称，随即停止测试并发表《大多数Neocloud在安全上很烂》 [17] - 向GPU注入故障（Nvidia错误码XID 719）测试，很多云要等到提醒才会发现，有些即便提醒也要几天才响应 [17] 资本开支与融资环境 - 到2029年底全球AI资本开支约11万亿美元，其中约7万亿来自债务，大部分钱花在芯片上，其余是数据中心、能源以及为更快投产而在现场自建的电厂 [19] - 10年期美债收益率今年从3.96%升到10月初的5.31%，AI相关债务发行9月明显降温 [20] - 一家有100兆瓦规模的Neocloud想扩到1吉瓦时，唯一办法是把那一吉瓦卖给超大规模云厂商，再由超大规模云厂商去债市融资，但这些算力没有一点能进入面向整个行业的市场 [20] - 明年已签约算力里大约65%到70%流向超大规模云厂商和AI实验室；创业公司租集群要先付一半，三到九个月后才能交付 [22] - 对最近融到大钱的新实验室来说拿算力就是地狱 [22] 英伟达托底模式 - SoftBank Energy：只担保土地、电力和厂房，这是俄亥俄州一座9吉瓦的设施，约2030年投运，全部预留给OpenAI [22] - Firmus：英伟达承诺按某价格租下集群，使对方不赚钱但也不亏钱，有了这份保证别人就愿意放贷；超出该价格的每一美元每小时英伟达拿走一半 [22] - 残值担保：只提到有这一类，没有展开 [23] - 英伟达已托底约6.5吉瓦，这部分会卖给开放市场而非只供实验室和超大规模云厂商，上限是45吉瓦，即便如此也只占2030年前新增算力的很小一部分 [23] - Fireworks、Modal等做推理的公司以及不少新实验室正转向自建集群，拿贷款、找英伟达背书 [23] 行业规模与结语判断 - 几家提供商加起来每天处理超过100万亿token，各家年化收入都在攀升 [24] - 结语是希望他们能拿到算力，否则我们都是Anthropic和OpenAI的奴隶 [24]

核心观点 - Claude Code与Cowork产品总负责人、创始产品经理Cat Wu于上周五离职，这是短短10天内Claude Code团队离开的第4位核心成员，正值Anthropic递交IPO招股书前后的关键时期，创始团队正经历密集离职潮 [1][2][20][21] - Cat Wu是创始人Boris Cherny最核心的搭档，硅谷媒体将二人并称为Anthropic的「蝙蝠侠与罗宾」，一个写下最初原型代码，一个负责整个产品方向与落地 [3][21] - 回归后二人一路把Claude Code做成年化收入数十亿美元的核心业务，并带队做出面向普通办公人群的Claude Cowork和Tag [8][30] Cat Wu个人背景与职业经历 - 2017年本科毕业于普林斯顿大学计算机科学系，大四与6个朋友开发了支持手写公式与图表的协作白板应用Scratchwork [4][25] - 毕业后先在摩根大通股票衍生品交易台实习，随后进入YouTube和早期Scale AI担任产品工程师，又在开源数据编排公司Dagster带队做出核心商业化产品Dagster Cloud [4][25] - 2021年10月加入知名风投机构Index Ventures，当了近三年投资人，期间保持写代码习惯，常自己写程序爬X动态寻找早期创业公司 [4][25] - 工作之外喜欢手工做皮具，疫情期间花40美元买新手工具包，在公寓书桌上用3毫米斩刀手工打孔、木棒打磨封边，缝出整整一个系列真皮包 [4][25][26] - 在风投看了三年项目后，觉得亲手做产品更有意思，决定重回科技公司 [5][26] 加入Anthropic与转岗Claude Code - 2024年8月加入Anthropic，最初在研究团队担任产品经理，负责把前沿模型能力做成面向客户的产品 [6][27] - 那年秋天Boris Cherny做出的Claude Code在公司内部开放试用，最早发在内部Slack上的演示只收到两个表情包回复 [6][27] - Cat先拿它写Streamlit应用分析用户反馈，随后让Claude Code从零搭建强化学习环境（RL env），连续跑了十几个小时、自己一行代码没手写，最终搭出整个环境，这次体验让她当即决定转岗加入Claude Code团队成为创始产品经理 [6][27][28] 跳槽Cursor与闪电回归 - 随着Claude Code在2025年5月大火，二人成为硅谷最抢手的搭档 [7][29] - 2025年7月1日，Cursor母公司Anysphere把Boris Cherny和Cat Wu双双挖走，分别委以首席架构师兼工程主管、产品总负责人的重任 [7][29] - 仅过约两周，二人又双双回到Anthropic，创下硅谷AI圈有史以来最短的跳槽纪录之一 [7][29] 产品成果与用户洞察 - 回归后Claude Code做成年化收入数十亿美元的核心业务 [8][30] - 观察日常数据发现公司内部连法务、财务和运营同事都在学着用终端里的Claude Code，非技术人员使用比例超过20%，由此意识到不写代码的普通人同样需要这类工具，带队做出Claude Cowork和Tag [8][30] 团队管理方法 - 几十个人的小团队在一年多里同时做出命令行、IDE插件、桌面端、网页版和Cowork，得益于Cat Wu独特的带队方式 [8][31] - 团队里几乎所有产品经理都是全职工程师出身，产品、设计与工程之间分工界限非常模糊 [9][32] - 团队规矩：如果有个点子却没能说服任何一个工程师去写，产品经理就自己动手写出来 [9][32] - 取消传统汇报站会，改成花半天时间让Claude Code直接做出能跑的原型来讨论 [9][32] - 她给自己写了一套测试工具，让Claude自动打开本地应用、模拟真实用户点击界面验收新功能；碰到报错直接让Claude读团队Slack聊天记录排查 [9][32] - 鼓励全员在主线工作之外跑「支线任务（Side Quests）」，拿一个下午自由尝试新点子，Claude Code桌面版、AskUserQuestion反问工具以及Todo待办清单均来自这些支线尝试 [9][32][33] 模型能力进步与产品策略 - 从2024年10月的Sonnet 3.5开始，每当内部训出新模型，Cat都测同一道题：让Claude Code给开源白板工具Excalidraw加「表格工具」；早期模型每次做不出来，2025年6月的Opus 4开始偶尔跑通并录视频当发布会演示，不到一年后的Opus 4.6已稳到可在几千名开发者面前现场直播演示 [11][34] - 第三方机构METR评测数据：Claude Code刚立项时模型只能完成人类21分钟的软件任务，16个月后Opus 4.6已能独立完成人类近12小时的工程任务，任务时长提升约41倍 [11][35] - 立下「三个月报废原则」：哪怕明知一个功能三个月后会被新模型淘汰，只要今天能让产品更好用就立刻上线；一旦下一代模型自带该能力就删掉补丁代码，仅在升级Opus 4.6时就删掉了20%的系统提示词 [12][36][37] - 从不让团队盯着竞争对手抄作业，直言「如果老想着竞争对手，执行速度永远会比自己的极限慢上两周到一个月」，下一步做什么全看真实用户的日常使用习惯 [13][38] 用户反馈驱动的产品改进 - 早期Claude Code每执行一步操作都要弹窗确认，Cat观察到用户对99%的弹窗看都不看直接点「同意」，权限弹窗失去安全作用，真正危险的操作反而容易被顺手放过 [14][39] - 为此推出「自动模式」，在底层加入轻量级安全分类模型，自动放行绝大多数常规操作，只在真正有风险时提醒用户；如今开启自动审批（Auto-approve）已成为大多数开发者的默认用法 [14][39][40] - 发现开发者写完网页老手动切到Chrome插件复制粘贴测试，拍板把两边打通做成内置的Claude Code with Chrome [15][40] - 看到社区抱怨Token消耗太快，主动联系几位发帖用户打视频电话，对着本地对话记录一起排查Token消耗问题 [15][40] 心态转变 - 以前手工缝皮包时是连几毫米孔距误差都要反复调整的完美主义者，习惯把每个细节攥在自己手里 [15][41] - 坦言做AI产品教会她的第一堂课就是「学会放手」，做AI产品像在冲浪，最重要的事情是留在浪头上，学会放弃对每一个细节的把控是最难适应的转变 [16][42] - 两年前大家连一行终端命令都不敢让AI自动运行，两年后成百上千万用户已习惯放手让AI自己干活 [16][42] - 个人Substack简介栏五年来一直只写着三个英文单词「Not sure yet.（还没想好）」 [17][43] 行业与公司层面影响 - 站在Anthropic冲刺IPO的前夜，这群亲手做出Claude Code的人正一个个挥手告别 [18][44] - 至于下一步去哪，正如她常说的，在飞速向前的AI浪潮里，唯一要做的就是始终留在浪尖上 [19][45]

文章核心观点 - Anthropic旗下Claude Code团队工程师、前谷歌技术高管Addy Osmani警告随着AI智能体越来越强大，人类可能在享受效率提升的同时逐渐丧失独立思考、验证结果和理解复杂系统的能力，他将这种现象称为“认知投降” [1] - Osmani曾在谷歌工作超过14年，负责过Chrome开发者体验及谷歌云AI相关业务，目前在Anthropic从事Claude Code相关工作，日常工作中经常同时运行多个Agent [2] - 随着AI模型不断进步，输出结果中的明显错误越来越少，人类反而更难保持警惕，AI生成的内容往往结构完整、表达流畅且大部分情况下正确，使得用户越来越容易跳过独立思考和验证环节 [2] - Osmani强调这些观点并不意味着应该减少AI的使用，在错误成本较低的任务中完全交由AI完成没有问题，但涉及投资、职业选择、产品安全或影响其他人的重大决定时人类仍应保留关键判断权 [7] - 他在文章结尾总结道：“你可以将工作和大部分审核任务交给AI，但不能将责任也一并交出去” [7] 人类使用AI的三个层次 - 第一层次为“认知卸载”（Cognitive Offloading），即将任务交给AI完成但仍然对结果负责 [2] - 第二层次为“推迟判断”（Deferral），即不再将AI输出视为需要验证的假设而是直接作为下一步工作的依据 [2] - 第三层次为“认知投降”，即AI的输出逐渐变成用户自己的判断，用户甚至不再认为有必要检查 [2] - “认知投降”这一概念最早由沃顿商学院研究人员Steven Shaw和Gideon Nave提出 [3] - Osmani认为这种转变往往不是突然发生的，而是在不断使用AI的过程中逐渐形成，用户可能认真阅读第一份AI报告，对第二份只进行快速浏览，到了第三份甚至只检查大纲，最终当有人询问某个具体结论时用户可能发现自己根本无法解释其中的逻辑 [3] 认知债务与能力退化 - Osmani将这一现象与“认知债务”（Cognitive Debt）联系起来，在软件开发领域AI可以生成大量代码、测试也可能全部通过，但团队成员对系统架构和实现逻辑的理解却在不断减少，直到某天需要修改系统时开发者才发现已经没有人真正理解某些功能的工作原理 [3] - Osmani并不认为开发者需要记住庞大代码库的全部细节，Claude Code团队也会在需要时借助AI重新建立对特定代码模块的理解，真正重要的不是始终掌握所有知识而是知道自己不了解什么并且具备重新理解它的能力 [3] - Osmani警告AI的高度自动化可能使人类逐渐放弃练习原有技能，建议开发者每周尝试在不使用AI的情况下编写一些代码，每个月重新审视自己已经停止练习的技能并判断哪些能力仍然值得保留 [6] - 他引用Anthropic关于内部工程师和研究人员使用AI的研究，指出其中存在一种“监督悖论”：监督Claude需要具备编程能力，但过度使用AI又可能使这些能力退化 [6] 避免认知投降的方法建议 - 在向AI提出复杂问题前人类应该先形成自己的初步假设而不是完全依赖AI提供答案，即使最初的猜测并不准确也可以帮助用户在接收AI结果时保留独立判断的基础 [4] - 用户应当主动寻找能够推翻AI结论的证据而不是只询问模型对自己答案有多大信心，对于存在争议的问题可以让不同模型从相反立场提出论证再由人类综合判断 [4] 软件开发领域的验证瓶颈 - Osmani认为AI时代的瓶颈正在从编写代码转向验证代码是否正确 [5] - AI智能体已经可以自主编写代码、运行测试、读取错误信息并反复修改直到测试通过，但问题在于测试本身也可能由AI编写，如果测试逻辑与代码存在相同错误即使所有测试显示通过也无法证明软件不存在问题 [5] - 开发者不仅应该关注测试是否通过，还需要明确测试究竟证明了什么、没有覆盖哪些风险，对于AI交付的成果验收标准应该是实际测试结果、运行日志、截图等可以验证的证据而不是AI生成的一段看起来合理的总结 [5] - 开发者应该要求Agent明确列出它在执行任务过程中自主作出的决定、采用的假设以及忽略的条件，因为这些内容通常不会出现在最终的工作总结中 [6] 编排税与审核瓶颈 - 随着AI能够同时执行越来越多任务，Osmani将其称为“编排税”（Orchestration Tax），即AI生成成果的速度与人类能够认真审核并愿意为其负责的速度之间的差距 [6] - 当AI生成的工作成果不断堆积而人类已经没有足够时间审核时，继续增加Agent数量并不能解决问题，团队应该改进自动验证机制或者适当降低任务生成速度 [6] 人类责任的不可替代性 - 未来的AI模型可能比人类更擅长发现错误，但这并不能消除人类的责任，决定开发什么产品、为什么值得开发、会影响哪些人以及愿意为此承担何种代价仍然需要人类作出选择 [7]

文章核心观点 - SemiAnalysis创始人Dylan Patel指出算力需求高度集中于OpenAI和Anthropic两家实验室，2027年两家拿走新增算力的25%至40%，导致H100一年期合约价从去年10月低点每小时1.70美元涨至约2.80美元，其他公司买得起算力却拿不到算力 [1][3] - 资金端同步吃紧，10年期美债收益率10月初升至5%以上，靠借钱建机房的新兴云厂商融资困难，英伟达为约6.5吉瓦算力托底但在2030年前新增算力中仅占很小一部分 [1][8] - 卖开源模型推理利润极高，推动GPU租价持续上行，即便租价高出自建成本五成，卖推理收入仍是租金的五倍 [4] - 租到算力只是第一步，云厂商交付能力和安全性存疑，ClusterMAX评测显示多数云厂商在安全与故障监控上表现不佳 [6][7] - 利率上行背景下贷款明显偏向超大规模云厂商和AI实验室，明年已签约算力中约65%至70%流向这两类买家，创业公司拿算力极为困难 [8] 全球算力总量与增长 - 2024年底全球算力约60吉瓦，今年底超过100吉瓦，两年接近翻倍 [2] - OpenAI和Anthropic两家算力总量去年底合计约4吉瓦，今年约10吉瓦，明年超过20吉瓦 [2] - 2027年两家合计新增约12吉瓦，全球当年新增总量约40吉瓦，占比约三成；到2028年AI实验室一年就要新增约30吉瓦 [2] - 这些算力主要用于训练而非推理，Anthropic今天有4吉瓦，整个Claude Code只用其中约1吉瓦服务用户，推理算力比训练少得惊人，即便用户端需求稳定，训练预算仍会继续占用芯片 [3] GPU租价与推理经济性 - H100去年10月低点约1.70美元，最低能找到1.45美元，现在成交价在2.40至3.20美元之间，中间值2.80美元 [5] - SemiAnalysis一年期合约指数今年3月已达2.35美元，10月Nebius等厂商挂牌价继续上调 [5] - 自建B300集群建设加五年运营摊薄约合每年900万美元，向云厂商租能做到每年1400万美元就算走运 [4] - 用一兆瓦算力跑开源模型DeepSeek V4.1 Flash，利用率60%时一年收入约7000万美元，为租金的五倍（未扣除人力和其他成本），即便利用率只有30%仍利润丰厚 [4] - 该测算基于SemiAnalysis开源的InferenceX基准，仅用vLLM和SGLang两套开源推理软件，团队只有四个工程师，未做投机解码等进一步优化 [5] - Patel判断H100涨到3美元以上、B300涨到7美元以上不会意外，建议若能找到6美元一小时的B300就应签下并去卖token [5] - 闭源模型方面，Anthropic服务Fable和Opus 5.5的收入超过1亿美元，来自其IPO过程中披露给投资者的材料，按上下文应是每兆瓦的年收入 [5] - 云厂商都要求预付，一年期合约很难买到，创业公司往往说不准一年后是否还在，融资难度更大 [5] 云厂商交付能力与安全评测 - ClusterMAX评测追踪323家云供应商，评测其中77家，给19家授予奖牌 [6] - 最好的是CoreWeave和Nebius，但两家未来六个月已售罄，Nebius要求预付整整一年或六个月且价格高得离谱 [6] - Oracle和Google也被评为很好，Google从首轮铜牌一路升级；Azure降为银牌，Together和AWS降为铜牌，Crusoe也被下调 [6] - AWS的问题偏体验，要拿到一个集群需和约十个人打交道，耗时极长，网络也有点难搞 [6] - 安全测试中，AI模型能直接找到并利用互联网上早已公开的漏洞，访问其他客户的存储；一次用落后于OpenAI和Anthropic的开源模型拿到整个集群的Slurm权限，看到某国国防工业和国家安全情报机构的作业名称，测试随即停止并发表《大多数Neocloud在安全上很烂》 [6] - 向GPU注入故障（Nvidia错误码XID 719）测试中，很多云要等到提醒才会发现，有些即便提醒也要几天才响应 [7] 资本开支、债务与融资环境 - 到2029年底全球AI资本开支约11万亿美元，其中约7万亿来自债务，大部分花在芯片上，其余是数据中心、能源以及为更快投产而现场自建的电厂 [8] - 10年期美债收益率今年从3.96%升到10月初的5.31%，AI相关债务发行9月明显降温 [8] - 一家有100兆瓦规模的Neocloud想扩到1吉瓦，唯一办法是把这一吉瓦卖给超大规模云厂商，再由其去债市融资，但这些算力没有一点能进入面向整个行业的市场 [8] - 明年已签约算力中约65%至70%流向超大规模云厂商和AI实验室，创业公司租集群要先付一半，三到九个月后才能交付 [8] - 英伟达已托底约6.5吉瓦算力，这部分会卖给开放市场而非只供实验室和超大规模云厂商，上限为45吉瓦，即便如此也只占2030年前新增算力的很小一部分 [8] - Fireworks、Modal等做推理的公司以及不少新实验室正转向自建集群，拿贷款、找英伟达背书 [8] 英伟达托底模式 - SoftBank Energy模式只担保土地、电力和厂房，俄亥俄州一座9吉瓦设施约2030年投运，全部预留给OpenAI [10] - Firmus模式为英伟达承诺按某价格租下集群，使对方不赚钱但也不亏钱，有了这份保证别人就愿意放贷，超出该价格的每一美元每小时英伟达拿走一半 [10] - 残值担保模式仅提及存在，未展开 [10] 行业规模判断 - 几家提供商加起来每天处理超过100万亿token，各家年化收入都在攀升 [9]

文章核心观点 - 26年末大厂补录与人才扩招提前批同步开闸，是应届生集中上岸和在职人员跳槽就业的最佳时机 [1] - 大厂招聘岗位分布和薪资发生重大改变：AI大模型全线扩招，部分Java岗、开发岗大幅收缩，薪资两极分化，面试难度和筛选标准比往年严格不少，行业格局重新洗牌 [1] - AI大模型领域高薪缺人是事实，但申请者众多而实际胜任者很少，求职者能力无法匹配一线企业核心AI岗位需求 [5][6] - 行业存在AI人才供需错配的结构性矛盾，具备实战能力的大模型工程师极为稀缺 [6] 大厂招聘需求与薪资分布 - 字节跳动：算法岗总HC 12000-15000人，AI相关占比90%+，核心扩招方向为大模型、多模态、AIInfra、推荐，年薪90-120万（base 50-60K×16） [2] - 阿里巴巴：算法岗总HC 8000-10000人，AI相关占比70%-80%，核心扩招方向为大模型、搜广推、AI商业化，年薪80-100万（base 45-55K×16） [2] - 腾讯：算法岗总HC 5000-7000人，AI相关占比60%-70%，核心扩招方向为混元大模型、游戏AI、音视频，年薪80-95万（base 40-50K×18） [2] - 百度：算法岗总HC 6000-8000人，AI相关占比90%+，核心扩招方向为文心大模型、自动驾驶、多模态，年薪70-90万 [2] - 美团/快手：算法岗总HC 3000-5000人，AI相关占比60%-70%，核心扩招方向为推荐算法、大模型应用，年薪50-80万 [2] - 蚂蚁集团：算法岗总HC 2500-4000人，AI相关占比80%+，核心扩招方向为大模型、AI安全、金融AI，年薪50-80万 [2] - 华为/小米：算法岗总HC 2000-3500人，AI相关占比70%-80%，核心扩招方向为端侧AI、自动驾驶、多模态，年薪40-70万 [2] AI人才市场薪资趋势 - 中大厂大模型岗年薪普遍达50万以上，优秀人才普遍能拿到百万年薪 [4] - 很多岗位薪资比往年提高40% [4] - AI大模型领域给程序员带来更高的年龄容忍度 [4] - 往期学员平均薪资达38万+，最新一期学员就业最高月薪达85K [11][67] - 往期学员案例：4年Java开发转型算法岗，年薪从25万涨到42万，涨幅68% [67] - 往期学员案例：5年后端开发转型图像算法岗，月薪涨至48K，年薪达72万 [70] - 往期学员案例：应届生拿下百度大模型算法岗offer，年薪48万 [72] - 往期学员案例：4年运维转型AI算法岗，综合年薪50万 [74] - 往期学员案例：被内推至腾讯NLP算法岗，薪资从13.5K跃升至27K×16薪，年薪翻近3倍 [76] - 90%的往期学员拿到国内外名企AI大模型岗位offer [67] AI大模型技术方向与岗位能力要求 - 行业对AI人才的能力要求涵盖Transformer架构、BERT与GPT模型原理、大模型构建、高效微调（LoRA、QLoRA）、Agent、Claude Code、OpenClaw和Harness Agent等前沿技术 [63] - 企业级Agent架构设计要求具备规划、执行、反思与自我修正能力的智能体系统设计能力 [18] - 治理工程（Harness Engineering）建立“决策与执行分离”范式，通过23阶段演进架构实现从基础感知循环到多代理团队协作的系统跃迁 [17] - 多层级记忆管理结合Prompt Caching与三层上下文策略（实时保留、智能摘要、磁盘持久化），解决长程任务中的Token损耗与“失忆”问题 [17] - 物理级任务隔离利用Git Worktree技术为Agent提供独立运行环境，确保并行任务间的物理隔离与操作可回退性 [17] - 多渠道接入网关实现一套逻辑同时适配25+种通讯平台，确保全局会话状态的一致性与安全性 [17] - Agent Skills三层架构（元数据层YAML格式name/description字段、指令层SKILL.md全文、资源层可执行脚本与参考文档）实现渐进式披露机制 [31][29] - 技能发现与动态加载机制通过语义匹配从数十甚至数百个技能中选出最合适候选，基于向量嵌入的技能检索技术与元数据意图匹配算法 [30][32] - 可执行脚本沙箱执行环境支持本地直接执行与Docker容器沙箱隔离两种模式，通过dependencies字段声明依赖并自动安装，限制脚本对文件系统、网络、环境变量的访问范围 [32] - 技能链（Skill Chaining）与多智能体协作支持显式调用与隐式组合两种模式，基于ReAct循环的“规划-执行-观察”多步决策 [32] - 多模态预训练模型CLIP用于图像与文本跨模态特征对齐与联合嵌入，向量检索利用Faiss、Milvus等向量数据库实现高效相似性检索 [40] - RAG技术通过“检索外部知识库+生成精准回答”两步流程解决大模型知识时效性滞后、特定领域知识缺失和“幻觉”问题 [38] - 混合检索策略结合关键词检索（BM25）与语义检索（FAISS/Milvus）提升复杂查询召回率，高维向量表征技术采用Sentence-BERT、BGE等嵌入模型 [42] - RAG核心模块包括典RAG（基础检索-生成流程）、迭代优化RAG（引入用户反馈与检索结果重排序）、多跳推理RAG（支持跨文档逻辑推理） [42][46] - NL2SQL技术实现自然语言到结构化查询的转换，结合Prompt Engineering引导LLM生成准确SQL并进行语法校验与优化 [52][60] - PDF智能公式与计算结合CV、OCR与LLM技术，利用PaddleOCR、Mathpix API等工具实现公式检测识别，通过SymPy等符号计算库进行代数运算与求解 [61] - Agent框架采用LangChain、Llamalndex等构建工具集成与执行流管理，提示工程进阶涵盖思维链（CoT）、ReAct、Self-consistency等策略 [59] - 模型上下文协议（MCP）集成构建标准化工具接口层，统一工具调用框架将数据查询、图表生成、文档处理等封装为标准化接口 [26][30] 行业应用场景 - 智能客服对话系统自动识别用户问题意图，提供精准应答与引导 [50] - 学术文献辅助分析分类整理文献资料，辅助研究方向定位与知识挖掘 [50] - 行业知识库问答精准匹配行业知识，快速解答专业问题 [51] - 政务与法律信息查询高效检索政策法规，提供权威法律解读与政务服务指引 [51] - 金融研报生成系统构建基于角色分工的多智能体系统，涵盖研究规划智能体、数据采集智能体、行业分析智能体（运用PEST、波特五力框架）、财务分析智能体 [24][30] - 多模态商品检索与内容推荐系统基于向量检索实现相似商品推荐与视频内容分析 [40][33] - 智能数据分析师、本地设备操控助手、企业品牌合规审查、PDF智能处理流水线、代码库文档自动化等应用场景 [41] - 自动化运维助理、自愈式研发系统、多模态知识助手等企业级AI闭环应用 [23] - ChatBI聊天式商业智能允许业务用户通过自然语言提问获得数据分析结果、生成报表及可视化图表 [48] - 智能投研应用前景广阔，金融研究报告自动化生成面临报告类型多样性、通用大模型能力局限、时效性与准确性要求等挑战 [19][24]

文章核心观点 - Anthropic旗下爆款产品Claude Code的核心产品负责人Cat Wu于周五离职，这一人事变动发生在公司即将进行大规模IPO的关键时刻 [1][3] - Claude Code在Wu与Boris Cherny的共同领导下成为AI行业历史上最重要的产品之一，为Anthropic带来病毒式传播效应、推动收入增长并为算力获取更多融资，使公司成为OpenAI更大的竞争对手 [2] 人事变动详情 - Cat Wu是Anthropic顶级产品经理，也是Claude Code发布背后小团队的核心成员之一，于周五离开公司 [1] - Wu于周二下午在X上宣布离职，感谢Claude Code团队及其用户，并回顾了该工具的进展 [1] - Wu担任Claude Code产品负责人，与该技术原创者Boris Cherny并列为两位最高领导者和布道者 [1] - Wu未说明离职原因，也未立即回应置评请求 [3] - Anthropic确认了Wu的离职 [3] - 同样参与Claude Code工作的Thariq Shihipar于上月宣布离职 [3] Claude Code发展历程 - Wu于2024年夏季加入Anthropic，并测试了Claude Code的早期原型，她在周二的帖子中回忆道“它奏效了，公司被吸引住了，于是加入了团队” [4] - Anthropic于2025年2月以研究预览形式发布该工具，发布时的一段简短演示视频中出现了Wu和Cherny [4] - 两人于当年夏季离开前往AI编程初创公司Cursor，几周后返回Anthropic [4] - Wu和Cherny随后主导了Claude Code的迅猛崛起，该势头在2025年底加速 [5] - 该工具最初作为软件工程师的自动编码器而流行，工程师们突然拥有了一个可以快速完成整个编码任务的产品 [5] - 随着更多开发者大量消耗Claude tokens，科技巨头在Anthropic的AI账单飙升 [5] 产品与业务范围 - Wu还负责监督Cowork，这是Anthropic面向非编码工作的工具，依赖相同的AI模型，为非软件工程师处理知识工作 [5] - 在4月Lenny‘s Podcast的采访中，Wu将自身角色描述为找出将Claude Code推向Cherny所设想的“AGI-pilled”版本的路径，此处AGI指行业术语“通用人工智能” [6] - Wu表示其角色中与市场、销售、财务及其他团队合作，并招聘了Anthropic部分产品经理，还经常在社交媒体上回应用户关于Claude Code的请求 [6] 行业与公司影响 - Claude Code为Anthropic提供了所需的病毒式产品，推动收入增长并获取更多算力融资，使公司成为OpenAI更大的竞争对手 [2] - Wu的离职正值Anthropic本月晚些时候冲刺大规模IPO的关键时刻 [3] - 在Wu的X帖子下，有评论者问“现在要休6个月假吗”，Wu回答“AGI之后再说” [7]