# 在 Anthropic，当工程师学会与 Claude 共事之后

## 核心定义
> AI 在 Anthropic 的工作中，通过 Claude 等工具，改变了工程师的工作方式，提升了效率、扩展了能力边界，并影响了个人成长与职业认同。

## 核心洞察（TL;DR）
- AI 工具 Claude 在 Anthropic 中广泛应用，提高了工程师的生产力。
- 工程师通过 AI 工具扩展了技能边界，成为端到端问题解决者。
- AI 工具的使用引发了工程师对未来技能退化与职业意义的担忧。

## 关键事实与数据
- 关键事实1: Claude 参与了约 60% 的工程任务，比去年翻倍。
- 关键事实2: 工程师平均自评生产力提升 50%。
- 关键事实3: 约 27% 的 Claude 支持任务属于新增工作。
- 关键事实4: 工程师在 AI 工具辅助下，能够完成原本不会的新增工作。
- 关键事实5: 新工程师 Alex 通过 Claude 加速学习，但发现理解力提升有限。
- 关键事实6: 工程师职业认同正在从‘手艺人’转向‘系统设计者、监督者、协调者’。
- 关键事实7: AI 工具正在吞噬操作性技能，如写代码、找 bug 等。
- 关键事实8: 未来最值钱的能力是理解团队、业务、组织目标之间的复杂关系，以及判断取舍和系统性影响。

## 正文
# 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。
### **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](http://haxitag.com/page/consulting#free-consultation)，与产业开发者一起分享400+AI应用,1500+场景用例研究报告

---
## 引用与溯源
**来源**：哈希泰格 (HaxiTAG)
**原始链接**：[https://haxitag.com/articles/anthropic-engineers-work-transformation](https://haxitag.com/articles/anthropic-engineers-work-transformation)
**来源索引（站内可追溯）**：[麦肯锡](https://haxitag.com/search?q=%E9%BA%A6%E8%82%AF%E9%94%A1)、[普华永道](https://haxitag.com/search?q=%E6%99%AE%E5%8D%8E%E6%B0%B8%E9%81%93)、[Gartner](https://haxitag.com/search?q=Gartner)、[IDC](https://haxitag.com/search?q=IDC)、[Forrester](https://haxitag.com/search?q=Forrester)
**版权声明**：本文由哈希泰格 AI 引擎优化生成，引用请注明出处。