AI 时代到底该怎么管一个工程团队
Anthropic 工程/产品负责人 Fiona Fung 分享了 Claude Code 团队在 AI 时代的工程管理实践。她指出由于代码编写成本趋零，工程瓶颈已转移至验证、评审与安全层面。为此，团队废弃了六个月路线图和繁冗的文档，转而采用即时规划和代码作为“唯一事实来源”的策略。此外，她主张组织架构应扁平化，经理必须从一线 IC 做起，并重新定义了技术辩论与人机协作的代码评审流程，强调在 AI 辅助下更应关注产品质量与团队文化的底线。
相关文档
Anthropic 产品发布为什么快到离谱
文章深入分析了 Anthropic 极速产品发布的秘诀。Cat Wu 分享称，这种快并非依赖模型能力突破，而是通过极致的流程优化实现的。核心策略包括：将时间尺度压缩至以“周”或“天”为单位、推行低流程管理（工程师可直接上线）、全员高频“Dogfooding”以发掘真实痛点，以及极度对齐的使命感。此外，他们主动拥抱混乱，模糊职能边界，赋予个体极大自主权。Anthropic 将“减少摩擦”做到极致，让组织成为一个高效的交付系统。
Cat Wu：AI 产品经理到底应该干什么？
本文是 Anthropic Claude Code 负责人 Cat Wu 的访谈记录。她指出 AI 时代 PM 的核心不再是制定长周期路线图，而是缩短从想法到交付的周期。她分享了 Anthropic 如何通过 Research Preview 机制实现“一天一功能”的发布节奏，并探讨了技术背景与产品品味在 AI 原生产品中的重要性。
Anthropic 工程经理：面试不再考编程题，新人的冲劲正在跑赢资历
Anthropic 工程经理 Felix Rieseberg 宣布其团队面试不再考核传统编程题，因为 Claude 等AI已能轻松完成这类题目，且团队最能出成果的人与编程题表现关系不大。他认为AI时代让入行不久的工程师有机会跑赢资历更老的员工，因为把想法做出来的成本大幅降低。文章介绍了新人面临的困境（想法不被重视、受所谓'常识'束缚），并给出五条建议：紧盯业务影响、提出大胆想法、快速做原型、一个原型聚焦一个好点子、善用新人视角。文中以两位新工程师用周末做出 Claude Code 图形界面版为例佐证。
Claude Code 团队如何进行代码评审
本文介绍了 Claude Code 团队在 AI 生成约 90% 代码的情况下如何重构代码评审流程。团队将代码评审从人工逐行阅读转变为分层自动化体系：包括 PR 前的 Claude 自验证、子代理 diff 审查、内部 skill（bug 猎捕、diff 缩减等）、以及每个 PR 的 AI 评审，仅将人类注意力保留给高风险决策。通过 CLAUDE.md 和 REVIEW.md 等文件向评审者注入项目上下文，并快速回滚机制兜底。6 月至 9 月间合并 PR 数量翻倍，回滚率下降超 40%，实现了用最少人工环节保障代码质量的目标。
关于 FDE（前置部署工程师）的思考
微软、亚马逊、Anthropic、OpenAI 等公司投入数十亿美元大规模招聘前置部署工程师（FDE），将 AI 模型公司转变为实施公司。作者基于十余年嵌入式工程公司运营经验提出五点反思：FDE 并非稀缺物种，而是能用产品思维思考的全栈开发者；培养 FDE 靠日常运营文化而非福利；仅招顶尖人才无法规模化；人员轮换会丢失客户上下文；只招驻场人员会导致经济模型失衡。作者认为赢得 FDE 市场的关键在于构建能持续培养嵌入式工程师的运营文化，而非高薪抢人。
Anthropic 把程序员分成五种，我在 15 场绩效沟通里见到的，是第六种
文章讨论了 Anthropic 提出的程序员五种价值创造角色，并结合大厂团队的实际情况，提出了第六种角色“搬运工”。通过 15 场绩效沟通，作者分析了程序员在 AI 时代的焦虑与转型，指出解决之道在于补齐基建欠账和重新定义价值坐标。
Forward Deployed Engineer: A No-BS Guide to Tech's Hottest Job
本文深入解析了Forward Deployed Engineer (FDE) 这一热门职位。FDE 结合了软件工程师、商业顾问和产品经理的角色，旨在弥合AI能力与企业实际部署之间的巨大鸿沟。文章详细介绍了FDE的职责、高达$785K的薪酬水平、主要招聘公司类型以及所需的硬核技术与软技能，是了解该职业前景的权威指南。
像 Claude Code 团队一样做代码审查
文章介绍了 Anthropic Claude Code 团队的代码审查实践，以及作者团队自研 AI 代码审查工具 HeyDeer 的落地经验。核心思路是：AI 写代码占比接近 100% 后，人工逐行审查不再可行，应把人的注意力留给真正有风险的部分。做法包括按风险分级审批（低中风险由 AI 自动批准，高风险由人判断方向）、多模型交叉审查降噪、用仓库检查落实团队规范、通过 Autopilot 自动修复问题直至收敛。作者团队跑了 8 个月未因合并有 bug 的代码导致线上事故，认为大部分创业和中小公司都适用这种方式。
如何使用新版 Claude：从入门到精通
文章介绍 Claude 的重要变革：Claude Chat 与 Cowork 已统一为单一产品，云端的 Chat 现在能直接编写代码、生成幻灯片等，用户无需再区分不同模式。作者建议删除旧的复杂配置——包括 CLAUDE.md 文件、skills、指令文件等，因为它们会造成'上下文膨胀'，反而降低输出质量。这一观点得到 Claude Code 作者 Boris Cherny 的支持。替代方案是：设置中开启统一模式、选择 Auto、保留 Memory、每次只给一个清晰目标，并让 Claude 在开始前复述目标以确认理解。核心理念是'少即是多'，让技术变得无形。
Agent 高频题 03. 为什么要多 Agent：怎么拆、怎么通信、结果谁汇总
本文是 Agent 面试高频题详解第 3 题，围绕多 Agent 架构展开。作者结合 50 位作者、63 场面试的面经，系统梳理了六个追问方向：要不要拆、怎么拆、怎么通信、结果谁汇总等。文章指出单 Agent 在上下文膨胀、工具过多、提示词分支复杂、无法并行四方面会卡住；同时多 Agent 有 token 成本（约为普通对话 15 倍）、协调开销、信息丢失和错误传播等代价。文中总结了主从、流水线、并行分片、执行加审查、按意图转交五种结构，以及上下文、工具权限、可验收三类拆分边界，并对比 Skill、MCP、Workflow、SubAgent 等概念的适用场景，最后给出通信方式与面试应答要点。
What is a "harness"?
文章系统解释了 AI 领域中 harness（套件/执行框架）的概念。作者指出 LLM 默认只能生成文本，要真正执行操作需要工具、调用语法、解析系统、结果回传和工具清单，这一切组成了 harness。文中区分了界面（如 Claude Code 的 TUI/GUI）与底层 harness（如 Anthropic Agent SDK、Codex App Server），并用厨房比喻说明 harness 与工具的关系。文章还解释了 MCP 的作用——类似'食谱'，让代码可以在外部运行，以及 agent 的定义：LLM 与 harness 的结合体。
很多提示词和 Skill，其实都已经过时了
作者基于 Anthropic 工程师删除 Claude Code 80% 系统提示词却无性能损失的事实，反思提示词与 Agent Skill 的实践方法。提出提示词不是八股文，应聚焦任务三要素（目标、规则、完成标准），减少角色铺垫和冗余规则，多给思考方向而非僵硬示例，并设定明确验收标准。关于 Skill 沉淀，强调只有高频且流程稳定的任务才值得做成 Skill，要写入独特经验而非通识废话，严格控制单一职责与边界，主文件精简并渐进式加载，且必须内置自检环节形成质检闭环。
