Claude Code团队访谈：工程师如何从写代码转向管理AI目标

在AI编程工具飞速演进的今天,Anthropic旗下的Claude Code团队正在经历一场深刻的工作范式转变。近期该团队的一场内部访谈揭示了一个引人深思的趋势:软件工程师的核心工作,正从"手写每一行代码"转向"向AI下达高层目标并推进产品"。这不仅是工具的升级,更是整个软件开发生命周期的重构。

Claude Code与Anthropic背景

Claude Code是Anthropic公司推出的AI编程助手产品。Anthropic成立于2021年,由OpenAI前研究副总裁Dario Amodei及其团队创立,专注于AI安全研究。Claude是其旗舰大语言模型系列,以Constitutional AI技术著称——通过让AI学习一套价值观和原则来确保其行为的安全性和可控性。Claude Code将这些能力应用到软件开发场景,不仅能生成代码,还能理解项目上下文、执行工具调用、进行代码审查等复杂任务。

从逐行审查到目标导向

访谈中,团队成员回顾了过去一年的巨大变化。一年前,他们还在给Claude Code写提示词、逐个批准权限请求、仔细审查每一次工具调用;而现在,工作方式已经发生了根本性转变。

Transcript与工具调用的演进

在AI Agent系统中,transcript指的是模型与环境交互的完整记录,包括模型的思考过程、决策依据、工具调用序列等。工具调用(tool calling)是大语言模型的一项关键能力——模型不仅输出文本,还能调用外部API、执行代码、读写文件等。早期AI编程工具需要开发者逐个审批每次工具调用(如文件修改、命令执行),以防止意外操作。随着模型可靠性提升和安全机制完善,这种微观管理逐渐让位于更高层级的目标导向交互。

我们已经从关注技术本身、关注每一条transcript、每一次工具调用和模型的每个决策,转向了一个更宏观的视角——我有一个目标,我希望实现它,然后你把这个目标交给模型去完成。

有成员透露,现在70%到80%的工作都通过Claude Tag(一个原生集成在Slack中的AI Agent)完成,只有约20%的工作需要打开TUI或桌面应用去精细调整。这种"放手让Claude去做"(let Claude cook)的信任,恰恰源于模型能力的实质性提升——不再需要盯着每一个token的输出,也能获得高质量的结果。

什么是AI Agent

AI Agent(智能体)是指能够感知环境、自主决策并采取行动以实现目标的AI系统。与传统的"问答式"AI不同,Agent具有持续性、主动性和工具使用能力。Agentic系统的核心特征包括:目标导向的规划能力、多步骤任务执行、从反馈中学习调整策略、以及与外部工具和API的交互。在软件开发场景中,Agent不仅生成代码,还能运行测试、查阅文档、提交代码、监控系统状态等,形成完整的开发闭环。这种从"工具"到"同事"的转变,正是当前AI编程助手演进的核心方向。

Slack原生Agent的独特价值

将AI Agent部署在Slack这样的协作环境中有其深意。Claude Tag可以主动查阅产品上下文、团队做出的历史决策,理解"这个产品应该是什么样"。这些额外的上下文信息,让Agent的决策质量大幅提升。

技术保质期只有两个月

访谈中一个极具洞察力的观点是:AI产品的技术"保质期"被极度压缩了。

过去技术的保质期是以年为单位的——我要做一个产品,我有很高的信心它会成为一个持久的东西,好几年甚至更久。但对于AI模型来说,底层技术每两个月就会发生根本性的变化,而且随着时间推移,这个周期还在被压缩。

这就形成了一个艺术与科学交织的平衡难题:既要站在技术前沿甚至超越前沿去感知边界,又要为当下正在使用模型的用户提供实际价值。

To-do列表:一个典型的"造了又弃"案例

团队用To-do列表功能生动地诠释了这种"用完即弃"的开发心态。在Sonnet 3.5时代,模型无法进行长周期工作——给它五个任务,它做完三个就放弃了。于是团队引入了To-do列表机制,效果立竿见影。

但一年之后,这个功能就被移除了。模型有了更复杂的记忆状态和其他可依赖的机制,To-do列表不再必要。团队成员总结道:"这是一个完美的例子,说明你必须对自己构建的东西保持不执着,因为它们很快就会消失。"

这背后的逻辑是:Claude Code中的很多功能,本质上是为了弥补当前模型的失败模式。随着模型能力增强,这些补丁式的功能可以被大胆抛弃,取而代之的是应对更大、更复杂任务所需的新工具。

工作在托管环境中的开发流程

Loops:从本地运行到云端常驻

访谈中一个有趣的"起源故事"是关于Loops功能的诞生。最初,一位工程师把所有Agent都跑在自己的笔记本上,但下班回家关机时,Agent就停了。

这个痛点推动了清晰的演进路径:

本地运行阶段:Agent受限于开发机的开关机时间
远程托管阶段:使用远程开发机,避免SSH的麻烦
云端常驻阶段:Claude Code on the web——托管容器在后台持续运行

自从我们做了这个,我的生产力提升了10倍。

当Claude运行在云端后,就能实现更有意思的场景:比如设置日常例程,每天自动查看所有用户反馈,按重要性分类,并自动修复那些它有高置信度能解决的问题。

这本质上是"打破session边界"的过程——从在一个会话中提示模型,上升到提示一个更高层级的系统,让它持续帮你修bug、执行任务。

Workflows与Fan-out:用测试时计算换取信心

代码审查(Code Review)催生了团队的另一个重要能力——Workflows。

大规模扇出与对抗式审查

代码审查是团队第一次进行"大规模扇出"(fan-out)的场景。具体做法是:让Claude并行搜索潜在的bug,对每一个bug进行对抗式审查——从三个不同的视角审视这个bug是否真实存在。这样就能过滤掉大量误报,只把最重要、真正需要人类关注的问题呈现出来。

测试时计算的力量

测试时计算(test-time compute)是AI领域的新兴概念,指在推理阶段(而非训练阶段)投入更多计算资源来提升输出质量。传统观念认为模型能力主要取决于训练规模,但OpenAI的o1等模型证明,通过让模型在回答时"深度思考"——进行内部推理链、自我验证、多角度分析——可以显著提升复杂任务的成功率。在代码审查场景中,这意味着让AI从多个视角反复验证同一个潜在bug,而不是依赖单次判断。这种方法在数学推理、代码生成、规划等需要严密逻辑的任务中尤其有效,代价是响应时间和计算成本的增加。

这正是团队所说的测试时计算——用大量推理时间为一个问题投入思考和算力,从而建立信心。

扇出后汇总给出最终结果

本质上是MapReduce问题

团队敏锐地指出,扇出的核心挑战在于:一旦扇出,信息量会爆炸,你需要再收敛回来供人类消费。"如果我直接读扇出的原始输出,我会疯掉。"因此需要机制帮助建立信心,而方法就是投入更多测试时计算。

MapReduce思想的应用

MapReduce是Google在2004年提出的经典分布式计算模型,核心思想是将大规模数据处理分为两个阶段:Map(映射)阶段将任务分解并行处理,Reduce(归约)阶段汇总结果。这个思想在AI Agent的工作流中同样适用——当面对复杂任务时,先将其分解为多个子任务并行执行(扇出/fan-out),然后将结果智能汇总为人类可理解的形式(收敛)。例如代码审查时,并行检查多个潜在问题,再通过对抗式验证过滤误报,最终呈现精炼的发现列表。这种模式既利用了AI的并行处理能力,又通过确定性的编排代码保证了流程的可预测性。

更巧妙的是,由于是Agent自己编写代码来编排子Agent,这就形成了确定性代码行为与Agentic LLM行为的混合。当Claude写了一个for循环遍历项目时,开发者知道它不会跳过任何一项,会对所有事物平等地应用同样的技术——这种可预测性显著提升了人对AI的信任。

这套能力不仅用于AI代码审查,同样适用于性能问题排查、通用深度研究,甚至规划一次家庭旅行。

Claude Tag:用Claude构建Claude

团队正在"用Claude Tag激进地构建Claude Tag本身"。这背后有一个关键的架构变化:用户界面首次与transcript完全解耦。

架构解耦的深层意义

传统AI助手中,用户界面直接展示模型的完整思考过程(transcript),包括所有工具调用、中间推理等。这种透明性虽有助于调试,但也带来信息过载和交互僵化的问题。Claude Tag采用了解耦架构:模型的内部独白与用户看到的消息分离,模型通过"发送消息"工具主动选择向用户展示什么、何时展示。这类似于人类协作——你不需要听到同事的全部思考过程,只需要在关键节点获得有效沟通。这种抽象提升了交互的自然度,让AI更像一个有判断力的协作者,而非需要全程监督的执行工具。代价是牺牲了部分可观察性,但换来了更高效的人机协作体验。

需要大量团队支持的产品开发

在Slack中看到Claude Tag的消息时,它实际上是在调用一个工具来发送消息,而它的内部独白对用户不可见。这个抽象层起初"有点吓人"——你看不到Claude的全部思考过程。但事实证明它极具解放意义:你不再纠结于它调用了哪个工具、传了什么参数,而是Claude自己选择说什么、何时说。

一个真实的产品开发闭环

一位成员分享了用Claude Tag开发新工具的完整流程,堪称AI驱动开发的典型范例:

探索阶段:先问Claude"谁可能对这个想法感兴趣",找到潜在的利益相关者
设计阶段:让Claude在Slack里直接做mockup,可以在手机上查看
实现阶段:完成开发,并加入大量埋点事件
监控阶段:内部部署后,让Claude Tag持续监控使用情况和用户反馈
响应阶段:有人反馈时Claude会@开发者,实现高响应度介入
优化阶段:发现转化漏斗问题时,不再直接下指令,而是让Claude"改进这个漏斗",在更高的抽象层级协作

埋点与智能监控

埋点(event tracking)是产品开发中的核心数据收集技术,通过在代码中插入事件记录语句,追踪用户的行为轨迹、功能使用情况、转化漏斗等关键指标。现代产品分析平台(如Mixpanel、Amplitude)能够处理这些事件流,生成用户画像、留存分析、A/B测试报告等。访谈中提到的"加入大量埋点事件",意味着在新功能上线时就建立完善的观测体系。更进一步,Claude Tag能够自动监控这些数据流,主动发现问题——例如某个转化步骤的流失率异常升高——并提醒开发者,甚至自主提出优化方案。这将数据驱动开发从"人工分析仪表盘"提升为"AI持续监控与建议"的新范式。

这印证了访谈中的核心观点——验证、代码审查、获取反馈这三者,都已成为Claude Code中的基础原语(primitives),它们连接着数据存储、事件流、Slack、GitHub issues等各种反馈来源。

工程师会失去什么,又获得什么

软件工程的边界正在拓宽

访谈结尾,团队坦诚地讨论了这场变革中"失去"与"获得"的部分。

失去的乐趣:

有人怀念性能工程带来的乐趣——深入系统去提升性能,"但Claude现在比我做得好多了"
有人曾花整整一天用CSS精确复刻macOS 10.4的Aqua按钮,堆叠径向渐变——"这种事现在Claude能直接帮我做,我再也不会手动去做了"

获得的可能性:

一位成员将这种感受类比为七八岁时想做游戏却不会编程,只能用PowerPoint画可点击的形状。"Claude让整个软件工程对我变得触手可及。无论我有什么想法,我不必再说'我没有这个技术能力',而是说'这是我想实现的,让我们拆解它,弄清楚如何和Claude一起把它做出来'。"

团队的注意力正从"深入细节"转向"更快地产生新想法"——从idea到原型再到生产的路径被极大缩短。

软件工程:永恒的变化之职

软件工程本就是关于变化的职业。

从手写JavaScript到发明框架、编译器,变化一直在发生,只是现在更快了。但软件的本质从未改变——如何利用工具去创造出色的东西,如何解决问题。

"你在解决不同的问题,但你依然在解决问题。"这或许是这场访谈留给所有开发者最深刻的启示:AI改变的是工具和抽象层级,而工程师作为"问题解决者"的核心价值,反而被进一步放大了。