一個不會寫代碼的人，獨自扛住了 Anthropic 十個月的全部增長營銷

AI 究竟可以將一個人的工作效率提高到哪種程度？

最近，一篇關於 Anthropic 的帖子在社交媒體上引發大量轉發。發帖人 Ole Lehmann 稱，Anthropic 這家估值達到 3,800 億美元公司的整個增長營銷團隊居然只有一個人，一個非技術背景的營銷人員，獨自負責付費搜索、付費社交、應用商店優化、郵件營銷和 SEO，持續了將近十個月。

帖子發出後不久就被評論區質疑，但很快，當事人自己出來確認了。這位名叫 Austin Lau 的增長營銷人員回覆說：寫那篇報道時他確實是唯一一個做增長營銷的人，一個人撐了將近十個月。

圖丨相關推文（來源：X）

Anthropic 在今年 1 月底發佈了一篇官方案例研究，詳細介紹了 Austin Lau 的工作方式。同一時期，Anthropic 還發布了一份名為《Anthropic 團隊如何使用 Claude Code》的內部白皮書，覆蓋了從數據基礎設施到法務部門在內的十個團隊的使用案例，增長營銷是其中之一。

白皮書裡寫道：增長營銷團隊專注於付費搜索、付費社交、移動應用商店、郵件營銷和 SEO 等渠道，是一個“非技術型的一人團隊”，依靠 Claude Code 來自動化重複性營銷任務，搭建在傳統上需要大量工程資源才能實現的自動化工作流。

（來源：Anthropic）

Austin Lau 不是工程師。他在 Anthropic 官方的案例視頻裡說過，他“從未寫過一行代碼”，剛開始接觸 Claude Code 的時候，他甚至需要去 Google 搜索“如何在 Mac 上打開終端”。Claude Code 剛發佈時，他的第一反應是“完全不知道這個產品是給誰用的”，作為一個市場人，他覺得用途不明顯。

轉折發生在公司 Slack 群組裡有同事分享了一篇面向非技術員工的 Claude Code 安裝指南。Austin 出於好奇裝上了，一週之後，他搭建了兩套完全改變了自己工作方式的自動化流程。

第一套是一個 Figma 插件。做付費社交廣告和應用商店營銷，需要在 Figma 裡處理大量視覺素材。過去的流程是：要為同一個設計方案製作多種文案變體時，他需要手動複製 Figma 中的框架，在 Google 文檔和 Figma 之間不停切換，一條條複製粘貼標題。如果有 10 種文案變體需要適配 5 種不同的長寬比，這種機械勞動可以輕鬆耗掉半個小時。

圖丨 Austin Lau（來源：Anthropic）

他把這個痛點用自然語言描述給了 Claude Code，讓它幫忙寫一個 Figma 插件。過程中他讓 Claude Code 參考 Figma 的 API 文檔，邊研究邊做原型。生成的第一版原型並不完美，但作為起點足夠了，他在此基礎上不斷調試，最終做出了一個能用的插件。

（來源：Anthropic）

插件的工作方式是：選中一個靜態圖片框架，插件自動識別其中的標題、行動呼籲按鈕、代碼塊等組件，然後從一個準備好的文案列表中批量生成獨立的 Figma 框架，每個變體對應一套新文案。單次批處理生成最多 100 個廣告變體，每批耗時大約半秒。過去 30 分鐘的手動操作，現在縮短到 30 秒。

第二套是 Google Ads 的廣告文案生成工作流。Google Ads 的響應式搜索廣告對標題和描述有嚴格的字符限制，標題上限 30 個字符，描述上限 90 個字符。過去他需要在 Google 表格裡寫草稿，手動檢查字符數，再把內容逐條貼進 Google Ads 後臺。

Austin 在 Claude Code 中創建了一個自定義斜槓命令“/rsa”，觸發後 Claude Code 會要求輸入投放數據、現有廣告文案和關鍵詞，然後交叉引用他事先設定的“Agent Skills”，包含 Anthropic 的品牌調性、產品準確性規範以及 Google Ads RSA 的最佳實踐。

系統使用了兩個分工明確的子智能體（sub-agent），一個專門寫標題，一個專門寫描述，各自在各自的字符約束內工作，輸出質量比把兩項任務塞進單個提示詞要高得多。

最終 Claude Code 把 15 條標題和 4 條描述打包成一個可以直接上傳到 Google Ads 的 CSV 文件。Austin 強調，生成的文案只是起點，他會逐條評估：價值主張是否到位？語氣對不對？和競爭對手有沒有區分度？但起碼枯燥的初稿生成和格式化工作被徹底自動化了。

這兩套工作流的效率提升已經相當驚人，但 Austin 的系統不止於此。他還構建了一個連接 Meta Ads API 的 MCP 服務器（Model Context Protocol）。

通過這個集成，他可以直接在 Claude 桌面應用裡查詢廣告投放表現、花費數據和各條廣告的效果，不需要再打開 Meta Ads 的後臺儀表盤。“這周哪些廣告的轉化率最高”“我在哪裡浪費了預算”，這類問題可以直接問 Claude，拿到實時數據的答案。

更關鍵的是閉環。Austin 搭建了一個記憶系統，記錄每一輪廣告迭代中的假設和實驗結果。當他開始新一輪的變體生成時，Claude 會自動調取之前所有測試的數據，哪些文案表現好，哪些不行，讓下一輪生成建立在歷史實驗的基礎之上。這個系統在每個週期後都變得更聰明一些。這種跨數百條廣告的系統化實驗追蹤，在傳統團隊裡通常需要一個專職的數據分析師。

從 Anthropic 的白皮書來看，這套工作方式的成果是：廣告文案創建從 2 小時壓縮到 15 分鐘，創意產出量達到原來的 10 倍，他一個人測試的廣告變體覆蓋的渠道和數量超過了大多數完整規模的營銷團隊。

在那份白皮書中，增長營銷只是十個案例之一。數據基礎設施團隊用 Claude Code 調試 Kubernetes 集群故障，把原本需要聯繫網絡專家的問題在幾分鐘內自行解決；推理團隊中沒有機器學習背景的成員用它來理解模型函數和設定，把查閱文檔的時間從一小時壓縮到 10 至 20 分鐘；產品設計團隊直接用 Claude Code 修改前端代碼，工程師發現設計師在做“通常你不會看到設計師做的大型狀態管理改動”；法務團隊有人用一小時就做出了一個給有語言障礙的家人使用的預測文本輔助應用，而他們此前完全沒有任何編程經驗。

技術和非技術崗位的使用方式不同，但結論一致：Claude Code 正在模糊“能做”和“不能做”之間的邊界，而這條邊界過去幾乎完全由技術能力決定。

Austin Lau 自己在案例中有一句總結，大意是：“‘我希望這個東西存在’和‘我可以親手把它造出來’之間的距離，比大多數人以為的要短得多。”

當然，需要補充說明的是，增長營銷（growth marketing）不等於整個 GTM（go-to-market）。Anthropic 有完整的品牌、產品營銷和傳播團隊，Austin Lau 負責的是效果營銷這條線，付費投放、應用商店優化、SEO 這些可量化渠道。

今年 2 月 Anthropic 在超級碗上投了電視廣告，那顯然不是一個人能搞定的事。他的工作流所依賴的文案和品牌資產，最初也是由產品營銷和文案團隊協作生產的，Claude 在此基礎上做變體生成和規模化測試。

Austin Lau 在 LinkedIn 上最近補充了一些背景。他指出，那篇被廣泛傳播的文章描述的是 2025 年第二季度他作為唯一增長營銷人員的經歷，距今已經快 8 個月了。團隊後來確實擴充了人手，儘管規模仍然比外界想象的小得多，用他的話說，“我們的戰鬥力遠超我們的人數”。

即便如此，信號足夠強烈。一家投後估值 3,800 億美元、年化收入 140 億美元的公司，在增長最快的階段，讓一個沒寫過代碼的營銷人員獨自管理核心增長渠道長達十個月，效果還不錯。這應該已經能夠證明，AI 對知識工作者的能力放大倍數，可能比我們目前的組織架構和招聘慣性所假設的要大得多。

只是這種模式能在多大範圍內複製，目前還不清楚。增長營銷高度數據化、流程化、API 友好，天然適合自動化。換成需要更多人際判斷或創意直覺的領域，情況也可能很不一樣。

Anthropic 的白皮書在增長營銷章節末尾給出了三條建議：尋找有 API 接口的重複性工作流進行自動化；把複雜流程拆分成多個專門的子代理，而非試圖用單一提示詞包攬一切；在動手寫代碼之前，先在 Claude 上充分思考整體流程設計。這三條建議本質上是在說明，效率的瓶頸往往不在技術能力，而在於你是否願意花時間把自己的工作流拆解清楚，然後把其中可以被機器接管的部分交出去。