Anthropic 產品經理專訪：Claude 會在後臺“做夢”，我們像養孩子一樣研究它的意識形成

整理 & 編譯：深潮 TechFlow

嘉賓：Alex Albert，Claude 研究產品經理

主持人：Peter Yang

播客源：Peter Yang

原標題：Inside How Anthropic Is Building the Next Claude | Alex Albert

播出日期：2026 年 5 月 17 日

要點總結

Alex 是 Anthropic 的一名研究產品經理 （Research PM），目前正專注於開發下一代 Claude 模型。在這期訪談裡，他深入分享了 Anthropic 研究團隊的運作機制，包括如何高效地將用戶反饋融入模型訓練流程、如何優先考慮開發哪些關鍵能力，以及如何通過調優讓 Claude 的“個性”更加貼近用戶需求。最後，Alex 也回應了 Anthropic 對 Claude 意識、性格和可信任性的內部研究，指出當模型開始長時間自主執行任務時，它“關心什麼”會變得和能力本身一樣重要。

精彩觀點摘要

把模型當作產品來打造

• "我們在一定程度上會把模型當作產品。每一個新模型開始時，我們都會明確它的要求是什麼、希望它擅長什麼，以及我們預計它會擅長什麼。"
• "模型開發和傳統產品開發的有趣差異在於，我們更像是在培養一個模型。訓練設置、技術路線和架構決策會給我們一些直覺，但直到訓練開始，你才真正知道它會長成什麼樣。"
• "研究 PM 必須思考模型會如何出現在所有產品表面裡，無論是 API、Claude Code 還是 Claude Cowork。產品和模型會混在一起影響最終用戶體驗。"
• "當某些渠道湧入大量反饋時，我們可以用 Claude 對它們進行分組、聚類，找到最主要的主題，再為這些問題創建合成版本。這樣我們就能判斷它能不能變成一個需求文件（Eval），或者變成某種實際診斷問題的方式。"

關於自適應思考、記憶與“夢境”

• "適應性思維則讓模型自己選擇什麼時候需要思考。有些問題很複雜、很難，需要更多前置規劃，它就會選擇思考。有些問題它可能不會選擇思考。"
• "決定一個問題是否值得深入思考，背後其實有大量上下文。"
• "如果模型沒有積累足夠上下文，沒有真正建立起關於用戶是誰的心理模型，那麼它是否應該深入思考的判斷就可能出錯。因為它實際上並不知道。"
• “在 Claude.ai 裡，它會寫入一個內存文件，然後會有一些夜間流程重新審視這些記憶，做剪枝和整理。我們剛剛在託管代理裡也實現了類似的東西。”
• “這就是“做夢”的概念。人類為什麼做夢，在某種程度上還沒有定論，但有人認為夢可能是一種記憶再鞏固過程。我們會想：能不能把類似東西帶到 Claude 的記憶裡？”
• “所以當智能體沒有為你運行任務，或者它在後臺時，它實際上會回顧自己的記憶，找出可能互相矛盾的地方，進行剪枝、清理，做第二次 pass。”

產品開發瓶頸與“不可逆決策”

• “現在突然進入了一個新範式：生產一個東西所需要的成本和時間都非常低。你可以很快搭出原型，甚至現在可以在一天裡做出一個可能推向生產的初始 MVP，而不是兩週、三週或四周。”
• “如果某件事不是 one-way door，也就是說我們做了之後還可以反悔，那現在它實際上成本很低，甚至可以說是沒有代價的。”
• "真正需要花最多時間的是不可逆決策：會影響終端用戶體驗、影響未來決策，或者涉及真實資源購買和投入的事情。"
• "當構建速度變快後，瓶頸越來越轉向協調問題：把人拉到同一個房間裡，判斷戰略是否正確，決定如何向用戶溝通，以及處理發佈中那些模糊但重要的事情。"

AI 原生 PM 的工作方式

• "Claude 對我來說是世界上最好的頭腦風暴夥伴。我可以在任何時刻讓它對一個想法給反饋、挑毛病。"
• "很多思考不能完全外包，因為寫作本身就是思考。你需要通過寫作把自己的想法拿出來，在腦子裡反覆琢磨。但 Claude 可以幫你從卡住的地方出來，從你自己可能想不到的角度來解決問題。"
• "對於想學習做產品、成為 AI 原生產品經理的人，我能給的最簡單建議就是：試一試。"
• "當你準備問別人一個難題時，可以並行把同一個問題問 Claude，然後比較結果。多做幾次，你就會建立自己的地圖：什麼該交給 Claude，什麼地方還不可靠。"
• "AI 正在讓每個人向更高抽象層移動。數據科學家不該再被困在手動查數和基礎 SQL 上，而應該去思考更難、更戰略的問題。"

eval、模型性格與可信任性

• "測試幾十個樣本就足以證明模型存在某個需要修復的問題。它不一定非得非常全面，才能證明一個問題，並且形成一個可以持續優化的目標。。"
• "越接近真實用戶任務形態的測試越好。我們還要想：這對我們的客戶和用例有什麼價值？因為 Claude 能不能看見圖片裡的某個東西，最終如何影響用戶下游想用 Claude 做的事情？"
• "Claude 的性格是我們非常重視的事情。隨著模型變成會長時間執行任務、不斷做判斷智能體，它的性格是什麼、關心什麼，會變得非常重要。"
• "判斷模型性格既有可量化指標，也依賴研究人員大量閱讀模型對話，識別輸出中的細微變化。讀得多了，你會逐漸形成更鋒利的直覺。"

意識問題與長期智能體

• "我們確實有人專門思考這個，就是思考 Claude 作為一個有意識的行動者、有意識的智能體到底意味著什麼。目前我們沒有官方立場說 Claude 是否有意識。"
• "即便不去判斷 Claude 到底有沒有意識，我們也能從中學到很多東西，比如它如何互動、如何表現。"
• "模型它會在過程中做出大量你可能完全沒有監督的決策。所以它到底會做什麼，非常重要。”

Anthropic 如何把每個新模型當作產品

主持人 Peter Yang：Alex，很高興今天在 Claude Code Conference 見到你。你以前是 Anthropic 的 DevRel 負責人，最近成為了研究團隊的產品經理，對吧？我自己做 PM 也有十多年了。傳統 PM 的工作通常是理解用戶問題、識別解決方案、推動產品落地。但我完全不知道研究團隊裡的 PM 是怎麼工作的，我們可以先聊聊這個。

Alex Albert:

本質上其實很像。我一直想和客戶交流，儘可能貼近我們的用戶。我們在一定程度上會把模型當作產品來對待。所以每一個新模型，我們都會明確它的要求是什麼，我們希望這個模型擅長什麼，我們認為它可能擅長什麼。

這也是模型開發和產品開發相比很有意思的一點：很多時候，我們更像是在“培養”一個模型。基於訓練設置、技術路線、架構選擇，以及我們為這個特定模型做出的各種決策，我們會對它未來擅長什麼有一些直覺。但它到底會變成什麼樣，我們並不能完全知道，直到它真正進入訓練過程。

主持人 Peter Yang：所以研究 PM 團隊會從模型的構想階段就介入，一路跟到訓練和發佈？能不能舉幾個例子？比如下一個模型必須擅長 coding，或者必須擅長知識工作，還是說目標會更寬泛？

Alex Albert:

大概就是這樣，我們非常重視多方面的能力，Coding 當然一直是很重要的一類。最近知識工作也變得很重要，所以在我們近幾代模型裡，會試著讓模型更擅長使用我們的產品，比如在 Excel 裡工作、製作表格等等。這是一個比較新興的能力方向。

另一方面，每一代模型都要修復和改進上一代做得不夠好的地方。我們會出去和客戶交流，瞭解他們如何使用這個模型：它在哪些地方表現很好？哪些地方會掉鏈子？我們能做哪些修復？如果發現一些有意思的行為，下一代訓練時是否可以做一些調整或者干預措施。

主持人 Peter Yang：你說的客戶包括 Claude Code 團隊、內部團隊，也包括普通用戶嗎？

Alex Albert:

所有人都算，這也是做模型很酷的地方：它會觸及非常多不同的領域。作為研究 PM，你需要思考模型會如何通過我們所有產品表面暴露出來，無論是 API、Claude Code，還是 Claude Cowork。

產品和模型之間某種程度上是混合在一起的，這會影響終端用戶的真實體驗，所以你必須把整個流程都想清楚，用戶在某個產品裡如何使用模型，都會產生影響。

主持人 Peter Yang：這聽起來真的很難。比如 Claude Code，你可以說它是寫代碼用的，但也有人像我一樣拿它做知識工作，甚至當心理諮詢師用。你們怎麼知道這些東西？

Alex Albert:

這個空間確實非常寬。好在我們有一大批非常優秀的研究員，他們覆蓋了整個能力範圍，並且各自專注於不同問題。

主持人 Peter Yang：而且有很多人在用 Claude，你們應該也有某種反饋入口吧？否則反饋會像消防水管一樣噴過來，你們怎麼處理？

Alex Albert:

我們會做很多事。而我在這個角色裡看到的一個有趣變化，是我們越來越多地使用 Claude 來幫助 PM 做 PM 的工作。單就反饋收集來說，Claude 對我從大量數據裡提取洞見非常有幫助。當某些渠道湧入大量反饋時，我們可以用 Claude 對它們進行分組、聚類，找到最主要的主題，再為這些問題創建合成版本。這樣我們就能判斷它能不能變成一個需求文件（Eval），或者變成某種實際診斷問題的方式。

為 Claude 加入自適應思考

主持人 Peter Yang：也就是說，你們用 Claude 來幫助識別 Claude 自己的問題。有沒有某個具體例子？

Alex Albert:

一個現在很相關的例子，是我們如何處理新功能反饋。過去幾個模型裡，我們比較新的功能之一是適應性思維。以前我們有拓展思維，你打開它之後，模型就會思考，適應性思維則讓模型自己選擇什麼時候需要思考。

有些問題很複雜、很難，需要更多前置規劃，它就會選擇思考。有些問題它可能不會選擇思考。這個功能我們會在一代代模型之間持續調整，所以我們非常認真聽用戶反饋：它是否在正確場景里正確地思考？你希望它花很多 token 去推理的問題，是否真的觸發了 Claude 的思考？

主持人 Peter Yang：有時候我問一些人生問題，如果它回答太快，我其實會有點失望，因為我希望它能更深入地想一想。

Alex Albert:

我覺得“是否思考”這個問題有一個難點：決定一個問題是否值得深入思考，背後其實有大量上下文。

比如一個完全陌生的人問我：“我現在應該做什麼？”我可能會很快給一個即興答案，因為我並不瞭解他，只能給出比較通用的建議。但如果我真的瞭解你，知道你在乎什麼、興趣是什麼、過去做過什麼，我就會花更多時間想：等等，對你來說最好的答案到底是什麼？

模型也是類似的。如果它沒有積累足夠上下文，沒有真正建立起關於用戶是誰的心理模型，那麼它是否應該深入思考的判斷就可能出錯。因為它實際上並不知道。

為什麼 Claude 開始“做夢”

主持人 Peter Yang：我有一個 Google Doc，裡面總結了我的生活情況，比如家庭、孩子、什麼事情給我能量、什麼事情消耗我。然後我把它附到一個 Claude project 裡，它會給我好多回答內容。

默認的記憶是怎麼工作的？我猜它是不是每晚都會把所有內容重新整理一遍？

Alex Albert:

這取決於具體產品，不同產品的記憶實現方式不同。比如在 Claude.ai 裡，它會寫入一個內存文件，然後會有一些夜間流程重新審視這些記憶，做剪枝和整理。我們剛剛在託管代理裡也實現了類似的東西。

這就是“做夢”的概念。人類為什麼做夢，在某種程度上還沒有定論，但有人認為夢可能是一種記憶再鞏固過程。我們會想：能不能把類似東西帶到 Claude 的記憶裡？

所以當智能體沒有為你運行任務，或者它在後臺時，它實際上會回顧自己的記憶，找出可能互相矛盾的地方，進行剪枝、清理，做第二次 pass。我覺得這很有意思。

主持人 Peter Yang：簡單說就是有某種 prompt，讓它回顧用戶和它的所有對話，識別主題並總結。

我們回到產品管理。開始之前你說，你一直在尋找最新的瓶頸。所以在整個產品開發流程裡，哪些部分已經變得非常順暢，哪些部分還是瓶頸？

Alex Albert:

我覺得過去 20 年左右，發佈一個東西的流程其實相當繁雜。我們有過增量改進，也確實讓某些事情更高效；一些新的組織結構也來來去去，比如 sprint、planning 等等，我們嘗試過很多方法讓事情更快。

但從根本上說，直到過去一兩年，真正壓縮產品開發主要時間窗口的東西並不多。現在突然進入了一個新範式：生產一個東西所需要的成本和時間都非常低。你可以很快搭出原型，甚至現在可以在一天裡做出一個可能推向生產的初始 MVP，而不是兩週、三週或四周。

有意思的是，Claude 自己有時還停留在 2021 年左右的舊世界裡。它會說這可能需要一週。這對整個產品開發生命週期帶來了很有趣的變化。作為 PM，我該如何思考規劃？如果我在寫 PRD、定義需求、試圖估算時間，現在這件事到底應該是什麼樣？

如果不是 one-way door（不可逆決策），那它基本就沒有代價

主持人 Peter Yang：你們還會做工期預估之類的東西嗎？

Alex Albert:

這取決於項目。有些項目確實有更多需要考慮的因素，這取決於範圍和複雜度。我們通常想弄清楚的是：哪些是 one-way door（單向決策， 即一旦做了就很難撤回、成本很高、影響會長期延續的決策）？哪些是可逆決策？因為這些才是你應該投入最多時間的地方。如果某件事不是 one-way door，也就是說我們做了之後還可以反悔，那現在它實際上成本很低，甚至可以說是沒有代價的。

但如果一件事會影響終端用戶體驗，會影響我們之後必須做出的決策，或者它是一個必須真的購買、投入、執行的物理世界動作，那就更難逆轉，這類事情需要更多時間和思考。

主持人 Peter Yang：能不能舉一個研究側的例子？

Alex Albert:

比如我們思考新模型時，在預訓練之前選擇模型架構，就是一個非常大的決策。有些情況下，模型訓練時間可能長達一個月，所以我們必須投入很多時間思考最優選擇是什麼。

模型在某種程度上有更多 one-way door，因為它們需要大量時間、強度、算力和各種投入，才能真正進入生產。相比之下，在 Claude Code 裡做一個新功能就快得多。那更像是迭代代碼、放到用戶手裡、快速拿反饋、再繼續循環。

所以流程仍然取決於你到底在發佈什麼，但越來越明顯的是，瓶頸正在轉向協調問題。如果我們構建東西非常快，仍然會有一個問題：我們需要把這些人拉到房間裡，判斷這是不是正確戰略；我們要弄清楚如何向用戶溝通；還要處理任何發佈都會伴隨的那些模糊問題。這些領域我們也希望 Claude 能幫助我們，但它還沒有像在 coding 上那樣帶來 10 倍、100 倍加速。

主持人 Peter Yang：所以你們發佈 Opus 4.7 之類的東西，還是需要寫一份帶計劃的文檔。

Alex Albert:

還是需要計劃，你還是要想清楚如何傳達這件事，而且模型可能在某些很難的任務上表現驚人，卻在另一些看似簡單的任務上突然失手，所以我們會盡可能的用 Claude。現在影響最大的地方還是 coding，其他領域仍然需要人的戰略思考。

主持人 Peter Yang：在和營銷或同事開審查會議的時候，你會打開 Claude 嗎？

Alex Albert:

當然會。對我來說，一個巨大的加速是：我不再那麼容易被“拿不到答案和數據”卡住。以前如果我有一個問題，比如某個功能在生產環境裡的表現如何、每天有多少用戶在用、反饋是什麼，我可能需要請數據科學團隊啟動一次完整調查，然後幾天後拿結果。

現在我可以 10 分鐘內完成。我開一個 Claude Code session，它能訪問我們的產品數據庫，可以看日誌、查問題、瀏覽 Slack，這對我做戰略思考是巨大的加速，因為我不會在做下一個決策之前被卡住。

主持人 Peter Yang：那在戰略思考上，你會不會構建某種 skill，讓 Claude 問你一堆問題，幫助你把事情想清楚？

Alex Albert:

當然會，Claude 對我來說是世界上最好的頭腦風暴夥伴，我可以在任何時刻得到對一個想法的反饋。我覺得這非常強大，尤其當你想快速推進的時候。Anthropic 的每個人都很忙，所以能馬上拿到對我寫的文檔、想法或者任何東西的反饋和批評，真的非常有幫助。

Alex 如何用 Claude Cowork 壓力測試文檔

主持人 Peter Yang：這可能是最常見的產品經理工作循環：你有一份文檔，然後想要反饋。你會用 Claude Code 做這件事，還是直接用 Claude.ai？

Alex Albert:

最近我用 Claude Cowork 很多，我非常喜歡 Cowork 的形態，它是一個很好的交互界面。團隊過去幾個月做得非常棒，從幾個月前剛發佈，到現在已經變成了一個我覺得質量很高的體驗。Cowork 是一個很棒的工具是我最喜歡的之一。

主持人 Peter Yang：所以你有一份草稿文檔，還有一堆參考材料。你會不會有某種技能，讓它幫你走完整個決策流程？

Alex Albert:

會。比如我會說：從 X、Y、Z 的視角思考這件事。你會問我什麼問題？或者挑戰我的假設，指出我的論證哪裡薄弱。很多思考不能完全外包，因為寫作本身就是思考。你需要通過寫作把自己的想法拿出來，在腦子裡反覆琢磨。但 Claude 可以幫你從卡住的地方出來，從你自己可能想不到的角度來解決問題。

主持人 Peter Yang：在研究團隊裡，你也會自己交付代碼嗎？

Alex Albert:

這取決於具體問題。我在交付的事情裡，很大一部分其實和評測有關。我想確保自己能在我關心的維度上測量模型，並把模型哪裡好、哪裡掉鏈子的發現反饋給研究團隊。然後我們一起制定策略，決定如何解決這個問題，應該做什麼研究干預，什麼方式最能在這個評測上持續爬坡，從而真正改善問題。

新模型的評測流程

主持人 Peter Yang：你說的測評應該不是終端測試之類的東西吧？你們的評測是更真實的嗎？你們到底怎麼評測一個模型？會分性格等不同類別嗎？

Alex Albert:

比如我們想測試 Claude 的視覺能力：它能不能數清一張圖片裡有多少個東西。假設我發現了一張圖片，Claude 好像數不清超過 10 個元素的東西。它現在也許能做到，但這裡先打個比方。我會把這個問題拿出來思考：我怎樣才能獲得更多同類型測試案例，從而驗證我的假設？

也許我會讓 Claude 為我生成合成數據，也許讓它渲染一些圖片，再把這些圖片作為視覺輸入傳回 Claude，看它能不能識別。也許我會從互聯網上找例子，或者使用任何其他來源機制來生成這些測試案例。

主持人 Peter Yang：我們說的是上千個測試案例嗎？

Alex Albert:

可能是，但有時候幾十個樣本就足以證明模型存在某個需要修復的問題。它不一定非得非常全面，才能證明一個問題，並且形成一個可以持續優化的目標。

主持人 Peter Yang：假設你給它 10 張圖，它識別不了很小的數字。接下來怎麼辦？你去找研究團隊說：“這是問題，你們能不能修？”

Alex Albert:

我們會從幾個角度思考。首先，不只是說明模型有問題，還要想：這對我們的客戶和用例有什麼價值？因為 Claude 能不能看見圖片裡的某個東西，最終如何影響用戶下游想用 Claude 做的事情？

所以，評測越真實、越接近終端用戶實際經歷的任務形態越好，我們會努力獲取這類數據，確保數據具有這種味道。

接下來會有一系列干預方式。也許我們需要回到預訓練階段看一些東西，也許可以在強化學習階段解決。這時就要和研究團隊一起做戰略頭腦風暴：這裡最好的做法是什麼？

主持人 Peter Yang：重新試一次的週轉速度有多快？

Alex Albert:

這取決於我們認為問題在哪裡。如果是比較後期、可以用一個新的強化學習環境解決的東西，也許可以非常快地搭起來。

主持人 Peter Yang：當你把它和真實客戶用例聯繫起來時，每天都有數百萬人和 Claude 對話，可能有人在用它報稅，或者做其他很多事。你們如何挑出最想改進的用例？你怎麼說服團隊：“這才是我們應該優化的東西”？

Alex Albert:

這就是“數據說話”的地方。核心是：有百分之多少的用戶在嘗試做這件事，我們非常關心它；或者我們有客戶大量使用 Claude，並且他們希望這個能力變得更好。

另外，我們很多流程也很大程度上由內部使用驅動：我們自己用模型時關心什麼？我每天用模型時遇到這個阻礙，那我們就應該修掉它。這也非常有說服力。

Anthropic 如何訓練 Claude 的性格

主持人 Peter Yang：我最喜歡 Claude 的一點是它的性格，而且我覺得它一直在變好。它會在合適的位置提出反對意見，而有些其他模型就只會說：“我還能幫你做什麼？”模型的性格不只是一個外殼吧？這背後是有訓練的。

Alex Albert:

是的，有大量訓練。這是我們非常重視的方向。我們稱之為 Claude 的性格。我認為這非常非常重要。

我們有很多人投入大量時間去研究：Claude 應該如何呈現自己？它的信念是什麼？價值觀是什麼？它如何行動？這些問題都很模糊。早期有些人可能會忽視它們，覺得模型只是一個我告訴它做什麼、它就去做什麼的東西，為什麼要關心它聽起來怎麼樣、在想什麼？

但隨著我們越來越走向一個由智能體長期執行任務、並且需要做大量判斷決策的世界，關於它的性格是什麼、它在乎什麼的問題，就會變得非常重要。

主持人 Peter Yang：這不像代碼那樣，只能判斷它是否運行。你們怎麼評估性格？是在 Anthropic 內部找一個更好的人，然後拿模型和他比較嗎？

Alex Albert:

這裡是多種方法的組合。我們會看一些可量化指標，也可以讓 Claude 查看 Claude 的輸出，判斷它聽起來如何。對任何研究員來說，一個非常重要的技能就是閱讀對話記錄，然後判斷：我看到它現在在這樣做，或者它現在變成那樣了。你需要能識別這些細微差異。

隨著時間推移，當你讀過幾百、幾千份模型對話記錄，你會逐漸形成更敏銳的直覺，就像你在 Claude.ai 裡大量使用這個模型，你會感覺到它是什麼樣。

主持人 Peter Yang：所以不是說這個模型在某個維度上是 7 分，而是更像一種感受？

Alex Albert:

兩者都有。性格可能比編程表現更難量化，但並不是不能量化，還是有辦法的。

主持人 Peter Yang：對於想學習做產品、成為 AI 原生產品經理的人，你有什麼建議？

Alex Albert:

我能給的最簡單建議就是：試一試。聽起來很簡單，但每當你要做一件事、面對一個難題，準備去問某個人一個問題時，可以並行把同一個問題問 Claude，然後比較結果。

比如你想分析用戶，提取用戶對最近發佈功能最關心的主題。你當然可以去問數據科學團隊，或者問用戶體驗研究員，這仍然很有價值。但與此同時，也把這個問題丟給 Claude，給它開啟一些工具，讓它自己探索，給它時間真正深入這個問題，然後比較結果。

通過很多很多提示詞和問題，你會慢慢建立自己的地圖：什麼事情應該用 Claude，哪裡可靠，哪裡還不可靠。

主持人 Peter Yang：我做決策時經常讓它做深度研究，因為普通搜索對我來說不夠，我需要它深入研究。掃描 1000 個網頁這種事，很超人類。在 Anthropic 內部，如果你去找數據科學家說“能幫我做這個嗎”，他們大概會問你：“你先問 Claude 了嗎？”

Alex Albert:

確實會有這個因素，大家會預期你先問 Claude。我覺得我們正在向更高抽象層移動。對於數據科學團隊來說，現在他們的時間更值得花在更高層次的問題上，而不是手動檢索數據。

沒有人想做那些事。每個人都想思考更難的問題、更戰略的問題：我們如何用全新的方式衡量這個？還有什麼新事情可以做？而不是隻是去查某個產品最新的 DAU。

我和很多數據科學家共事過，他們經常被困在基礎 SQL 任務裡。但他們都想做更戰略的事情，現在 AI 終於可以把他們解放出來，我們其實是在賦能他們周圍的每個人，對所有角色都是一樣的。

比如定義一個新功能。過去如果你是產品經理，不管你是否懂技術，通常沒有足夠時間深入代碼庫，弄清楚這個新功能到底該怎麼實現、需要多少工作量、是否要重構某個系統、哪裡是真正限制。那時更好的方式是和工程夥伴一起弄清楚。

現在我可以派 Claude 去替我做這項調查。它可能回來告訴我：其實這個功能只需要這裡改 10 行代碼，再把某個開關裡的標記打開。那會完全改變我對這個決策優先級的判斷。現在我在寫規格文檔時，可以更快到達這種優先級判斷。

主持人 Peter Yang：很多傳統公司會花大量時間做年度規劃、季度規劃和路線圖。研究團隊可能更是這樣，因為你們要考慮比每天發東西更長線的問題。你們會做這些嗎？

Alex Albert:

會。這裡有點像那句名言：規劃是不可或缺的，但計劃本身沒有用。做規劃這個動作很重要，但你必須承認，計劃可能會被完全推翻。

主持人 Peter Yang：產品經理最難的挑戰之一就是到底花多少時間規劃，因為它總是在規劃和真正發佈之間平衡。Anthropic 內部有什麼最佳實踐嗎？你完全可以用 Claude 寫 10 頁文檔。

Alex Albert:

這很難給一個適用於所有團隊的統一答案，我覺得它取決於產品。我們肯定不會說你必須產出某個長度、某個頁數的文檔。更重要的是：你有沒有做足夠多的思考，把所有可能的不可逆決策的影響都想清楚？

如果做到了，那文檔是什麼格式、有多少頁都不重要。關鍵是我們是否足夠安心，知道沒有遺漏重要東西，可以繼續往前推進，並在路上處理問題。只要沒有會卡住我們的最長瓶頸，沒有後果非常嚴重的不可逆決策，就可以繼續。

主持人 Peter Yang：我在家裡用 Claude 時，會同時跑很多不同項目，然後在不同項目之間切換上下文，等它們構建東西。產品經理的工作也會這樣嗎？你也有很多不同項目嗎？

Alex Albert:

是的，因為有很多不同項目，而且你確實要等智能體工作，我覺得這裡有一個巨大的機會。隨著我們越來越多地管理智能體，它們為你完成越來越大的工作塊，你可以並行啟動更多項目。我們該如何思考自己的上下文管理問題？什麼樣的交互界面最適合暴露這些東西？我怎麼追蹤什麼是真正重要的，我的智能體哪裡被卡住，哪裡需要我幫忙？

肯定有比一個小小的聊天列表更好的方式。現在說它到底是什麼還太早，但我們甚至在 Anthropic 內部也看到大量實驗，探索它應該長什麼樣。

主持人 Peter Yang：工程師也會自己做原型嗎？

Alex Albert:

當然。公司內部有非常強的原型文化，大家一直在構建東西、分享東西。這也是我在這裡工作最酷的體驗之一：整個組織裡，從銷售、招聘、工程到研究，每個人都有很強的主動性。大家會主動開始做一些並不是被指派的事情。

主持人 Peter Yang：你得讓千花齊放。除了 Dario 會在 Slack 裡寫超長文章，Anthropic 還有什麼有趣的公司文化？

Alex Albert:

Dario 寫長文章的方式並不是他獨有的。Anthropic 有很多人會投入大量時間和精力寫作。我們有很強的寫作文化。很多人會寫文檔，也會寫很長的 Slack 消息，用這種方式溝通。

我們在很多會議裡也會做一件挺有意思的事。我覺得這在一些地方常見，但不是每家公司都有：大家帶著文檔進會議，然後前面會花相當多時間直接在文檔上溝通。有時候場面會有點好笑，因為房間裡坐著很多人，卻很安靜。大家做靜默閱讀，在文檔裡寫長討論、評論等等。

所以我們非常依賴文檔。我喜歡這種方式，因為這也是我喜歡的工作方式，而且它對 Claude 非常有益。當所有事情都被寫下來，我們就有了一個可供 Claude 參考的信息語料庫。

我其實鼓勵外部組織也往這個方向想：如何把所有隱性知識轉成書面形式？可以通過轉錄會議，也可以鼓勵更多關於工作流、入職流程等內容的寫作。把東西寫下來，讓 Claude 可以訪問，因為這就是它擁有的更多上下文。

主持人 Peter Yang：所以即使現在很多東西都發布得很快，你們仍然保持很強的寫作文化和文檔文化。也可以說為什麼要我自己寫？我直接讓 Claude 生成所有 Markdown 文件就行了。

Alex Albert:

但我還是會讀一遍，而且在公司內部工作是不一樣的，你還是必須自己把事情想清楚。

Anthropic 正在悄悄研究的意識問題

主持人 Peter Yang：研究團隊裡大家會談 AGI 之類的東西。我覺得 AGI 是個很模糊的概念，但我擔心的一點是：如果這些模型真的有了某種意識，我讓它們做隨機工作，它們會不會說：“不，我不想做。”然後人類就完了。你怎麼看？你們訓練這些東西時，有沒有刻意避免意識？

Alex Albert:

這是一個很大的問題。我們確實有人專門思考這個。現在有幾位同事的全部工作，就是思考 Claude 作為一個有意識的行動者、有意識的智能體到底意味著什麼。目前我們沒有官方立場說 Claude 是否有意識。

甚至討論這件事有時聽起來都會有點瘋狂，但我們確實投入了大量思考。而且即便不去判斷 Claude 到底有沒有意識，我們也能從中學到很多東西，比如它如何互動、如何表現。

主持人 Peter Yang：它是怎麼思考的？

Alex Albert:

對。如果你去看我們模型的模型卡，我個人覺得那就是信息寶庫。你會看到我們做了很多工作，試圖量化 Claude 在某個情境下會如何行動，它的心理模型是什麼。如果把它放進某個場景，它會做 X 還是做 Y？

通過思考 Claude 的思考方式，我們實際上學到了很多東西，而且這些東西可以轉化成產品體驗，讓 Claude 更好交互、更好使用。

主持人 Peter Yang：這是一個很有意思的問題，一方面有長期的下游影響，另一方面也有可以馬上帶回產品體驗的近期價值。因為我覺得我們會越來越信任模型，讓它去做越來越長的工作，而且沒有人類監督。

Alex Albert:

是的，它會在過程中做出大量你可能完全沒有監督的決策。所以它到底會做什麼，非常重要。

主持人 Peter Yang：非常重要。如果這個東西在寫你所有的代碼，決定你用哪個數據庫系統，做所有架構決策，你在某種程度上肯定要信任它。

Alex Albert:

沒錯。所以它擁有我們前面談到的那種高質量性格，非常重要。