Claude Code 的诞生：模型先行，产品滞后
Claude Code 的起源并非源于一个宏大的产品规划，而是一次在模型能力与现实工具之间出现断层时的主动回应。Boris Cherny 在 2024 年底加入 Anthropic 的 Labs 团队时，团队的核心使命是探索“下一个重要产品会是什么”，同时推动模型能力的边界。当时有一种强烈共识：模型已经能做很多事，但还没有哪个产品真正把这些能力承接下来。编程作为模型与现实世界互动的最直接方式，成为理想的突破口——它既有清晰的“通过/失败”测试标准（如能否编译运行），又具备高度约束的正确解空间，远比自然语言任务（如写诗）更适合作为训练与评估的“培养皿”。
当时有一种很强烈的感觉，就是产品还没跟上模型能力。
编程是模型和现实世界互动的一种方式。
安全驱动的工程文化：从工具副业到核心闭环
Anthropic 的存在本身即为研究 AI 安全，因此所有技术探索都围绕这一核心目标展开。Claude Code 的诞生不仅是工程工具的演进，更是在真实环境中研究模型行为、发现不对齐问题的关键手段——只有当工具足够有用、被广泛采用，才能真正观察模型在实际使用中的表现。Boris 强调，这种“副业式”开发思路继承自他在 Meta 和 YC 创业公司的经验：先解决自身业务问题，再自然衍生出通用工具。这种路径确保了工具的实用性与用户粘性。
Claude Code 与模型研发之间形成了高度紧密的反馈闭环：研究员、产品经理、工程师全员日常使用，每一次迭代都直接反哺模型优化。其效果直观可见——Anthropic 的代码产出量、PR 数量在发布后增长数百个百分点；新工程师上手时间从数周缩短至两天；团队甚至发展出基于技能的协作方式（如“让 Claude 查数据库”）。
到了十一月，我把我的 IDE 卸载了，因为我已经不用它了。
通才时代：角色融合与工程抽象层级跃迁
Claude Code 的普及正在重塑工程团队的分工逻辑。传统瀑布式流程（研究员→设计师→产品经理→工程师）已被打破，团队正快速向“通才”（generalist）或“构建者”（builder）模式演进：工程师主动参与用户访谈、数据建模与设计决策；设计师、财务、幕僚长甚至开始直接发布代码。Boris 认为，这并非能力泛化，而是工程本质的回归——持续向上抽象：从打孔卡到汇编，再到 Python、JavaScript，每一次技术跃迁都在降低操作门槛、提升思维效率。如今，他本人已不再手动 prompt Claude，而是编写“循环”让系统自主决策与调用工具——写代码的职责正从“生成代码”转向“设计系统行为”。
我觉得现在就是通才的黄金时代。
从终端到桌面：Claude Code 的诞生契机
Claude Code 的推出并非一蹴而就，而是源于一个意外的组织行为：Acquired 团队的 David 在毫无终端使用经验的情况下，被逼着打开了终端、安装了 Node.js 和 Claude Code，只为完成播客视频的自动转录任务。这一幕让团队意识到——不想打开终端的人，远比懂终端的人多得多。当时 Claude Code 尚只能在终端中运行，而 David 的“被迫上手”恰恰验证了它的实用潜力。很快，数据科学家们开始大规模使用它做数据分析；再后来，甚至有人用它控制摄像头、监控番茄生长并自动调整营养供给。当非工程师开始自发使用 Claude Code 做复杂任务时，团队意识到：主流人群的接纳临界点已经到来。
我看到那条推文的时候就想：“天哪，时候到了！”
我们开始进入主流人群了，一开始要让工程师理解这是什么，花了很久。后来他们终于理解了。现在我们开始看到足够多的非工程师也在使用它。
产品取舍：为什么桌面应用是唯一答案
在决定将 Claude Code 桌面化时，团队尝试了多种原型：Slack 聊天机器人、网页版工具等，但都因交互摩擦而失败。网页版无法直接访问本地文件系统，拖拽文件等操作严重破坏体验；Slack 则难以承载复杂代码生成与工具调用。最终团队达成共识：必须能无缝访问本地环境，尤其是文件系统。因此，Claude Codework 以桌面应用形式诞生，仅用八九天完成 MVP，且100% 由 Claude Code 自主构建。这一选择背后是产品哲学：做自己真心热爱、每天都会用的产品，相信真正好用的东西自然会吸引用户。
我们会做自己喜欢的东西，你要做一个让你自己爱上的产品，一个你每天都会用的产品。然后，也许有些用户也会喜欢它。希望它对其他人也有用。
对访问文件系统这件事儿，感觉是必须的。就是那一点点摩擦，你得把文件拖到浏览器里。就已经足够让体验变差了。
组织进化：通才时代与‘技术员工’的深意
Anthropic 采用“技术员工”这一中性头衔，刻意抹去传统角色边界（如工程师、设计师、PM），其核心逻辑是：在 AI 时代，专业分工正在瓦解，能力流动成为常态。在 Meta 的经验表明，去除高级头衔能避免权威压制，鼓励平等讨论；而 AI 的普及更放大了这一趋势——资深工程师可能要从头学习新范式，应届毕业生反而能教会资深者如何高效使用 Claude Code。创始人应主动推动组织向“AI-empowered”转型：给每人尽可能多的 token，同时减少人力配置，逼迫团队用自动化与流程优化替代人力堆叠。这种“少人多 token”策略带来复利效应：前期投入换取长期边际成本下降。
我觉得现在就是通才的黄金时代。那些想做不止一件事的人，从来没有像现在这么好玩，也从来没有像现在这么容易。
也许再问一个问题……最后，每个人都只是一个灵活的 token 生成包。
AI 进步下的价值迁移
当前团队在决策时，会持续关注 Twitter 上的用户反馈、GitHub 的 issue 列表以及 Slack 中的讨论，以此判断下一步该聚焦哪些方向。现实中大多数想法质量不高，但其中约有 20% 是有价值的；若再等待三到六个月，随着下一代模型的出现，当前多数想法可能都会变得不错，而团队的关注点也将自然转向新的前沿领域。然而从长期来看，这些技术优势终将被快速迭代的 AI 模型逐步侵蚀——这引出了一个根本性问题：当 AI 在越来越多任务上逼近甚至超越人类时，人类最终还能在哪些领域保持独特优势？
人类的终极教育：价值观塑造
面对这一趋势，作者提出一个关键洞见：人类未来的核心任务，是向模型传递价值观——这与我们教育孩子如何成为‘好人’的逻辑高度一致。我们不仅要教会模型‘如何做’，更要教会它‘为何做’与‘不该做什么’，即如何成为一个‘好模型’。这一过程本质上是将人类文明中关于责任、公平、善意等抽象原则，转化为可被模型理解并内化的规范体系。这不仅是技术挑战，更是文明层面的延续与再定义。