Fiona Fung的职业生涯与Anthropic的工程变革

Fiona Fung是Anthropic负责Claude Code和Cowork团队的核心领导者，她直接管理着Boris Cherny以及整个工程和产品经理团队。在加入Anthropic之前，Fiona拥有超过25年的软件工程经验，这段经历塑造了她对软件构建角色变化的独特视角。她曾在微软任职11年，参与了Visual Studio和TypeScript的构建，随后加入Meta，在那里她不仅开创了Facebook Marketplace（该业务目前每年生成超过1000亿美元的GMV），还参与了Meta首款智能眼镜和AR眼镜的开发，并领导了Instagram的基础设施、增长、完整性和安全团队。在Anthropic，她见证并推动了工程团队生产力的巨大飞跃，团队目前的代码提交量是2021-2025年期间的8倍。这种效率的提升并非偶然，而是源于对AI工具深度整合和对工程角色重新定义的系统性努力。

"在Anthropic，工程师平均每个季度提交的代码量是2021-2025年期间的8倍。"

Fiona的职业生涯横跨了从传统软件开发到AI原生开发的完整周期。她在微软和Meta的经历让她见证了互联网产品从0到1的爆发式增长，而她在Anthropic的工作则让她处于AI技术变革的最前沿。她不仅关注技术本身，更关注技术如何改变人的工作方式。在她的领导下，Anthropic的工程团队不再仅仅是代码的编写者，而是成为了AI系统的架构师和协调者。这种转变要求工程师具备更高的抽象思维能力，同时也对管理方式提出了新的挑战。Fiona通过实践探索出了一套在AI时代高效管理工程团队的方法论，这套方法论的核心在于信任AI辅助决策和优化上下文切换。

AI原生软件团队在2026年的形态

Fiona Fung描绘了2026年AI原生软件团队的典型形态，这与传统的软件工程团队有着本质的区别。在AI原生团队中，AI不再是辅助工具，而是核心协作伙伴。工程师的角色从单纯的代码实现者转变为系统设计师和AI提示工程师。团队的工作流程高度依赖AI代理（Agents）和自动化工作流，大量的重复性编码任务由AI完成，而人类工程师则专注于架构设计、复杂逻辑验证和创意性解决方案。这种转变使得团队能够以更小的规模处理更复杂的项目，同时保持极高的交付速度。

"我们正在构建世界上最具AI特质的工程团队。"

在2026年的愿景中，AI原生团队的工作模式呈现出高度的异步性和自动化特征。传统的每日站会和冗长的代码审查会议被基于AI的异步反馈循环所取代。工程师提交代码后，AI代理会自动进行初步审查、测试和性能分析，并将结果汇总给人类工程师。人类工程师只需关注AI标记出的关键问题和优化建议。这种模式极大地减少了上下文切换带来的认知负荷，使得工程师能够更专注于高价值的创造性工作。此外，团队结构也更加扁平化，产品经理和数据科学家与工程师的界限变得模糊，大家共同协作，利用AI工具快速迭代产品原型。

利用Claude进行团队管理与输出审查

Fiona Fung详细阐述了她的团队如何使用Claude来管理项目和审查团队产出。她引入了Claude "routines"（例行程序）的概念，这是一种将特定工作流自动化和标准化的方法。通过定义清晰的输入输出标准和验证规则，Claude可以自动执行代码审查、文档生成和任务分解等工作。这不仅提高了工作效率，还确保了输出质量的一致性。Fiona强调，AI辅助管理的关键在于建立明确的反馈机制，使得AI能够根据人类工程师的反馈不断迭代和优化其工作模式。

"Claude的例行程序彻底改变了我作为经理的运作方式。"

在具体实践中，Fiona的团队使用Claude来审查代码的逻辑正确性、安全性和性能。AI代理会扫描代码库，识别潜在的错误和漏洞，并生成详细的审查报告。人类工程师则根据这些报告进行最终的决策和修改。这种人机协作模式不仅提高了代码质量，还减少了人为错误的可能性。此外，Claude还被用于生成项目文档、会议纪要和任务清单，确保了项目信息的透明度和可追溯性。通过这种方式，Fiona的团队实现了从人工管理到AI增强管理的转变，使得管理过程更加高效和科学。

代码审查与验证的演变

代码审查是软件工程中的关键环节，而在AI时代，这一过程发生了深刻的演变。传统的代码审查主要依赖资深工程师的人工检查，耗时且容易出错。现在，AI代理承担了大部分的初步审查工作，它们能够快速扫描代码，识别语法错误、潜在的安全漏洞和性能瓶颈。人类工程师则专注于审查AI标记出的复杂逻辑和架构问题。这种分工使得代码审查更加高效和全面。

"代码审查和验证的演变是AI原生团队的核心优势之一。"

Fiona指出，AI在代码审查中的优势在于其一致性和可扩展性。AI代理不会疲劳，也不会因为个人情绪而影响判断，它们可以24/7不间断地工作。此外，AI代理可以处理海量的代码库，这是人类工程师难以做到的。然而，人类工程师在上下文理解和创意判断方面仍然具有不可替代的优势。因此，最佳的模式是人机协作，AI负责处理重复性和标准化的任务，人类负责处理复杂性和创造性任务。这种模式不仅提高了代码质量，还促进了工程师的技能成长，使他们能够专注于更高价值的工作。

招聘创意构建者与深度系统专家

在AI原生团队中，招聘策略也发生了转变。Fiona Fung强调，团队需要招聘两类核心人才：创意构建者（Creative Builders）和深度系统专家（Deep Systems Experts）。创意构建者擅长利用AI工具快速原型化和迭代产品，他们具有强烈的创新精神和解决问题的能力。深度系统专家则具备深厚的技术功底，能够理解和优化复杂的系统架构，确保系统的稳定性和可扩展性。这两类人才的结合，使得团队既能够快速响应市场变化，又能够保持技术底座的稳固。

"我们需要招聘那些具有创造性思维并能深入理解系统复杂性的工程师。"

Fiona认为，传统的编程技能在AI时代的重要性有所下降，而系统思维和问题解决能力变得至关重要。工程师需要能够理解AI工具的工作原理，并能够将其应用到具体的业务场景中。此外，团队还需要具备快速学习能力，因为AI技术迭代迅速，工程师需要不断学习和适应新的工具和方法。Fiona的团队通过内部培训和知识分享，帮助工程师提升这些关键技能，确保团队在AI时代保持竞争力。

向雄心勃勃的思维转变

Fiona Fung指出，AI原生团队的成功不仅依赖于技术工具，更依赖于思维模式的转变。团队需要从传统的执行思维转变为雄心勃勃的构建思维。这意味着工程师不再仅仅是完成任务，而是主动寻找机会，利用AI工具创造更大的价值。这种思维转变要求团队具备冒险精神和创新勇气，敢于尝试新的方法和工具，即使这意味着可能会失败。

"我们需要培养一种成长型思维，以在AI原生团队中茁壮成长。"

Fiona强调，成长型思维（Growth Mindset）是AI原生团队的核心文化。团队成员需要相信自己的能力可以通过学习和实践不断提升，而不是固定不变的。这种文化鼓励团队成员不断挑战自我，探索新的可能性。此外，团队还需要建立心理安全感，使得成员敢于表达不同的观点和建议，而不必担心受到惩罚。通过这种方式，团队能够激发成员的创造力，推动产品的持续创新。

帮助小企业采用AI工具

Fiona Fung分享了Anthropic在帮助小企业采用AI工具方面的经验和见解。她认为，AI民主化是未来技术发展的关键趋势。通过降低AI工具的使用门槛，小企业能够以更低的成本获得强大的技术能力，从而在竞争中占据优势。Anthropic推出了Claude for Small Business，旨在为小企业提供简单易用的AI解决方案，帮助它们提升运营效率和服务质量。

"Anthropic正在识别潜在需求并为此构建产品。"

Fiona指出，小企业在采用AI工具时面临的主要挑战是技术门槛和成本压力。Anthropic通过提供标准化的API和预训练的模型，降低了小企业的技术门槛。同时，通过灵活的定价策略，降低了小企业的成本压力。此外，Anthropic还提供了丰富的文档和支持资源，帮助小企业快速上手和使用AI工具。通过这种方式，Anthropic不仅帮助小企业提升了竞争力，也扩大了AI技术的应用范围。

异步工作与AI例行程序的未来

Fiona Fung展望了异步工作与AI例行程序的未来。她认为，异步工作是AI原生团队的高效工作模式。通过利用AI代理进行异步沟通和协作，团队可以减少会议时间，提高工作灵活性。AI例行程序（Routines）将进一步自动化日常任务，使得团队成员能够更专注于高价值的创造性工作。

"异步工作与AI例行程序是未来的工作模式。"

Fiona强调，代理权与问责制（Agency and Accountability）是异步工作的关键。团队成员需要对自己的工作结果负责，而AI代理则作为辅助工具，帮助团队成员更好地完成任务。这种模式要求团队建立清晰的职责分工和绩效评估机制，确保每个人都能充分发挥自己的潜力。通过这种方式，团队能够实现高效协作，推动项目的快速进展。

从Token最大化到ROI测量的转变

Fiona Fung指出，AI行业正在经历从Token最大化到ROI（投资回报率）测量的转变。早期，AI公司主要关注模型的规模和Token数量，而現在，企业更关注AI工具如何带来实际的业务价值。这种转变要求AI公司更加注重产品化和商业化，确保AI技术能够解决用户的实际问题。

"我们正在从Token最大化转向ROI测量。"

Fiona认为，ROI测量是AI产品成功的关键。企业需要建立明确的指标体系，评估AI工具对业务的影响，如效率提升、成本降低和客户满意度提高等。通过这种方式，企业能够优化AI资源的配置，确保投资回报最大化。此外，企业还需要关注用户体验，确保AI工具易于使用且有效。通过持续优化产品，企业能够在激烈的市场竞争中脱颖而出。

"坏 vs 悲伤"质量框架

Fiona Fung提出了"坏 vs 悲伤"（Bad vs Sad）的质量框架，用于评估AI产品的质量和用户反馈。"坏"指的是产品存在明显的缺陷或错误，导致用户无法使用或产生负面体验。"悲伤"则指的是产品虽然功能正常，但无法满足用户的期望或情感需求，导致用户感到失望或沮丧。Fiona强调，团队需要同时关注这两类问题，确保产品不仅在功能上完善，而且在情感上也能打动用户。

"我们需要关注产品的'坏'和'悲伤'两个方面。"

Fiona指出，"坏"的问题通常可以通过技术修复来解决，而"悲伤"的问题则需要更深入的用户洞察和情感设计。团队需要通过用户反馈和数据分析，识别这两类问题，并制定相应的改进策略。通过这种方式，团队能够提升产品质量，增强用户满意度和忠诚度。此外，团队还需要建立快速迭代机制，确保能够及时响应用户反馈，持续优化产品。

为什么Anthropic的管理者都从IC做起

Fiona Fung解释了为什么Anthropic的所有管理者都从个体贡献者（IC, Individual Contributor）做起。她认为，这种晋升路径确保了管理者具备深厚的技术背景和一线实践经验。只有真正理解技术细节和工程挑战，管理者才能更好地支持团队，制定合理的战略和决策。

"在Anthropic，所有管理者都从IC做起。"

Fiona强调，技术同理心是优秀管理者的关键特质。通过从IC做起，管理者能够理解工程师的工作压力和痛点，从而提供更好的支持和资源。此外，这种路径也激励了工程师的职业发展，使得他们看到通过技术成长实现管理晋升的可能性。通过这种方式，Anthropic建立了一个技术驱动的管理文化，确保了团队的高效运作和创新活力。

防止技能退化

Fiona Fung警告了技能退化（Skill Atrophy）的风险，特别是在AI工具广泛应用的背景下。她认为，虽然AI可以辅助编码，但工程师仍需保持核心编程能力和系统思维能力。如果过度依赖AI，工程师可能会失去对底层技术的理解和掌控能力，导致在复杂问题面前束手无策。

"我们需要防止技能退化。"

Fiona建议，团队应定期安排无AI编码挑战和技术分享会，鼓励工程师深入学习和实践核心技术。此外，管理者应关注工程师的技能发展，提供必要的培训和支持。通过这种方式，团队能够保持技术竞争力，确保在AI时代依然具备强大的工程能力。同时，这种文化也促进了工程师的终身学习，使得他们能够适应快速变化的技术环境。

管理上下文切换与20个AI代理

Fiona Fung分享了如何管理上下文切换的问题，特别是在团队使用多个AI代理的情况下。她指出，频繁的上下文切换会严重降低工作效率和认知能力。为了解决这个问题，她引入了AI代理协调机制，通过自动化任务分配和结果汇总，减少工程师手动切换上下文的需求。

"管理上下文切换是使用20个AI代理时的关键挑战。"

Fiona强调，工作流优化是减少上下文切换的关键。团队应设计清晰的工作流程，明确每个AI代理的职责和交互方式，使得工程师能够专注于核心任务。此外，团队还应利用异步沟通工具，减少实时会议和即时消息的干扰。通过这种方式，团队能够保持高度的专注力，提高工作质量和效率。Fiona还提到，定期回顾和优化工作流，确保其适应团队的变化和需求。

PM和数据科学角色的转变

Fiona Fung探讨了产品经理（PM）和数据科学家角色在AI时代的转变。她认为，PM需要更多地关注用户洞察和产品战略，而不仅仅是功能定义。数据科学家则需要更多地关注模型部署和业务影响，而不仅仅是算法优化。这两类角色需要与工程师更紧密地协作，共同推动产品的创新和发展。

"PM和数据科学角色正在发生深刻的转变。"

Fiona指出，跨职能协作是AI原生团队成功的关键。PM和数据科学家需要理解AI工具的能力和限制，以便更好地定义产品需求和评估数据价值。同时，他们也需要向工程师传达业务目标和用户反馈，确保技术实现与业务需求一致。通过这种方式，团队能够形成合力，推动产品的快速迭代和优化。此外，团队还应建立共同的语言和目标，促进不同角色之间的有效沟通和合作。

狗食策略与使用自家产品的重要性

Fiona Fung强调了狗食策略（Dogfooding）的重要性，即团队必须使用自家产品。她认为，只有亲身体验产品的优缺点，团队才能发现潜在的问题和改进机会。通过内部使用，团队能够快速反馈和迭代，确保产品质量和用户体验。

"使用自家产品对于发现问题和改进至关重要。"

Fiona指出，内部反馈循环是产品优化的关键。团队应建立机制，鼓励成员积极反馈使用体验，并将反馈纳入产品迭代计划。此外，团队还应定期举行产品评审会议，讨论用户反馈和改进建议。通过这种方式，团队能够确保产品始终符合用户需求，并在竞争中保持优势。Fiona还提到，狗食策略也有助于增强团队的产品自豪感和责任感，使得成员更加投入地工作。

未解之谜与工程教育的未来

Fiona Fung提出了几个未解之谜，包括上下文切换问题的彻底解决和AI的最大未解问题。她认为，尽管AI取得了巨大进展，但在理解人类意图和处理复杂上下文方面仍存在局限。此外，她还探讨了工程教育的未来，认为教育体系需要适应AI时代的需求，培养具备系统思维和创新能力的人才。

"上下文切换问题尚未得到彻底解决。"

Fiona强调，教育变革是应对AI挑战的关键。学校和企业应加强AI素养教育，使得学生和专业人士能够理解和使用AI工具。同时，教育体系应注重批判性思维和创造力的培养，使得人才能够在AI时代保持竞争力。通过这种方式，社会能够培养出适应未来需求的工程人才，推动技术的持续进步。Fiona还提到，终身学习将成为工程师的常态，他们需要不断适应新的技术和工具。

团队文化：Fiona的夜间忧虑

最后，Fiona Fung分享了她最担心的问题：大规模下的团队文化。她认为，随着团队规模的扩大，保持紧密的文化联系和共同的价值观变得愈发困难。她担心，如果文化被稀释，团队可能会失去凝聚力和创新能力。

"在大规模下保持团队文化是我夜间忧虑的主要问题。"

Fiona指出，文化维护需要持续的努力和投入。团队应通过定期的团队建设活动、透明的沟通机制和共同的使命愿景，强化文化认同。此外，领导者应以身作则，践行核心价值观，影响和激励团队成员。通过这种方式，团队能够在规模扩张的同时，保持文化的活力和凝聚力。Fiona还提到，文化是团队的隐形资产，它决定了团队如何应对挑战和机遇，是长期成功的关键。

从六个月路线图到JIT月度规划

Fiona Fung描述了Anthropic在规划方式上的转变，从传统的六个月路线图转向JIT（Just-In-Time）月度规划。她认为，在快速变化的AI领域，长期规划往往不准确且缺乏灵活性。月度规划使得团队能够更快地响应市场变化和技术进展，及时调整战略方向。

"我们从六个月路线图转向了JIT月度规划。"

Fiona强调，敏捷规划是AI原生团队的核心优势。通过月度规划，团队能够更准确地评估资源需求和风险，确保项目的高效推进。此外，这种规划方式也促进了团队的协作和透明度，使得每个成员都清楚当前的目标和优先级。通过这种方式，团队能够保持高度的灵活性和响应速度，适应快速变化的市场环境。Fiona还提到，JIT规划需要强大的执行力和纪律性，确保每月目标能够按时完成。

闪电轮

在最后的闪电轮环节，Fiona Fung分享了她推荐的一些书籍和电影，包括Margaret Atwood的作品、Haruki Murakami的小说、《小王子》、《风之谷》等。这些作品不仅丰富了她的精神世界，也影响了她对人性、社会和技术的思考。她认为，人文素养对于工程师和管理者同样重要，能够帮助他们更好地理解用户和社会，从而设计出更有温度的产品。

"人文素养对于工程师和管理者同样重要。"

Fiona还提到了《高产出管理》一书，认为它对于理解管理本质和提升团队效率具有重要指导意义。通过这些推荐，Fiona展示了她多元的兴趣和深厚的文化底蕴，这也反映了她作为领导者的全面素养。她鼓励团队成员广泛阅读和思考，不断提升自己的综合素质，以应对AI时代的复杂挑战。