观澜 INSIGHT · 自动研读

Building the most AI-pilled engineering team in the world | Fiona Fung (Manager of the Claude Code and Cowork Teams)

Lenny's Podcast: Product | Career | Growth · 播客 · · 原文 ↗

TL;DR

Anthropic 的 Fiona Fung 揭示了一个已经发生的现实：代码从 100% 人类编写走向 100% AI 生成，工程师每季度出货量增长 8 倍，编码不再是瓶颈——验证和产品判断才是。管理者必须亲手写代码保持触感，团队需要「高能动性 × 高问责」的治理框架，而行业正从疯狂烧 token 的探索期转向冷静追问 ROI。她的核心建议：拥抱恐惧、构建「几乎能工作」的东西等模型追上来、在数据之外相信亲自使用产品获得的轶事。

全文总结

这场深度访谈以 Fiona Fung 在 Anthropic 管理 Claude Code 和 Cowork 团队的亲身实践为主线，系统揭示了 AI 对软件工程从微观操作到宏观组织的全链条重塑。 核心诊断是：编码不再稀缺，验证成为新瓶颈。Anthropic 工程师每季度代码出货量是此前的 8 倍，代码从 100% 人类编写走向接近 100% AI 生成。这带来的不是工程师过剩，而是工程重心从「谁能写」转向「谁能判断对错」——TDD 因 AI 自动化测试生成而真正高效，代码审查从人工变成 AI 按 spec 框架自动验证，反馈监控从经理早晚手动查看变成 Routines 自动生成摘要。 组织层面，Fiona 提出了一套 AI 时代的治理框架：player-coach 模式（每位经理必须持续做 IC）、高能动性与高问责的匹配、Bad vs Sad 质量框架、从六个月路线图转向即时规划。她反复强调 dogfooding 和轶事信仰——数据仪表盘看不到廉价安卓机 LTE 慢导致的增长阻塞，亲身体验才能。人才策略上，团队需要「创意构建者」和「深度系统专家」两种人，而成长心态是 AI 时代的第一生存要素。 更深层的讨论触及 AI 的隐忧：编码技能萎缩风险（信任但验证）、全团队各自与 agent 协作的孤独感（并行编程午餐）、PM 和设计/数据科学角色的连锁重塑、以及最根本的问题——新一代工程师如果不需看代码如何掌握底层基础。Fiona 没有回避这些问题，而是将它们列为开放命题。她的终极建议：模型进步是指数级的，构建「几乎能工作」的东西等模型追上来；选一个你害怕做的流程杀掉它；在可以成为任何人的世界里，选择善良。

中心主张：AI 正在从三个维度系统性重塑软件工程：编码从瓶颈变为充裕资源，工程重心从「写什么」转向「验证什么」；管理者必须成为 player-coach 才能保持产品触感；组织需要在高能动性与高问责之间建立新的平衡——而那些以成长心态拥抱恐惧、持续 dogfooding、关注「潜在需求」的人和组织将在这场范式迁移中领先。

章节精读

AI 时代的软件工程：从编码瓶颈到验证重心

Fiona 以 Anthropic 工程师每季度代码出货量 8 倍增长这一震撼数据开篇，揭示 AI 对软件工程的本质性改变：编码从瓶颈变为充裕资源。这个数字的背景是 2021–2025 年 AI 辅助编程的快速渗透——从 Copilot 到 Claude Code，工程师的「生产函数」被彻底重写。更深层的逻辑在于：当代码编写从 100% 人类变为接近 100% AI 生成，整个工程组织的瓶颈发生了根本转移——从「谁能写得更快」转向「谁能验证得更好」。Fiona 回忆在 Visual Studio 编辑器团队时通过 dogfooding 获得快速反馈的经历，对比 CD 时代因物理介质发行而必须前置规划、严控质量的旧范式，点出当下 AI 时代「速度不再受限于编码」带来的管理范式变革。她强调不仅是工程师，设计师和 PM 都在用 Claude Code 提交代码，这意味着角色边界正在消融。Fiona 本人用 Claude 远程会话连接所有仓库和 Slack 进行管理对话，将 AI 从代码生成延伸到管理领域。她对错误的理念——「犯新的错误」——本质上是将错误视为学习系统的燃料：零错误=过度谨慎=速度太慢，用 AI 分析 incident 则是将质量保障也从人工审查转向智能定位。这一章为后续所有讨论奠定了核心前提：AI 不是工具替代，而是整个工程系统瓶颈的重新分配。

AI 使 Anthropic 工程师代码出货量增长 8 倍，编码不再是瓶颈，工程重心从「写代码」转向「验证代码」，团队文化鼓励「犯新错误」以换取速度。

第2章：反馈自动化、AI代码审查、人才画像与成长心态（725s–1463s）

12:05
这一章聚焦 AI 时代工程实践的具体操作和人才策略。Routines 功能的推出标志着工程管理从「人肉巡检」向「Agent 值守」的跃迁——经理不再需要早晚手动查看反馈渠道和待审 PR，Agent 自动生成主题摘要，相当于给每个管理者配备了一个 24 小时值班的 AI 助理。代码审查的新范式更为激进：将审查标准（spec/框架）本身 check-in 到仓库，让 Claude 按框架自动验证 PR——这本质上是把「什么是好代码」的隐性知识显性化、可执行化，是 TDD 在 AI 时代的自然进化。Fiona 指出 TDD 之前因测试编写的人力负担而未能全面普及，但 AI 可以先生成会失败的测试、再写实现、甚至回头补充测试覆盖，使 TDD 从理想变为实际可操作的日常流程。人才画像方面，Fiona 的两分法——「创意构建者」和「深度系统专家」——精妙地回应了 AI 时代的分工逻辑：前者利用 AI 放大产品想象力，从想法到交付端到端闭环；后者守住模型输出验证的硬核部分，确保 AI 生成代码的底层正确性。她提到一位非移动端工程师借 Claude 独立完成 Android 功能开发，说明 AI 正在系统性抬高个人能力天花板。最后，对「AI 焦虑」的应对——成长心态和「为我而发生」的认知重构——不是鸡汤，而是基于一个残酷现实：过去让你成功的路径正在被 AI 覆盖，心理弹性是生存刚需，不是奢侈品。

通过 Routines 自动化反馈监控、AI 驱动的代码审查框架和 TDD 进化，工程效率被系统性重构；团队需两类人才——产品感强的创意构建者和深度系统专家，AI 时代的第一生存要素是成长心态。

第3章：恐惧指南针、AI鸿沟与异步工程未来

24:23
本章从个人心理层面过渡到产品发现和工程未来趋势。Fiona 引用「你恐惧的洞穴藏着你寻找的宝藏」这句格言，将恐惧重新定位为方向信号——在 AI 快速变革中，回避恰是最大风险。AI 鸿沟的观察尤为关键：积极拥抱者与回避者之间的差距正在拉大，这不是渐进分化而是指数级分岔，因为拥抱者借助 AI 在加速学习，回避者则在原地踏步，两者的相对速度差不断放大。餐馆老板用 Cowork 在杂乱文件夹中找菜单并做价格对比的案例，生动说明 AI 工具的「低门槛发现力」——用户不需要数据科学背景就能获得洞察。这引出 Anthropic 的产品方法论：「潜在需求」（latent demand）——用户以非预期方式使用产品，恰是最有价值的需求信号。Fiona 强调客户会以你从未设计过的方式使用产品，最佳策略不是预设而是迭代学习和贴近反馈。工程范式的下一个转变——从同步 prompt 走向异步 agent 舰队——是本章最重要的前瞻判断：Routines 让抽象层级持续提升，工程师不再是一次次向 AI 发指令，而是设定好任务让 agent 自主巡航、定时回报，如同 cron job 但智能得多。这意味着工程管理也需要从「同步调度」转向「异步编排」。

恐惧是指向成长方向的指南针；AI 鸿沟正在加速分化人群；Anthropic 通过关注用户的「潜在需求」发现大机会；工程正在从同步 prompt 交互转向异步 agent 舰队协作。

高能动性 × 高问责：AI 时代工程团队的管理与衡量

36:38
本章是管理实操的精华，Fiona 系统阐述了 AI 时代工程团队的治理框架。核心张力在于「高能动性 × 高问责」：给予团队「烹饪的自由」的同时，必须明确问责机制。这看似常识，但在 AI 大幅抬高个人产出的背景下，权责匹配的挑战被急剧放大——一个人可以借助 AI 快速交付大量代码，但如果方向错了，破坏力也同样放大。Fiona 描述了 AI 工作模式从被动问答到主动派生子代理的转变：经理设定每日自动 prompt，Claude 定时检查项目落后项、谁在挣扎、可做的 polish，经理醒来时已有可审查的 PR。这本质上是将管理的一部分从「人的判断」委托给「系统的持续感知」，如同给管理者安装了一套雷达系统。行业「vibe shift」——从 token maxing 到追问 ROI——是一个重大转折信号：当 AI 能力从稀缺变为充裕，疯狂烧 token 探索可能性的阶段结束，行业开始冷静追问「我们到底得到了什么」。工程生产力衡量的核心原则「别把运动误当进步」是对所有 AI 助推团队的警示——提交量、PR 数、代码行数都是运动指标，不是结果指标。Facebook Marketplace 早期仅看卖家数量险些误判的教训深刻：指标永远只是现实的代理变量，必须随实际调整。Bad vs Sad 框架则为质量管理提供了可规模化的一致语言：不可恢复的 Bad 和可恢复的 Sad，各团队自主定义阈值，既保持了统一标准又不牺牲团队自主性。

AI 时代管理需匹配高能动性与高问责；行业正从疯狂烧 token 转向追问实际产出；衡量生产力需区分运动与进步；Bad vs Sad 框架为跨团队质量管控提供可规模化的一致语言。

管理者需做 IC、编码技能退化风险、AI 带来的孤独感与 PM 角色转变

49:00
本章触及 AI 时代最敏感的几个议题：管理者的技术能力保鲜、编码技能退化、工程师孤独感、以及 PM 角色的根本转变。Fiona 在 Anthropic 推行「每位经理必须先做 IC 且持续保留部分 IC 工作」的 player-coach 模式，其背后的逻辑是：如果管理者不每天亲手使用产品，对产品的触感和直觉会逐渐消失，最终做出脱离实际的决策。她本人从 Meta 管理约 500 人跳槽至 Anthropic 后转为 IC 工程师，Claude 成为她的「入职伙伴」帮她时隔 7 年重新交付生产代码——这是 player-coach 理念的亲身示范而非纸上谈兵。但她也坦诚指出 AI 编码的风险：工程师不再手写代码可能导致对底层架构和依赖关系理解的萎缩，「信任但验证」成为新的工程美德。孤独感问题被严重低估：当全团队都在各自与 agent 协作，人类之间的技术交流、结对编程的默契、一起 debug 的 camaraderie 都可能被侵蚀——「并行编程午餐」和 hackathon 是有意对抗这一趋势的制度设计。对工程师流失体验的怀念（沉浸式心流、最终破解的「顿悟时刻」）揭示了一个深层焦虑：AI 在提升效率的同时，是否也剥夺了工程师职业中那些带来深度满足感的瞬间？PM 角色的转变则是第二波冲击：不再因等待工程排期而成为瓶颈，可亲自交付功能——这意味着 PM 从「需求文档撰写者」变为「功能交付者」，角色定义正在被重写。设计、数据科学将是下一波自动化领域，AI 冲击波远未结束。

Manager 须持续做 IC 以保持产品触感；AI 编码可能导致底层技能萎缩需「信任但验证」；全团队各自与 Agent 协作引发孤独感；PM 正从需求撰写者转变为可亲自交付功能的全栈角色。

工程师角色重塑、Dogfooding 与未解问题

1:01:22
本章将讨论拉回工程实践与现实困境。Fiona 透露一个容易忽略但重要的数据：数据科学家一半时间在审查 AI 生成的分析，但这些分析一半是错的——这说明 AI 在数据科学领域的可靠性远未达标，人的审查仍是不可或缺的环节。大多数代码提交已是 Claude 辅助完成，这不再是未来趋势而是正在发生的事实。工程师需培养更强产品感的原因在于：模型能弥补非工程能力（如移动端开发），跨职能协作的阻塞大幅减少，工程师不再有「等设计师出稿」「等 PM 写需求」的借口，反而需要更强的产品判断力来驱动 AI 产出正确的结果。dogfooding 的强调与 Jeff Bezos 的名言「有数据也有轶事时，相信轶事」形成呼应：Fiona 在智利发现廉价安卓机 LTE 慢导致 feed 加载失败的故事，是教科书级的产品发现案例——数据仪表盘可能显示一切正常，但亲身体验才能揭示真实的增长阻塞。三个未解问题为本章收尾，它们是 AI 时代工程组织设计的核心难题：移动端团队是否还需按平台分工、自动化审查能推到多远而不丢失质量、角色边界模糊后如何确保公平考核——这些问题都没有答案，但提出本身就是领导者的责任。异步 Agent 增多导致的上下文切换负担，以及 Fiona 不得不重新预留专注时间的坦白，提醒我们 AI 在解决旧问题的同时也创造了新的认知负担。

数据科学家的 AI 分析一半是错的，人的审查不可替代；大多数提交已是 Claude 辅助；dogfooding 与轶事信仰是数据之外的产品感知关键；移动端分工、自动化审查边界、角色模糊后公平考核仍是未解难题。

第7章：培养下一代工程师、团队文化与流程演化

1:13:49
本章是整个访谈最深远的讨论——触及 AI 时代软件工程的基因级变化。Fiona 提出一个令行业不安的问题：新一代工程师如果不需要看代码，如何掌握内存管理、基础设施等底层知识？她怀疑行业可能走向学徒制模式——这实际上是在暗示当前大学计算机教育的课程体系可能全面失效。从打孔卡时代起步的前经理如今用 Claude Code 构建一切，这个例子戏剧化地展示了变革之彻底：这不是代际更替，而是跨越整个职业生涯的范式迁移。AI 是新的抽象层——就像汇编到高级语言再到垃圾回收语言，现在 prompt 和模型消息成了新界面，代码本身可能不再需要被直接审视。但 Fiona 同时给出了关键生存策略：模型改进是指数级的，今天自动化不了的任务下一个模型可能就行——建议构建「几乎能工作」的东西，等模型追上来你就领先了。这本质上是「比模型快半步」的投资策略。Fiona 对团队文化的担忧是本章最真诚的部分：文化是活的、会漂移的，尤其在高速增长和 AI 变革中，「一个团队」心态、多元视角、坦诚辩论这些品质极易被稀释。Sheryl Sandberg「快速增长是你想要的难题」的视角转换是给所有增长痛苦中的管理者的心理工具。最后的实操建议——明确授权团队终止不再有用的流程、从六个月路线图转向即时规划——是对「在不确定中保持敏捷」的具体落地。

新一代工程师若不需看代码如何掌握底层基础？AI 是继汇编到高级语言之后的新抽象层；模型指数级进步意味着今天不行明天可能就行；文化是活的需持续维护；从六个月路线图转向即时规划是应对不确定性的务实选择。

闪电轮：书籍、电影、产品、格言、编织与编程

1:26:26
闪电轮看似轻松，实则透露了 Fiona 领导哲学的多层来源。《风之谷》中 Nausicaä 的领导方式从八九岁就印在她心里，深刻影响了她的领导原则——这是一个容易被忽略但极具信息量的自白：她的领导风格不是来自商学院或管理书籍，而是来自一个虚构角色在极端环境下展现的同理心、勇气和决断力。《小王子》每年重读的习惯指向她对「什么才真正重要」的持续追问，在 AI 行业高速狂奔中保持这种反思本身就是稀缺品质。将编织比作编程（knit/purl = 0/1，栈和队列概念，自己像编译器）不仅仅是可爱的类比——它暗示了一种看待世界的系统性思维模式，这种模式让她能在代码、管理、产品之间自如穿梭。人生格言「在你可以成为任何人的世界里，选择善良」配合疫情期间同事体谅她取消一对一让她得以与祖母视频告别的故事，揭示了她对管理中人性的深层信念：微小善意可以产生巨大影响。最后对用户的开放邀请——在 LinkedIn 上反馈 Claude Code 使用体验与潜在需求——将整场访谈的「倾听用户」主线收束为行动号召。

Fiona 的领导原则受《风之谷》Nausicaä 深刻影响；每年重读《小王子》以保持对本质的追问；编织与编程的结构性类比反映其系统性思维；格言「选择善良」是其管理哲学的人性底色。

核心论点

  • 编码不再是软件工程的瓶颈——AI 使 Anthropic 工程师每季度代码出货量达到此前的 8 倍，工程重心从「写代码」系统性转向「验证代码」

    ◆ 高
    ▶ 0:00 原文证据

    Fiona 明确给出 Anthropic 内部数据：2021–2025 年每季度代码出货量增长 8 倍，并直接断言 'coding is no longer the bottleneck'。

  • 代码审查正在被 AI 重塑：将审查标准作为 spec 存入仓库，AI 按框架自动验证 PR——这是 TDD 在 AI 时代的高效进化

    ◆ 高
    ▶ 15:20 原文证据

    Fiona 描述将审查标准/spec check-in 到仓库中，让 Claude 按框架自动验证 PR，称之为 'evolution of test-driven development'。同时提到 AI 先生成失败的测试再写实现，消除 TDD 的人力负担。

  • AI 时代的第一生存要素是成长心态——过去让你成功的路径正在被覆盖，能否持续学习决定你是被 AI 替代还是被 AI 放大

    ◆ 高
    ▶ 20:29 原文证据

    Fiona 直接表述 'a growth mindset really really helps … what's served you to get you to this point may not serve you no longer'，并给出认知重构策略——将 AI 冲击从「发生在我身上」转为「为我而发生」。

  • AI 时代管理核心张力：高能动性必须与高问责匹配——给团队「烹饪的自由」的同时必须建立明确的问责机制，否则 AI 放大的不是产出而是混乱

    ◆ 高
    ▶ 38:48 原文证据

    Fiona 提出 'high agency is also high accountability … freedom to cook … but then what's the accountability for it'，并描述在 AI 放大个人产出的背景下权责匹配的挑战。

  • 行业正从「token maxing」转向 ROI 追问——当 AI 能力从稀缺变为充裕，疯狂探索阶段结束，冷静衡量实际产出的时代开始

    ◆ 高
    ▶ 39:40 原文证据

    Fiona 观察到 'vibe shift recently from token maxing … to you like wait what do we actually getting out of this'，描述行业从疯狂烧 token 的探索阶段转向追问产出。

  • AI 编码正在引发工程师的孤独感危机——全团队各自与 agent 协作侵蚀了结对编程的 camaraderie，「并行编程午餐」是有意对抗这一趋势的制度创新

    ◆ 高
    ▶ 56:49 原文证据

    Fiona 描述全团队各自与 agent 协作一段时间后感到孤独，团队发起 'parallel programming lunch' 和 hackathon，观察彼此使用工具的方式即可相互学习。

  • 数据仪表盘无法替代亲身产品体验——有数据也有轶事时相信轶事，dogfooding 是发现数据盲区中增长阻塞的唯一可靠途径

    ◆ 高
    ▶ 1:07:43 原文证据

    Fiona 引用 Jeff Bezos 名言 'if you have the data and you have an anecdote, trust anecdote over the data'，并用智利廉价安卓机 LTE 慢导致 feed 加载失败的故事作为数据无法揭示增长阻塞的案例。

  • AI 是继汇编到高级语言之后的新抽象层——代码本身可能不再需要被直接审视；模型指数级进步意味着「今天不行明天就行」，应构建「几乎能工作」的东西抢先机

    ◆ 高
    ▶ 1:16:12 原文证据

    Fiona 指出模型改进是指数级的，今天自动化不了的任务下一个模型可能就行，建议构建「几乎能工作」的东西等模型追上来就领先。同时一位从打孔卡时代起步的工程师如今用 Claude Code 构建一切。

  • AI 时代应放弃六个月路线图转向「即时规划」——月度优先级 + 每周快速检查，因为模型进步太快导致长期规划在制定时已过时

    ◆ 高
    ▶ 1:24:26 原文证据

    Fiona 描述从六个月路线图转向 she calls 'just-in-time planning'——月度优先级列表加每周快速检查，并已在探索自动化该流程本身。

  • PM 是第二大被 AI 改变的角色——从等待工程排期的需求文档撰写者转变为可亲自交付功能的全栈角色，设计和数据科学将是下一波自动化领域

    ◆ 中
    ▶ 1:00:09 原文证据

    Fiona 描述 PM 不再因等待工程排期而成为瓶颈，可亲自交付功能；设计、数据科学是下一波自动化领域。但 PM 转变为功能交付者的具体路径和边界尚未明确。

  • 下一代工程师如何培养是重大开放问题——若不需要看代码，如何掌握内存管理、基础设施等底层知识？传统 CS 教育体系可能全面失效，学徒制或是出路

    ◆ 中
    ▶ 1:13:49 原文证据

    Fiona 推测新一代工程师若不需看代码如何掌握底层基础，怀疑行业可能走向学徒制模式。她将此列为重大开放问题。

待验证

  • Anthropic 工程师每季度代码出货量是 2021–2025 年的 8 倍

    这是整场讨论的基础数据但未提供具体衡量方式——是按 commit 数、代码行数还是功能交付量？需确认统计口径

  • 52:50

    Fiona 在 Meta 管理约 500 人

    具体团队规模数字，有助于评估其管理经验的可迁移性

  • 53:58

    Fiona 时隔 7 年再次交付生产代码

    印证 player-coach 模式可行性的关键个人经历，时间跨度值得记录

  • 1:01:46

    数据科学家审查 AI 生成的分析，一半时候 AI 分析是错的

    50% 错误率是重要可靠性指标，但未说明数据集、任务类型和分析复杂度，需更多上下文

  • 1:02:12

    大多数提交（most commits）是 Claude 辅助完成的

    关键数据但「most」未给出具体比例——是 51% 还是 90%？对理解 AI 渗透率至关重要

建议行动

  • 每周用 Claude Code 远程会话连接所有仓库和 Slack，生成项目进度摘要，经理可先试行此模式
  • 推出「Routines」风格的自动化监控：设置每日 prompt 自动检查项目落后项、谁在挣扎、可做的 polish
  • 将代码审查标准（spec/框架）check-in 到仓库中，让 AI 按框架自动验证 PR，实现 TDD 的进化版
  • 开始团队「倾听之旅」：逐一听取资深工程师对 AI 工具的看法，获取放大推广的杠杆点
  • 发起「并行编程午餐」和 hackathon：让团队成员在同一空间各自与 agent 协作，相互观摩学习
  • 审查并终止一个你害怕做、噪音大、纯手工的流程——明确授权团队 kill 不再有用的流程
  • 从六个月路线图转向「即时规划」：月度优先级 + 每周快速检查，并探索自动化该流程本身
  • 建立「Bad vs Sad」质量框架：各团队自主定义不可恢复错误（Bad）和可恢复痛点（Sad）的阈值
  • 警惕「把运动误当进步」：审视当前工程指标是否真正导向业务结果，参照 Facebook Marketplace 的教训及时调整
  • 为团队设立「犯新错误」的文化基调：零错误意味着过于谨慎，用 AI 分析 incident 找出质量热点

查看 Lenny's Podcast: Product | Career | Growth 的更多分析 →

Lenny's Podcast: Product | Career | Growth · Building the…