Anthropic 工程主管談把大任務交給 AI：判斷成果，不必掌控過程
一句話重點：與其親自盯著每個步驟，不如把整個大任務交給 Claude 並用成果驗收，因為通用模型已經夠強，真正缺的是清楚的成功標準，以及讓另一個 Claude 挑錯、再由 judge 驗證的把關機制。
關鍵觀點
- 把 Claude 當專業者而不是聊天機器人：讓它模仿專業人士的流程、使用 Blender 這類專業工具，而不是只做摘要或角色扮演。
- 防止 AI 自信地出錯：派多個 Claude 專門挑錯（可用較弱的模型），再由另一個 judge 驗證批評，只把有效回饋交回原本的 Claude；不要相信單一 session 的自我評判。
- 只要能說清楚「好成果」的標準，就像對待承包商或醫生一樣只看結果；標準不清楚時，才多投入 AI 與 token 把關，只有少數重要專案需要弄懂每一步。
- 通才模型勝過堆疊代理人與 skills：提供工具並把資料交代清楚，讓模型自己判斷；站在 Claude 的角度給它原始資料與電腦權限，比人工搬運資料更值得。
- 最大的限制是人們相信什麼可行：AI 產品仍處在「前 iPhone 時代」，今天的建議約 10 週後可能就要改版，所以要持續嘗試新事物。
分段摘要
0:00開場預告與主持人團隊介紹
開場預告 Felix Rieseberg 約一週半打造出 Claude Cowork，如今已不寫程式。主持人 Marina Mogilko 介紹她的 35 人團隊都用 Claude 專案工作，並靠 AI 經營電子報與 LinkedIn。
▶ 從這裡看1:18打造 Claude 的樂趣：無法預料的用途
Felix 拿過去做的 Slack 來比較：以前大致知道產品的用途，Claude 卻常被使用者拿去完成他原以為不可能的事。對打造產品的人來說，這是最大的樂趣。
▶ 從這裡看2:08大膽用法：用 NASA 資料找新行星
產品經理 Pavel 讓 Claude 分析大量 NASA 資料，找到一顆新行星，目前仍待 NASA 確認。Felix 指出，把日常的資料分析套用到所有公開太空資料上，是多數人沒想過的用法。
▶ 從這裡看
3:04不寫程式的一天與好產品的標準
Felix 現在身兼 PM、工程主管與資料科學家，每天多半在做原型。AI 讓開發成本不再是首要考量。他認為好產品的按鈕更少，使用者能很快上手，還能做到以前做不到的事。
▶ 從這裡看5:46自動化與增強的差別
Felix 認為目前自動化帶來最多經濟價值，但他更看重 AI 增強人做原本做不到的事。關鍵在重新思考工作流程與「好」的定義。他用天氣當例子：可靠的過程勝過瞎猜答對。
▶ 從這裡看8:08模仿專業流程與專業工具
作家 Adam Davidson 用 Claude 放大論點、找出最強的反駁。Felix 認為秘訣是讓 Claude 模仿專業者的流程。Opus 5.5 在 3D 方面的突破，關鍵也在於讓它使用 Blender 等專業工具。
▶ 從這裡看
12:23對抗式審查與 judge 驗證機制
為了防止 AI 自信地出錯，Felix 建議派多個 Claude 專門挑錯，挑錯可以用較弱的模型。他示範用多執行緒審查部落格文章，再另派 judge 驗證批評，把有效的回饋交回原本的 Claude。
▶ 從這裡看16:07判斷成果，不必掌控過程
Felix 沒用過 Blender，卻靠 AI 做出 3D 素材。他認為若清楚好成果的標準，就像面對承包商或醫生一樣只看結果；不清楚時就多投入 AI 和 token 把關。只有少數重要專案需要弄懂每一步。
▶ 從這裡看
16:58通才模型勝過多代理人與 skills
Felix 只用單一對話串做事實查核，認為業界過度熱衷代理人，因為通用模型已是優秀通才。他主張提供工具並清楚記錄資料，讓模型自行判斷呼叫；skill 的半衰期很短，有時移除反而效果更好。
▶ 從這裡看22:10用模型體驗取代使用者體驗
Felix 建議假想自己是 Claude，思考它會想要原始資料與電腦權限。以修 crash 為例，他從人工搬運資料改成讓 Claude 自行取用，前期投入較高但值得。
▶ 從這裡看23:39新手入門：從 Claude 桌面版開始
Felix 建議新手先下載 Claude 桌面版，用內建瀏覽器讓 Claude 操作電腦，確認流程有效後再考慮 connector。他只按專案區分，不分角色，並要求 Claude 使用頂尖專業人士的工具，而不是角色扮演。
▶ 從這裡看26:12建立回饋迴圈與 AI 信任
Felix 不信任單一 session 自我評判，偏好外部證據或另一個 Claude 驗證。他建議先彙整所有回饋，再濃縮成原則並找出隱性規則；也可以把自己的回饋和 Claude 的並行對照，逐步建立信任。
▶ 從這裡看
31:32AI 時代創業成本與產品同理心
Marina 回憶 2015 年創業時投入大量資源。Felix 指出前期資本大幅降低，一兩人也能打造十億美元公司，但好產品的核心仍是對使用者的同理心；vibe coding 將淘汰沒人想用的爛軟體。
▶ 從這裡看37:36能力過剩與應用層的缺口
回應諾貝爾經濟學獎得主「欠缺應用層」的看法，Felix 認同模型能力與一般用法之間存在能力過剩。他建議拋開既有限制，直接把期望的成果交給 Claude，碰到天花板就代表已站上前沿。
▶ 從這裡看39:44工程師的身分危機與招募標準
Felix 認為背熟 API 的價值下降，工程師應以對使用者的影響力衡量，巧妙整合不同系統的能力也更有價值。招募時他看實際作品而非學歷；Marina 則重視人脈與影片觀看數。
▶ 從這裡看43:50滑鐵盧大學的人才培養模式
Felix 欣賞滑鐵盧大學讓學生在 Tesla、Google、Apple 等多家公司實習，學會企業如何運作、怎麼為想法爭取資源、說服法務，因此這些工程師幾乎一進來就能上手，比沒在公司待過的純 CS 博士更快。他說如果女兒將來想學寫程式，會建議她很早就去理解企業如何運作、人如何協作、怎麼找到價值。
▶ 從這裡看
46:23指數成長與「前 iPhone 時代」
Felix 認為最大的限制是人們相信什麼可行。業界低估了 AI 的指數成長，現今的 AI 產品仍處於前 iPhone 時代，今天的建議約 10 週後可能就要改版，因此要持續嘗試新事物。
▶ 從這裡看