Anthropic 工程主管谈把大任务交给 AI：判断成果，不必掌控过程
一句话要点：与其亲自盯着每个步骤，不如把整个大任务交给 Claude 并用成果验收，因为通用模型已经够强，真正缺的是清楚的成功标准，以及让另一个 Claude 挑错、再由 judge 验证的把关机制。
关键观点
- 把 Claude 当专业者而不是聊天机器人：让它模仿专业人士的流程、使用 Blender 这类专业工具，而不是只做摘要或角色扮演。
- 防止 AI 自信地出错：派多个 Claude 专门挑错（可用较弱的模型），再由另一个 judge 验证批评，只把有效回馈交回原本的 Claude；不要相信单一 session 的自我评判。
- 只要能说清楚「好成果」的标准，就像对待承包商或医生一样只看结果；标准不清楚时，才多投入 AI 与 token 把关，只有少数重要项目需要弄懂每一步。
- 通才模型胜过堆栈代理人与 skills：提供工具并把数据交代清楚，让模型自己判断；站在 Claude 的角度给它原始数据与电脑权限，比人工搬运数据更值得。
- 最大的限制是人们相信什么可行：AI 产品仍处在「前 iPhone 时代」，今天的建议约 10 周后可能就要改版，所以要持续尝试新事物。
分段摘要
0:00开场预告与主持人团队介绍
开场预告 Felix Rieseberg 约一周半打造出 Claude Cowork，如今已不写程序。主持人 Marina Mogilko 介绍她的 35 人团队都用 Claude 项目工作，并靠 AI 经营电子报与 LinkedIn。
▶ 从这里看1:18打造 Claude 的乐趣：无法预料的用途
Felix 拿过去做的 Slack 来比较：以前大致知道产品的用途，Claude 却常被用户拿去完成他原以为不可能的事。对打造产品的人来说，这是最大的乐趣。
▶ 从这里看2:08大胆用法：用 NASA 数据找新行星
产品经理 Pavel 让 Claude 分析大量 NASA 数据，找到一颗新行星，目前仍待 NASA 确认。Felix 指出，把日常的数据分析套用到所有公开太空数据上，是多数人没想过的用法。
▶ 从这里看
3:04不写程序的一天与好产品的标准
Felix 现在身兼 PM、工程主管与数据科学家，每天多半在做原型。AI 让开发成本不再是首要考量。他认为好产品的按钮更少，用户能很快上手，还能做到以前做不到的事。
▶ 从这里看5:46自动化与增强的差别
Felix 认为目前自动化带来最多经济价值，但他更看重 AI 增强人做原本做不到的事。关键在重新思考工作流程与「好」的定义。他用天气当例子：可靠的过程胜过瞎猜答对。
▶ 从这里看8:08模仿专业流程与专业工具
作家 Adam Davidson 用 Claude 放大论点、找出最强的反驳。Felix 认为秘诀是让 Claude 模仿专业者的流程。Opus 5.5 在 3D 方面的突破，关键也在于让它使用 Blender 等专业工具。
▶ 从这里看
12:23对抗式审查与 judge 验证机制
为了防止 AI 自信地出错，Felix 建议派多个 Claude 专门挑错，挑错可以用较弱的模型。他示范用多线程审查博客文章，再另派 judge 验证批评，把有效的回馈交回原本的 Claude。
▶ 从这里看16:07判断成果，不必掌控过程
Felix 没用过 Blender，却靠 AI 做出 3D 素材。他认为若清楚好成果的标准，就像面对承包商或医生一样只看结果；不清楚时就多投入 AI 和 token 把关。只有少数重要项目需要弄懂每一步。
▶ 从这里看
16:58通才模型胜过多代理人与 skills
Felix 只用单一对话串做事实查核，认为业界过度热衷代理人，因为通用模型已是优秀通才。他主张提供工具并清楚记录数据，让模型自行判断调用；skill 的半衰期很短，有时移除反而效果更好。
▶ 从这里看22:10用模型体验取代用户体验
Felix 建议假想自己是 Claude，思考它会想要原始数据与电脑权限。以修 crash 为例，他从人工搬运数据改成让 Claude 自行取用，前期投入较高但值得。
▶ 从这里看23:39新手入门：从 Claude 桌面版开始
Felix 建议新手先下载 Claude 桌面版，用内置浏览器让 Claude 操作电脑，确认流程有效后再考虑 connector。他只按项目区分，不分角色，并要求 Claude 使用顶尖专业人士的工具，而不是角色扮演。
▶ 从这里看26:12创建回馈循环与 AI 信任
Felix 不信任单一 session 自我评判，偏好外部证据或另一个 Claude 验证。他建议先汇整所有回馈，再浓缩成原则并找出隐性规则；也可以把自己的回馈和 Claude 的并行对照，逐步创建信任。
▶ 从这里看
31:32AI 时代创业成本与产品同理心
Marina 回忆 2015 年创业时投入大量资源。Felix 指出前期资本大幅降低，一两人也能打造十亿美元公司，但好产品的核心仍是对用户的同理心；vibe coding 将淘汰没人想用的烂软件。
▶ 从这里看37:36能力过剩与应用层的缺口
回应诺贝尔经济学奖得主「欠缺应用层」的看法，Felix 认同模型能力与一般用法之间存在能力过剩。他建议抛开既有限制，直接把期望的成果交给 Claude，碰到天花板就代表已站上前沿。
▶ 从这里看39:44工程师的身分危机与招募标准
Felix 认为背熟 API 的价值下降，工程师应以对用户的影响力衡量，巧妙集成不同系统的能力也更有价值。招募时他看实际作品而非学历；Marina 则重视人脉与视频观看数。
▶ 从这里看43:50滑铁卢大学的人才培养模式
Felix 欣赏滑铁卢大学让学生在 Tesla、Google、Apple 等多家公司实习，学会企业如何运作、怎么为想法争取资源、说服法务，因此这些工程师几乎一进来就能上手，比没在公司待过的纯 CS 博士更快。他说如果女儿将来想学写程序，会建议她很早就去理解企业如何运作、人如何协作、怎么找到价值。
▶ 从这里看
46:23指数成长与「前 iPhone 时代」
Felix 认为最大的限制是人们相信什么可行。业界低估了 AI 的指数成长，现今的 AI 产品仍处于前 iPhone 时代，今天的建议约 10 周后可能就要改版，因此要持续尝试新事物。
▶ 从这里看