目录
- Anthropic 的早期岁月与 Golden Gate Claude [00:00:00 - 00:10:00]
- 从 Opus 3 到指数曲线 [00:10:00 - 00:20:00]
- 研究组织与 Labs 的运作方式 [00:20:00 - 00:30:00]
- 招聘、第一性原理与评测驱动的产品工作 [00:30:00 - 00:40:00]
- 亲自构建、与 AI 一起找到乐趣 [00:40:00 - 00:50:00]
- Claude 的使用方式、思考伙伴与对齐 [00:50:00 - 01:00:00]
- 写作的边缘与人类判断的价值 [01:00:00 - 01:10:00]
- 团队协作、韧性与产品经理的未来 [01:10:00 - 01:20:00]
- 从交易员到 AI 产品负责人 [01:20:00 - 01:30:00]
- 快问快答与结语 [01:30:00 - 01:33:48]
Anthropic 的早期岁月与 Golden Gate Claude
Lenny Rachitsky：2023 年我开始做这件事时，没人会把 Anthropic、Claude 和编程放在同一个句子里。我想回到 Anthropic 的起点。那时我记得自己想：这些人根本没有机会，OpenAI 已经遥遥领先了。人们刚开始使用模型，不只是做代码自动补全，而是真正让模型编写长篇代码。那似乎并不是我们训练 Opus 3 时重点考虑的机会。 那就是转折点。我总会想到一年后的 Opus 4.5：寒假期间，大家都在家里，有时间编程。Opus 4.5 的神奇之处在于，我们当时不只是有一个模型，还有一个载体——优秀的产品体验 Claude Code。没有 Claude Code，Opus 4.5 不会迎来那一刻；没有 Opus 4.5，Claude Code 的普及也不会被加速到那种程度。 我还想谈谈产品岗位如何变化。对我的团队来说，驱动用户价值的方法是找到正确的用户反馈和评测。我们团队有句话：评测就是新的 PRD。如果你现在愿意每年花 10 万美元购买 token（令牌），你正在以 2028 年的人们将采用的方式工作。 你要像在意像素一样在意 token。你必须使用模型来提出好点子、更好的点子和最好的点子，这没有替代品。如今大家需要对 AI 工具更有野心，因为它们的能力太强了。我经常问团队：假设 Claude 8 出现了，用户的行为会发生什么变化？这对你们今天的构建意味着什么？ 今天的嘉宾是 Dianne Penn，Anthropic AI 研究与 Labs 团队的产品负责人。她在三年多前加入 Anthropic，成为公司的第一位技术产品经理——按 AI 的时间尺度，这几乎是一辈子。当时产品团队只有五名工程师。她参与交付了 Anthropic 从 Claude 2 到 Fable 的每一个模型，也帮助孵化并发布了 Claude Code、MCP、Skills、Claude Design，以及 computer use、tool use 和 reasoning 等核心能力。能和身处 AI 与产品管理中心的人交谈，总是令人兴奋，也能打开思路。下面请听 Dianne Penn。 Dianne，谢谢你来参加节目。欢迎。我们回到 Anthropic 的起点和早期岁月。Anthropic 刚发布时，我记得自己想：这些人没有机会。OpenAI 已经领先太多了，他们到底在想什么？OpenAI 已经赢了，一切都太晚了。现在情况完全不同。最近我看到的数字是，Anthropic 的 ARR（年度经常性收入）大约是 500 亿美元；这曾经是非常成功的公司上市时的估值。Anthropic 据称每年都能做到这个数字。你是最早加入的产品经理之一，加入时大约只有五名工程师，模型甚至还没有发布。Anthropic 早期是什么样的？有什么地方会让人意外？ [00:00:00]
Dianne Penn：我认为，Anthropic 今天之所以成为现在的样子，很大程度上源于早期的核心特质。我在 2023 年加入，当时有五名产品工程师，API 业务甚至只有一名工程师。公司的文化非常强。对于那些对公司感兴趣的人，我总会强调：这里的人确实践行使命、文化和价值观。那时的能量很像一家创业公司，我们还在努力寻找自己的身份：技术如何给用户和社会带来价值？它究竟能是什么？ 早期我们以 Claude.ai 这样的聊天助手起步，之后逐渐发展到工具使用等方向。真正开始找到节奏的时刻之一，是发布 Golden Gate Claude。你还记得吗？ [00:01:00]
Lenny Rachitsky：不记得。 [00:02:00]
Dianne Penn：那其实只上线了大约 24 小时。2024 年初，我们刚发表了一篇早期的可解释性研究。研究发现，模型层中存在所谓的 feature（特征），会表达某些主题，比如项目符号写作、人物和地点。其中一个频繁出现、也最能引起共鸣的主题是金门大桥。把这个特征调高后，Claude 就会痴迷于金门大桥：不管回答什么问题，都会谈到它。你让它给出意大利面的食谱，它会说：“这里有一份食谱，橙色就是金门大桥的国际橙色。” 这个体验非常古怪，但我们想把研究直接带给开始使用 Claude 的人。于是我们在 24 小时内把整个体验部署到 Claude.ai 网站上，工程、产品、设计和研究团队一起工作。我们对此非常自豪。老实说，它可能只触达了 2,000 人，却让我们意识到：我们可以用不同且真实的方式把研究变成新的用户体验，而且能以创业公司的速度完成。这是我们开始找到自身身份的隐性转折点——我们可以构建竞争对手没有的产品和体验。 后来有了 Labs、Claude Code 等，我们逐渐明确了自己如何思考世界、如何把 AI 带给公众。但那是一种自下而上的文化。这个项目就是工程师和设计师自愿投入时间完成的。早期的文化和价值观，我认为一直延续到了今天。 [00:03:00]
Lenny Rachitsky：本期节目由 WorkOS 赞助。OpenAI、Anthropic、Cursor、Vercel、Replit、Sierra、Clay 以及数百家优秀公司有什么共同点？它们都由 WorkOS 提供支持。为企业构建产品时，你一定感受过集成单点登录、SCIM、RBAC、审计日志等功能的痛苦。WorkOS 把这些交易阻碍变成开箱即用的 API（应用程序接口），为 B2B SaaS（面向企业的软件即服务）打造现代开发平台。 无论你是要拿下第一个企业客户的种子期创业公司，还是正在全球扩张的独角兽，WorkOS 都能帮你快速做好企业化准备。访问 workos.com 开始使用。 从一个试图与 OpenAI 这个巨头竞争的实验室，到今天的 Anthropic，哪些转折点最重要？ [00:04:00]
Dianne Penn：训练和测试 Opus 3 绝对是其中之一。当时公司还不到 200 人。那段时间，推理、研究、微调和预训练等不同团队在不同阶段围绕共同目标集结。大家记得那时是 12 月，都在各自父母家里工作，视频会议的背景里常常是童年卧室。所有人都在努力弄清楚：模型究竟是为谁训练的？它是否以正确的方式呈现？这段经历建立了大量信任。很多当年的研究负责人如今负责强化学习、角色塑造和对齐工作；早期在战壕里并肩工作的经历，也让产品与研究能够更好地合作。 我们还在寻找用户为什么应该选择 Claude。发布 Opus 3 是一个关键节点；它在 2024 年 3 月初发布，而在此之前，推理、研究、微调和预训练团队已经共同努力了许多个月。我们非常清楚，必须做出 frontier model（前沿模型），这关系到触达用户、消费者以及展示研究成果的能力。 这段回顾的重点，是把早期选择、用户反馈和模型能力放在同一条产品判断链路中理解；技术本身只是起点，真正的差异来自如何把它变成用户能够感受到的价值。 [00:05:00]
从 Opus 3 到指数曲线
Dianne Penn：我们在各自父母家里远程工作，研究负责人和产品团队一起努力，后来很多人继续领导强化学习、角色塑造和对齐工作。那段时间建立的基础信任，让我们今天处理生产模型时仍然能够高效协作。 2023 年我加入时，没有人会把 Anthropic、Claude 和编程放在同一个句子里。GPT-4 当时也有人用于编程，但编程只是众多用途之一。后来我看到人们开始用这些模型编写长篇代码，而不只是做代码自动补全。我们训练 Opus 3 时稍微调整方向，就让它在早期形成了竞争差异，吸引了最早的一批 Claude 爱好者和开发者，因为它带来了当时人们没想到的价值。 [00:10:00]
Lenny Rachitsky：你谈到 Opus 3 时，它听起来已经是很久以前的事了。你们内部把它视为重要里程碑很有意思。那像是“我们真的能交付前沿模型”的信心。如今回头看，它当然比不上今天的模型。我想到 Opus 4.5：一年后，同样是在寒假，人们都在家里编程。那又是一个重大里程碑吗？ [00:11:00]
Dianne Penn：当然。Opus 4.5 的神奇之处在于，我们不再只有一个模型，还有 Claude Code 这样的载体和产品体验。团队常说：要让人们感受到前沿模型的魔力，就需要前沿产品。Claude Code 的体验我们已经感受了几个月；但当模型的智能达到一定水平，用户就能在更广泛的新场景中体验前沿能力，让它以 agentic（代理式）的方式端到端运行，这才是真正的转折。 那其实是两者共同作用的结果。没有 Claude Code，Opus 4.5 不会迎来那一刻；没有 Opus 4.5，Claude Code 的普及也不会被加速到那种程度。 [00:12:00]
Lenny Rachitsky：Dario Amodei 经常说，编程将在大约一年内被解决。以前大家都觉得不可能：编程太复杂了，怎么可能让 AI 做好？但他是对的。他还经常谈到我们正在经历的 exponential（指数增长）。不久前，新模型发布时人们还会说“到头了，已经没有上升空间，开始平台期了”；现在正好相反。我们仿佛进入了指数曲线内部。由于处在曲线的 hockey stick（曲棍球棒）部分，每次改进都会带来巨大跃升。置身于这个 AI 快速进步、不断解锁能力的历史时刻是什么感受？人们应该如何为接下来的加速做准备？ [00:13:00]
Dianne Penn：团队里很多人并没有在互联网从新奇事物变成人人可用的东西时参加工作，所以这个类比很有帮助。第一，适应能力会变得非常重要。我们有评测、安全测试和 red teaming（红队测试），也会在能力与产品侧不断做新原型，例如 Claude Code、Claude Tag 等。但我们很难预测具体会在什么时刻、什么模型上发生突破。面对新信息时，你能否据此做出更好的决定，而不是固守原计划，这就是适应能力。 敏捷也很重要。你需要用 first principles（第一性原理）思考下一步是什么、它意味着什么、应该投资哪些新产品，以及如何向用户解释差异。指数增长带来的体验，就是理解如何在这种节奏下做决策，再用第一性原理思考下一步。有时原本计划几个月后做的事情，现在模型已经能完成，就可以提前带给用户，例如 Cowork、Skills 和 Claude Tag。这是一个积极的自我强化循环，也需要团队彼此信任、共同做出正确判断。 不同团队感受到指数增长的速度不同。我们要有耐心，把不断扩大的组织带上这趟车。 [00:14:00]
Lenny Rachitsky：所以你们几乎不知道每次模型发布后会有什么可能性。重要的是保持适应能力，让产品跟上模型的能力；模型能做很多事，但用户可能不知道怎么做，产品需要把它变得容易，并告诉用户可以做什么。是这个意思吗？ [00:15:00]
Dianne Penn：是的。早期 scaling law（规模定律）论文里有一些很有意思的图。大家熟悉的部分是：增加计算量和数据后，loss（损失）——也就是下一 token 预测的损失——会下降，模型智能会随规模平滑提升。但论文里还有另一类完全不同的 emerging capability（涌现能力）曲线：随着数据和计算增加，能力会出现不连续的跳跃。 模型可能从连“一加一”都算不出来，变成能够可靠计算一加一。这类涌现能力具有某种可预测性，但没人知道准确发生的时刻。你必须有评测来确认它是否真的出现；这也是安全更难的原因：没有评测和测试系统，能力跳跃可能已经发生，你却不知道。 [00:16:00]
Lenny Rachitsky：这很有意思。你可能已经造出了一个会做某件事的 AI 大脑，甚至自己都没有意识到。因此工作的一部分就是发现：“它突然擅长这件事了，我们能用它做什么？” [00:17:00]
Dianne Penn：用 PM 的语言说，这里既有产品过剩，也有用户过剩。即使是今天的模型，我们仍能探索很多东西，尤其是 Fable。这样的发现从早期开始就是 Anthropic DNA（基因）的一部分，也仍然是我们在产品、Labs 和研究中工作的核心。 [00:18:00]
Lenny Rachitsky：YC 总裁 Garry Tan 说过，如果你现在愿意每年花 10 万美元买 token，你就活在 2028 年的人们将要生活的未来。现在存在一个 alpha（先发优势）：尽情花 token，直接生活在未来。 [00:19:00]
Dianne Penn：我更愿意从产品角度理解：token 支出是输入，真正的输出是实验。如果我们围绕实验来设定目标，可能更容易理解要实现的结果，也可能有不同方式达成同一个结果。内部最有创造力、最擅长原型设计的人，都会花大量时间使用 Claude 和每个新版本的研究模型。技术变化这么快，不接触技术就很难制定完美策略；没有什么能替代亲自使用模型。 我们也会公开工作。在产品界面还比较少的早期，公司几乎所有人都在 Slack 频道里测试 Claude 的早期版本，尝试让它修改文章、构思邮件等。一个人提出想法，其他人尝试变体，十来次请求后，就可能出现神奇的用例。实验不一定是个人运动；我们应该更多地进行这种共同发现。
Lenny Rachitsky：我们并不知道这项技术能做什么，只能不断试探、听别人分享：“原来还能这样做。”我们知道模型能写好文章，但具体怎么解决个人痛点、把能力带到用户手里，需要更多探索。 你负责 Labs 团队的产品。Labs 到底是什么？为什么它能在核心产品团队之外创造出 Claude Code、Skills、Claude Design 和 MCP 这样的创新？
Dianne Penn：Labs 的 thesis（主张）是：识别并沿着那些不连续的大赌注继续探索，它们可能不在核心路线图里；先判断“这里有没有东西”，再弄清楚它能达到 10 倍、100 倍或 1,000 倍的程度。我们对主题或领域可以持强信念，但对具体原型要弱信念。团队鼓励实验，工程师自驱地测试不同想法。有些主张第一次不会成功，可能在一两代模型后重新审视。即使原型没有立即发布，它也能帮助我们学习，因此依然有价值。
Lenny Rachitsky：Anthropic 本身已经非常创新，为什么还需要在内部设一个 Labs？
Dianne Penn：文化很重要。Labs 的小型 pod（小组）可以从一个工程师开始；一大群人追逐含糊而宏大的想法，反而可能拖慢速度。我们选择真正喜欢从零到一实验的人。很多赌注最终会被拒绝或关闭，这很难，因为你曾像创始人一样全情投入。但我们会在未来重新审视它们。 这种文化也意味着选择那些热爱零到一、愿意深入研究的人。Labs 的产品团队与研究团队紧密合作，下一部分我们可以谈谈研究岗位究竟是如何工作的。
研究组织与 Labs 的运作方式
Dianne Penn：Labs 的一个特点是选择真正热爱零到一、愿意从模糊想法开始的人。 [00:20:00]
Lenny Rachitsky：很多人对研究、研究人员日常做什么有大致了解，但未必真正理解这些 AI 实验室里极其重要的人。我想象他们会提出改进模型的假设，寻找数据，调整算法和训练方式，测试结果，反复迭代。大致是这样吗？ [00:21:00]
Dianne Penn：这确实是日常工作的一部分。但 Anthropic 这样的研究组织还有更广泛的未来愿景。公司创立时，研究人员就已经在思考：如何让 Claude 使用电脑、浏览屏幕。研究团队里有很强的创始人式能量，很多研究人员大胆而有野心。一方面，他们思考技术能把我们带向哪里；另一方面，既然 Claude 已经在用户手里，又要思考今天如何把它变得更好。 所以这是中长期和短期两条线：一边思考未来，一边寻找现在可以改进的地方。你描述的正是如何迭代不同版本的 Claude。我的团队会深度嵌入研究循环，尤其关注对用户影响直接的领域，比如视觉、computer use、编程、代理式编程、tool use 和 test-time compute。我们要把用户反馈转化成研究人员能理解、也能采取行动的形式。 用户说“Claude hallucinate（产生幻觉）了”非常模糊。把这句话交给研究人员并要求修复幻觉，并不具备可操作性。我们要弄清楚用户为什么给出这个反馈：Claude 当时是否应该调用工具？它是否看了正确的文档却找错了事实？前一种是工具使用失败，后一种可能是搜索、知识或搜索结果综合失败，也可能是对齐问题。把这种细节带给研究人员，再判断问题是否足够大，并设计评测来描述改进，这就是工作的核心。 [00:22:00]
Lenny Rachitsky：现在 AI 研究似乎是想获得巨大成功时最值得进入的领域。要成为优秀的研究人员，需要什么？ [00:23:00]
Dianne Penn：Anthropic 最成功的研究人员和研究领导者，通常擅长用第一性原理思考问题，能把问题推理清楚，对研究方向充满热情，有大胆的愿景，而且离细节很近。我们的领导者、首席科学家、微调和强化学习负责人都会紧密关注训练过程、评测和底层数据。保持对细节的兴奋、培养判断力，是强大研究人员的明显特征。 另一点是长期思考和野心。比如 Dario 说“我们可以改变软件工程”。你需要在想法上瞄准星辰，同时也要真正投入细节。 [00:24:00]
Lenny Rachitsky：我很喜欢“更有野心”这个反复出现的观点。说起来容易，真正做到却很难：你究竟能想多大？ [00:25:00]
Dianne Penn：可以对方向思考一两次，然后对领域保持坚定，对具体方法保持更灵活。技术发展如此之快，你必须思考正在构建的东西是否 forward-compatible（面向未来兼容）。我经常问团队：假设 Claude 8 出现，用户行为会怎样变化？这对今天的构建意味着什么？产品应该能适应那种体验。 [00:26:00]
Lenny Rachitsky：Fable 或 Mythos 似乎让模型进入了新阶段。过去是模型很棒，发布出来让大家使用；但 Mythos 受阻，并受到大量审查，因为人们担心它会入侵系统。随着模型能力持续提升，未来每个模型都会受到更多审查，使用者也会受到更多限制。你怎么看？ [00:27:00]
Dianne Penn：随着 frontier model 变得更强，safeguard（安全防护）、红队测试和发布前流程也必须快速演化。Fable 之前，我们没有那么强的 fallback UX（备用用户体验）和系统。我们的目标是让技术带来不对称的好处，同时尽量减少下行风险，因此我们构建了备用系统，让用户即使不能直接使用最强模型，也能立即得到优秀回应。如何在改进安全系统的同时继续交付优秀体验，是产品工作的关键。未来几周和几个月，我们会持续改进模型安全防护方案。 [00:28:00]
Lenny Rachitsky：这会给 Anthropic 带来一个意外优势：实验室内部能使用最新能力，而外部的人拿不到。每个实验室都会不断改进，模型越先进，内部访问就越像一种不公平优势。你们希望所有人都能使用它，但限制又会形成新的反馈循环。 [00:29:00]
Dianne Penn：我们的目标是让系统和模型尽可能包容。我们不希望通用技术只能被少数公司使用；让它更容易获得、更广泛地服务人们，是我们当前的首要任务。 研究和产品并不是两条彼此分离的线：一端探索遥远的能力边界，另一端持续观察真实用户，两者通过具体问题、评测和迭代连接起来。
招聘、第一性原理与评测驱动的产品工作
Lenny Rachitsky：招聘时，你现在更看重什么？哪些特质正在上升，哪些正在下降？ [00:30:00]
Dianne Penn：我们团队三年来没有改变招聘流程。我们看重的特质，以及评估通才产品经理和研究产品经理的方式，基本没有变化。第一是第一性原理思考：不是照搬你过去在消费产品或 B2B SaaS 中做过的事，而是针对此刻的用户群和技术，真正判断用户价值是什么。 [00:31:00]
Lenny Rachitsky：人们听到第一性原理思考时，常常会想“我擅长这个”。能举一个真正体现这种能力的例子吗？ [00:32:00]
Dianne Penn：对产品经理来说，拥有产品战略、交付用户价值，并不只是每天写 PRD 或产品愿景文档。对研究产品经理而言，驱动用户价值的方法是找到正确的用户反馈和评测，让它们成为用户需求的具体表达。我们当然仍然会写产品文档和 PRD，但团队有句话：评测就是新的 PRD。为了实现目标，第一性原理思考要求我们先判断真正应该做什么，而不是因为过去做过一组活动，就继续做同样的事。 [00:33:00]
Lenny Rachitsky：过去的流程是提出想法、写 PRD、沟通对齐、设计、构建、发布、观察效果再迭代。现在如果收到某个问题或机会，第一步是用评测定义工作，而不是 PRD 吗？ [00:34:00]
Dianne Penn：首先，访问用户痛点的方式变了。过去可能做用户访谈，深入了解用户流程和像素；现在你必须像在意像素一样在意 token。我们会阅读失败轨迹，判断究竟是幻觉、Claude 过度自信，还是其他原因。失败主题有很多细微差别。然后我们为痛点写出稳定的描述，形成新的评测：它是否覆盖真实分布？既包含失败的正例，也包含本来就不该失败的情形？再把评测带回研究团队，衡量 Opus 5.5 是否改善了这个领域。 例如，Claude 是否能识别文档中正确的位置，并提取正确的综合结论？关键在于提高可操作性，缩短用户反馈到研究人员和合作团队采取行动之间的距离。 [00:35:00]
Lenny Rachitsky：有没有这样一个例子：你们发现了问题或机会，然后写出了评测？大多数情况下，评测究竟是什么？ [00:36:00]
Dianne Penn：早期 Claude 模型不擅长遵循特定 schema（模式），尤其是输出 JSON。如今这是 Claude 成为优秀 agent（代理）的基础：如果不能输出指定格式，就无法访问 API、调用工具等。我们听到用户说“Claude 不擅长遵循指令”，于是继续追问：什么场景？准确的段落是什么？你提出了什么要求？Claude 回答了什么？深入到这个程度后，我们发现早期大约 80% 的问题其实是 Claude 没有写出正确 JSON。 于是我们先收集 30 到 40 个失败例子。每个例子都包含一个 prompt（提示）和 response（回答），以及可能的 golden answer（标准答案）。如果标准答案不匹配，就说明评测抓住了一个真实痛点。我们把它放进评测仓库，之后每个 Claude 版本都运行它。后来准确率达到 100% 或 99.9%，这个问题就不再是痛点了。 整个过程是：拿到用户反馈，弄清用户真正的意思，确认能否复现、是否一致、是否足够严重，再把它标准化成研究人员能消费的形式。这基本就是产品经理的 test-driven development（测试驱动开发）：先写测试，再开发。 [00:37:00]
Lenny Rachitsky：现在写评测是 Anthropic 产品经理工作的核心吗？ [00:38:00]
Dianne Penn：我认为是，而且这会越来越普遍。我们构建的产品位于模型、harness（工具框架）以及面向特定用户的一组上下文的交叉点。评测不只对模型团队有用，产品团队也能借此得到更好的用户体验。你无法改进无法测量的东西。很多工作仍然是非常 tactile（需亲自操作）的，也非常依赖判断，所以必须靠近细节，并且要接受模型输出具有非确定性。 [00:39:00]
Lenny Rachitsky：模型不会每次给出同样的答案，因此不能只追求精确匹配。评测取代 PRD，是产品工作方式的重要变化。你们还写 PRD 吗？
Dianne Penn：当然。对于问题明确的情况，评测可能是一种 shorthand（简写），但 PRD 仍然非常有价值。每个模型都有 PRD，主要面向不断扩大的产品界面、工程团队以及法律和安全等利益相关方，作为共同目标和事实来源，让大团队朝同一个方向前进。 对于 computer use 这类更模糊的问题，我们未必一开始就有具体用户痛点；这时 PRD 的产品愿景部分很有价值，可以探索技术还无法服务所有人的时候，如何先为某个用户群创造价值。PRD 没有消失，只是使用方式变了。
Lenny Rachitsky：我刚和 OpenAI Codex 应用负责人 Andrew 聊过。你们的观点一致：PRD 没死，仍然适合特定项目和想法。 对产品岗位来说，第一性原理最终要落到可执行的描述上：问题是什么、谁受到影响、怎样复现、怎样衡量改进，以及研究团队下一步能采取什么行动。
亲自构建、与 AI 一起找到乐趣
Lenny Rachitsky：除了评测，产品经理和产品团队在新的 AI 世界里还需要改变什么？ [00:40:00]
Dianne Penn：对处于职业中期、或已经进入管理岗位的产品负责人，我非常确定的一点是：要管理使用这项技术的团队和产品经理，你必须亲自上手。不只是花时间摆弄，而是真正用技术交付东西；要和 PM、工程师及团队一起在意 token。即使招聘资深产品经理，我们的 onboarding（入职）计划也和早期职业阶段的人一样：理解用户、阅读内容和反馈、与客户交谈，亲手形成对“好”与“优秀”的判断。 如果没亲自构建过，很难判断优秀的 AI 产品或功能应该是什么样子。无论你的层级如何，PM 都必须亲自上手，花一部分时间交付产品，走进团队的鞋子里。我会刻意保留时间，在模型发布时负责一到两个工作流，以保持对模型变化速度和改进速度的感知。 [00:41:00]
Lenny Rachitsky：所以不管你在公司的层级如何，如果不亲自构建、不和 Claude 或 Codex 对话，你就跟不上。你还应该享受和这项技术一起工作的过程。 [00:42:00]
Dianne Penn：确实。最成功的人，无论处于什么层级，都是喜欢和 AI 一起工作、愿意探索和实验，并且不仅进行实验，还会端到端交付、获取用户反馈的人。 [00:43:00]
Lenny Rachitsky：我写 newsletter、做播客时只是谈论这些事情；但每次真正动手构建一点小项目，我都会突然明白大家说的 computer use、某种限制或 UX（用户体验）问题到底是什么意思。实际操作模型和构建东西，感觉是完全不同的世界。 但很多人是被要求使用 AI，或者根本不知道怎么用，觉得这很烦：“我讨厌这东西，还得和它一起工作。变化太快了，我累了。”怎样帮助他们在工作中找到乐趣？ [00:44:00]
Dianne Penn：我要重申一点：实验不一定是个人运动。我接触过二十多个版本的生产 Claude 和几乎每个研究模型，很多快乐来自看到别人发现新的用例。可以找一个对此感到兴奋的人，围绕你关心的用例一起工作，而不是试图独自找到完美用例。和别人一起做事，很多时候本身就是快乐。 公司内部，一个好奇的人分享新原型，往往会带来一群人：“原来 Claude 现在能做到这个！”这会形成正向循环，让更多人参与，也让大家持续从技术中获得乐趣。 [00:45:00]
Lenny Rachitsky：这也是 Twitter 对 AI 很有用的原因：你能看到别人做了什么，被启发去提出自己的点子，也能分享自己的成果。找些人一起玩，探索用例。还可以从生活或工作中挑一个真正想解决的问题，打开 Claude 或 Claude Code，直接告诉它你想做什么；即使只有模糊的想法，也能走得很远。 [00:46:00]
Dianne Penn：选择太多时，很容易迷失。你可以和一个真正享受这项技术的人结对，或者找到一个能立刻带来价值的事情。这样能让你深入一两个方向，而不是对太多产品停留在高层次。我自己也很难跟上所有原型和产品，所以会选择亲自深入一两个。 [00:47:00]
Lenny Rachitsky：我和同事 Noam 做过一次调查，询问读者如何感受科技和 AI 的变化。最有意思的结论正是：深入掌握几件事，比尝试大量半成品更能带来幸福感。真正让人开心的是终于找到一种方式，让 AI 确实改善生活，而不是拥有几个勉强能用的破碎工具。 [00:48:00]
Dianne Penn：这是一种产品优先级问题：如果目标是带着快乐实验，就要安排好时间和精力。Anthropic 的秘诀很大一部分是文化和自下而上的工作方式——公开实验，把其他人带进来。我们不必等到完全确定用途后才行动；很多时候，先把东西做出来，观察人们怎么使用，再据此决定要不要深入。 亲自使用模型带来的判断无法完全从报告或演示中获得；只有在真实任务里反复试错，才能知道哪些能力已经成熟，哪些地方仍需要人来补足。 [00:49:00]
Claude 的使用方式、思考伙伴与对齐
Lenny Rachitsky：你最近在工作中如何使用 Claude？ [00:50:00]
Dianne Penn：Claude Tag 还处于很早期的阶段。它代表一种不同的工作范式：让 agent（代理）离开去工作，再把产品体验带回来。我更常向团队强调的是，AI 不只是提升我们构建的体验的智商，也能帮助我们更好地交流、管理和进行关键对话。 我很常用 Claude 准备 Crucial Conversations（《关键对话》）场景。因为我喜欢这本书，我做了一个 skill（技能），帮助我判断在当下情境中是否深入到了正确程度，并让我成为更好的经理和团队支持者。对管理者来说，Claude 可以帮助你成为更好的教练；有时很难找到恰当的措辞，而模型拥有大量可供参考的表达。 [00:51:00]
Lenny Rachitsky：也就是说，你让 Claude 根据《关键对话》提供的经验，帮助准备与同事的困难谈话；这有点像个性化教练。你甚至不用把整本书交给它，它已经知道足够多的内容。 [00:52:00]
Dianne Penn：对。我们每天都在不断切换上下文，Claude 能帮助我配对、头脑风暴。即使最后不采纳它的建议，它也能帮助我确认：我对他人的反应理解得对吗？如何更深入、更快地建立信任，更直接地表达？ [00:53:00]
Lenny Rachitsky：人们担心，长期和 AI 对话后会开始用 AI 的方式写作；也有人担心 brain rot（大脑退化）、认知萎缩，以及过度依赖 AI。你离它这么近，怎么看？ [00:54:00]
Dianne Penn：对我来说，思考过程和写作过程联系得很紧。我会用 Claude 增强思考，但不会让它接管全部思考。根据情境和我希望保留多少个人判断，我可能先形成自己的观点，再和 Claude 一起推进，确保自己的感觉和语气贯穿其中。 但有些工作，比如月度业务回顾，我希望它更标准化：把已经结晶的信息以正确方式组织起来。我甚至希望最终能把这类写作完全交给 Claude，而自己只做信息的审阅者和验证者。关键在于：你把 Claude 用在哪里，以及委托出去是否具有不对称的价值。 [00:55:00]
Lenny Rachitsky：所以第一个建议是先思考、先形成观点，再把 Claude 当作 sparring partner（陪练伙伴），让它推动和质疑你的想法。 [00:56:00]
Dianne Penn：是的。我们的对齐与安全研究也很重要，因为你不希望 AI 只会同意你。你希望它增强你、推动你，最终得到更好的结果。有时 Claude 的反驳会让我变得更好。真正有用的同事不会只说“你是对的”。 [00:57:00]
Lenny Rachitsky：我希望有人在想法还不完整时提出反对意见。Ben Mann 之前谈过 Claude 内置的 constitution（宪法）：按直觉，安全和对齐应该限制模型，让它变得没那么有趣；但恰恰相反，Claude 反而拥有最有趣的个性。我经常听人说，他们更喜欢和 Claude 交谈。 [00:58:00]
Dianne Penn：要让 Claude 尽可能聪明、尽可能有能力，关键之一就是让它在恰当的地方反驳。它不只是一个助手或执行任务的工具，还要判断自己是否在做正确的事。比如我会让研究版 Opus 帮我思考下一版 Claude 的定价。最终目标是得到更好的结果，而不是只把任务委托出去。 主动性不等于永远执行预定动作，也包括知道什么时候提出新想法。因此，知道什么时候应该反驳，是模型整体特征的重要组成部分。 [00:59:00]
Lenny Rachitsky：它不那么顺从，反而更好、更有用。很多人会说“AI 告诉我，我是对的”，但我们需要的是思考伙伴，而不是只会赞同的机器。
Dianne Penn：思考伙伴不应该只同意你，它应该为你增加东西。你最终应该因为和 Claude 合作而拥有更好的想法；这才是目标，而不只是让原来的想法好 10%。
Lenny Rachitsky：过去创业者会说“把它做到 10 倍”，现在我更常听到的是“怎样从这个想法走到 1,000 倍？最有野心的版本是什么？”另一个问题是，AI 写的东西仍然很容易被识别。作为语言模型，它理应很擅长写作，但目前几乎总能看出是 AI 写的。你认为我们会到达无法分辨的阶段吗？
Dianne Penn：我们团队和研究团队正在积极努力，让 Claude 的写作整体变得更好。也许更关键的不是谁写的，而是谁验证、谁签字确认。对于月度业务回顾，我可能希望它端到端由 Claude 撰写；但输出应当清楚地经过人类负责人审阅。 这也是为什么思考伙伴、验证机制和个人判断都很重要：AI 可以扩大探索范围，但人仍然需要决定目标、评估取舍，并确认结果是否值得交付。
写作的边缘与人类判断的价值
Lenny Rachitsky：我的猜测是，AI 研究了人类最好的写作，找到了“最佳写法”；可写法就那么多，我们已经认出了它的套路。为什么它还不是优秀的写作者？ [01:00:00]
Dianne Penn：一方面，我们还需要继续改进训练，让 AI 在写作上更强。另一方面，技术本身有 jagged edge（参差不齐的边缘）。以前模型可能已经擅长写作，却还不擅长代理式工作或正确调用工具；现在那些能力改善了一些，写作、语气和角色塑造就变成新的粗糙边缘。技术持续进步，优先级也会随之移动。 [01:01:00]
Lenny Rachitsky：有人用飞机上的 Wi‑Fi 打过比方：我们坐在空中飞行，却抱怨 Wi‑Fi 不能用。AI 已经带来如此巨大的进步和力量，我们也不能要求所有方面同时达到最好。 [01:02:00]
Dianne Penn：没错，我们不可能一次修好所有事情。语气和 character（角色）是当前很积极的方向。模型的 agentic 行为出现跃迁后，其他能力也需要继续提升；等写作、语气和角色变好，我们还会问：如何让 Claude 更主动？这就是持续改进技术的本性。 [01:03:00]
Lenny Rachitsky：在我们接近 通用人工智能（通用人工智能）和超级智能的过程中，人类大脑还会在哪些方面最有价值？ [01:04:00]
Dianne Penn：判断力很重要。它来自大量细微经验的积累，而这些系统还没有像人类一样经历那么多事情。对于产品负责人和一般人来说，这种来之不易的判断力仍然关键。AI 能构建很多东西，但 Labs 应该构建哪一个？这需要人的判断、坚持和主动性，也需要判断怎样得到最好的解决方案、创造最好的体验。 能力和领域专业知识也仍然重要。软件工程已经被 AI 深刻改变，但生物学、生命科学等领域还处在指数曲线的起点。Anthropic 发布 Claude for Science、投资这些方向，就是希望把技术带给社会，并让社会获得积极收益。 [01:05:00]
Lenny Rachitsky：作为父母，你会鼓励孩子学习什么？在这个全新的世界里，怎样帮助他们取得成功？ [01:06:00]
Dianne Penn：很多特质和我们成长时一样：对学习保持好奇、坚持、相信自己的内在声音，并逐渐形成它。我有一个四岁的孩子和一个八岁的孩子。我们要帮助他们发展内在声音，允许他们有观点、采取立场，并鼓励他们保有个人表达。 [01:07:00]
Lenny Rachitsky：这和避免大脑退化、避免过度依赖 AI 的答案是一致的：先坚持自己的观点和视角。你对孩子的建议，和对成年人保护思考的建议，其实连接在一起。 我还在想，什么时候该让三岁的孩子接触 AI。有人建议让孩子使用较早期、没那么强的模型，让他们仍然需要努力思考，不会立刻得到所有答案；也有人提到开放源代码的本地模型。Ben Mann 对这个问题的回答一直让我印象深刻：好奇心。他还很推崇 Montessori（蒙特梭利）教育。 最后一个相关问题：作为母亲，在 AI 风暴中心工作、研究 Anthropic 的新东西，你如何保持精力，避免 burnout（倦怠）？ [01:08:00]
Dianne Penn：2024 年我们全年发布了四个模型或系列，而今年第二季度一个季度的发布量就超过了那个数字。我很幸运拥有一个不断成长的优秀团队，包括研究侧的合作方和研究产品管理团队。这一切不是个人运动，而是一种 radical ownership（彻底负责）和团队协作。你需要在新信息不断出现时，迅速做出建议、判断和决定。 没有人能独自长期做到这一点。发布前一晚，即使不是某个模型的 DRI（直接负责者），团队成员也会留下来帮助负责人审阅博客、修改文字、设计更好的演示，成为彼此的额外一双手。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 人类的判断、好奇心和坚持会继续影响技术走向。面对快速变化，重要的不是追逐每一个新名字，而是理解问题、选择方向，并把真正有价值的结果带给用户。 [01:09:00]
团队协作、韧性与产品经理的未来
Dianne Penn：很容易把所有变化都压在自己肩上，觉得孤单、觉得必须做完一切。但 Anthropic 的神奇之处在于，团队会找出互相帮助的机会，并进一步完成 mind meld（思想融合）。我们把它叫作进入 hive mind（蜂群思维）。这样团队能够补充彼此的能量。休假并不只是回来后面对三倍多的待办，而是可以相信团队会找到正确的工作，也会彼此照看。 我个人也很幸运，伴侣非常支持我。这是我在 AI 行业工作的第六年，先在 Amazon，后来在 Anthropic。他知道我有多喜欢这项技术，以及它能做到什么，这在个人层面也很有帮助。 [01:10:00]
Lenny Rachitsky：Fiona 最近说，软件工程变得更孤独了：我们现在和 agent 一起工作，而不是和人一起工作；团队更小，每个人都在和自己的 fleet（代理集群）持续对话。这样的时刻更提醒我们，身边真实的人有多重要。我们借助技术获得更大规模，也被要求为更大的事情做决定。 [01:11:00]
Dianne Penn：建立团队时，我会寻找能和你在第一性原理、关键假设上形成某种 mind meld 的人。他们不需要掌握每个细节，但要能替你补位、挑战决定、磨利思考。我也会观察一个人是在意自己的 ego（自我）和扩大组织，还是在意为 Anthropic 和团队影响力做贡献。低 ego、以团队为导向的人，更能让系统持续运转。 [01:12:00]
Lenny Rachitsky：很多人说 Anthropic 能快速行动，是因为大家都围绕使命和价值观对齐，因此能快速作出决定。进入 lightning round（快问快答）前，还有什么想分享的吗？ [01:13:00]
Dianne Penn：我很想让大家带走的一点是：如果你现在没有最初那种喜悦，就去找那些感到兴奋的人。不断发展、补充技能，特别是用第一性原理思考要解决什么问题。社区里也有人问：当模型如此强大、工程师都在深入参与时，我们还需要 PM 吗？ 我认为更需要以用户为中心的人：深入理解用户想完成什么，把它转化为可行动的信息，并持续做这项工作。这就是产品人的核心，而且我们需要更多这样的人。技术层越来越强，但要产生影响，你必须深入细节、保持好奇并亲自上手。 [01:14:00]
Lenny Rachitsky：现在构建变容易了，困难变成：我们应该构建什么？已经构建的东西是否正确、有用、值得继续投入？这正是 PM 擅长的事情。 [01:15:00]
Dianne Penn：还要深入用户、保持 empathy（同理心）。PM 不会消失，PRD 也没有死。 [01:16:00]
Lenny Rachitsky：快问快答。你最常推荐的两三本书是什么？ [01:17:00]
Dianne Penn：一本是《How to Raise an Adult》，我会思考要给孩子培养什么，这本书很有帮助：我们不是要把孩子养成孩子，而是要养成成年人。另一本是 Eric Ries 的《Incorruptible》。我着迷于如何让优秀的团队和公司继续前进；书中关于用文化指标维持价值观的例子很有启发。如果只衡量收入，你就会朝收入方向前进；加入更好的指标，才能持续你真正重视的价值。 [01:18:00]
Lenny Rachitsky：这会是听众接下来要看的节目和书。你最近喜欢的电影或电视剧是什么？ [01:19:00]
Dianne Penn：Anthropic 的人通常没时间追剧，但我休假时看了 Amazon Prime 上的 Fallout。它改编自电子游戏，机智、幽默，也很有动作感，强烈推荐。
Lenny Rachitsky：最近发现、很喜欢的产品呢？
Dianne Penn：Claude Tag 很有意思。Anthropic 内部有不同版本，它是非常强大的工具。很多人会问“这有什么大不了”，但 Anthropic 的每个人都在谈论它，这说明它确实发生了重要的事情。
Lenny Rachitsky：我正试着把它接入付费 newsletter 社群。如果一群彼此并不认识的人也能用起来，会很有意思。我们还在研究它离开公司环境后如何工作。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。 团队协作让这种高强度工作变得可持续。共同承担责任、公开分享发现、互相补位，既能提高发布质量，也能让个人不必独自承担全部变化。
从交易员到 AI 产品负责人
Lenny Rachitsky：Fiona 最近说，软件工程变得更孤独了：我们现在和 agent 一起工作，而不是和人一起工作；团队更小，每个人都在和自己的 fleet（代理集群）持续对话。 [01:20:00]
Dianne Penn：这更提醒我们身边真实的人有多重要。我们借助技术获得更大规模，也被要求为更大的事情做决定。建立团队时，我会寻找能和你在第一性原理、关键假设上形成某种 mind meld（思想融合）的人。他们不需要掌握每个细节，但要能替你补位、挑战决定、磨利思考。我也会观察一个人是在意自己的 ego（自我）和扩大组织，还是在意为 Anthropic 和团队影响力做贡献。低 ego、以团队为导向的人，更能让系统持续运转。 [01:21:00]
Lenny Rachitsky：很多人说 Anthropic 能快速行动，是因为大家都围绕使命和价值观对齐，因此能快速作出决定。进入 lightning round（快问快答）前，还有什么想分享的吗？ [01:22:00]
Dianne Penn：我很想让大家带走的一点是：如果你现在没有最初那种喜悦，就去找那些感到兴奋的人。不断发展、补充技能，特别是用第一性原理思考要解决什么问题。社区里也有人问：当模型如此强大、工程师都在深入参与时，我们还需要 PM 吗？ 我认为更需要以用户为中心的人：深入理解用户想完成什么，把它转化为可行动的信息，并持续做这项工作。这就是产品人的核心，而且我们需要更多这样的人。技术层越来越强，但要产生影响，你必须深入细节、保持好奇并亲自上手。 [01:23:00]
Lenny Rachitsky：现在构建变容易了，困难变成：我们应该构建什么？已经构建的东西是否正确、有用、值得继续投入？这正是 PM 擅长的事情。 [01:24:00]
Dianne Penn：还要深入用户、保持 empathy（同理心）。PM 不会消失，PRD 也没有死。 [01:25:00]
Lenny Rachitsky：快问快答。你最常推荐的两三本书是什么？ [01:26:00]
Dianne Penn：一本是《How to Raise an Adult》，我会思考要给孩子培养什么，这本书很有帮助：我们不是要把孩子养成孩子，而是要养成成年人。另一本是 Eric Ries 的《Incorruptible》。我着迷于如何让优秀的团队和公司继续前进；书中关于用文化指标维持价值观的例子很有启发。如果只衡量收入，你就会朝收入方向前进；加入更好的指标，才能持续你真正重视的价值。 [01:27:00]
Lenny Rachitsky：你最近喜欢的电影或电视剧是什么？ [01:28:00]
Dianne Penn：Anthropic 的人通常没时间追剧，但我休假时看了 Amazon Prime 上的 Fallout。它改编自电子游戏，机智、幽默，也很有动作感，强烈推荐。 [01:29:00]
Lenny Rachitsky：最近发现、很喜欢的产品呢？
Dianne Penn：Claude Tag 很有意思。Anthropic 内部有不同版本，它是非常强大的工具。很多人会问“这有什么大不了”，但 Anthropic 的每个人都在谈论它，这说明它确实发生了重要的事情。
Lenny Rachitsky：我正试着把它接入付费 newsletter 社群。如果一群彼此并不认识的人也能用起来，会很有意思。我们还在研究它离开公司环境后如何工作。
Dianne Penn：我的祖父母照顾了我人生最初十年。我的父母当时是来到美国读大学和硕士的移民。我祖父常说：“无论你走了多远，总还有另一个层级。”每当遇到新的、前所未有的事，我都会想起它：总有另一座山、另一个机会，还能做得更好、走得更远。
Lenny Rachitsky：这让我想到 Ben Mann 说过的另一句话：“现在就是最正常的时候，接下来只会更奇怪、更疯狂。”最后一个问题：你早年做高收益债券交易时学到了什么？ 产品人的价值会越来越集中在理解用户、判断什么值得做、把模糊需求变成可衡量的问题，以及持续验证构建出来的东西是否真的有效。
快问快答与结语
Dianne Penn：交易大厅和通常想象的华尔街很不一样。多数交易员面对终端，用电脑做分析，但环境仍然由男性主导。我是交易桌上唯一的女性，也是唯一拥有我这种背景的人。我学到两件事：建立真实的自我，即使是最初级、看起来与众不同的人，也可以凭借最好的想法和对想法的信念赢得空间。 我把这种做法带到了现在的工作中：在团队里保持脆弱和真实，不论级别和资历，只要有人有好想法，就帮助他们推进；我自己也要把想法说出来、对它有信念、跟进落实，并完成让它发生的细节工作。这些经验适用于很多工作。 [01:30:00]
Lenny Rachitsky：如果听众想关注你，应该去哪里找？怎样才能对你有帮助？ [01:31:00]
Dianne Penn：我在社交媒体上的存在感不强。最好的方式是关注 Anthropic 博客和团队发布的新模型、新产品。对我最有用的是反馈：在产品界面点 thumbs up（赞）或 thumbs down（踩），或者把模型反馈告诉销售人员，这些信息都会传到我这里。对于每个研究模型，我都会深入了解用户偏好和反馈。请继续推动 Claude，告诉我们它在哪里失效，这能帮助我们把它变得更好。 如果你认识符合这些特征的人，也欢迎介绍给我们：热爱这项技术、非常好奇、能用第一性原理思考、敢于质疑假设，并且有喜欢动手试验和 hack（探索改造）的精神。团队正在扩大。 [01:32:00]
Lenny Rachitsky：听起来像梦幻工作。Anthropic 研究团队现在有开放的产品经理岗位，大家可以去官网 careers 页面申请。祝你收到简历洪流。 [01:33:00]
Dianne Penn：Lenny，谢谢你提出这些有帮助、能激发思考的问题，也谢谢你帮助我进一步串起这些联系。 [01:34:00]
Lenny Rachitsky：感谢你，Dianne。听众朋友们，再见。 [01:35:00]
Dianne Penn：谢谢大家收听。如果你觉得本期节目有价值，欢迎在 Apple Podcasts、Spotify 或常用的播客应用中订阅、评分或留下评论，这能帮助更多听众找到节目。你可以在 lennyspodcast.com 找到往期节目并了解更多信息。下一期再见。 这段结尾也回到一个简单原则：保持好奇，尊重事实，提出自己的观点，同时愿意让新的证据和更好的伙伴推动自己修正。 [01:36:00]