AI原生公司Anthropic在组建团队时降低了对候选人基础产出量的要求将写代码、写文档等基础工作交给AI完成。未来公司会更倾向于招聘两类人一是能用AI推动新方向的有产品感的构建者二是能判断AI产出边界的系统专家。这意味着单纯依靠执行量来建立个人优势将越来越难以维持。对于个人而言应选择成为开拓方向的产品构建者或深入领域的系统专家以适应AI时代的工作环境变化。Anthropic 在近期一篇讨论运行 AI 原生工程团队的文章里提到了一个关于招聘的观察。他们在组建 Claude Code 团队时明确降低了对候选人基础产出量raw throughput的要求。这背后是基础工作量的重新分配过去压在人身上的大量基础工作量现在可以先交给 AI 完成。这些基础工作包括写代码、补充测试用例、撰写技术文档、整理用户反馈、生成初版数据报告和制作系统原型。这意味着过去那些最容易被量化的产出能力正在失去一部分招聘权重。在 AI 原生公司里角色的边界正在变得模糊。产品经理会写代码和做原型非传统程序员开始承担更多工程工作工程师也开始处理内容、设计和上下文梳理。随着基础产能变便宜公司真正想招的会越来越集中到两类人。第一类是能用 AI 推动新方向的人第二类是能判断 AI 产出边界的人。过去为什么招人重视产出量在过去的软件开发流程里所有的基础工作都极为昂贵。写代码、写文档、做竞品分析、跑测试流程、整理汇报材料每一个环节都需要投入大量人力和时间。公司自然会奖励那些能交付更多任务的人。谁能更快写完一百万行代码谁能更快产出五十页需求文档谁就会在考核里获得更高的评分。这种评价标准在旧环境里完全合理。当产能受限于人的打字速度和工作时长寻找具有更高基础产出量的员工就是提高公司整体效率最直接的方法。AI 让基础产能变便宜了现在的情况发生了改变。由于模型承担了大量标准化执行工作单纯执行量的稀缺性正在快速下降。执行依然是想法落地的基础前提执行本身依然具有价值。但变化在于如果候选人仅仅依靠执行量来建立个人优势这种优势会越来越难以维持。公司不需要专门招聘一个人去完成 AI 几十秒就能生成的标准代码段。既然基础产能变便宜了单纯执行量的权重也在随之下降那么AI 原生公司未来究竟会招哪两类人第一类人有产品感的 builderAnthropic 提到他们现在更看重的第一类人是有产品感的构建者creative builders with product sense。这就对应了前面提到的第一类人负责开拓方向把想法变成验证的人。在上一篇文章里我们提到AI 原生公司会优先做原型然后再讨论计划。这就要求团队里的人具备把想法快速变成原型的能力。这种人能把模糊的用户需求转化为可以被验证的具体问题。他们会使用 AI 快速构建出一个可试用的版本把原型直接放到用户面前。他们会根据真实的用户反馈来判断这个方向是否值得继续投入资源。他们关心的焦点脱离了如何把代码写出来转移到了我们究竟在解决什么问题。公司需要这类人因为他们能把 AI 的产出导向真实的用户需求将模糊的想法变成可以验证的具体问题。如果缺少这类人公司会得到大量表面上看起来已经开发完成的功能但这些功能未必能真正解决用户的实际问题。第二类人有深系统能力的人Anthropic 看重的第二类人是具有深厚系统专业知识的工程师engineers with deep systems expertise。这就对应了前面提到的第二类人负责判断边界控制长期风险的人。当 AI 的产出量增加随之而来的复杂边界问题也会急剧增加。模型可以快速生成一个功能模块。系统安全、极端情况下的性能瓶颈、架构的可靠性、长期维护成本以及信任边界仍然需要专业人员来做出判断。这类人决定了 AI 产出的上限和风险边界。他们知道在哪些关键节点必须介入审查知道如何设计底层架构来容纳海量的 AI 生成代码并且能够处理那些模型目前还无法理解的深层系统级错误。公司需要这类人来判断 AI 生成内容的系统边界、风险边界和长期维护成本。如果没有这类人AI 生成的代码和技术方案会快速堆积这些内容在后期会演变成严重的可靠性、安全、性能和系统维护问题。非软件岗位也会被重新定价招人标准的变化会向所有岗位蔓延。换到非软件行业这两类人不会消失只是名字变了。软件里的 product builder对应非软件里的业务 builder。他们更像是一个小业务负责人的角色。一个人可以利用 AI 完成多工种的内容独立开拓一条产品线或业务线。这种人能够先写出用户调研提纲接着生成活动方案然后准备销售话术、整理客户反馈最后设计客服分流规则并生成财务测算样稿把一条新业务线的早期验证独立跑起来。公司需要这种业务 builder因为 AI 大幅降低了跨工种协作的起步成本使得小团队甚至单个人就能快速推进业务试验。如果公司里没有这种人一个早期的业务想法就会继续被拆分给多个传统岗位排队处理试错速度会被旧有的分工模式严重拖慢。软件里的 deep systems expert对应非软件里的业务 expert。他们的核心作用同样是判断边界和控制风险并在特定业务领域突破 AI 的瓶颈。面对复杂的真实世界模型无法判断所有的现实约束。合规红线、客户关系维护、行业潜规则、供应链限制、财务风险以及线下执行的真实成本这些关键问题都不能仅仅依靠模型来做决策。公司需要专业人员来判断哪些生成的方案在真实业务里无法执行或者长期会积累风险。AI 能够生成数量庞大的业务方案但如果没有这类业务 expert 进行筛选和把控公司就会把模型生成的方案误认为是业务上切实可行的方案。结语从信息获取方式、工作流程、计划制定方式到目前的招人标准AI 原生公司系列的前四篇文章展示了工作环境的系统性改变。面对未来公司招人的这两类标准普通人接下来也要在这两类人里选择自己的定位。第一条路线是做能开拓方向的人成为有创业能力、具备产品和用户思维的 builder。这类人能够敏锐地发现问题并精准定义用户。他们会提出更好的问题利用 AI 快速做出可验证的版本从而推动一个具体的业务方向不断向前走。第二条路线是做能判断边界的人成为某个细分领域的深入专家。这类人能够在自己的专业领域内清晰地判断出 AI 的盲区、风险边界以及各种决策的长期后果。在 AI 生成海量内容时他们能凭借专业判断力拦截可能引发风险的错误。未来的工作环境会持续奖励那些能发现真实问题、能用 AI 快速验证想法以及能精准把控业务和系统风险的人。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取