每天挑选一期硅谷AI科技值得关注的播客，让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast，在通勤、走路或做家务时一篇篇轻松听完
"我不过是在给Claude当传送带。"
"人类的注意力仍然非常有限。"
"我很少愿意让当前这个会话来评价它自己的工作。"
给AI写好提示词，上传资料，再把结果交给自己检查，这套流程已经让不少人省下了时间。可当越来越多工作都能这样处理，人的一天也可能变成不停派活、搬运材料和审稿：AI忙得很，自己也没闲下来。
主持人Marina就遇到了这个问题。她有一支35人的团队，成员各自用Claude处理负责的工作，但产出最后仍要经过她。她想做得更多，却成了整个流程里最忙的一关。
在这期访谈中，Claude工程负责人Felix Rieseberg谈到，自己也经历过类似阶段。他提出的调整涉及几个相连的问题：任务该交到哪一步，模型需要什么资料，以及人怎样知道它真的做好了。
别让自己变成AI的传送带
一年半前左右，Felix处理软件崩溃的方式是：先去看崩溃记录，挑出一个问题，转交Claude修复。写代码的工作省掉了，找问题、挑问题和搬运信息的工作却留在自己手里。他做着做着意识到，这条流程仍然要靠人不断给AI送来下一件活。
他因此想把任务往前交一步：让Claude能访问崩溃数据，再由它判断哪些问题需要修、哪些不需要。接通数据和工具有前期成本，但如果每次都得由自己准备材料，这笔成本只是在以另一种形式反复支付。
"如果你只是在说“帮我总结这封邮件”，或者“把这封邮件写得没那么生气”，你并没有真正用上更强的模型能力。"
这个区别也适用于日常的知识工作。做一份邮件摘要，通常只是为了知道接下来该处理什么；分析一批用户反馈，往往是为了判断产品该改哪里。如果只把前一小步交给模型，后面的筛选和追问仍得由人重新启动。
Felix建议顺着手头的任务再问一句：我希望这件事做完以后，发生什么？然后试着把那个结果交给模型。任务范围可以逐步扩大，直到碰到当前能力的边界，再决定哪些部分需要自己接手。
他还区分了节省旧工作的时间，与获得原本没有的能力。自动化可以替人去掉昂贵、繁琐的任务，但他更感兴趣的是，AI能否帮助一个人完成因缺少知识或技能而做不了的事。衡量一次尝试是否值得，也就不只有“省了多少分钟”，还包括过去不敢试的想法，如今能不能先做出来看看。
他也给这条建议划了界限。大多数企业最终都想赚钱，但只丢给Claude一句“去赚钱”，眼下并不会走得很远。重点在于找出模型已经能承担、自己却仍在代劳的那一段，而不是一下把所有经营责任交出去。
Felix回忆，自己曾逐条搬运崩溃记录，再请Claude修复。
说清专业人士怎么做，比给它一个头衔有用
把更完整的工作交给模型之后，还得说明怎样才算做好：要求越笼统，越容易得到一份听上去合格、实际上说不清好在哪里的东西。尤其是文章、方案和创意，不能像检查计算结果那样，立刻判断对错。
Felix常观察写作者怎样使用AI。他的朋友Adam Davidson不会只说“把这篇文章改好”，而是让Claude放大自己的论点，找出最不同意的地方，再提出最有力的反驳。写作因此变成可以逐步推进的工作，作者也能看见自己的论证究竟卡在哪里。
这些步骤来自写作者多年打磨的习惯。作品好，并不意味着作者坐下来就自然写得好；准备材料、组织论点、推翻重写，本来就是专业工作的一部分。把这些过程告诉模型，比要求它交出一个“有品位的结果”更容易落到实处。
"角色扮演并不是我们要的。我们要的是专业人士会使用的方法、工具和知识，不只是他们的用词。"
他特别区分了两种提示：让Claude“扮演优秀会计”，与让它查明优秀会计会使用什么工具、采用什么方法，再照着做。前者可能换来会计的口吻，后者才在要求它开展相应的工作。
他举的另一个例子是动画和3D制作。让模型使用Blender这类专业工具，可以打开更多制作方式；Felix自己不懂Blender，也曾借助AI为个人网站制作3D素材。他仍能从使用者的角度判断，效果是不是自己想要的。
把资料放在它能找到的地方，也检查旧规矩
Marina原先会按任务建立项目，把某类工作所需的流程、历史稿件和数据放进去。Felix没有要求她全部推倒重来；他的前提是，现有办法有效，就有保留的理由。不过，在他自己的使用中，预先替每个角色切一小份资料，已经不再那么必要。
他用工程经理作比方：只有代码权限，往往不足以判断产品出了什么问题。客户怎么说、用户怎样使用、业务哪里遇阻，同样会影响决定。AI也需要看见与任务有关的背景，不能因为被设成了某个角色，就只能接触某一类材料。
这不等于把全公司的文件一股脑塞进对话。他的办法是提供工具，并清楚说明每个工具能取到什么数据，由模型在需要时查找。这样，新开一个会话时，人不用重新拼装整套背景，模型也不必先读完所有资料才能开工。
同样需要重新检查的，还有以前为AI写下的Skill，也就是可反复使用的工作说明。Felix说，他们仍经常使用Skill，但会谨慎判断：有些规则是为了弥补上一代模型的不足，模型变了，规则却留了下来。
"有时我们会发现，把Skill完全拿掉，反而能得到更好的输出。"
他会设想自己是接到任务的那个模型：为了完成工作，自己希望拿到什么？原始数据、电脑和可用工具，往往比别人预先筛选好的结论更有帮助。这个问题能帮助检查，当前安排究竟是在提供条件，还是无意间替模型排除了有用的信息。
这条建议的前提，是你有办法比较好坏。拿同一份任务和资料，分别看保留与去掉旧说明后的结果，再决定改什么，会比凭感觉把规则越写越长更有依据。
对于刚开始的人，他也不建议先把连接器和复杂系统搭齐。可以先让Claude在浏览器里尝试真实工作，看哪里确实有用；等流程跑得通，再考虑接入更适合的工具。先验证这件事值不值得做，再投入自动化建设。
让AI干活，也要让检查独立发生
任务交得越完整，验收就越不能只看“回答像不像那么回事”。Felix用报天气举例：模型猜中了温度，不应该因此拿到好评；反过来，如果它找对地点、查了可靠来源，温度有半度误差，过程仍可能更值得信任。碰巧答对与有根据地完成工作，是两回事。
遇到自己不熟悉、又难以直接判断的内容，他会另开会话做对抗审查，专门寻找原产出的错误。访谈当天早上，他写完一篇博客，就让Claude启动五个线程，分别尝试证明他的事实、理解或思路哪里出了问题。
"当前这个会话，往往不擅长判断自己做得好不好。只要可以，我就会尽量寻找外部信号。"
审查意见很多，也不意味着每一条都该照改。他在编程工作里还会安排另一个模型会话，判断批评是否成立，再把有效反馈交回去修改。有些意见看似合理，却误解了任务，或者无法带来实际改进；接受所有建议，可能反而把东西改坏。
相比让同一段对话一边写、一边宣布自己写得不错，他更愿意寻找外部证据。独立会话可以帮忙挑错，但他更偏好能核实的依据。比如检查演示稿中的数字，他会要求Claude为每个数字找到原始来源，并确认来源是否可靠。
他说，自己已经很信任这种事实核查流程。这是他对自己工作方式的评价，不能据此推导出所有AI核查都不会出错。对读者更有用的做法，是把“已核查”的要求落到可检查的东西上：数字对应什么出处，结论靠什么支撑，哪些疑问仍没解决。
你改过的东西，得让它下次看得见
Marina还有一个更难的问题：Claude给出初稿，团队加工后交给她，她再凭自己的判断修改；最终发布的内容，可能与初稿有七成相同，剩下三成才是她认为关键的部分。反馈留在团队的Telegram讨论里，下次做同类任务时，Claude未必知道这次为什么改。
Felix建议从已有反馈里整理判断标准。他描述了一个过程：先收集过去的修改意见，请Claude归纳自己在意的原则，再追问其中有没有反复出现、但自己还没明确说出来的偏好。这样得到的材料，才能用于之后的评审，而不是每次从一句“感觉不对”开始。这里整理的是你判断好坏的标准，与前面那些为旧模型补漏的操作规则有所不同。
但让模型总结出一份原则，不等于它立刻能接替本人。对于暂时不敢放手的工作，他推荐并排试跑：同一份材料，自己先写评语，再看Claude独立给出的意见；比较几轮，找出哪些判断接近，哪些分歧需要继续处理。
同一个人，星期一与星期五审同一篇文档，意见都可能不同；因此，目的并非让模型逐字复现每次评语，而是确认那些真正影响质量的标准能否稳定发挥作用。比较这些差异，能帮助人决定下一步可以放手多少。
先收集反馈，再提炼原则，找出自己尚未明确说出的偏好。
省下来的功夫，花在弄懂别人的工作上
过去考虑一个软件想法，Felix得先盘算开发时间、维护成本，以及做了这件事就顾不上什么。如今，他可以更快拿到一个能试的原型，亲自用一用，再讨论值不值得继续。可试验成本下降，只是把一些想法带到了可以检验的阶段，并没有替人完成筛选。
Felix现在大部分时间在试做产品原型：提出几种想法，让Claude做出不同版本，再判断哪些值得继续。制作变快以后，新的限制是人的注意力。他可以很容易地做出一千个版本，却无法让另一个人认真看完一千个。
他观察产品是否有希望时，会看它放到几个人面前后，对方能否很快明白怎么用，并做成以前做不到的事。再多做几个按钮并不难，但每个按钮都可能占用用户的注意力；知道哪些可以拿掉，也是一项产品判断。
如果不知道别人真正需要什么，做出再多版本也未必有用。Felix讲起一个习惯：住酒店办理入住，会告诉前台自己做软件，请对方展示电脑上怎样操作。他看到的许多系统仍然笨重难用，和硅谷熟悉的最新工具相距很远。理解这些人每天到底被什么耽误，才能判断应该改什么。
这也是他给年轻工程师的建议：做出真实可用的东西，证明自己能和客户交流，分清必要与多余，并把不同系统接起来解决问题。单纯熟记某个框架的接口，在他看来不再像以前那么有价值；让用户得到实际好处，才是他一直看重的结果。
他尤其欣赏自己接触过的滑铁卢大学实习生。有些人进入团队时，已经在多家公司实习，知道怎样争取资源、推动一个想法，也知道怎样与法务等部门合作。在他的观察里，这让他们即使刚开始第一份正式工作，也更容易把事情推进下去。软件能很快写出来以后，这些人与人、部门与部门之间的工作，并没有跟着消失。
写在最后
不必先把整套工作交给AI。挑一件自己熟悉、能够判断好坏的事，让它多做一步，再用独立证据检查结果；如果有效，就把必要的资料和反馈接进去。Felix也承认，这期给出的建议，十周后可能又要修改。把已经能做的部分试出来，也给自己的办法留下调整的余地。
内容来源："Claude Engineering Lead: "Stop Using Claude Like It’s 2024""丨Silicon Valley Girl（嘉宾：Felix Rieseberg（Anthropic 的 Claude 工程负责人））
原视频：https://www.youtube.com/watch?v=D-SVFneJ_Nk
相关文章
《Claude Code 实战：如何用一个工具支撑整个小团队丨Aakash Gupta》 《Amplitude创始人：为什么未来是全自动软件开发？丨Delphi》 《多邻国CEO：AI没让我裁一个人，但它改变了所有人的工作方式 | Silicon Valley Girl》
如果你现在没空，可以收藏进晚点再听，通勤、走路或做家务时一次性听完⇣
⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣