怎么做类似豆瓣的网站做视频怎样传到网站

怎么做类似豆瓣的网站,做视频怎样传到网站,赶集网做网站,化州网站建设AI之LLMs#xff1a;当 AI 成为常驻合作者—AI 让我们做更多#xff0c;也让我们担心更多#xff1a;Anthropic 的使用数据与体验洞察—Claude 在岗位上的影响(产能、技能与协作的双刃剑) 导读#xff1a;Anthropic的这项内部研究提供了一个独特而深入的视角#xff0c;揭…AI之LLMs当 AI 成为常驻合作者—AI 让我们做更多也让我们担心更多Anthropic 的使用数据与体验洞察—Claude 在岗位上的影响(产能、技能与协作的双刃剑)导读Anthropic的这项内部研究提供了一个独特而深入的视角揭示了人工智能特别是其自研的Claude如何在其核心技术团队中引发一场深刻的工作变革。研究结果清晰地描绘了一幅充满机遇与挑战并存的图景。在机遇方面AI显著提升了软件开发人员的生产力通过处理调试、代码理解等基础任务以及实现新功能和设计规划等更复杂的工作使员工能够以更少的时间投入获得更大的产出。Claude不仅加速了现有工作还催生了新类型的工作如修复“小麻烦”和进行此前因成本过高而无法开展的探索性项目。工程师们因此变得更加**“全栈”**能够跨越专业领域快速学习和迭代提升了解决问题的广度。AI还改变了获取知识的方式成为员工提问的“第一站”加速了学习过程。然而这种变革也带来了显著的挑战和担忧。最突出的是对技能退化的担忧即过度依赖AI可能导致工程师丧失亲手解决问题时获得的深入理解和附带学习进而影响其有效监督AI产出的能力形成“监督悖论”。此外AI的介入也改变了职场社交动态减少了同事间的日常互动和传统的师徒指导机会。更深层次的担忧在于职业未来的不确定性许多工程师开始将自己的角色定义为“AI代理的管理者”但对于长期而言AI是否会最终取代人类工作以及软件工程这一职业的最终形态仍存在普遍的迷茫和矛盾心理。文章强调Anthropic作为AI构建者其内部经验虽有特殊性但可能预示着更广泛的社会转型。为了应对这些挑战Anthropic正积极探索内部策略包括促进团队协作、支持职业发展、建立AI增强型工作的最佳实践并考虑结构性的角色演变和再培训方案。总而言之该研究表明AI在提升生产力、拓展能力边界方面潜力巨大但其对人类技能、协作模式和职业路径的深远影响不容忽视。未来的关键在于如何深思熟虑地驾驭这场转型在享受AI带来的便利的同时维护和发展人类的核心能力并为不确定的未来做好准备。Anthropic的实践为其他组织提供了一个宝贵的“实验室”案例展示了在AI时代企业如何主动探索和适应工作模式的演变。本研究通过对Anthropic内部工程师和研究人员的调查、访谈及Claude Code使用数据分析深入探讨了AI特别是Claude如何从根本上改变软件开发人员的工作性质带来了希望与担忧并存的显著变革。AI如何重塑Anthropic的工作研究目的考察AI在早期采用者Anthropic员工中的实际影响以期为更广泛的社会转型提供借鉴。研究方法2025年8月对132名工程师和研究人员进行调查53次深度定性访谈并分析内部Claude Code使用数据。主要发现概览工程师工作效率显著提高变得更“全栈”学习和迭代速度加快能够处理此前被忽视的任务。但同时也引发了对技术能力退化、有效监督AI产出、团队协作减少以及职业未来不确定性的担忧。Anthropic的特殊性作为AI构建公司员工拥有尖端工具和稳定领域其经验可能预示着其他行业的未来趋势。核心挑战在AI带来生产力提升的同时如何维护技术专长、保持有意义的协作以及为AI增强型职场中学习、指导和职业发展的新方法做准备。展望未来早期成果员工对Claude的使用大幅增加不仅加速了现有工作还促进了新代码库学习、减少了繁琐任务、拓展了新领域并解决了此前被忽视的改进。希望与不确定性生产力提升和学习效益显著但对软件工程工作的长期发展轨迹仍存在不确定性。历史类比AI转型可能类似于软件工程从低级到高级语言的演变或从个人贡献者到管理者的角色转变。当前局限仍处于早期阶段Anthropic作为早期采用者其发现可能不完全适用于其他组织或背景。Anthropic的未来行动与内部工程师、研究人员和领导层对话解决机遇与挑战。探讨团队协作、职业发展和AI增强型工作的最佳实践如AI流畅性框架。将研究范围扩展到工程师之外理解AI对组织内所有角色的影响。支持外部组织如CodePath调整计算机科学课程以适应AI辅助的未来。探索结构性方法如组织内部的角色演变和再培训新路径。Anthropic的定位作为一个负责任的职场转型实验室不仅研究AI如何改变工作更要实验如何深思熟虑地驾驭这种转型。目录当 AI 成为常驻合作者—AI 让我们做更多也让我们担心更多Anthropic 的使用数据与体验洞察—Claude 在岗位上的影响(产能、技能与协作的双刃剑)1、关键发现Key findings核心要点经验 / 技巧2、调查数据Survey data2.1 常用任务类型核心要点经验 / 技巧2.2 使用率与生产力变化核心要点经验 / 技巧2.3 Claude 带来的“新工作”核心要点经验 / 技巧2.4 “完全委派”能力的界限核心要点经验 / 技巧3、深度访谈Qualitative interviews3.1 AI 委派的策略与直觉核心要点经验 / 技巧3.2 技能分布的扩展与深度能力的担忧核心要点经验 / 技巧3.3 编码工艺craft与工作意义的变化核心要点经验 / 技巧3.4 职场社交与指导/辅导的变化核心要点经验 / 技巧3.5 职业前景与不确定性核心要点经验 / 技巧4、Claude Code 使用趋势Claude Code usage trends核心要点经验 / 技巧5、展望Looking forward与组织动作核心要点经验 / 技巧面向组织6、方法学与局限Appendix / Limitations当 AI 成为常驻合作者—AI 让我们做更多也让我们担心更多Anthropic 的使用数据与体验洞察—Claude 在岗位上的影响(产能、技能与协作的双刃剑)地址《How AI is transforming work at Anthropic》https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic时间2025年12月3日作者Anthropic1、关键发现Key findings文章在开篇总结了来自问卷、访谈和使用日志的主要结论工程师通过 Claude 在调试、理解代码、实现新特性等方面获得显著生产力提升同时工作内容变得更宽泛“full-stack”但也带来对深层技能萎缩、协作减少与职业不确定性的担忧。核心要点最常见用途是 调试debugging 与 代码理解code understanding日常使用比例最高。 自报数据当前员工平均在 60% 的工作中使用 Claude认为生产力平均提高约 50%较去年 2–3 倍提升。约 27% 的 Claude 辅助工作是“之前不会做的”新工作例如小工具、可视化、扩展实验等。大多数员工只会将 0–20% 的工作“完全委派”给 Claude即仍需人类监督/验证。经验 / 技巧把 Claude 当作 “常驻合作者” 而非“自动接手者”适合用来快速把可验证、低风险、可拆分的子任务交给模型。2、调查数据Survey data本节详细阐述了对132名Anthropic工程师和研究人员的调查结果揭示了Claude在编码任务中的具体应用、对生产力的影响、催生新工作的能力以及可完全授权工作的比例。核心要点Claude在编码任务中的应用最常见的日常任务调试55%、代码理解42%、实现新功能37%。较少使用的任务高级设计/规划、数据科学、前端开发可能因其复杂性或并非核心任务。使用率与生产力使用率从12个月前的28%上升到目前的59%。生产力提升从12个月前的20%上升到目前的50%。14%的“超级用户”生产力提升超过100%。生产力模式多数任务类别中时间投入略有减少但产出量显著增加。时间节省的复杂性部分人因调试AI生成代码或理解AI代码而花费更多时间但也有人因此能坚持此前会放弃的任务或进行更彻底的测试和探索。产出量增加普遍且显著是AI提升生产力的主要方式。局限性生产力难以精确测量自报数据存在偏差如高估但员工通过战略性AI授权可能克服了外部研究中发现的生产力下降因素。Claude催生新工作27%的Claude辅助工作是原先不会做的。包括项目扩展、制作交互式数据仪表板等“锦上添花”的工具、文档和测试等繁琐工作以及手动不划算的探索性工作。工程师能修复更多“小麻烦”papercuts提升工作质量和效率。AI允许多版本并行探索带来更多创造性。可完全授权的工作比例超过一半的工程师表示只能“完全授权”0-20%的工作给Claude。原因在于需要与Claude主动迭代协作并验证其产出尤其是在复杂或高风险任务中。经验技巧将Claude用于调试、代码理解和实现新功能是高效的策略。通过战略性地选择可授权任务可以最大化AI的生产力效益。利用AI处理“小麻烦”和探索性工作可以提升整体工作质量和创新性。在高风险或复杂任务中始终保持对AI产出的监督和验证。2.1 常用任务类型通过问卷量化了工程师在日常使用 Claude 的任务分布调试、代码理解和实现新特性为高频任务设计/高层次规划相对较少。核心要点 日常使用占比最高调试 55%、代码理解 42%、实现新特性 37%按日常使用率。 高层设计/规划、前端/数据科学等任务的日常使用较少这些通常保留给人类或较少场景下交给模型。经验 / 技巧 优先把 Claude 用于“重复性高、可验证”的场景例如单元修复、标准化重构、注释生成把“taste/设计”相关任务留给人类主导以保护设计质量。2.2 使用率与生产力变化员工自报过去一年中 Claude 的使用从 28% 增至 59%自评生产力提升从 20% 到 50%同时产出量增加但部分任务时间未必减少有分化。核心要点 自报使用率与生产力出现显著上升部分“power users”呈现 100% 提升。 时间与产出出现分化总体“单位任务时间下降、产出量显著上升”但也有部分人花更多时间调试与理解AI 生成的代码。 自报数据有局限回忆偏差、社交期望偏差文章同时对比内部使用日志以缓和这些偏差。经验 / 技巧 在衡量 AI 价值时区分“时间/流程节省”与“产出数量增加”组织应同时跟踪质量bug rate、回滚与产出以避免只看“合并次数”导致误判。2.3 Claude 带来的“新工作”约 27% 的 Claude 辅助工作属于以前不会被做的工作包括可视化、scale-out、清理低优先“papercut”等。核心要点 Claude 帮助“修复 papercuts”8.6% 的 Code 任务这些原本会被搁置的小问题现在被系统性处理从而提高工程体验与可维护性。 并行试验能力多版本同时尝试显著提升探索性研究和创意迭代速度。经验 / 技巧 把 AI 用于“低成本实验和工具化”——用 AI 快速生成原型、仪表盘、小工具随后人类评估可扩展性与设计。2.4 “完全委派”能力的界限尽管使用频繁但大多数员工认为只有有限比例的工作可以“完全”不经人工监督地交给 Claude。核心要点 0–20% 的“可完全委派”占比反映出人类对高标准验证与高风险领域仍保持谨慎。 对“完全委派”的解读存在差异从“不需要任何验证”到“只需轻度复核”。经验 / 技巧 制定分级委派策略对任务按“风险—可验证性—价值”打分低风险高可验证性任务可逐步放宽人工检查门槛高风险任务保持严格人工复核。3、深度访谈Qualitative interviews通过深度访谈本节揭示了工程师们在日常工作中如何与AI互动、其技能组合的变化、对编码工作的看法、职场社交动态的演变以及对职业未来的不确定性与适应策略。核心要点AI授权方法工程师倾向于将以下类型的任务授权给Claude用户不熟悉但复杂度低的任务如基础设施问题、不熟悉的Git或Linux操作。易于验证的任务验证成本远低于创建成本。定义明确或自包含的任务项目中相对独立的子模块。代码质量要求不高的任务如临时调试代码或研究代码。重复或无聊的任务越是无聊的任务越倾向于交给Claude。提示比执行更快的任务但对于需要大量上下文的“冷启动”问题人工操作可能更快。信任与验证用户对Claude的信任度会逐步提升从简单任务到复杂任务。有人将其比作使用Google Maps从不熟悉路线到日常通勤都依赖。工程师在使用Claude时有人选择在自己熟悉的领域加速工作有人则用于拓展不熟悉领域但都强调需要保持对产出的理解和判断力。经验的重要性有经验的工程师能识别AI提出的“聪明但危险”的解决方案。保留给人类的任务高层次或战略性思考、需要组织上下文或“品味”的设计决策。这些任务的生产力提升最少。但随着模型改进这些边界是“移动的目标”。技能转型新能力工程师变得更“全栈”能处理此前不熟悉的领域如后端工程师构建UI加速原型开发、并行工作、减少繁琐任务、提升项目雄心。动手实践减少担忧技能退化失去通过手动解决问题带来的附带学习如阅读文档、构建系统模型。监督悖论有效监督AI需要编码技能而AI过度使用可能导致这些技能退化。应对策略有些工程师会刻意不使用AI来保持技能敏锐度。对未来技能的看法软件工程可能向更高抽象层次发展英语可能成为编程语言。部分人认为这让他们能更关注产品和用户。有人认为低级技能的流失是可接受的因为它们不再是核心。也有人认为技能侵蚀是不可避免的且旧的工作方式不会再回来。编码的乐趣与意义工程师对此看法不一有人怀念亲手编码的“心流”体验认为提示AI不那么有趣。也有人接受这种权衡认为生产力提升更重要。另一些人则发现与Claude迭代更有趣或更关注最终产出而非编码过程本身。职场社交动态变化Claude成为同事提问前的“第一站”处理了80-90%的常规问题。减少了对同事的依赖但关键的20%仍需与人交流。部分人协作模式未变但也有人与Claude互动多于同事。影响减少了社交摩擦但也导致了对人际互动和传统师徒关系减少的担忧。Claude可以为初级员工提供指导减少了资深工程师的指导机会。职业发展与不确定性角色转变工程师的角色从编写代码转向管理AI系统成为“AI代理的管理者”。长期不确定性普遍存在许多人认为难以预测几年后的职业前景。短期乐观与长期担忧有人认为短期乐观但长期担忧AI会取代一切。适应策略专注于更专业化的技能如有效审查AI工作、转向人际和战略性工作、利用Claude进行职业发展学习、保持高度适应性。经验技巧有效授权优先将低上下文、易验证、明确、低风险或重复无聊的任务交给AI。建立信任从简单任务开始逐步增加对AI的授权但始终保持批判性思维。保留核心将高层次思考、设计决策和需要人类“品味”的任务保留给自己。技能维护定期进行无AI实践以防止核心技能退化并培养对AI产出的有效监督能力。适应变化拥抱高层次抽象思维关注产品和用户价值而非纯粹的编码细节。重塑协作认识到AI会改变团队协作模式探索新的沟通和指导方式。终身学习面对职业不确定性培养高度适应性并利用AI进行持续学习和技能提升。3.1 AI 委派的策略与直觉访谈显示工程师形成了“委派直觉”倾向将低复杂度、低上下文或易于验证的任务交给 Claude采取渐进信任策略。核心要点 委派依据三大原则低上下文、易验证、模块化/自含。例如基础 infra 问题、局部重构更容易委派。 信任是渐进建立的从简单任务开始逐步扩展到更复杂的工作。经验 / 技巧 在团队内部推广“渐进式试验”文化从易验证的小任务建立模型可信度build trust curve并记录失败模式供团队学习。3.2 技能分布的扩展与深度能力的担忧Claude 让工程师更容易跨领域工作变“full-stack”但也有人担心深层技能比如复杂架构设计、手工编码能力会退化。核心要点 优势个体能够触及更多任务 —— 前端、数据库、可视化等不再只属于专门团队。 风险长期依赖可能导致技能退化与评审能力下降影响对 AI 输出的批判性把控。经验 / 技巧 设计“刻意练习窗口”practice windows定期安排无 AI 辅助的编程/设计任务、code review 或交叉导师制度确保核心能力不萎缩。3.3 编码工艺craft与工作意义的变化部分人发现自己更享受“结果/产品”而非写代码的过程另一些人仍怀念编码的工艺感。核心要点工作动机可能从“写代码本身”转向“解决问题与达成目标”但对编码热情的变化在员工中并非统一。经验 / 技巧组织层面需关注工作成就感的多样来源提供既能利用 AI 的任务也保留能让人“沉浸编码”的项目以维持人才多样性。3.4 职场社交与指导/辅导的变化Claude 成为“第一问答对象”导致人与人之间的即时互动、寻求帮助与导师-学徒关系出现减少的现象。核心要点结果junior 向资深请教减少可能影响知识传承与非正式学习渠道。经验 / 技巧主动创建“人际接触点”office hours、pair-programming、代码走查会作为补偿确保 AI 不替代关键的人际教学场景。3.5 职业前景与不确定性访谈中既有对短期生产力提升的乐观也有对长期被替代的焦虑感受不一且带有根本不确定性。核心要点部分受访者乐观认为工作会向更高层抽象、系统管理方向发展部分人担心长期被替代或角色根本性萎缩。经验 / 技巧企业应提供明确的职业发展地图role evolution paths、再培训渠道与内部转岗机制以缓解不安并保留人才。4、Claude Code 使用趋势Claude Code usage trends本节通过对2025年2月和8月20万份Claude Code内部记录的分析提供了客观数据印证了调查和访谈中关于Claude使用复杂性增加、自主性提高、任务分布变化以及团队间差异的发现。基于内部工具日志Claude Code文章展示了模型在可自主完成操作数量、任务类型分布与团队差异上的变化反映出模型能力提升带来的工作方式转变。核心要点 自主操作数从 ~10 次上升到 ~20 次表示更少人类中断模型能完成更复杂的工作流。复杂任务占比增长例如设计/规划从 1%→10%实现新功能从 14%→37%。 “Papercut”修复占比 ~8.6%显示模型在改善工程体验方面起作用。 不同团队使用模式有差异Pre-training 偏实验/特性迭代Security 偏代码理解非技术员工也能借助 Claude 做调试。处理更复杂任务减少监督任务复杂度提升平均任务复杂度从3.2基本编辑提升到3.8专家级任务例如从“排查Python模块导入错误”到“实现和优化缓存系统”。连续工具调用次数增加Claude在无人干预下连续执行工具调用的次数增加了116%从9.8次到21.2次表明自主性增强。人类交互回合减少平均人类交互回合数减少了33%从6.2次到4.1次说明完成任务所需的人工输入减少。任务分布显著变化实现新功能从14.3%增至36.9%和代码设计/规划从1.0%增至9.9%的比例显著增加表明Claude在更复杂任务上的能力提升。整体分布与自报数据大致吻合最常见的是构建新功能、调试和代码理解。修复“小麻烦”Papercuts8.6%的Claude Code任务属于“小麻烦修复”如重构代码以提高可维护性、创建性能可视化工具或终端快捷方式。这些小修复累积起来能带来更大的生产力和效率提升并减少日常工作的摩擦和挫败感。团队间任务差异预训练团队54.6%用于构建新功能通常是运行额外实验。对齐与安全团队/后训练团队最多用于前端开发7.5%和7.4%常用于创建数据可视化。安全团队48.9%用于代码理解分析代码库的安全隐患。非技术员工51.5%用于调试如网络问题、Git操作12.7%用于数据科学表明Claude能弥补技术知识差距。“全栈”能力增强团队利用Claude拓展核心专业之外的能力如预训练团队进行额外实验非技术员工修复代码错误研究人员利用Claude进行前端开发以可视化数据。经验 / 技巧利用使用日志识别高价值自动化点例如经常出现的 papercut并把这些点做成“小自动化包”逐步降低日常维护成本。信任AI的自主性随着AI能力提升可以逐步增加其自主处理复杂任务的范围。关注高价值任务将AI用于新功能实现和设计规划等更复杂的任务释放人类创造力。利用AI解决“小麻烦”鼓励员工使用AI处理那些虽小但影响工作质量和效率的“纸屑问题”。跨领域赋能鼓励不同团队利用AI拓展其核心专业之外的能力实现“全栈化”弥补知识空白。5、展望Looking forward与组织动作认识到自己处于“早期采用者”的位置强调要研究、试验并制定组织层面的实践AI 流利度框架、再培训、跨团队协作等并将在 2026 年公布更具体计划。核心要点更强模型带来显著收益同时提出对技术深度、协作模式、职业路径的新问题。公司正在探索如何维持技术专精、如何保留/重塑导师-学徒关系、如何支持职业发展与再培训、以及如何设计 AI-augmented 的最佳实践。经验 / 技巧面向组织制定AI 流利度AI fluency培训把模型使用、验证流程、prompt engineering、风险评估纳入必修训练。设计“混合工作合同”对于某些岗位定义 AI-增强职责和人类独有职责明确晋升/评价标准。6、方法学与局限Appendix / Limitations文章在 Appendix 明确了方法学细节与局限样本选择方式便利抽样与有目的抽样、响应率偏差、非匿名回答可能导致社会期望偏差、以及研究仅代表 2025 年 8 月当时的模型能力。存在选择偏差对 Claude 更感兴趣或更有意见者更可能参与。自报生产力与记忆回溯存在不确定性文章同时使用内部日志以求平衡。研究时点是 Claude Sonnet 4 / Opus 4随着模型快速迭代结论可能随时间变化。解读此类内部研究时请同时参照匿名化调查、客观日志指标与第三方独立研究以形成更稳健结论。