【拆解】Anthropic内部PM生存法则：当代码变得廉价，"品味"才是护城河

传统产品经理的处境，有点像在一列提速到每小时300公里的列车上，仍然按照时速80公里的节奏检票。不是不认真，是时速不对。

Cat Wu是Anthropic的Claude Code产品负责人。她披露的一个数字，可以作为这篇文章所有论点的起点：在Anthropic内部，某些功能的交付周期已经从6个月压缩到了1天。这不是效率提升，这是量级变化——对应的，是产品经理这个职位的逻辑地基正在被整体替换。

以下九条法则，是从她的分享里提炼出来的方法论骨架，更是一份关于AI时代什么能力会升值、什么能力会贬值的清单。

一、速度：PM的角色从"流程管理者"变成"障碍清理者"

Anthropic的极速交付并不只是依赖模型智能，而源于一种对"消除一切发布阻碍"的近乎偏执的追求。当模型能力以周为单位进化，一个需要六周评审的功能，在上线那天就已经落后了。

这对PM意味着一个具体的角色重心迁移：从确保文档完美，到确保创意在24小时内触达用户。两件事听起来都很重要，但在AI原生公司，前者已经成为一种奢侈品，后者才是生死线。

二、对齐：用数据和原则替代"对齐会议"

在传统公司，PM常常沦为"协调员"——大量时间消耗在路线图对齐、跨部门拉锯、无休止的同步会议中。Anthropic用两件事替代了这个模式：每周全员数据评审，以及明确的团队原则。

当团队里每个人都拥有同一份数据视野，都清楚底层的折衷逻辑，决策权就不需要集中在PM手里，它分散到了每一个执行单元。PM的核心产出变成了"共识环境"的建设：谁是核心用户、什么是必须放弃的、什么是北极星指标。把这些问题回答清楚，团队才能真正异步运行，而不是每做一个决定都要等PM开会。

三、预判：不要为现在的模型做产品

Cat Wu提出了一个她称之为"被AGI启蒙"（AGI-pilled）的思维框架：优秀的AI PM必须在"榨取当前模型的极限"与"预判下一代模型的进化"之间保持平衡。

这背后有一个非常具体的危险：如果你通过复杂的工程逻辑去弥补当前模型的某个缺陷，当下一代Claude发布时，这些逻辑立刻变成累赘——不只是无用，还会主动阻碍更好的模型能力释放。

这需要PM具备一种特殊的判断力：区分"暂时的能力缺口"和"结构性的能力缺口"。前者等模型迭代自然消失；后者才值得投入工程资源去填补。把这两类搞混，就会把大量资源浪费在注定会被下一代模型淘汰的补丁上。

四、预期管理：用"研究预览"品牌加速反馈循环

Claude Code频繁使用"研究预览"（Research Preview）标签。这不只是一句免责声明，而是一种加速迭代的心理工具。它向用户明确传递了一个信号：这是实验性的，允许有瑕疵。

这个做法的本质是消灭"追求完美"带来的内部心理负担。一个功能在"研究预览"的框架下，可以在一两周内进入真实场景接受检验，而不是在内部测试循环中空转三个月。用户的真实反应，永远比内部测试更有信息量。品牌标签管理用户预期，是比PRD更高效的迭代工具。

五、品味：当代码变廉价，"决定不做什么"才是最高技能

这是九条法则里最具挑衅性的一条。Cat Wu说了一句话："工作是虚假的（Jobs are fake）"。她的意思是：如果你真正理解了约束条件和第一性原理，你就应该跨越职能边界去解决问题，而不是躲在"这不是我的职责范围"后面。

更深的含义在于：当AI让代码编写成本趋向于零，选项就趋于无限。无限选项意味着执行不再稀缺——稀缺的是判断。PM的角色正在从"推动进度"转向"行使品味裁决权"：在海量噪音中，识别出那条"金子路径"。

六、脚手架：模型会把你的补丁当早餐吃掉

这条法则有一个非常具体的案例。早期Claude Code团队为了让模型完成复杂代码重构，构建了一套复杂的系统提示词框架（Harness），强制模型记录任务清单、分步骤执行。这套框架当时是必要的——模型那时确实需要这些辅助轮。

但随着Claude Sonnet从3.5进化到3.6，模型已经能自发、高效地处理这些任务，不再需要强制记录清单。那套精心构建的框架，不再是助力，而是阻力——它在限制模型更自然的执行方式。

优秀的AI PM需要具备随时撤掉"辅助轮"的勇气。这是一种反直觉的能力——大多数人倾向于保留已经有效运行的工程构件，即便它已经过时。识别这个时机，是AI产品管理里很难被自动化的判断。

七、Eval：写评估集，才是对"成功"的真正定义

这条法则涉及AI PM区别于传统PM最根本的技能升级。传统PM习惯于描述性需求——"我们需要这个功能，它应该有这些属性"。AI PM必须学会通过构建Eval（评估集）来量化目标。

Cat Wu的建议是：与其构建数百个平庸的Eval，不如构建10个高质量的"黄金Eval"（Golden Evals）——那些最能区分好坏的测试用例。更重要的是，PM需要学会"内省"（Introspect）模型：当它出错时，追问为什么。这种对失败模式的深入分析，才是提升产品表现最直接的路径。

写Eval的本质，是把"我觉得这个功能应该这样"翻译成"模型在这种输入下必须产出这种输出"——这是一种比PRD精确得多、也诚实得多的需求表达方式。

八、上下文：AI协作不靠"许愿"，靠"全量交底"

很多人使用AI的方式，是把一个模糊的需求扔进去，期待奇迹。这产生的结果，Cat Wu称为"正确的废话"——格式正确、逻辑通顺，但对实际业务毫无意义。

她以制作20页演示文稿为例，展示了一个三步工作流：首先是完整的上下文注入（Google Drive文档、Slack讨论记录、营销大纲、设计系统、历史模板）；然后让AI生成多套大纲，由人来做方向选择；最后针对视觉和文字进行循环迭代。关键在第一步——你投喂给AI的上下文质量，决定了输出的天花板。

九、主动性：等待许可是平庸的标志

Cat Wu的最后一条法则，也是最难被量化的一条：主动性（Agency）。在Anthropic，这被视为PM最核心的素质——它意味着跨越销售、运营、工程的边界，直接去解决问题，而不是等待许可。

她举了一个案例：Anthropic的一名销售人员用Claude Code，在没有任何工程师干预的情况下，自己开发了一个Web插件——自动抓取Salesforce和Gong的客户数据，秒级生成定制化演示文稿。这个人没有等"产品路线图把这个功能排进来"，他直接搞定了。

"Just Do Things"是Cat Wu的格言。在AI工具已经可以把非工程师变成工具构建者的今天，等待许可不再是谨慎的表现，而是平庸的标志。

⁂

这九条法则里有一个共同的底层逻辑：AI时代，执行变得便宜了，判断变得昂贵了。文档写得再好，不如创意快速触达用户；框架设计得再精巧，不如知道什么时候该把框架拆掉；功能做得再多，不如清楚地知道哪些功能永远不该做。

一个发人深省的问题是这样的：当AI可以帮你完成95%的重复性工作，你剩下的5%，是否真的具备无可替代的创造力？宇宙纪事觉得这个问题不只适用于产品经理，它适用于所有正在被AI重新定价的职业——包括投资研究、法律分析、甚至代码审计。答案不令人舒服，但正视它，比在AI的帮助下继续重复自己更重要。

素材来源：Cat Wu（Anthropic Claude Code产品负责人）公开分享，整理自其关于AI时代PM法则的系列演讲与访谈（2026年）

转载请注明：《宇宙纪事 · AI投资研究》，投资观点仅供参考，不构成投资建议。