跳到主要內容

當工程師能搞定一切,PM 剩下什麼?解析 Anthropic 的「產品品味」玄學

這篇關於 Anthropic 產品負責人 Cat Wu 的訪談,不僅僅是揭秘一家頂尖 AI 實驗室的內部運作,它更像是一份寫給新時代產品開發與管理的宣言

我自己覺得實在太精彩,務必要翻譯出來,擷取裡面重點讓自己記錄一下,和自己跟 AI 互相聊之下的摘要整理。

以下是這場訪談的核心要義,以及我這段時間對於 AI 時代下 PM 職位的短暫解讀,和此篇對談的解讀


告別冗長 PRD 路線圖

過去 PM 習慣以 6 到 12 個月為單位制定產品路線圖(Roadmap),因為寫程式成本很高。但在 Anthropic,功能的交付週期被壓縮到一個月、一週,甚至一天。冗長的 PRD(產品需求文檔)大多被淘汰,取而代之的是清晰的團隊原則(Team Principles)與每週的數據檢視。

深度解讀:Less is More 的極致體現

當 AI 大幅降低了「寫程式」的門檻與時間成本,開發的瓶頸就不再是工程產出,而是決策速度。傳統跨部門對齊、層層審批的重型管理模式已經失靈。這印證了高效能營運的核心:將開發任務拆解為以「天」為單位的極簡衝刺(Sprint)。與其把時間花在寫厚重的規格書,不如專注於打造無摩擦的發布流水線,用最短的時間驗證核心邏輯。這是一種「少即是多」的開發管理美學——砍掉多餘的行政流程,直擊目標。

職務邊界消失:懂技術邏輯才能掌握「產品品味」

工程師、PM 與設計師的界線正在消失。Anthropic 的 PM 幾乎都有工程背景,甚至直接寫 Code。Cat Wu 認為,未來的核心競爭力在於「產品品味(Product Taste)」。擁有工程背景之所以重要,是因為你能精準判斷一件事的「開發成本」,進而做出正確的優先級決策。

深度解讀:拒絕只做「報表管理者」

這戳破了許多傳統管理者的盲點。在技術驅動的時代,缺乏技術底蘊、只會畫大餅的「純管理職」將被邊緣化。真正的技術領導力,往往建立在對底層架構與數據邏輯的深刻理解上(例如深諳廣告演算法或 SEO 底層邏輯)。當代優秀的產品人,必須具備工程師的務實與設計師的敏銳,能一眼看穿哪些功能是只需一小時搞定的順手之勞,哪些是會拖垮系統效能的無底洞。

「適度信仰 AGI」:專注當下轉換,而非等待完美逼真

做產品最難的,是具備「恰好正確程度的 AGI 信仰(The right amount of AGI pilled)」。如果模型無所不能,產品設計反而最簡單(只要一個對話框)。但現實是,PM 必須在「當前模型的邊界」內榨出最大價值,不能過於超前而忽略當下痛點,也不能過於保守。

深度解讀:捕捉真實的瞬間,勝過盲求高精細度

這是一個極具啟發性的產品哲學。很多人在開發 AI 應用時,容易陷入「過度追求未來完美」的迷思,例如盲目追求極致的高擬真度或零誤差,卻忽視了龐大的運算等待時間。事實上,商業的價值往往發生在當下。與其等待遙不可及的完美模型,不如提供高速、低門檻、立即可用的轉換價值。讓使用者不需要漫長等待,就能輕易捕捉並留住每個重要時刻,這種務實的產品定位,往往比空談 AGI 更能擊中市場真實需求。

資源分配的冷酷現實:戰略定力與生態抉擇

面對開源社群對封堵 OpenClaw 的不滿,Cat Wu 的回應是從容量管理出發,表示必須做出艱難決定以「優先保障第一方產品和 API」。即便這引發了「先抄襲後封殺」的爭議,但 Anthropic 的首要任務是服務公司整體的目標。

深度解讀:管理就是做取捨(Trade-offs)

這背後體現了強烈的戰略有效性原則。當資源(算力、Token)有限時,企業必須確保所有的運作都在鞏固其「核心基礎層(Base Layer)」。開放生態固然好聽,但如果第三方工具的使用模式對系統基礎設施帶來不成比例的壓力,且無法轉化為實質的 B2B 商業規模與核心營收,那麼砍掉這些消耗就是必然的決策。就如同在供應鏈管理中,為了確保平台的可擴展性與企業級客戶的服務品質,有時必須果斷拒絕那些無法為核心底層邏輯帶來長遠價值的客製化專案。

使命的真正意義:讓組織為了全局而犧牲局部

Anthropic 之所以能贏,在於擁有統一的使命,且這個使命意味著團隊願意「犧牲自己的 KR(關鍵結果),來服務公司整體的目標與 KR」。

深度解讀:回歸目標管理的本質

這完美契合了現代管理學的精髓。當組織龐大、變動極快時,各自為政的 KPI 會撕裂公司。真正的團隊效能,建立在所有子系統(無論是前端應用還是後端供應)都無條件服從於同一套核心戰略。當大家都認清什麼是「最基礎的底層設施」,就能毫無阻力地進行跨部門協作。

後記

從資訊處理和邏輯推演的角度來看,我們可以從技術管理和商業效能的底層邏輯,來重新解構這些看似矛盾的論述。

「做減法」的戰略定力

訪談中 PM 的價值歸結為抽象的「Product Taste(產品品味)」,這聽起來確實像是一個職場護城河。但如果我們把這個落地到真實的商業決策中,它其實有著極其殘酷且具體的衡量標準。

Product Taste 的本質,是在技術可能性與用戶真實痛點之間劃分

這其實很模糊,也很難定義

在技術主導的團隊中,工程師很容易陷入對「真實」、「極度完美」或「技術炫技」的追求。

此時,Product Taste 就是一種強烈的約束力——例如,果斷放棄對「極致逼真度」的執念,將核心目標鎖定在「無須等待、捕捉當下瞬間」的高速轉換上。

這種為了讓使用者都能低門檻、無縫使用,而刻意在技術複雜度上做減法的決斷力,就是一種極高的品味。這也是 Less is More 哲學在 UI/UX 與產品邏輯上的終極體現。

沒有這種品味,工程師端到端產出的往往是一個技術上完美,但商業上的「自嗨」玩具。

工程師「端到端」與 PM 價值的真正差異:底層與表層

如果在日常的高效開發週期中(比如以天為單位、甚至限制在 5 小時內的高效衝刺),工程師真的可以從回饋到週末發布功能一把抓,PM 還需要存在嗎?

這就需要用更宏觀的組織效能視角來看待。在複雜的商業矩陣中,必須有人負責構建核心的戰略底層(Base Layer),而具體的功能只是這個底層技術在零售/應用端的顯性表達

優秀的工程師可以完美交付很實際的介面功能,但誰來決定這些功能是否偏離了底層的商業核心?

誰來抵擋那些看似誘人、卻對核心平台邏輯毫無增益的外部客製化誘惑(有可能來自大型企業客戶的需求)?

當寫程式變得越來越廉價,PM 的工作實質已經從「專案進度監工」變成了「商業邏輯守門人」。

承認「過渡」,本身就是最大的現實主義

如果最終的 UI 就是一個文字框,PM 的存在本質上就是倒數計時的。

用彼得·杜拉克(Peter Drucker)的理念來審視:「行銷的目的,是讓推銷變得多餘。」 順著這個邏輯,AI 時代優秀產品的終極目的,或許就是讓傳統意義上的「產品介面」與「操作流程」變得多餘。

在通往「超級 AGI + 單一文字框」的漫長道路上,模型目前依然會犯錯、會產生幻覺、缺乏常識與隱性的人際理解。這段「過渡期」可能比許多技術狂熱分子想像的要長得多。

在這個時期內,PM 的價值就是充當人類常識與 AI 缺陷之間的「過濾器」。

一旦模型真的強到了只需要一個輸入框就能完美解決所有業務流轉的程度,不僅是 PM,絕大多數的軟體工程師、互動設計師、甚至部分管理者的傳統職能,可能真的都會失去意義。

我想,未來的 PM 也許不再是一個獨立的「工種」,而會演變成一種必備的商業素養——存在於能夠理解底層架構、懂得克制功能項目、並能將商業戰略無縫轉化為系統指令的任何角色(無論他原本的頭銜是創辦人、技術總監還是業務主管)之中。

Ref: https://www.youtube.com/watch?v=PplmzlgE0kg

留言

張貼留言

這個網誌中的熱門文章

Vibe Coding:為什麼 Junior 更快上手?Senior 要如何追趕?

現象層面(市場觀察) 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變,非常熱門。 身為 Cympack 產品開發團隊 ,我們也一直關注這個議題,在閱讀這篇文章時觀察到一些有趣的現象,對我們來說,這正好反映出 AI 正在改變開發生態,junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位,其中有些啟發(insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding? 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」,反而 embrace 快速迭代、快速出成果 反觀 Senior: 熟悉大型系統設計 有豐富的「工程正統流程」知識(架構設計、測試策略、效能優化、設計模式) 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師,對 prompt engineering 沒那麼熟練,還在觀望 技能面(未來的關鍵能力) Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢? Prompt 撰寫 / AI 互動 Junior 較強(熟悉 chat-based 流程) 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強(能看出潛在問題) 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding,並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力,但若不主動練習 vibe coding,長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享,希望帶給各位的感受, 『與 AI 協...

Vibe Coding 協作到自建 Dev Agent?從 Claude / Codex 到 OpenHands

過去一年,越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題,到後來很多人愛上 Cursor,直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗,已經大大改變了我們寫程式的方式。 更現實的是,在很多企業內部、政府單位、或涉及機密資料的專案裡, 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理,萬一專案裡有未公開的技術、敏感客戶資料,或是受限於法規 (像金融、醫療、政府標案) ,直接用雲端 AI 工具就會踩 紅線 。  因此,許多團隊反而更希望 「自己架一套 Dev Agent」 ,可以在內網執行,資料完全掌握在自己手上,該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline,全部客製化、安全可控。 這時候,像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手,而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署,從 CLI 操作到瀏覽器查詢, 從多檔案編輯到自動測試,全部都能自己完成,甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說,這是一條 從 「AI 幫你寫一段程式」,走向「AI 幫你解決一整個任務」 的進化路徑。而且,還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」,能模仿人類工程師從建立程式、修改程式碼、執行指令,到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端(OpenHands Cloud)與本地 Docker 運行版本,用戶能配置 LLM(如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用,又或者如果自己本機有 docker 的話,可以自己Local 版本透過 Docker 自架環境。 ...

Google Gemini 全端 AI Agent 快速入門 - 打造「思考」的 AI 助理

一套從搜尋、反思到輸出的全端 AI 代理人範例,讓你看懂什麼叫 Research Agent 在 AI 工具百家爭鳴的今天,大家都在問一個問題: 「我能不能不只問 AI 答案,而是讓它像一位助理一樣,有流程、有反思、還有出處,真正幫我完成一件事?」 Google 最近釋出了一個相當具有指標意義的開源專案 gemini-fullstack-langgraph-quickstart ,正是為了解這個問題而誕生。 這套系統到底是什麼? 這個範例不是傳統 Chatbot,而是展示一個完整的 AI research agent : 它會根據使用者的提問,自動發想搜尋關鍵字、查資料、整合重點,最後給出答案還附上引用來源。背後的邏輯設計得非常扎實,不只是能跑,更是具備可讀性、可擴展性與可商用性。 它的流程大致如下:  1. 使用者輸入問題(例如:「抖音是否影響台灣選舉?」)  2. Gemini LLM 幫你想出關鍵字(不只是照抄問題)  3. 呼叫 Google Search API 抓資料   4. LangGraph 控制流程 → 判斷資料夠不夠 → 若不足,自動補查  5. 整合最終答案,並產生 citation(來源說明) 你可以想像這就像一位實習助理幫你寫報告, 不只輸出一段內容,而是會 去查、會判斷、會補資料,而且說明「我為什麼這樣說」 。 LangGraph 是什麼角色? LangGraph 就是整個 Agent 背後的控制系統 。 用白話講,它幫你定義 AI 每一步要幹嘛、遇到什麼狀況該走哪條路、要不要反思、要不要再查,甚至可以定義條件邏輯與資料流動。 這就不像寫一個單純的 Chat API,而是比較像「把一個流程圖變成可以跑的程式」。 對工程師來說,它提供了從 prompt 到流程控制的設計彈性;對產品設計來說,它讓 AI 有了 「多步驟任務執行」 的能力。 技術架構與使用方式 這整套系統是 Fullstack 架構,前後端都幫你整好了,技術選型也非常實用:   前端:Vite + React + TailwindCSS + Shadcn UI  後端:FastAPI + LangGraph...