上周，Cisco在旧金山举办了第二届年度AI Summit，大会主题聚焦于“AI经济的建设者”。这或许是过去一年来最重量级的AI会议之一。活动由Cisco CEO Chuck Robbins和总裁兼首席产品官Jeetu Patel联合主持，邀请到了NVIDIA黄仁勋、OpenAI的Sam Altman、a16z的Marc Andreessen、World Labs的李飞飞等重量级嘉宾，线上观看人数超过1800万。
不过，我特别关注其中一位嘉宾：Anthropic的首席产品官Mike Krieger。因为这场对话发生在一个极为密集的产品发布周期中：
- 2026年1月12日，Anthropic发布 Claude Cowork。这款基于Claude Code同源架构打造的桌面智能体工具，面向非开发者用户，让Claude直接在本地文件夹中读写、创建文件、执行多步骤任务。Krieger在对话中透露，Cowork“100%由Claude构建，基本上三周内完成”。
- 2026年1月30日，Anthropic为Cowork发布了 11个开源行业插件（覆盖法律、金融、销售、营销等），直接引发了全球软件股恐慌——仅2月3日一天就蒸发约2850亿美元市值。
- 2026年2月5日（即本次对话两天后），Anthropic发布 Claude Opus 4.6——上下文窗口从20万token扩展到100万，首次引入“智能体团队”（Agent Teams）机制，并新增PowerPoint集成。
- 与此同时，开源社区的 OpenClaw（前身为Clawdbot/Moltbot）在1月底爆火，GitHub星标数周内突破10万。这款开源智能体框架让普通用户也能在即时通讯工具中运行自主AI助手，Krieger在对话中也提及了这一现象。
理解以上背景，有助于把握Krieger在对话中反复提到的“沙盒中的自主性”、“权限审批成为最大瓶颈”、“内外部体验差距”等核心论点的产业语境。因此，我决定直接将对话实录整理出来，让大家更好地感受其思考脉络，并附上了一些注释。
在加入Anthropic之前，Krieger的名字更多与Instagram绑在一起——他是这款十亿级用户产品的联合创始人兼前CTO，也是AI新闻推荐应用Artifact的联合创始人（后被Yahoo收购）。他于2024年5月加入Anthropic担任CPO，2026年1月转入公司内部的Labs团队，直接参与前沿产品的研发。
在23分钟的对话里，Krieger反复在说同一件事：AI产品的做法变了。 产品经理不能再躲在漂亮的PRD和线框图后面——软件的核心引擎是非确定性的，你得尽早把真实模型接进去跑。企业不能再做“安全的小试点”——挑一个让你心虚的核心流程，设好护栏，激进推进。而当模型能力已经足够强的时候，真正卡住落地的往往不是技术，而是权限审批、流程瓶颈和组织惯性。
以下为对话实录整理。
第一部分：从Instagram到Anthropic
Jeetu Patel：先介绍一下你的背景吧，因为你的经历非常独特——你是Instagram的创始人，现在在Anthropic工作。
Mike Krieger：贯穿我整个职业生涯的主线，是我一直对两件事的交汇点感兴趣：软件和计算技术能做到什么，以及你如何让它真正地为人所用。
在斯坦福大学，我学的是Symbolic Systems（符号系统）——一个很独特的学位项目。它融合了认知科学、设计、计算机科学、哲学、心理学和人工智能。当时的AI还主要是在迷宫里寻路，和我们今天说的AI完全不是一回事。但我热爱这种交叉领域——你可以拥有世界上最强大的软件，但如果人们理解不了它，你真的做成了什么实质性的事情吗？
带着这种思路，我先是在一家叫Meebo的公司工作，之后我联合创立了Instagram。Instagram的很多工作，你得把时间拨回到2009年——当时移动应用还在萌芽期，摄像头开始普及，但大多数人仍然觉得自己的照片被“困”在设备里。我们做的很多事情就是：在每一个屏幕上，那一件你希望用户做的事情是否足够清晰？使用起来是否简单到“显而易见”？
后来我和Instagram的同一位联合创始人（Kevin Systrom）一起做了另一家公司叫Artifact，赶上了AI的起步阶段——它是一款AI驱动的新闻推荐产品。直到现在，几乎每次参加活动都会有人走过来跟我说：“我真的很喜欢Artifact，你们为什么关掉了？”我们做了大约三年，意识到它的发展轨迹不太可能成为我们想要投入下一个三年的方向，所以最终卖给了Yahoo。
然后我面临一个选择——是再创业，还是加入一家公司？在Artifact的三年让我看到了两件事。第一，编程即将发生变革。 我当时已经开始用早期的编码模型来加速自己在Artifact的工作。那时候模型还很早期，还没有视觉能力，所以我会用ASCII风格的文字来描绘我想实现的界面——用点和划线勾勒出大致样子——然后对模型说“请用Swift实现这个”。按下回车，每秒才两个token，我就去泡杯咖啡、散个步，等回来的时候，它已经有了一个还算像样的起点。虽然当时还很粗糙，但趋势已经非常明显了。第二，模型将提供一个智能层，把原本需要数月开发时间的功能缩短到数小时。 比如我们在Artifact中做的一些智能功能：对一篇文章做摘要、把一个写得很标题党的新闻标题改写成客观事实——这些功能如果要组建一个研究团队来做，可能需要数月；但在2020、2021年的时候，一个API调用就能初步搞定。
所以我非常清楚，下一代软件将由这些AI实验室来驱动和赋能。我和Anthropic的人聊过，他们分享同样的愿景，而且我也很喜欢那里的文化。我觉得那会是真正的跳板，我想成为其中的一部分。
第二部分：设计不会消亡
Jeetu Patel：你觉得科技行业有什么被广泛持有、但实际上根本性错误的信念？
Mike Krieger：现在有一种信念是“设计将会消亡”——既然用户可以直接用自然语言向模型描述需求，模型就能生成软件，那还要设计师干什么？Dylan [注：推测指Figma CEO Dylan Field] 也在这里，我猜我们共享这个反主流的观点。
对我来说，“你使用的软件”和“你热爱的软件”之间仍然存在差距。 那种让你主动回来用、因为它而改变了习惯、忍不住推荐给别人的体验——我在很多vibe-coded（凭感觉用AI快速生成的）产品里还没有看到。我仍然认为需要有匠心，需要有存在的理由，需要有品牌——对一个人来说，这一切意味着什么？
设计精良的软件的“死亡”被过度渲染了。当然，具体的角色和实现路径必然会演变。但这种需求，我认为和以往一样关键。我现在在Labs团队工作，花了大量时间和设计师交流——他们的角色确实在转变，但重要性不减反增。
第三部分：产品人的思维转变
Jeetu Patel：你觉得产品人在这一波浪潮中犯的最大错误是什么？
Mike Krieger：一个非常显著的错误是：在真正把东西做出来之前，花太多时间停留在静态设计稿和点不动的假原型上。
我们做的很多事情是：先构建一个还不能工作的产品，然后等下一个模型发布，看产品是否能工作了。 比如Computer Use（让Claude驱动你的电脑、进行点击操作），我在加入Anthropic的第三个月就做了原型——那还是2024年夏天。当时效果很糟糕，到处乱点，根本不能用。但即便是那个原型也教会了我们：模型能力的边界在哪里。每当研究团队有了新的研究模型，我们就把它接入这个原型跑一遍：“它过了文件菜单了吗？它能点开文件了吗？”一点一点往前推进。
然后有一个时刻——我记得是Sonnet 3.7——我们照例把新模型接进去跑测试，其实并没有预期它会有多大改进，纯粹是保持习惯。突然间，一个研究员发来消息说：“你快看，它真的能用了。我们现在可以把它做成产品了。”但如果我们没有一直维护着那个测试框架，根本不会发现这个拐点。
所以你需要重新定义自己作为产品人的角色： 不再是“我交付一份漂亮的产品需求文档，我和设计师交付漂亮的线框图，然后交给工程去实现”；软件现在是一个有生命的动态系统，核心是一个非确定性的、令人惊叹但有时也令人抓狂的引擎。 你需要尽快体验到那个状态。
Jeetu Patel：在企业级场景也是这样吗？
Mike Krieger：尤其是在企业。
第四部分：智能体的自主性与沙盒
Jeetu Patel：你们在Anthropic一直很重视安全和安全性。你觉得更多的自主性更好，还是适当控制自主性反而能获得更好的采纳率？
Mike Krieger：这些模型现在能做的一件神奇的事情是：给它一个目标和相当高层级的指令，它就能自己找到路径。有时候还挺可爱的——有人给我发了个例子，我们的一位工程师让Claude准备一份家庭度假准备文档，但Claude在加载度假租赁网站时遇到了问题。它没有显示照片，而是自己画了一幅它想象中房子的样子。 你会想“这跟实际的房子八成不一样”，但它确实在创造性地尝试解决问题。如果你从没见过一个模型试图解决问题的过程——真的很迷人。“我做不了这个，要不要试试那个？还是不行，那我换个方式……”它真的非常想要把问题解决掉。
你不想完全束缚它，因为那是智能体的魅力所在。但你确实需要用正确的方式将它沙盒化。我们在企业内部构建的智能体系统中，核心问题是：Claude运行的“盒子”拥有什么权限？最小权限是什么？它和外部世界之间的通道是什么？
总结起来就是：在沙盒内给予自主性，配合正确的连接和可观测性。
第五部分：AI编程的现在与未来
Jeetu Patel：聊聊编程吧，你们在这块做得非常出色。编程的未来一两年、两三年会是什么样？不仅是代码写作将达到100%，软件开发生命周期、角色分工会怎么变？CIO和企业应该如何适应？
Mike Krieger：我可以聊这个话题一个小时，我尽量精炼。
先分享一个Anthropic内部Labs团队的日常画面：我们经常互相提交2,000到3,000行的Pull Request，尤其是在高速推进的Labs团队。
Jeetu Patel：Claude是用Claude写的吗？
Mike Krieger：是的。Claude的产品和Claude Code完全是由Claude编写的。Dario大概一年前在台上说“到年底90%的代码会由Claude编写”，当时人们觉得这很疯狂，但我们当时已经看到了那个趋势。现在对于Anthropic的大多数产品来说，实际上是100%——全部由Claude编写。 我们做的是围绕它搭建一整套质量保障机制，让我们可以信任它的产出。
软件开发发生了几个关键变化：
第一，对抗式代码审查。 让Claude经过训练和提示词工程，成为一个非常好的对抗式代码审查者，效果非常棒。我提交Pull Request，Claude会回来说“这里有安全漏洞，这里可以这样重构，还可以怎样改进”。我跟内部搭建这个系统的人聊过，其实并不复杂——就是认真地用提示词把它调教成一个超级严格的评审者：穷举所有可能的问题，做各种自动化检查，再加上一些更软性的规范要求。
第二，让Claude重新架构代码。 我在做一个iPhone原型时，明显到了初始架构碰壁的地步。让Claude退一步，先写一些验证测试，然后重新重构。Anthropic不是一家老公司，才几年，但在AI时代你可以非常快速地积累技术债。偿还技术债的成本收益计算已经完全改变了。
第三，所有其他流程都成了瓶颈。 昨天我们的持续集成系统出了故障——以前一天产出一个变更集时，等一个小时只是轻微的不便。但当你每个工程师每天至少产出十几个Pull Request时，我感到实实在在的痛苦——所有东西都堵在那里了。开发者工具、开发者效率、开发者基础设施——这些本来就重要，现在任何阻塞或摩擦都变成了对团队生产力的10倍惩罚。
Jeetu Patel：现在的稀缺资源是审查和审计代码，而不是编写代码？
Mike Krieger：是审查、审计和集成。因为你还有多个工程师同时往同一个代码库提交。然后是先对齐产品方向——这在某种意义上一直是最难的部分，现在更清晰地被看作是最难的部分了——以及对齐原则和架构，这样在审查代码时（无论是人还是Claude在审查）不会只是在东拼西凑，而是朝着某个共识性的北极星——架构、代码原则、要解决的问题——持续演进。这在企业中尤为重要。
第六部分：企业采纳的正确方式
Jeetu Patel：Anthropic内部的哲学是极致地使用AI进行实验。你会建议企业客户也这样做吗？
Mike Krieger：我在企业中看到成功和失败的分野，恰恰在于“极致实验”的反面。如果一家企业说“我就在这一个我觉得安全的小地方采用一个小功能”或者“给某个低价值流程定制一个智能体”——这些几乎都注定失败。 原因有二：第一，问题不够有雄心，你不会真正了解AI的能力以及实际需要投入什么；第二，一旦遇到路障或表现不佳，人们就放弃了。
我们和大型银行、大型保险公司合作时发现的正确模式是：找到某个真正关键的业务流程——那种想到要用AI来处理会让你觉得有点心虚的业务流程——然后紧密合作： 成功标准是什么？护栏是什么？如何制定一个激进的时间表？如何进一步加速？因为你需要跟上前沿。
另一个维度是如何赋能你自己的产品团队。理想状态下，中央AI团队主要负责提供模型访问权限和一些审计/可观测能力——保持精简，不要过度干预技术选型（用Claude Agent SDK还是LangChain之类的决策应该尽可能交给产品团队），只把“模型访问”和“可观测性”作为共性的薄层来管理。
Jeetu Patel：不要过早地对成败下结论，要有持续迭代的持久力和信念。
Mike Krieger：没错。而且还需要灵活性——愿意承认“我们赋予产品AI能力的方式还不太对，需要重新思考形态”。
举个例子，就拿电子表格来说——这对企业来说是必不可少的工具。我们尝试过让Claude读取电子表格然后写代码去更新它——这是一种方式。也尝试过让Claude通过Computer Use看着屏幕上的内容，在Excel里进行点击操作——结果发现电子表格是你能给计算机视觉出的最难题目之一，真的非常困难。最终到了现在的形态——直接在Excel内部建立原生钩子——这已经是我们的第三、四次尝试了，效果远好于前面所有方案。
这又回到了一个道理——那些一直成立的道理现在只是更加成立了。 第一，你写软件的能力不是你的差异化优势，真正的差异化是你建立的信任、品牌、客户关系、数据和多年积累的系统集成。第二，你不应该执着于现有的产品形态，你应该执着于你在深度解决什么问题。
第七部分：从编程到生产力——下一个前沿
Jeetu Patel：你们API业务在指数级增长，编程领域也做得非常好，下一步是什么？生产力工具？似乎你们觉得有一个更好的Office正在到来？
Mike Krieger：我们大约六个月前开始发现，人们在拿Claude Code做非常“不编程”的事情——有时是企业中的流程编排，有时是解决个人问题、创建待办清单之类的。
所以我们现在思考的核心问题是： 在最极端的情况下，你可以像OpenClaw那样，让AI全面接管你的电脑和基础设施。但我不认为大多数人已经准备好了那种程度的自主。那么，下一个既安全又强大的进化形态是什么？
这就是Claude Cowork的由来——几周前刚刚推出，100%由Claude构建，基本上是在三周内用Claude建成的。我们正在持续迭代，不是要取代人们已经在做的工作，而是找到整合和自动化这些工作的正确方式。
第八部分：机械可解释性——理解模型的大脑
Jeetu Patel：你们在机械可解释性（Mechanistic Interpretability）方面做了很多工作。这个旅程走到了哪里？我们真的能完全理解模型为什么做出某个行为吗？
Mike Krieger：我认为还处于早期，但在快速演进。我在Anthropic已经两年了。我加入的那个月，我们发布了Golden Gate Claude论文——当时我们开始能够展示模型“大脑”中的个别特征（feature），甚至可以操纵它们。到去年，我们开始看到更多关于“回路”（circuits）的研究——不只是单个概念，而是模型如何执行某种操作，比如心算——我们自己不太会去想自己是怎么做心算的，但模型也在做，它们甚至不需要计算器就能做各种数学运算——但按照它们的训练方式，你不会理所当然地认为它们能做到这一点。
现在我们正在深入到更应用层面： 模型在特定情境下如何表现？什么时候模型保持诚实？什么时候它会欺骗？它如何对待自己收到的指令？它如何思考沙盒边界？这是更加应用导向的可解释性研究。
如果你想找个周末读物，我们每个模型的System Card（系统卡片）都会非常深入地描述我们做的各种实验——我们真的会极限测试模型。但模型部署之后也会出现涌现行为，所以实验室里的测试和部署后的观察、参与、迭代都同样重要。
第九部分：让AI真正理解你
Jeetu Patel：现在的模型在偏好学习方面似乎还太依赖用户主动设置，怎么让它更本能地理解用户？
Mike Krieger：这个领域有很多有趣的想法。其中之一是在模型开始为你工作之前就进行观察。我们在Anthropic大量使用Slack，各种智能体在Slack中运行——其中任何一个智能体看到的我的线上工作量，可能已经超过了我的任何一个同事。它可以围绕“这个人在线上是什么工作风格”建立起画像——我写过的所有文档都在那里。如果你能利用这些已经存在的数字痕迹来做冷启动，我觉得这非常强大。
另一个方向是：什么样的对话方式能让智能体或模型在互动中逐渐学习？ 我不觉得有人愿意填一个大表单来设置偏好。但对话可以做到。我们一直在实验的是——听起来不像什么高科技——Claude能够实时生成什么样的交互界面来辅助它了解你？ 比如让你在10个选项中选择，也许不是一个长列表，也许是一个词云，也许用某种分组方式呈现。我们正在赋予Claude“自己创建UI来引出偏好”的能力，让它可以通过这些微交互来学习用户。
第十部分：担忧与兴奋
Jeetu Patel：最后几个问题。你最担心什么？最兴奋什么？有没有去年还没有、今年新出现的让你兴奋的事情？
Mike Krieger：我天生是个爱操心的人。那我选一个AI安全和信息安全之外的担忧吧。
我担心的不是模型能力撞墙——我不认为会——而是我们把这些东西整合进工作和生活的能力，会被非常无聊的人类流程问题卡住。 比如拿不到某个权限。Claude配上了正确的MCP（Model Context Protocol）和没有配MCP的Claude，体验差别是天壤之别——但总得有人在你的公司里批准那些MCP的接入。
前几天有同事跟我说：“我最大的恐惧是，我们内部用的Cowork和外部用户用的Cowork体验差距太大——因为我们把所有权限都打开了。”而外部用户可能被各种审批流程拦住，最后拿到的是一个被“阉割”过的体验，用户会想“这个产品到底有什么用？”
Jeetu Patel：这简直是我过去30年做企业生产力工具的人生写照。
Mike Krieger：是的。怎么解决这个问题，这大概是我最担心的事情之一。
至于兴奋的事——我工作时一半脑子在产品管理上，一半在工程上。我之前以为工程才是Claude在2026年最能帮上忙的领域。但我开始看到Claude能成为一个更好的用户需求收集者和综合分析者。 它还不够有创造力去凭空想出一个全新产品，但作为一个产品经理实习生——至少目前这个水平——已经相当有用了，而我之前以为这要等更久才能实现。
Jeetu Patel：编程和产品开发之外，下一个杀手级应用是什么？
Mike Krieger：每个企业都有一些有趣的数据流，目前几乎完全没有被充分利用。关键不是让Claude去逐条解析每一个数据点，而是先把数据准备度提升上来，然后构建数据摄取、聚合和洞察发现的能力—— 无论是网络安全、金融数据、交易信号，还是制造业。我们最近在越来越多的制造业场景中开始合作。这些场景虽然各有复杂性，但归根到底本质是一样的：有价值的数据流就在那里，只是还完全没有被挖掘。
Jeetu Patel：下次还来吗？
Mike Krieger：当然。今天聊得非常过瘾。
[掌声]
这场对话清晰地揭示了大模型时代产品构建逻辑的根本性转变。Krieger的分享不仅仅是Anthropic的内部经验，更是对AI智能体未来发展方向和落地瓶颈的一次深刻洞察。从“先构建不能用的产品”的务实方法论，到对企业流程瓶颈的担忧，都值得每一位关注 AI编程 和产品创新的从业者深思。在 开源社区 创新不断涌现的今天，如何平衡自主性、安全性与实用性，将是决定下一代软件形态的关键。你对AI产品开发方法的变革有何看法？欢迎在 云栈社区 的 开发者广场 板块与大家继续探讨。
发表于 16 小时前
|
查看: 1|
回复: 0
