Anthropic 年化营收突破 650 亿美元，本文拆解其通过 Research PM 岗位、eval 驱动的训练目标…
截至今年7月底，Anthropic年化营收运行率突破650亿美元，较2025年底约90亿美元的水平增长超7倍。第二季度初步收入超过115亿美元，同比增幅达14倍，并首次实现营业利润转正。在前沿模型公司普遍依赖巨额融资、持续消耗算力的阶段，这是一条罕见的增长曲线。
要把模型能力转化为收入，Anthropic内部有一个关键角色——技术产品经理。Dianne Penn是公司第一位技术产品经理，2023年加入，公开职务包括 Head of Product for AI Research and Labs 等。岗位定位介于AI Research与产品实验室Labs之间：一端跟进模型研究进展，另一端用原型探索能力可能长出什么产品。
在前沿模型公司，技术地基每隔几个月就可能改变。今天做不到的产品，下一代模型可能突然做到；为弥补模型缺陷搭建的复杂流程，半年后又可能成为限制新模型的脚手架。Dianne和团队的核心工作，就是研究和管理这种不确定性——判断实验室里刚出现的能力哪些已经接近可用、把「不好用」还原为具体问题、并把判断带回研究、产品和工程团队。
2023年7月，Claude 2上线后，用户频繁抱怨模型「不太会遵循指令」。这个反馈看似严重，却无法直接指导模型训练，因为用户不会区分问题来自预训练、后训练、系统提示还是工具调用。
Dianne和团队开始阅读用户授权分享的失败轨迹，沿案例向下追查。结果发现，在早期这类投诉中，约80%都指向一个具体的问题：Claude无法稳定输出正确的JSON。少一个括号，API就会拒绝请求；字段不符合 schema，工具调用便无法解析——对需要连续调用工具的Agent而言，这意味着工作流会在第一道接口处断掉。
团队从真实失败中收集了约30至40个案例，逐一写清输入、理想输出和通过条件，把它们变成一组可重复运行的eval，并让后续每一代Claude都接受同一组测试。按照Dianne在公开采访中的讲述，这组评测如今已达到接近99.9%至100%的通过率，JSON格式遵循也不再是主要投诉。
Dianne常说一句被广泛引用的话：「Evals are the new PRDs。」传统PRD可以描述功能，却很难精确定义一个概率系统应该如何行动；eval则把产品目标变成可测试的输入、理想输出和通过条件。研究团队用它比较训练方法，发布团队用它防止能力退步，产品愿景由此进入训练管线。
2023年末，Dianne和团队观察到一种变化：用户开始要求Claude一次生成更长、更完整的代码，甚至把整段编码任务交给模型。没有人明确要求Anthropic「做一个 agentic coding 产品」，但用户行为已经改变了。
预训练、推理、研究和产品团队会一起讨论：这种能力改善是否稳定？哪些失败需要进入评测？编程之所以适合形成反馈闭环，是因为代码能否运行、测试能否通过、改动是否破坏现有系统，通常都有明确结果——coding能同时成为产品场景、训练方向和评测环境。基于这类用户行为，Anthropic把长代码生成提升为Claude 3系列及后续模型的重点能力方向。
2024年3月，Claude 3 Opus发布，coding开始成为Claude区别于其他模型的一项用户认知。三个月后，Claude 3.5 Sonnet发布，官方说明将内部agentic coding评测的成绩从38%推高至64%，并赋予模型编写、编辑、执行和排查代码的能力。此时，模型已具备软件工程协作者的潜力，但用户仍要手动搬运代码库上下文、复制结果、执行命令、再把报错贴回聊天框。Dianne把这种状态称为「product overhang」——模型拥有潜在能力，市场上却没有合适的产品释放它。
Claude Code填补了这段空白。2024年下半年，Boris Cherny加入Anthropic Labs团队。他为自己写了一个极小的终端聊天程序：先给模型接上bash，后又增加文件编辑能力，用Sonnet 3.5不断测试——这就是Claude Code最初的原型。两天后他把原型发给同事试用，第二天就发现对面工程师已经用它写起了代码。在一次内部评审会上，日活曲线近乎垂直增长，创始人Dario甚至质问团队是否在强迫员工使用。
最初三个月，Claude Code基本由Boris一人推进。许多重要功能并不是预先规划，而是用户先用自己的办法补足产品缺口：有人写Markdown文件记录项目结构和编码规范，要求Claude每次先阅读；有人反复提醒Claude「先讨论思路，给我一个计划」。当这些行为反复出现，团队便把它们从提示技巧收拢为正式产品能力——前者演变为 CLAUDE.md，后者发展为 Plan mode。
2025年2月，Claude Code以研究预览版推出，官方定位既是一款产品，也是一套收集真实工作流反馈的研究工具。
Claude Code发布后，Boris不断看到用户拿它做与编程无关的事——规划旅行、整理邮件、制作幻灯片、从损坏硬盘中找回照片、接入摄像头和家用设备。代码只是Agent为完成任务临时使用的工具，用户真正需要的是把目标和资料交给Claude，让它查找信息、编写脚本、调用工具，最后交付结果。
到2025年末，Anthropic内部已积累桌面应用、虚拟机、规划工具、Skills和一批未公开原型。Boris提出，可以把这些组件与Claude Code组合，做一个非程序员也能使用的版本。负责Claude桌面产品的Felix Rieseberg带领小团队直接复用Claude Code的 agent harness，把此前散落的组件组装起来，每名工程师同时运行3至8个Claude Code Agent，分工开发界面、后端逻辑、调研方案并修复Slack里报告的问题。10天后，Cowork完成开发，以研究预览版发布，把Claude带进了比代码库更模糊的工作环境。
Dianne Penn表示，Anthropic不会从具体版本和功能开始规划下一代模型。团队会先把版本号放到一边，设想一个更远的场景：若Claude最终能够承担某项工作，它应该会做什么？规划图由一条条能力轴组成。例如「重排日历」需要视觉识别、语言理解、工具调用、错误恢复等能力共同作用，内部讨论的重点不是哪个版本上线该功能，而是判断这些基础能力的成熟度，再决定下一步是补充数据、强化学习还是回到底层研究。
Anthropic的另一位技术研究产品经理Alex Albert用了一个很不工程化的词形容模型训练过程——「培养」。即使团队已确定训练设置、技术路线和模型架构，也只能对结果形成直觉。模型进入训练后才会逐渐显露擅长与不擅长的领域，有时还会出现未被预料的行为。Research PM必须从模型构思阶段就进入流程：参与定义训练前的「模型需求」，评估模型「实际长成了什么样」，并跨越所有产品界面观察同一个底层模型在不同运行环境中的表现差异。Anthropic打造的并不是一颗孤立的模型，而是「模型与运行环境」组成的完整系统。
支撑这套机制的还有原型文化。Alex用「让千朵花绽放」形容这种氛围：研究、销售、招聘等部门的员工也会主动搭建工具原型。一个想法不必先争取完整团队和大笔资源，而是先做出来、交给同事使用，再根据真实行为判断是否继续——Claude Code从个人工具走向内部流行再到正式产品，就是这种文化的典型结果。
