Claude Code 团队独特工作方法，以及一个年收入涨了 15 倍的 AI 客户研究平台

Claude Code 产品负责人 Cat Wu 在最近与 Peter Yang 的一个访谈里，分享了 Claude 团队的一些独特工作方法，不少理念和之前 Lovable 增长负责人 Elena Vera 分享的非常类似《Lovable 融资 3.3 亿美金估值 66 亿，一个新向量数据库产品如何年收入涨了 10 多倍》。

相比于传统软件团队，Cat Wu 说 Claude Code 团队的独特性在于：极少文档、极快原型、强 dogfooding、持续反馈回路，以及在实际用户场景中反复验证“是否真的有用”的方法论。

没有宏伟战略，产品自己长出来

Cat Wu 说，Claude Code 并不是一个自上而下规划的明星项目， 它的起点非常“草根”：一名叫 Boris 的工程师，为了更好地理解公司内部 API，写了一个小工具自用。没有立项、没有 OKR，甚至没有“这是个产品”的自觉。

但这个工具足够有用，于是开始在团队内部被分享、被推荐，随后扩散到更多工程团队，甚至研究、数据、产品等非工程岗位也开始使用。

所以在正式对外发布前，Claude Code 已经完成了一次完整的“内部市场验证”。这是一种典型的自下而上、由真实需求驱动的病毒式增长路径。

而 Cat Wu 在产品的早期阶段加入，一方面把工程原型转译为清晰的用户价值，另一方面让产品路径从“工具集合”走向“工作流与场景”的稳定能力。她强调：Claude Code 的根基不是“做一个新 IDE”，而是“理解开发者与知识工作者在真实场景中的高频痛点”，然后把 AI 能力嵌进关键节点。

不写 PRD，先做原型

在 Claude Code 团队，传统意义上的 PRD 几乎不存在。团队由大量“产品型工程师”构成，他们对功能拥有端到端的决策权。一个想法出现后，最优先的动作不是讨论、评审或写文档，而是直接做成原型，丢进内部 dogfooding 环境。

Anthropic 内部有超过 1000 名员工在使用 Claude Code，这意味着任何新功能几乎都会在第一时间收到真实反馈：是否好理解、哪里让人困惑、有没有 bug、值不值得继续做。正如 Cat Wu 所说：

我们最好的功能，几乎都是工程师先做出来，再看大家怎么用。

当然，这并不是对流程的盲目否定。对于 IDE 集成这类周期长、影响大的项目，团队仍然会进行更正式的产品评审。真正的智慧在于：为大多数功能争取极致速度，只在关键节点上投入严肃成本。

产品决策机制：数据+体感的“双通道”反馈驱动

大多数团队都喜欢“好评”，而 Claude Code 团队恰恰相反，是负面反馈优先。为此，他们刻意搭建了两条高强度的反馈通道：

• 一是内部超过千人的高频反馈群，平均每十分钟就会出现一条有价值的意见；
• 二是与约 10 家企业客户深度绑定，鼓励对方“尽可能直接地吐槽”。

他们会分类归并负面反馈，把“阻塞体验的要点”排到近期迭代清单的优先级顶端。这让 Claude Code 形成了一个极短的迭代闭环：问题被迅速暴露、快速修复、立刻上线验证。

代码就是文档，代码库是唯一事实来源

Claude Code 团队几乎不依赖 Google Docs。一个功能的背景、决策过程、设计权衡，通常都存在于 Pull Request、commit 记录和代码本身。

当有人想了解“当初为什么要这么做”，他们不会去翻一份可能早已过期的文档，而是直接用 Claude Code 去查询代码库和 GitHub 历史。

在强大的代码理解型 AI 出现之后，代码本身第一次具备了“可被查询、可被解释”的能力，代码库也因此成为一种动态、始终最新的“活文档”。这是几年前的团队根本无法享受的奢侈。

忘掉两年规划，只谈未来几个月

当被问到 Claude Code 一到两年的愿景时，Cat Wu 的回答异常克制：一两年太长了，我能聊的是未来几个月。

原因很简单——模型变化太快了。在一个底层能力每隔几个月就发生跃迁的领域，试图制定长期 roadmap，往往只会让团队被自己的预测绑住。相比之下，保持高度敏捷、持续试错，反而是一种更高级的战略选择。这和 Lovable 的理念几乎一样：PMF 不是重点，而是每 3 个月一次的重来。

非常认同 Peter Yang 的一个说法，他说在他看来，Anthropic 在产品方面取得成功的原因，恰恰在于他们决定聚焦于企业级市场，特别是编程以及帮助人们完成工作。他们没有试图涉足消费市场，也没有在多模态领域与 Google 竞争，更没有去打造硬件设备、其它应用 App 或类似的东西。

另外，看了几个一直在关注的产品对过去一年的总结，发现有的增长是真快，比方说 Mercor CEO Brendan 说，在过去的 2025 年，Mercor 的收入增长了 4658%，也就是 46 倍。

Mercor 之前每月付出去的费用是 200 万美金，现在每天就付出去这么多。其用户从 21.7 万涨到了现在的 340 万，AI 的采访次数从之前的 8.8 万增加到了 150 万，人才推荐量从 1198 增长到了 190 万，可以说是真正的爆发式增长。

而另一个用 AI 做客户问卷调研的产品，过去一年的收入增长了 15 倍，它实现了规模化定性研究，而且把分析师最痛苦的“苦力活”部分全部自动化了。通过数千个同时进行的