Anthropic 第一位 Technical PM 說的「AI 鋸齒邊緣」是什麼？產品人必看
在 AI 實驗室當第一個 Technical PM 是什麼感覺
> Meta Shift
2023 年，Anthropic 的整個 product team 是五個工程師。沒有 PM。
Dianne Penn 加入的時候，她是第一個。在那之前她在 Amazon 做 Alexa 的 AI，再之前在 JP Morgan Chase 交易高收益債券。這個背景組合放在今天看有點瘋狂——從 bond trader 到 voice AI 到 frontier model lab，但如果你看過這幾年 AI 的發展速度，大概就不會覺得意外了。
她在接受 Lenny Rachitsky 訪談的時候說了一個讓我印象很深的東西：jagged edge。
進去之前，Anthropic 是什麼狀況
Anthropic 是 2021 年從 OpenAI 出走的。核心創辦人 Dario Amodei 和 Daniela Amodei 帶著一批人出來，主打 safety-first 的路線，跟 OpenAI 在方向上有根本性的分歧。
Dianne 加入的時候是 2023 年，那時候 Claude 2 剛出來，Anthropic 在外界眼中還是一個「很 research 導向」的公司——聰明、有理念、但不確定能不能打。ChatGPT 已經爆了，GPT-4 也出來了，OpenAI 在市場上的品牌認知度領先非常多。
但那一年 Anthropic 開始做一件事：把賭注壓在 coding 上。
這不是偶然。他們觀察到 Claude 在 coding 任務上表現特別好，同時 developer 這個族群的 willingness to pay 極高，feedback loop 快，而且如果你的 model 能幫工程師省時間，那個 ROI 非常清楚。這是一個可以量化的市場，不像「讓 AI 更有用」這種模糊的方向。
結果也驗證了這個判斷。Anthropic 現在被描述為「史上成長最快的公司」之一，Claude Code 成為獨立產品，MCP（Model Context Protocol）成為 AI tool use 的重要基礎設施。Dianne 參與孵化了這些東西——Claude Code、MCP、computer use、tool use、reasoning，還有 Skills，幾乎每個 Claude 從 2 到 Fable 的 model 她都跟到了。
Jagged Edge：AI 的能力地圖其實是鋸齒形的
這是我覺得這次訪談最有價值的概念。
大部分人對 AI 的想像是線性的——它某個版本比較弱，下個版本比較強，能力是一條往右上走的線。但實際上不是這樣。
Jagged edge 說的是：AI 在某些任務上的能力是超人類水準，但在某些任務上又爛到你不敢相信。 而且這條邊界非常不直觀，不是「簡單的事它會、複雜的事它不會」，更不是「reasoning 型的它強、創意型的它弱」。它的能力分佈是鋸齒狀的，你需要真的用過、測過，才會知道邊界在哪裡。
這對 PM 來說是個很獨特的挑戰。
一般的軟體產品，你大概知道功能邊界在哪裡——這個按鈕按了會怎樣、這個 API 的 error rate 是多少、這個功能在什麼 edge case 會壞掉。你可以寫 spec、做 QA、定 SLA。但 LLM 的能力邊界是模糊的、會隨 prompt 改變的、甚至會隨 context window 裡的內容改變。
Dianne 的解法是她說的 eval-driven development loop：你要大量、系統性地去測模型的邊界，不是憑感覺說「感覺這個版本比較好」，而是建立一套 evaluation framework，讓你能追蹤每次 model change 對各種任務的影響。
這其實跟遊戲的 meta 分析很像。你不能只看一個 hero 的 win rate 就說它強，你要看在什麼 comp、什麼 map、對什麼 counter 的情境下它的表現。AI model 也一樣，你要知道它在什麼 task 類型、什麼 prompt style、什麼 context 長度下會超強或會崩掉。
Token Maxing：把 context window 用到極限
訪談裡還有一個概念是 token maxing，這個詞最近在 YC 社群裡也傳開了（Garry Tan 也提過）。
基本概念是：與其給 AI 少量、精心設計的 prompt，不如把你能給的 context 全部塞進去——文件、歷史記錄、背景資訊、範例，能給的都給。讓 model 在更完整的資訊下工作。
這背後的邏輯是，現代 LLM 的 context window 已經大到一個程度（Claude 的 context window 是 200K tokens，是業界最大之一），而 model 處理 long context 的能力也在進步。你不再需要像以前那樣省著用，反而應該考慮：我給的資訊夠不夠讓它做好這件事？
YC 有一篇報告提到，用 token maxing 策略的 builder 能讓 AI 做到 400 個工程師的工作量。這個數字聽起來很誇張，但如果你真的用過 Claude Code 或類似工具跑過完整的 codebase 分析，大概能理解這種感覺——它不是在幫你打字，它是真的在幫你思考架構、找 bug、寫測試、做 code review。
當然，前提是你要知道怎麼給它正確的 context。這又回到 jagged edge 的問題——你要先搞清楚它的能力邊界在哪裡，才能有效地「餵」它。
Claude 為什麼敢推回去
訪談裡有一個細節我覺得值得單獨講：Dianne 特別強調 Claude 願意 push back 這件事是 Claude 成功的關鍵之一。
這聽起來有點反直覺。一般人對「好用的 AI」的想像是順從的——你叫它做什麼它就做什麼，最好連問都不問。但實際上，太過順從的 AI 在工作場景下是有問題的。它會 hallucinate 但不告訴你它不確定，它會照著有問題的 spec 寫出有問題的 code，它會在你方向錯誤的時候繼續往錯誤方向跑。
Claude 在設計上就是要有自己的判斷，在它認為你的 request 有問題的時候會說出來。這是 Anthropic safety-first 哲學的一個產品體現，但也剛好成為它在 professional use case 上的競爭優勢。
跟 Amazon Alexa 的設計哲學其實很不一樣。Alexa 是為了 consumer 設計的，順從、快速、不要讓用戶感覺被拒絕。但 enterprise 或 developer 場景需要的是一個能跟你討論、能指出問題的工具，不是一個只會說「好的，已完成」的助手。
Meta 判讀：這是什麼量級的事
我會把 Dianne 這個訪談揭露的東西歸類為 Meta Shift，理由如下：
-
Anthropic 的 coding 賭注已經驗證了。這不是在討論一個假設，而是一個已經發生的事實——Claude Code 出來了，MCP 被廣泛採用了，Anthropic 的成長速度已經被市場驗證。這個「先押 developer、再擴散」的路線，事後看起來是 2023-2024 年 AI 產品最正確的策略之一。
-
Eval-driven development 這個 loop 會成為標準做法。以前的軟體開發有 unit test、integration test、E2E test。現在 AI 產品需要 eval framework。這不是可選項，是基礎設施。任何認真做 AI 產品的團隊遲早都要建這套東西。
-
Technical PM 的角色定義在被重寫。當你的產品核心是一個 jagged edge 的 LLM，PM 的工作不再是寫清楚 PRD 然後讓工程師實作。你需要理解 model 能力邊界、設計 eval、跟 research team 對話、還要能從用戶的 token usage 裡讀出 product insight。這是一個新的職種。
對比一下 2018-2022 年的 ML/AI PM——那時候的工作是管 data pipeline、跟 model team 溝通、跑 A/B test。現在的工作是跟一個有自己判斷的 agent 協作，然後想辦法把這個協作做成產品。
對工程師的意義
老實說，如果你是軟體工程師，這個訪談最值得注意的點不是 Anthropic 的公司故事，而是 jagged edge 這個思考框架。
你現在用 AI 工具，可能是 Cursor、Claude Code、GitHub Copilot，你對它的能力有多少系統性的了解？還是你就是用，遇到它爛掉的地方就繞過去，沒有真的去建一個「AI 在哪些任務上可靠、哪些任務不可靠」的 mental model？
如果是我，我覺得值得做的事是：
主動去探索邊界。不只是用它做你已經知道它會的事，也去試你不確定的任務。記下來它在什麼情況下會失敗、什麼情況下表現超出你預期。這個 mental model 的精確程度，直接決定你能把 AI 用到多深。
Token maxing 的概念也可以直接拿來用——你在 Claude 或 GPT 裡工作的時候，給的 context 夠不夠？還是你在省 context 但其實根本不需要省？
最後一點比較偏 career：Technical PM 這個角色在 AI 公司會越來越搶手。能理解 model 能力邊界、能設計 eval、能跟 research team 溝通的人，現在市場上不多。如果你是工程師，這個方向的轉型路徑比你想像的更短。
Dianne 從 bond trader 到 Alexa 到 Anthropic 第一個 Technical PM，看起來是一條奇怪的路，但每一步都在往「理解複雜系統並讓它產生價值」這個方向走。這條路現在有更多人可以走了。
延伸閱讀
Waiting7777
WoW Arena 冠軍轉前端，用電競 meta 思維拆解技術趨勢。
相關文章
AI Agents融資+5Cognition 要衝 $40B？AI coding agent 的估值戰爭有多瘋
Cognition $40B vs Lovable $13.3B — AI coding 工具的估值戰爭是怎麼燒起來的？誰真的在用 Devin、誰在付錢、商業模式能不能撐住這個估值？
2026年8月15日 · Waiting7777 · 6 分鐘閱讀
繼續閱讀 →
融資創投+5這周最大的幾筆融資都在押基礎設施 — AI 投資邏輯變了
從這週融資榜單切入，聊錢到底在流向哪裡 — AI 應用層燒錢，但真正拿到大票的是基礎設施和能源，背後邏輯是什麼？
2026年8月15日 · HW SHU · 7 分鐘閱讀
繼續閱讀 →
AIAI 時代悲劇：爬蟲吃光內容 最後誰來餵 AI？
從遊戲設計角度看這個問題：一個讓所有玩家都想當 free rider 的機制設計，最後一定崩潰。分析 AI 公司、內容創作者、讀者三方的利益衝突，以及可能的出路長什麼樣。
2026年8月14日 · HW SHU · 7 分鐘閱讀
繼續閱讀 →這篇文章對你有幫助嗎？
每週一篇 — 技術趨勢背後的商業邏輯
AI 產業在變什麼、工程師該注意什麼——拆清楚寄到你的信箱。