从源码系统到招聘结构：Anthropic 如何调整公司的运行方式

10月13日，Anthropic披露了自研源码系统Scion。10月15日和16日，公司又分别介绍了Claude Code的代码审查流程，以及内部AI使用和招聘结构的变化。Claude Code是Anthropic面向编程任务的AI工具。三组材料揭示了同一个问题：越来越多执行工作交给Agent以后，公司如何重新安排工具、批准权和人的工作？

Anthropic正在调整过去围绕人工执行建立的工作规则：让设施承接机器的工作量，让审批围绕风险分配，让员工承担更多监督和判断。 这些调整会影响AI投入能否成为可靠交付，也会改变新人进入组织、积累经验的路径。把它们只归纳成“员工效率提高”，会遗漏成本和机会在不同环节之间的重新分配。

写代码变快，先迫使公司重做配套工具

Anthropic更换源码系统，解决的是执行量增加后的基础设施负担。

公司内部大仓库每天合并的代码变更，从5月约2500次增至9月超过3万次。大量Agent与测试任务频繁取得文件、查询历史，原本不显眼的后台操作积累成了瓶颈。代码供给增加之后，取代码和接收修改的方式也要跟着变化。源码系统说明

Scion是一套记录代码版本、协调变更的系统。它让在线客户端按需取得数据，把更多历史查询和合并操作交给服务端。一个任务只需要某几个文件，或某两次提交之间的差异，就不必为此准备能够独立回答各种问题的完整本地环境。公司用五个月迁移了内部单体仓库，同时建设配套的审查、搜索和权限工具。单体仓库是把多个项目的代码集中存放在同一个仓库里。

这项改造针对的是Anthropic的特殊负载。Git支持离线工作和分布式协作，这些能力对多数仓库仍有价值。Anthropic也用过局部取得数据、内部镜像等优化手段。只有在既有办法仍不足以支撑负载时，自研系统的迁移和维护成本才值得进一步讨论。不能把一家公司的内部迁移，写成整个行业应当放弃Git。

大仓库也早于生成式AI。Google曾公开介绍单一大仓库的组织与工程取舍，Meta的Sapling同样长期处理大规模源码管理问题。Anthropic的案例增加了一种压力来源：频繁操作仓库的客户端，越来越多是持续在线的Agent和自动任务。它改变了负载结构，并没有让所有既有工程经验失效。Google大仓库研究、Sapling介绍

这里的组织变化很具体。过去采购编程工具，容易围绕一个人写代码节省多少时间计算收益。现在还要看新增代码会挤占多少仓库、构建、测试与审查资源。如果这些环节排队更久，个人生成速度的提升就未必等比例成为团队交付。AI采用的成本，需要沿着工作流重新计算。

机器承担更多检查，人的批准权按风险分配

研发设施可以接收更多变更，但公司还要决定哪些变更可以放行。

Claude Code团队披露，其独立代码库采用六层检查，之后还有快速检测和回滚。快速检测是在变更进入代码库后尽快检查异常的机制。它把大量检查前移，同时保留按风险配置的人工批准。机器审过，并不自动等于人可以不负责。代码审查说明

六层检查分工如下：

Anthropic按变更风险安排人工批准。符合条件的低风险变更可以不要求人工批准，中风险需要一人，高风险需要两人。对于需要人的审批名额，Agent批准不能顶替。发起变更的人仍对结果负责，新的修改也可能要求重新批准。

这减少了每项变更都采用相同审查强度的必要性，同时提高了风险分类的重要性。如果高风险改动被错误分到低风险路径，省下的人力就可能变成事故成本。因此，自动化能力扩大之后，审查规则本身也成为需要维护、测试和追责的对象。

公司自报，Claude Code合并请求量在6月至9月翻倍以上，回滚占比下降超过40%。这两个指标描述了该团队同期的吞吐与质量表现，不能证明全部改善都由某一种审查办法带来。它们至少提供了比“AI写了多少代码”更接近交付结果的观察口径。

Scion与Claude Code的流程还要分开理解。前者服务内部大仓库，强调合并后、部署前测试。后者使用独立仓库，并保留合并队列，也就是让变更经过共同检查后按序进入主分支。两套实践采用不同取舍，说明组织应围绕实际负载分配检查，而非照搬一张流程图。

公司继续扩张，初级岗位的招聘入口却收窄

工作分配的改变，也出现在招聘和内部流动中。

10月16日的研究披露，Anthropic一年内员工规模增至三倍，但初级技术新聘占比从27%降至9%。公司仍然增长，新增人员的层级结构却发生变化。这里的下降是占比，不能直接推出初级招聘绝对人数减少。内部用工研究

执行工作扩大与这项变化同时发生。到8月，员工指挥的交互式Agent运行时长达到人工工时的六倍。Agent时长汇总推理、工具使用和子Agent活动，人工工时则按人数与每周40小时估算。这是活动量的比较，不能换算成六倍产出，也不是替代了六倍员工。

与此同时，员工承担了更多管理机器的工作。研究把编写Agent规格、搭建监控、让一个Agent复核另一个等任务归为“元工作”。这类任务在交互会话中的占比从10%升至22%。该比例描述会话类型，而不是员工把多少工作时间花在监督上。它显示执行增加后，公司还需要投入精力组织和检查这些执行。

研究还记录了内部调岗。部分团队把原任务交给Agent后，转向提示、评测等工作。招聘经理也更加重视候选人的自主性和判断。对于已有员工，组织可以利用其业务知识和协作经验安排新任务。但尚未进入公司的人，并不自动拥有同样的转换机会。

内部转岗可以帮助现有员工应对任务变化，却不能替代初级员工的进入和培养机制。过去，新人可能通过写简单代码、处理常规请求、跟随审查积累经验。如果这些任务更多由Agent承担，公司就要回答，新人靠什么获得足以承担批准责任的判断力。

现有研究没有证明AI是招聘变化的唯一原因。Anthropic自身业务高速增长，人员组成也在调整，工具采用并非随机。但把招聘占比、内部流动与监督工作放在一起，已经足以说明：采用AI之后，企业需要重新设计的除了现有岗位，还有经验如何形成、谁能进入组织的问题。

更少的人工执行，不会自动形成更低的组织成本

三组材料共同揭示了工作规则的重新分配。

源码系统要适应机器的操作频率，检查流程要区分可自动验证的问题与需要人工批准的风险。人员配置则要同时处理已有员工转岗和新人的学习入口。这些安排共同决定新增执行能否成为可持续交付。

Anthropic是观察这种变化的重要样本，但也有特殊条件。公司在Scion说明中承认，内部可投入的模型用量远高于普通企业愿意承担的水平。内部效果不能直接当作客户可复制的投入产出比。对其他机构而言，可借鉴的是识别瓶颈、区分责任和衡量结果的方法，自研系统或高强度Agent使用仍需单独证明必要性。

后续判断这套调整是否有效，可以看三类结果。首先是交付：合格任务是否增加，返工和事故是否受控。其次是成本：监督、基础设施和维护是否抵消了执行节约。最后是人才：公司能否培养新的判断者，而不只是依赖已有资深员工承担更多批准责任。

Anthropic近期最值得关注的变化，因而不只是机器替人完成了哪些任务。公司正在改变任务如何进入系统、结果怎样获得批准、员工凭什么进入和成长。若企业只扩展执行能力，却没有建立相应的责任与培养机制，短期可见的产出增长，也可能伴随更难解决的组织瓶颈。