大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



 
估值高达3800亿美元的Anthropic，内部的增长营销团队在长达十个月的时间里，竟只有一人。
 

Anthropic去年的一篇博客，介绍内部团队如何使用Claude Code。

近期发布的一篇博客，其中增长营销部门的案例让人一惊。

该团队的任务覆盖了付费搜索、社交广告、应用商店优化、邮件营销以及搜索引擎优化全部渠道。

负责人Austin Lau是一个毫无技术背景的普通营销人员。

借助AI工具，他仅用一周时间，就将单次耗时30分钟的繁琐工作压缩到了短短30秒。

代理式编程工具彻底打破了技术与非技术工作的边界，赋予每个能清晰描述问题的人成为超级开发者的能力。

普通营销人员零基础构建自动化工作流，各部门非技术员工打造专属应用，专业研发团队实现测试与排障自动化，人类与AI完美结成思考合伙人。

营销员变身代码专家

Austin Lau的职业生涯里从未写过一行代码。

产品首次发布时，他一头雾水。

为了在苹果电脑上打开全命令行界面的终端，他甚至需要求助于谷歌搜索。

初次接触新产品时，他完全看不到任何应用场景。

作为一个纯粹的营销人，他根本不懂命令行能用来干什么。

强烈的好奇心最终占据了上风。

一位同事在Slack（一款企业级沟通工具）的公司群组里发布了一份专属指南。

指南专门教非技术员工如何安装配置代码工具。

Austin Lau决定跟着教程试一试。

仅仅一周后，他打造了两个彻底改变日常工作模式的自动化流程。

一款Figma（一款协作式UI设计工具）插件应运而生，能够一键生成各种广告创意变体。

一套Google Ads（谷歌广告）文案生成系统顺利上线，能够协助头脑风暴并打磨文案，随后直接导出为可上传的CSV格式。

曾经每制作一条广告需要耗费30分钟，如今时间缩短到了30秒。

大规模的性能营销面临着极其严苛的挑战。

源源不断地输出新鲜创意是基本要求。

单单是谷歌的响应式搜索广告，每次就要求提供15个独特的标题。

每隔几周，所有文案都必须全面更新。

整个过程必须保持品牌基调，还要精准传达产品价值。

在如此高频率的运转下，操作难度极大。

谷歌对字数限制非常严格，30个字符的标题上限，多一个字都会导致系统拒接。

旧的工作流程令人十分头疼。

打开谷歌表格，绞尽脑汁构思标题和描述。

人工逐字核对字符数，复制并粘贴到广告后台。

操作人员需要不断重复上述动作。

视觉广告的流程更加繁琐。

他需要打开Figma，多次复制现有画板，切换到谷歌文档抓取标题文案。

接着切回Figma粘贴进去。

整个动作需要反复操作几十次，涵盖十几种变体和多种宽高比。

时间的流逝在日复一日的机械劳动中变得触目惊心。

借助AI，他成功构建了两个消除无意义忙碌的工作流。

他尝试的第一个项目，其实是开发一个非常简单的计算器应用。

当时他仅仅为了测试系统的响应能力，便让AI帮忙写个计算器。

AI迅速写出了后端逻辑和一个简单的网页前端，甚至贴心地附上了运行指南。

当初小小的实验，彻底改变了他对自身能力的认知。

制作广告变体意味着无休止的复制、粘贴以及在不同软件之间来回切换。

Austin Lau耗费了大约45分钟到一个小时，用代码工具开发了一款Figma插件。

如今每次面对多重宽高比的大批量创意更新任务时，该插件直接为其节省近30分钟的时间。

起初，他在命令行界面输入了一段简单的提示词。

他用自然语言表明自己正在Figma里工作，迫切希望解决重复复制粘贴的麻烦，请求系统帮忙写个插件。

系统接到指令后立刻开始调研，评估插件的开发方式与潜在限制。

随后系统着手构建原型。

经过几次故障排查，一个完美运行的插件便成功安装到了设计软件中。

仅需从表格复制标题，即可一键生成数十个广告变体。

现在，他只需指定创意画板的框架，把需要更新的所有文案变体一次性复制粘贴进去。

只需轻轻点击一下按钮，插件就会为同一张图片生成所有不同的排列组合。

针对响应式搜索广告，他打造了一个专属文案生成工作流。

该系统利用现有的活动和广告表现数据，帮助分析哪类信息最能引起潜在客户的共鸣。

系统会据此头脑风暴，生成可直接上传的广告文案。

借助该系统，他每周能在文案创作和字符验证上节省数小时。

从机械性任务中解放出来后，他获得了充足的时间开展更多的文案实验。

迭代出效果**版本的速度，大幅提升。

他在系统里输入了自定义的快捷指令。

随后，工具主动询问活动数据、现有文案以及关键词。

工具将提供的信息与预先设定好的智能体技能进行交叉比对。

预设技能包含了公司的品牌语调、产品准确性要求以及广告投放的**实践。

输出的结果仅仅是一个起点。

AI是一个绝佳的头脑风暴伙伴，偶尔也会在初次尝试时出现偏差。

他的大部分工作变成了与系统反复推敲，在不断交互中打磨文案。

打磨过程至关重要，他需要根据受众的喜好来评估每一个标题。

价值主张是否到位，语气是否合适，能否在竞争对手中脱颖而出，全都需要人工把关。

一旦文案调整到位，系统直接合并所有内容并生成可上传的表格文件。

一切都建立在人类智慧的基础之上。

提供给AI的所有初始文案和示例，都是由产品营销和文案团队共同撰写的。人类的判断力融入了机器的思考过程。

工作流导出的活动与广告组相关列，经过人工审核后可直接导入广告后台。

他的经历为所有缺乏技术背景的人员提供了宝贵的实操指南。

从小处着手，寻找日常工作中的高度重复性环节。

先从最微小、最简单的任务开始尝试。

让好奇心驱动探索。

遇到不懂的终端界面，完全不要退缩，哪怕带有一丝固执也要寻找答案。

像向同事请教一样与AI对话。

完全不需要懂代码，只需用清晰、简练的语言描述面临的挑战和期望的解决方案。

非技术人员本来就是各自领域的业务专家。

大家深谙工作流程，清楚痛点所在，确切知道自己需要什么样的结果。

现代编程工具赋予了非技术人员亲自解决重复性技术难题的能力。

善用现有资源。

在开发插件时，Austin Lau直接将官方API文档喂给AI。

系统凭借文档自主研究并构建原型。

一个勉强能运行的原型，足以验证脑海中的概念。

原型最终演变成了一个功能完备的产品。

在过去很长一段时间里，很多技术工作对普通人而言遥不可及。

以往遇到安装追踪像素的需求时，必须求助工程师。

面临构建自定义工作流的任务时，必须向支持团队提交工单。

几年前脑海中闪过类似的想法时，往往需要一整个工程师团队来支持。

如今作为一名非技术出身的营销人员，完全可以亲自下场构建工具。

构思工具与亲手开发工具之间的鸿沟，比人们想象的要小得多。

打破职场技能边界

增长营销的未来角色正在迅速演变。

营销人员不再仅仅是活动的执行者，大家正在变身成为产品经理。

营销团队完全能够亲手打造工具来帮助自己达成目标。

在公司内部，利用AI进行构建的非技术人员并非个例。

各个业务部门都取得了惊人的成果。

影响者营销团队利用智能工具为博主和播客撰写脚本。

团队每月腾出超过100个小时，专门用于专注于更高价值的工作。

客户营销团队起草案例研究的时间从2.5小时锐减至30分钟，每周节省10个小时。

数字营销团队构建了网页开发工作流，促使团队生产力同比提升了五倍。

产品营销团队利用技能和项目功能创建发布简报，每次产品发布可节省5到10个小时。

合作伙伴营销团队为销售部门构建了自助式活动启用工具，将展会准备时间缩短了40%。

大多数营销人员通常将AI视作精简文案写作或头脑风暴的辅助工具。

大家很少深入思考如何将前沿工具真正嵌入到核心工作流程中。

积极拥抱新工具的团队，得以大幅减少花在重复性执行上的时间。

全体员工将更多精力投入到了真正重要的核心业务上。

代理式编程工具正在帮助开发者加速工作流、自动化重复性任务。

工具也在协助团队应对复杂的编程项目。

随着领域的不断发展，每天都有来自用户的全新应用场景涌现。

很多使用场景都在预料之中，包括调试代码、导航代码库、管理工作流。

另外一些场景则令人大开眼界。

法务团队的律师们亲自动手，建立了一套电话树系统。

以往跨部门员工面临复杂的合规问题时，往往需要在庞大的通讯录中四处打听，才能找到具体负责某一细分领域的法务专家。

如今律师们仅用简短的自然语言提示，便搭建起了一套智能路由系统。

新系统能够根据员工的输入精准匹配并转接到最合适的律师分机上。

数据科学家在完全不懂JavaScript的情况下，创建了复杂的交互式可视化图表。

重塑工程研发体系

对于专业技术团队而言，效能的提升同样十分显著。

代码库导航与理解成为了新员工入职的利器。

基础设施团队的新任数据科学家将整个代码库喂给系统，以便快速投入生产。

工具会自动阅读目录下的CLAUDE.md文件，精准识别相关文档。

工具详细解释了数据管道的依赖关系，并清晰展示了上游数据源的流向。

上述操作全面取代了传统的数据目录工具。

产品工程团队将代码助手视为所有编程任务的第一站。

在修复漏洞、开发新功能或进行分析时，工程师会先询问应该查看哪些文件。

整个过程完全省去了动手前手动收集上下文的繁琐过程。

测试与代码审查同样迎来了自动化浪潮。

编写单元测试和审查代码是公认的关键却枯燥的任务。

产品设计团队利用系统为新功能编写全面的测试。

工程师通过GitHub Actions自动化了拉取请求的评论环节。

AI自动处理所有格式问题并顺手重构了测试用例。

安全工程团队彻底改变了原有的粗放型工作流。

大家摒弃了拼凑代码再放弃测试的陋习。

团队转而向系统索要伪代码，引导机器进行测试驱动开发，并定期检查进度。

工作流的改变最终产出了更加可靠、可测试的高质量代码。

AI还能将测试翻译成其他编程语言。

当推理团队需要在陌生的Rust语言环境中测试功能时，工程师只需解释测试意图。

系统便会用代码库的本地语言写出完美的逻辑。

调试与故障排除的速度得到了显著提升。

生产环境的故障需要极速响应。

在高压下分析陌生的代码往往会导致严重的延误。

通过实时分析堆栈跟踪、文档和系统行为，故障诊断与修复速度大幅提升。

在事故处理期间，安全工程团队将堆栈跟踪信息和文档提供给系统，追踪代码库中的控制流。

过去需要耗费10到15分钟人工排查的问题，如今解决速度提升了三倍。

产品工程团队获得了应对陌生代码库漏洞的底气。

遇到漏洞时，工程师直接用自然语言描述观察到的现象并请求修复。

团队随后直接审查系统提出的解决方案。

整个排障过程完全不需要依赖其他部门的协助。

有一次数据基础设施团队面临Kubernetes集群停止调度容器组的紧急状况。

对于庞大的科技公司而言，底层集群的调度瘫痪意味着成千上万的计算任务被积压。

整个系统随时面临级联雪崩的风险。

工程师将谷歌云平台的仪表盘截图发送给系统。

工具像一位经验丰富的老专家，一步步引导操作员点击云平台的各个菜单。

最终团队精准定位到了容器组IP地址耗尽的问题所在。

系统直接给出了创建新IP池并添加到集群的具体命令。

在系统宕机的紧急时刻，工具为团队抢回了宝贵的20分钟。

原型设计与功能开发的门槛被大幅降低。

传统的新功能开发需要深厚的技术储备和大量的时间投入。

如今快速原型设计乃至完整的应用程序开发变得触手可及。

无论编程经验如何，团队都能迅速验证创意。

产品设计团队的成员将Figma设计文件直接传给系统，随后建立起自主循环机制。

工具会自动为新功能编写代码，运行测试，并持续迭代。

团队只需给出抽象的问题描述，让工具自主工作，最后审查解决方案并进行微调。

有一次工具甚至在极少的人工干预下，为自己构建了Vim的快捷键绑定。

产品设计团队还发现了一个意外收获。

在设计阶段利用系统梳理出错误状态、逻辑流和系统状态，能够提前发现边缘情况。

上述操作彻底避免了在开发阶段才去补救的尴尬。

系统从根本上提升了初始设计的质量，省去了后期数小时的调试时间。

尽管对TypeScript并不熟练，数据科学家依然能够轻松应对复杂任务。

研究员为强化学习模型的性能表现构建了完整的React应用程序。

在沙盒环境中进行简单的单次提示后，工具在完全不理解底层代码的情况下，从零开始写出了完整的可视化前端代码。

面对简单的任务，初次提示效果不佳时，稍作微调再试一次即可。

知识管理与技术文档的碎片化问题迎刃而解。

技术文档往往散落在维基百科、代码注释以及团队成员的大脑中。

借助MCP和特定的说明文件，系统将所有知识整合成了易于访问的格式。

所有需要的人都能轻松获取专业知识。

没有机器学习背景的推理团队成员，完全依赖系统来解释模型专属的函数。

过去需要花费一个小时在搜索引擎上寻找答案。

如今只需10到20分钟，研究时间大幅缩减了80%。

安全工程团队让系统吸收多种文档来源。

系统创建出纯文本格式的运行手册和故障排除指南。

此类经过浓缩提炼的文档，成为了排查真实生产问题的绝佳参考。

查阅浓缩文档比在庞杂的知识库中翻找要高效得多。

当工具被用来增强人类现有的工作流时，其价值才能发挥到极致。

最成功的团队完全抛弃了将AI当作代码生成器的刻板印象。

大家直接将其视为一位默契的思考合伙人。

曾几何时，创意的火花往往因为技术门槛的阻拦而熄灭。

如今从脑海中闪过的灵光，到屏幕上切实运行的程序，中间的距离已经被彻底抹平。

参考资料：

https://claude.com/blog/how-anthropic-teams-use-claude-code

https://claude.com/blog/how-anthropic-uses-claude-marketing

https://www.techflowpost.com/en-US/article/30652