Anthropic 的 Head of Product Cat Wu 在 Lenny’s Podcast 上抛出了一个反常识的观察：

“设计师写代码，工程师做产品决策，PM 做原型和评估。三个角色正在融为一体。”

她所在的 Claude Code 团队里：设计师直接上线前端，工程师从看到用户反馈到当周发版不需要经过产品经理，几乎全部 PM 都曾是工程师或自己动手写代码。

这不是一家公司的特例。

OpenAI Codex —— 从第一行代码到上线只用了 7 周。核心团队约 8 个工程师、4 个研究员、2 个设计师、2 个 GTM 和 1 个 PM，共计约 17 人。Calvin French-Owen 在博客里回忆这段经历时说：”没人需要太多指导，但确实需要不少协调。”

Cursor（Anysphere）—— CEO Michael Truell 在 YC Podcast 上说，面试禁用 AI（只允许 autocomplete），因为不用 AI 编程反而是衡量基本功最好的测试。最终轮是 2 天 onsite，做真实项目，看你和团队一起能造出什么。

三家公司，三个完全不同的产品方向，却在同一件事上达成了共识：

传统 PM、研发、设计师的生存法则，正在被重写。

五个正在发生的通用变化

1. 角色边界在溶解——但岗位也在变得更细

Cat Wu 在 Claude 官方博客里的原话是：

“设计师写代码，工程师做产品决策，PM 做原型和评估。”

这不是让一个人干三个人的活。它说的是——每个角色的工具箱都在扩张，职能重叠成了新常态。

但另一面同样真实：岗位在拆得更细。Anthropic 的 Claude Code 一条产品线就有多个不同定位的 PM 岗，OpenAI Codex 拆出了安全 PM、部署 PM、核心产品 PM 等独立方向，Cursor 的 Agent Harness PM 和 Cloud Agents PM 是完全不同的能力要求。角色职能在融合，岗位颗粒度在细化——两条逻辑同时成立。

2. 速度从优势变成生存条件

Cat Wu 说：“构建 AI 原生产品，极其重要的一点就是快速迭代——找到一种让你每周都能发布功能的方式。”

每周发版，不是每月，不是每双周——每周。Claude Code 团队的做法是：想到一个改进 → 去看用户反馈 → 改代码 → 发版，全流程在当周完成。

OpenAI Codex 更夸张：从零到上线，7 周，17 人。团队里大半是研究员，发货节奏却比大多数百人团队还快。

这背后是一个本质变化：人类打字速度是当前实现 AGI 的最大限制因素（Alexander Embiricos 原话）。当模型能力跑在组织能力前面，招聘、审批、评审机制全在成为瓶颈。

3. 每个人都变成了 AI 经理

Thibault Sottiaux（OpenAI Codex 负责人）在 Pragmatic Engineer 采访中说，Codex 的工程师同时跑 4-8 个并行 agent，角色从写代码的人变成了agent 管理者。他描述 Codex 团队的一个典型工程师是：一个 tab 跑 code review，一个 tab 做 feature，一个 tab 做 security audit，一个 tab 生成 codebase 摘要。

Boris Cherny（Claude Code 创始人）在 YC Lightcone 上说得更直接：

“编码已被解决。软件工程师这个头衔将在 2026 年开始消失。”

工程师的角色变成了写 spec、和用户对话、审查 AI 产出。Anthropic 的团队规模在快速增长，但 Boris Cherny 透露工程师个人效率提升了 200%——因为工程师现在是 agent 主管，不再是一个人写代码，而是带着一群 AI 干活。

4. 审查比创作更重要

当 90%+ 的代码由 AI 生成，写代码不再是技能瓶颈。瓶颈变成了：你能多快、多准地判断 AI 产出的质量。

Codex 团队的做法是分层审查：

• AI 审查：第一层自动化，覆盖所有非关键代码
• 人工审查：只审查核心代码（agent loop 等关键模块）

Alexander Embiricos 说了一句关键的话：“审查 AI 产出的用户体验，本身就成了产品。”

换句话说，你设计的不再是编辑器的界面，而是人类如何高效地判断、修改、信任何时该信任 AI 输出的交互系统。

5. 学历标签让位给实验精神

三家公司都在抛弃传统招聘的”安全牌”。

Michael Truell 坦言 Cursor 早期太依赖名校标签，现在更看重求知欲与实验精神。面试禁用 AI 不是反技术，而是他认为不用 AI 编程是衡量智力水平和解决问题能力的好测试。

“我们招过很多出色的工程师，他们完全没有 AI 工具的经验。”

Anthropic 这边：Cat Wu 强调团队优先招有产品品味的人，不管什么岗位；Boris Cherny 则说他招工程师时最看重两点——通才型人才和有趣的 side project。”不是最会写算法题的人，而是能用周末时间从零做出东西来的人。”

三个角色的进化方向

PM：从需求翻译机 → Prompt 架构师

传统 PM 的核心技能：写 PRD、画原型、排优先级。

AI 时代的 PM 核心技能：理解模型能力边界、设计提示词以适配模型、建立评估体系。

Alexander Embiricos 说了一个反直觉的观察：“PM 往往是最好的 prompter，因为他们习惯了在不做专家的情况下做好事情。”

因为 PM 本来就不需要是技术专家，他们习惯于在不懂细节的情况下做出判断——这在和模型对话时反而是优势。你不会过度拟合，你知道怎么把模糊的需求转化成可执行的指令。

Cat Wu 还分享了一个做法：每次新模型上线后，第一件事是读完整份 system prompt，删掉模型不再需要提醒的部分。把评估指标建起来——不需要太多，能量化目标与进展就足够。

研发：从代码生产者 → Agent 管理者

传统工程师的核心技能：写干净代码、优化性能、设计架构。

AI 时代的核心竞争力：写清晰的 spec、设计审查流程、管理 AI agent 集群。

Boris Cherny 的原话是：“对我来说，编码今天已经基本被解决了。”他甚至表示软件工程师这个头衔将在 2026 年消失。

但这不是说工程师没有价值了。恰恰相反——能同时管理 4-8 个 agent、能准确判断 AI 生成代码的质量、能和用户对话找到真正需求的工程师，比任何时候都稀缺。

设计师：从 UI 交付者 → Design Engineer

传统设计师的核心技能：画图、做原型、标注切图。

Cursor 的做法很极端：他们的岗位叫Design Engineer（设计工程师），要求 Figma 和代码编辑器同样自如。

Cat Wu 说 Claude Code 的设计师同时也是前端工程师。回到那句原话——“设计师写代码，工程师做产品决策，PM 做原型和评估。”

这不是让每个设计师都变成全栈工程师。而是在 AI Agent 能直接生成 UI 代码的世界里，纯粹只做画图交付的设计师，正在失去存在价值。设计师需要能直接参与到产品 → 代码 → 上线的闭环中。