Anthropic对自家员工做了一项调查,询问Claude究竟为他们节省了多少工作时间,结果令人瞩目:大多数员工表示,原本一小时的工作现在只需15分钟甚至更少。而在同一模型的普通用户中,只有约四分之一的人报告了类似的提升。公司内部的人并没有什么秘密模型或隐藏的提示词技巧,他们付费使用的Claude与所有人一样。真正拉开差距的,似乎是一套日常习惯,而这些习惯任何人都可以复制,包括从不写代码的人。
这些发现来自Anthropic于2026年10月16日发布的两份报告:一份关注公司内部的就业与招聘正在如何变化,另一份关注在AI前沿工作如何塑造员工的预期。两份报告合起来看,可以归纳出七个非技术背景的职场人士能够立即上手的实用习惯。
习惯一:别让Claude等你
Anthropic追踪了员工在数天、数周乃至数月中与Claude的互动方式,发现模型在活跃对话时间里约有80%都在等待人类。一位Anthropic工程师说得很直白:是人在拖慢智能体,而不是反过来。
解决办法是在模型开始之前,把所有需要人类提供的输入一次性给足。不要等问题冒出来再逐个回答,而是一开始就告诉Claude把它需要的所有问题一次性问完,然后不停顿地执行任务的其余部分。一个实用的安全边界:指示模型只有在某个操作会产生费用或无法撤销时才暂停。
这个习惯还带来一种简单的并行工作方式。在走进会议室之前,先让Claude去做一项繁重的任务,它可以在你忙于开会的30到60分钟里持续工作。同一个日程时段产出两份成果,而不是一份。在七个习惯中,这是最容易养成、也是收效最高的之一。
习惯二:做两次,绝不做第三次
Anthropic员工遵循一条一以贯之的规则:第一次手动完成任务;同样的任务第二次出现时,把它变成可复用的技能或项目配置;这样到了第三次,Claude就能独立完成。这里的“技能”指的是一组保存下来的指令,模型无需重新交代就能再次执行。
这一做法在Anthropic内部的回报非常具体。把重复性行政工作自动化的销售人员,拿回了约30%的时间,并把这些时间用在了与客户的直接沟通上。让这一切成立的提示词,在你第二次完成某项任务之后使用:请Claude回顾聊天记录,识别你所遵循的流程,并把它打包成一个技能。从此以后,每次运行只需提供新的原始数据,而无需重新解释流程。
| 出现次数 | 做法 |
|---|---|
| 第一次 | 手动完成,或在Claude协助下完成 |
| 第二次 | 请Claude把对话整理成技能 |
| 第三次起 | 由技能完成工作 |
习惯三:在Claude动笔之前,先决定你要读什么
冗长的AI输出带来了一个阅读难题,而大多数人的解决办法就是不读。Anthropic测算了Claude为内部团队生成的文本量,以及把这些文本全部读完需要多长时间。财务人员每周需要约43小时,销售人员约35小时。两个数字都达到或超过了标准的每周40小时工作制,因此在实际中员工会跳过大部分内容,错误或可疑的假设就可能在无人察觉的情况下溜过去。

▲ 先于细节的三行摘要
解决办法是在生成之前就规定输出格式。一种提示词模式要求Claude在每次回复的开头都恰好写三行:
- 发现或决定
- 需要你批准的事项
- 不确定之处
支撑细节放在下面。如果这三行看起来没问题,你就可以不往下读;如果哪里不对劲,细节就在下面供你核对。关键在于,决定什么值得关注的是读者,而不是模型。
习惯四:在设置上投入实打实的时间
一年前,Anthropic员工大约每十次Claude会话中有一次用于打磨提示词、系统指令和工具配置,而不是处理任务本身。到2026年10月这两份报告发布时,这一比例已翻倍至五分之一,即全部会话的20%。花在设置上的时间会提高此后每一项任务的准确度,并拓宽模型能够独立处理的范围。
这个习惯的一个可操作版本是每周五做15分钟的复盘。请Claude回顾本周的聊天记录,找出你纠正或重做它工作的每一处,并把每一处修正归入以下三类之一:
- 需要修改项目指令
- 需要修改可复用技能
- 一次性异常,无需改动
对前两类,让它给出应当补充的确切措辞。几周之后,那些纠正不再反复出现,因为它们已经被写进了设置里。
习惯五:写在Claude看得见的地方
这个习惯更多关乎组织文化,而非提示词技巧。凡是只在口头说过、从未落到文字的内容,对AI系统而言都是不可见的。Anthropic的报告里有一个小却耐人寻味的例子:一名员工已经从市场营销岗位调离,但同事们仍不断向其发来索要马克杯、T恤和毛衣的请求,因为岗位变动只在交谈中提过,从未记录在任何Claude能读到的地方。

▲ 口头知识与书面知识对AI的差异
报告建议的应对方式是,对几乎所有内部会议进行录音,并把文字记录保存在共享系统中,只有一类例外需要注意:涉及敏感内容的一对一绩效评估。文字记录和书面决定会成为Claude运行工作流、提出更好建议和辅助决策的原始素材。这里的判断是:文档记录完善的团队会随时间积累出越来越大的优势,而把知识留在茶水间闲聊里的团队,会发现自己的AI工具一直在用过时的上下文工作。
任何会议结束后都可以用的入门提示词:“这是我今天会议的笔记或文字记录。请把任何会改变我们工作方式的决定更新到团队工作文档中,并明确告诉我你改了哪些地方。”让Claude更新文档并汇报改动,是迈向让它自行维护指令、技能和项目的第一步。
习惯六:新模型发布后,交给它更难的工作
Anthropic内部有一句口号:随着模型进步,对AI要更有野心。数据显示员工确实这样做了。每次重大模型发布之后,员工交给Claude的任务复杂度会立即提高约30%。随着发布周期加快、能力跃升幅度加大,如果新模型还只是做旧模型那套例行工作,它的大部分价值就被闲置了。
一种落地方式是持续维护一份清单,记录那些AI此前做不好的高价值任务。新模型一到,先测试清单上最难的一项。一个示例提示词为报告流程设定了激进的目标:“目前我们的月度报告大约在月底后十天才能完成。我希望它在每月一日早上就准备好。这是一个合理的目标。请明确告诉我如何做到,如果某一步看起来不可能,就继续想办法,直到找到路径。”
这段提示词里有两处措辞选择很关键。把目标称为“合理”,并要求模型在看似不可能的步骤上坚持下去,似乎会改变前沿模型处理问题的方式,提高它找到路径的几率。
习惯七:用指令而非代码来搭建工具
Anthropic的研究发现,非技术员工用Claude自行搭建工具的情况急剧增加:一年之内从每月约2次会话增至每月约90次。其中大部分搭建工作是用自然语言而非代码完成的,而这种做法的理由很务实。
| 基于指令的工具 | 基于代码的工具 |
|---|---|
| 易于阅读、修改和迭代 | 需要持续修复缺陷和打补丁 |
| 上下文变化时能够自适应 | 输入变化时可能崩溃 |
| 安全攻击面更小 | 漏洞可能被发现和利用,且越来越多地来自AI辅助的扫描工具 |
用通俗语言写成的技能和项目,普通用户更容易检查和修改,模型也能随着情况变化灵活应对,而不是直接崩溃。相比之下,自定义代码会把团队拖入维护循环,并增加网络安全风险。这里的指导原则不是“绝不写代码”,而是“代码放在最后,且越少越好”。
一个适用于Claude Cowork或ChatGPT Work等工具的模板提示词体现了这条规则。描述你每周手工整理的那份更新,并指出它所依赖的文件。要求给出能够生成它的最简单的自动化方案,并说明首选形式是打包成技能的书面指令。只有在指令不够用的地方才允许使用代码,并要求任何代码都尽可能短小简单。最后,询问如何运行结果,以及每次运行时需要核对什么。最后这一项很重要:每个自动化都应附带一份简短的清单,列出每次需要检查的内容。
本周可以做什么
这七个习惯彼此强化,但不必一次全部养成。一个合理的顺序是:
- 今天就从习惯一开始。在下一项耗时较长的任务里加上“先一次性问完所有问题,然后不停顿地执行”的指令,并在开会前启动它。
- 下次重复做某项任务时,请Claude把对话整理成技能。
- 把三行摘要格式写进项目指令,让每次回复都以发现、待批准事项和不确定之处开头。
- 周五留出15分钟做设置复盘。
- 对会议进行录音,把文字记录喂给一份由Claude更新的工作文档。
- 维护一份AI做不好的任务清单,下一个模型发布时先测试其中最难的一项。
- 自动化某项工作时,先要求用指令实现,仅在必要时才用最少的代码。
Anthropic内部数据给出的根本启示是:模型对所有人都是一样的。“15分钟的一小时”与普通一小时之间的差别,似乎来自给模型多少上下文、让它等待多少时间,以及用户在模型周围的系统上投入了多少心思。


