一年之内，Anthropic把每员工营收做到了原来的五倍 原创
Anthropic 递交 S-1 前夜，其工程负责人 Katelyn Lesse 与产品负责人 Angela Jiang 在 Opus 5.5 发布次日接受访谈，披露了这家公司如何在一年内把每员工营收提升五倍、实现首个盈利季度，以及背后关于写作风格优化、API 防蒸馏博弈与"脑手分离"智能体架构的工程细节。
Anthropic 刚刚向美国证券交易委员会提交了 S-1 文件，这意味着它距离那场市场预期的、估值高达 2 万亿美元的 IPO 只剩下不到两周的时间。一家终身现金募集超过 1000 亿美元、但终身现金消耗不到 100 亿美元的公司，正在用一份极其罕见的效率曲线，讲述一个关于"如何既造出世界最强模型，又把生意做得极其精干"的故事。
这期节目录制于 Opus 5.5 发布的第二天，几乎所有尝过鲜的高要求测试者都认定它是目前世界上最好的模型。Anthropic 的工程负责人 Katelyn Lesse 和产品负责人 Angela Jiang 坐进了录音室，谈的不是模型能力本身，而是这家公司如何把模型能力一步步变成开发者真正能用起来的产品——以及这个过程里那些不太会写进官方博客的细节。
S-1 里最直白的数字是：Anthropic 过去 12 个月的每员工营收达到 660 万美元，一年前这个数字是 140 万美元，涨幅接近五倍。这不是一家传统企业靠裁员做出来的效率提升，而是一家 AI 公司用 AI 把自己的运营杠杆彻底撬动的结果。
更关键的变化发生在成本结构上。2025 年第二季度，Anthropic 每赚 1 美元收入要亏掉 0.5 美元；而现在，每花 1 美元的算力成本，能换回 2 美元的收入。这一正一反的翻转,直接体现在了利润表的底线上：公司刚刚报出历史上第一个盈利季度，GAAP 口径下的净利率是 19%，而一年前同期这个数字是 -129%。换句话说,一年前每收进 1 美元,就要亏掉 1.29 美元,现在已经完全反转。
支撑这场效率跃迁的,是两个相互咬合的循环：改进循环——Claude 带来更好的模型,更好的模型带来更多用例,更多用例产生更多反馈,反馈再反哺出更好的 Claude；投资循环——用户规模扩大带来收入增长,收入增长带来更多投资,更多投资带来更强能力,能力再变成更好的 Claude。两个循环彼此咬合,滚动向前。
这两个循环的落脚点,很大程度上集中在 Anthropic 称之为"Claude Platform"的那套综合性智能体开发环境上——它把构建、部署、扩展智能体应用所需的底层原语,直接开放给了客户。S-1 披露的一个细节颇具说服力：在那些年化收入超过 10 万美元的客户里,超过一半都在使用 Claude Platform。这标志着 Anthropic 正在从一个模型实验室,切实地长成一个超大规模云平台玩家。
值得强调的一点是,Claude Code、Claude Co-work 这些产品,用的都是与外部开发者完全相同的 Claude Platform 原语。这种"自己吃自己的狗粮"的做法,让 Anthropic 在招股书叙事里把自己的定位从"聊天机器人"一路推进到"虚拟协作者"——不是执行单一任务的工具,而是能够长时间自主工作、具备判断力和自我修正能力、能够拿着一个目标和你并肩干活的东西。
Opus 5.5 发布的第二天,Katelyn Lesse 说团队为这次发布投入了大量不同方向的工作,其中最被外部认可的改动之一是写作风格的调整。用户此前对 Opus 5 的反馈很直接：输出太绕,表达不够干净。团队针对这一点做了专门清理,内部试用时的感受和外部反馈高度一致,这种相互印证让团队格外踏实。
定价上的调整同样是这次发布的重点。Angela Jiang 的判断是,市场正在越来越明确地追求"每美元智能"这个指标,所以把单位成本做对,变得和模型能力本身一样重要。但真正有意思的工作,发生在官方博客没有展开写的地方——围绕 API 抗蒸馏能力所做的一系列改动。
几个月前,一篇名为"从专有模型中窃取推理轨迹"的论文公开了一种高效蒸馏技术,并对 Anthropic 进行了负责任的披露。Katelyn Lesse 的态度很平静：这篇论文本身没有在公司内部引发恐慌,因为思维链提取是蒸馏模型最强力的手段之一,这是团队早就知道的一个缺口,而不是突然冒出来的新问题。
真正难的不是技术漏洞本身,而是修补它所带来的权衡。Anthropic 一直在考虑是否要让思维块在多轮对话之间被保留、甚至强制保留,但这类改动往往会给合法 API 用户带来体验上的损耗——比如在上下文压缩策略里本来合理的使用场景,也可能因为防蒸馏机制而变得不便。团队需要在"保护模型"和"不折腾正常用户"之间走一条很窄的钢丝。
这件事背后的逻辑指向 Anthropic 存在的根本理由：公司对输出的 token 运行着大量安全分类器,目的是确保生成内容的安全性。如果有人把模型蒸馏出去,却在没有这些安全分类器的情况下运行蒸馏后的模型,那些本该被拦下的风险就会直接流入现实世界。防蒸馏不是为了保护商业机密,而是为了不让绕开安全护栏的复制品流通出去——这也是为什么团队宁愿在体验上做更精细的调节,也不愿意选择一刀切的封堵方式。
谈到智能体可能遇到的失控场景时,Angela Jiang 划出了一条清晰的界限：公众听到的大多数"智能体出格"事件,发生在训练环境里——研究人员把模型放进一个封闭的盒子里,故意给它不可能完成的任务,看它会不会想办法"越狱"去解决问题。这是训练阶段的刻意设计,目的就是压力测试模型的边界。
但生产环境完全是另一套逻辑。运行在 API 上的工作负载,外面套着在线安全护栏,架构本身也做了隔离——执行环境（手）和智能体的推理逻辑（大脑）被分别放在不同的地方。智能体不是被关在一个盒子里拼命找出口,因为"盒子"和"推理"根本就不在同一个位置,沙箱出问题也不会把整个智能体一起拖垮。这正是 Anthropic 在"Managed Agents"架构里反复强调的"brain and the hands"：把容易出错、容易被攻破的执行环境,和承载判断力的核心推理过程彻底解耦。
从 S-1 里那两条相互咬合的循环,到 Opus 5.5 发布会后台那些关于写作风格、定价策略、防蒸馏博弈的细节,再到"脑"与"手"分离的架构设计,这场对话呈现的其实是同一件事的不同侧面：Anthropic 想要证明,一家公司可以同时做到"模型最强"和"生意跑得通",而连接这两端的,正是把模型能力一点一点工程化、产品化的那套不太显眼却极其扎实的系统工作。