AIAnthropicClaude团队画像
Claude背后全是大厂老兵！Anthropic工程团队1680人画像曝光：谷歌系、12年经验、本硕为主
收录于 2026/6/16 10:00:06
1. 数据来源与分析方法
- 样本规模：基于 LinkedIn 抓取将 Anthropic 列为当前雇主的 5306 人，筛选出 1680 名真正从事工程岗位的员工
- 履历分析：进一步分析这 1680 人在加入 Anthropic 前留下的 7986 段过往岗位描述
- 分析者：招聘从业者 Sebastian Cuadros
2. 团队规模与扩张速度
- 仅 15 人是在 2021 年之前加入公司的（属于创始期老员工）
- 2025 年组织规模大约扩大了三倍，当年招聘了 686 名工程师
- 2026 年保持同样节奏，截至 6 月已经招聘了 455 人
- 过去 12 个月加入的人占 53%，任职时间中位数只有 10 个月
- 当前工程团队中有一半人任职时间不足一年
- 结论：这是一个大约在 18 个月内搭起来的巨型工程组织
3. 工作年限画像（资深工程师主导）
- 1680 名工程师加入前的工作经验中位数为 12.2 年
- 中间 50% 的人工作经验在 8.8 - 16.5 年之间
- 工作经验少于 3 年的只有 50 人
- 拥有 13 年及以上经验的人占比达 44%
- 应届生招聘基本不存在
- 典型新员工画像：12 年工作经验、但在公司只待了 10 个月
4. 极少数"初级员工"如何进入
有 172 名工程师工作经验少于 6 年（其中少于 3 年的 50 人），但都属高度筛选后的特殊人才：
- 与整体对比：博士比例 19%（高于整体 13.7%）；产品/软件工程头衔占比 15%（整体仅 5%）；FAANG 履历比例 32%（低于整体 50%）
- 三类入口：
- 实习管道（50%）：Meta 16 人、Google 10 人、DeepMind 6 人、Microsoft 5 人、Amazon 5 人，以及 Jane Street、Two Sigma、HRT、Optiver、Nvidia
- 量化交易转实验室（9%）：Jane Street、Two Sigma、Five Rings、HRT、Optiver、Citadel
- AI 对齐奖学金（6%）：MATS、SERI、Redwood、ARC
- 典型年轻工程师画像：MIT 背景 + 国际信息学奥赛银牌 + Codeforces 评分 2900+ + 工作 4 年后进入 RL/AI 安全方向，筛选标准是竞赛排名和论文
- 国际化学校：除 Berkeley、Stanford、Cambridge、MIT 外，还包括清华大学、牛津、帝国理工、新加坡国立、上海交大、苏黎世联邦理工
5. 技能与基础设施倾向
- 40% 的工程师背景与基础设施相关（后端、分布式系统、数据库、安全各约占 20%）
- 强化学习相关经历只出现在 3.3% 工程师的背景中
- 自报技能分布：
- Python：585 人
- Java：566 人
- C++：443 人
- JavaScript：376 人
- SQL：302 人
- Linux：230 人
- 分布式系统：189 人
- AWS：154 人
- 典型的 Anthropic 工程师更像是"过去十年在超大规模云厂商或基础设施创业公司构建大型生产系统的人"，而非发表论文的研究科学家
6. 前公司分布
| 排名 | 前公司 | 人数 |
|---|---|---|
| 1 | 405 | |
| 2 | Meta | 273 |
| 3 | Amazon | 197 |
| 4 | Microsoft | 171 |
| 5 | Stripe | 124 |
| 6 | Apple | 87 |
| 7 | Stanford | 68 |
| 8 | DeepMind | 62 |
| 9 | Airbnb | 51 |
| 10 | OpenAI | 48 |
- 整个工程组织中约一半人曾在 FAANG 公司任职
- OpenAI 是第五大直接来源、DeepMind 是第六大直接来源
- 约 94 名工程师是直接从某家前沿 AI 实验室跳槽过来
- Anthropic 明显超比例吸引那些以工程严谨性著称的公司人才：Stripe、Databricks、Snowflake、Palantir、Airbnb
7. 学历与学校分布
学位构成（打破"博士神话"）：
- 仅 13.7% 拥有博士学位（约七人中一个）
- 典型新工程师是拥有本科或硕士的资深工程师，而非研究科学家
专业背景前几名：
- 计算机科学：819 人
- 数学：78 人
- 物理：70 人
- 计算机工程：69 人
- 哲学：13 人（进前 20，可能与安全相关）
学校来源（历史累计）：
| 排名 | 学校 | 人数 |
|---|---|---|
| 1 | 斯坦福 | 144 |
| 2 | 伯克利 | 118 |
| 3 | 麻省理工 | 80 |
| 4 | 卡内基梅隆 | 73 |
| 5 | 哈佛 | 42 |
| 6 | 剑桥 | 39 |
| 7 | 华盛顿大学 | 36 |
| 8 | 滑铁卢大学 | 35 |
| 8 | 康奈尔大学 | 35 |
| 10 | 牛津 | 33 |
| 11 | 普林斯顿 | 32 |
斯坦福、伯克利、MIT、CMU 四所合计约占工程组织四分之一。
8. 职级结构（被刻意压平）
- 80% 的人共用同一个职位头衔：Member of Technical Staff（MoTS）
- 前 Instagram CTO、前 Adept 创始人、斯坦福教授，在 Anthropic 都只是 MoTS
- 员工的资历、具体职能和层级不直接通过头衔体现
9. 薪酬水平（开放岗位）
招聘网站当前开放的软件工程师相关岗位（部分举例）：
- AI 研究与工程：67 个
- 应用 AI：33 个
- 计算方向：约 12 个
- 工程与设计-产品：25 个
- 安全防护：15 个
- 销售：67 个
关键岗位薪酬：
| 岗位 | 年薪（美元） | 备注 |
|---|---|---|
| Claude Code 模型性能软件工程师（Staff） | 40.5 - 48.5 万 | |
| Claude Code 系统软件工程师 | 32 - 48.5 万 | 系统底层 |
| TPU Kernel Engineer | 28 - 85 万 | 招聘网页最高薪，旧金山/纽约/西雅图 |
| 高级基础设施工程师（集群，伦敦） | 32.5 - 48.5 万英镑 | 约 43.9 - 65.5 万美元 |
| 数据中心 OFE 战略寻源负责人 | 29 - 36.5 万 | |
| 网络安全产品工程经理 | 40.5 - 48.5 万 | |
| 事件响应经理（产品与工程） | 29 - 36.5 万 |
- TPU Kernel Engineer 涉及低延迟高吞吐采样、低精度推理、自定义 collective communication、assembly 级 kernel 调优
- 算力规模"几乎比任何公司都快"的速度扩张
10. 结论：不是"博士实验室"，而是 infra 工程军团
- 产品化阶段：已不是单纯"模型实验室"，进入产品化、商业化、基础设施规模化扩张阶段
- infra 重于研究：40% 工程师做 infra，RL 背景仅 3.3%
- 大厂老兵为主：12 年经验中位数、Google 系最大来源、FAANG 占一半
- 学历相对扁平：13.7% 博士，绝大多数是本硕工程老兵
- 职级刻意压平：80% 都是 MoTS
- 薪酬极度倾斜 infra：TPU Kernel / 集群基础设施年薪上限 65-85 万美元
11. 行业背景：软件工程师就业市场
整体市场趋势（The Pragmatic Engineer《2026 年软件工程师就业市场状况》）：
- 顶级科技公司软件工程师招聘正在恢复
- 美国和英国岗位数量上升
- 部分高薪科技公司软件工程岗位较一年前增长约 20%
- 岗位发布数量同比增长约 11%
- 自 2023 年 3 月以来，顶级科技公司开放的软件工程岗位数量持续攀升
Big Tech 内部趋势差异（过去两年软件工程师人数变化）：
- Apple：+10%
- Google：+5%
- Microsoft：-1.1%
- Amazon：-1.3%
- Meta：+约 20%（但随后又裁员，"过山车式"特征）
BLS 长期预测：
- 2024-2034 年软件开发、QA、测试岗位增长 15%（高于全美平均 3%）
- 软件开发者单独预计增长 16%
- 未来十年该类岗位平均每年约 12.92 万个职位空缺
AI 工程岗位新增长点：
- 多数科技公司把 AI 工程招聘置于普通软件工程招聘之前
- 大型科技公司 AI 工程职位数量比一年前增加 50% - 100%
- 关键问题：AI 工程是否正在把 AI 能力变成软件工程候选人的基础技能
值得警惕的"岗位断裂"：
- Stanford Digital Economy Lab 研究指出，AI 暴露度高的职业中早期阶段员工就业明显下降
- 软件开发和客服岗位受冲击更明显
- 经济总体就业仍在增长，但年轻员工就业增长已停滞
- "软件工程师的岗位薪资可能会变得更高，但岗位数量会更稀缺；你必须成为顶尖程序员，未来可能不再有初级或中级程序员岗位"
12. 专家建议
- 资深独立咨询师、AI Coding 资深实践者张汉东：
- 一定要跟上 AI 发展，持续关注最前沿动态并基于信息判断趋势
- 掌握当前最好的 AI 工具，建立属于自己的 AI 工作流和学习路径
- 顺利衔接以 Agent 为主流的发展阶段，知道如何指挥 Agent 工作
- Kreditz AI Orchestrator 马工：年轻人有野心、想做出点东西的，现在反而是最好的时代，亲自动手成本低