最近有一组关于 Anthropic 工程团队的数据很有意思。
根据一份基于公开履历的分析，Anthropic 工程师在加入公司之前的工程经验中位数大约是 12.2 年；中间 50% 的人，经验集中在 8.8 年到 16.5 年之间；拥有 13 年或以上行业经验的人占 44%；在 1680 名工程师里，工作经验少于 3 年的只有 50 人，应届生招聘几乎不存在。
先不讨论这个样本口径是不是完美，它至少揭示了一个非常真实的趋势：
最前沿的大模型公司，正在越来越像一个由资深工程师组成的高压工程组织。
这件事表面看起来很反直觉。
AI 不是已经很强了吗？既然 AI 可以写代码、改代码、跑测试、查文档，那为什么不直接招一个初级工程师，让 AI 辅助他工作，这样不是更省成本？
答案可能恰恰相反。
不是因为 AI 不够强，所以需要资深工程师。
而是因为 AI 太强了，所以更需要有人能判断它强出来的东西到底能不能用。
你不能让一个实习生验收一百个资深工程师的输出
很多人讨论 AI 公司招聘，容易把问题理解成“谁会写代码”。
但在大模型公司里，真正稀缺的往往不是写代码的人，而是能看懂复杂系统后果的人。
如果一个系统里有 100 个资深工程师在高速推进，同时还有大量 AI agent 在生成代码、改配置、跑实验、整理数据、写工具链，那么组织真正的问题不是“产出够不够多”。
真正的问题是：谁来判断这些产出有没有问题？
一个实习生当然可以写代码。
一个新人也可以在 AI 帮助下很快完成一些局部任务。
但你很难让一个实习生去监管和验证一百个资深工程师加一堆 AI 的输出。
甚至先不说验收。
单是和 AI 精确交流，对很多初级工程师来说就已经不容易。
项目里的名词、术语、架构边界、历史包袱、隐含约定，他可能还没来得及建立完整地图。
他不知道该怎么把问题问清楚，也不知道 AI 给出的回答里哪些是真线索，哪些只是听起来像答案。
不是他不肯学。
是他还没见过足够多系统是怎么出事的。
他可能不知道哪里会出问题，不知道哪些看起来正常的指标其实已经危险，不知道一个小小的 infra 改动会不会影响后面一整条 research pipeline，也不知道一个模型行为异常到底是数据问题、训练问题、评测问题，还是部署链路里的某个隐性状态。
没有经历过足够多事故的人，很难知道事故长什么样。
而大模型公司最怕的，恰恰就是那些一开始看起来不像事故的事故。
当然，除了上面的问题以外，大模型公司也有自己的原因，比如试错成本更高。
普通互联网公司也会出 bug。
一个页面错了，可以回滚。
一个功能发坏了，可以灰度。
一个小服务挂了，可以先降级。
但大模型公司的很多错误，成本不是这个量级。
一次失败的训练 run，可能就是数百万美元。
一次安全疏漏，可能变成品牌风险、监管风险，甚至直接改变公司和公众之间的信任关系。
一次 infra 事故，可能让整条 research 线停摆，影响的不是一个按钮、一个页面，而是几十个团队后面的实验节奏。
这就是为什么大模型公司会天然偏好资深工程师。
不是因为他们迷信年龄。
而是因为资深工程师身上有一种很难被简历关键词表达的东西：他们见过系统失控的样子。
他们知道哪里不能省。
他们知道什么时候一个指标好看但不可信。
他们知道一个“只是临时绕一下”的方案，最后可能会长成生产事故。
他们知道什么地方可以快，什么地方绝对不能快。
这些判断，不是 AI 一下子就能补给新人的。
AI 可以告诉你很多答案，但它不能替你拥有事故记忆。
AI 越强，初级岗位反而越难
这里有一个更残酷的变化。
过去新人进入行业，通常是从低风险任务开始的。
改一个小页面。
补一个脚本。
修一个边角 bug。
写一点测试。
整理一点文档。
这些任务看起来不起眼，但它们其实是工程训练的入口。
新人通过这些任务理解代码库，理解协作方式，理解线上系统和本地环境的差别，理解为什么一个小改动也要 review，为什么测试不是形式，为什么上线不是点一下按钮。
但现在，很多这类低风险任务正在被 AI 吃掉。
一个资深工程师带着 AI，可以很快完成过去交给新人练手的一大批工作。
于是公司会问一个非常现实的问题：
既然简单任务 AI 可以做，为什么我要招一个新人来慢慢学？
问题在于，如果所有公司都这样想，新人就没有地方学了。
短期看，这是企业理性。
长期看，这是行业危险。
因为资深工程师不是凭空长出来的。
今天的 12 年经验，来自 12 年前有人愿意给他低风险任务，愿意让他犯小错，愿意让他在真实系统旁边一点点长大。
如果 AI 把这些入口任务全部吞掉，而公司又只愿意招聘已经成熟的人，那么几年之后，行业会发现一个问题：
我们好像还有很多资深工程师。
但下一代资深工程师从哪里来？
为什么竞争越激烈，公司越不愿意培养新人
还有一个原因更现实：时间。
大模型公司的竞争压力太大了。
模型能力在追。
产品形态在追。
算力效率在追。
企业客户在追。
监管和安全也在追。
在这种环境里，培养新人是一件很奢侈的事。
培养意味着有人要带。
有人要 review。
有人要解释上下文。
有人要兜底。
有人要把一个新人犯错的空间压到组织能承受的范围内。
这在平稳行业里是正常成本。
但在大模型公司里，这个成本会被放大。
因为它不是让新人接触一个普通后台系统，而是让新人进入一个高复杂度、高风险、高速度、高不确定性的系统。
这就像你不能把一个刚拿驾照的人，直接放进 F1 维修站，让他在比赛中判断哪颗螺丝可以晚一点拧。
他不是不聪明。
他只是还没有机会建立那种判断。
而公司没有时间等他建立。
社会层面的风险值得思考
所以我不太想简单批评大模型公司“不愿意培养新人”。
站在单个公司的角度，它们的选择很合理。
训练太贵，事故太贵，时间太贵，声誉太贵。
越是前沿公司，越不敢把关键判断交给没有足够经验的人。
这不是道德问题，而是风险管理问题。
但站在社会角度，这件事非常不好。
如果最重要的技术行业越来越不提供新人入口，那么人才会断档。
学校培养出来的人，进不了最前沿的真实系统。
小公司没有资源系统训练新人。
大公司又不愿意承担高风险培养周期。
最后就会出现一个很奇怪的结构：
所有公司都在抢已经成熟的人。
但没有多少公司愿意生产成熟的人。
这就像一个社会所有医院都只招主任医师，却没人愿意让住院医师上手。
短期看，效率很高。
长期看，系统会出问题。
未来需要新的工程学徒制
所以问题不是“要不要招新人”。
真正的问题是：AI 时代，怎样重新设计新人的成长路径？
不能再简单依赖过去那套方式了。
过去是把新人放进真实项目里，让他从小任务开始慢慢学。
但如果真实项目的风险太高，小任务又被 AI 吃掉，那么行业就需要新的训练场。
而且新的学徒制不能只改训练内容，还要改企业和新人之间的约定。
培养新人对公司是真成本。只要求公司承担培养成本，却不解决新人练成之后很快离开的风险，企业自然会更倾向于直接抢成熟工程师。
所以未来可能需要更清晰的合约安排：公司投入系统训练，新人在成熟之后也承诺在公司服务一段时间。
这不一定是简单的束缚，而是把培养成本、成长机会和组织回报重新放到同一张桌子上。
比如：
让新人先做评测、复现、回归测试和 benchmark 分析。
让新人参与内部工具、沙盒环境、非关键路径的 agent workflow。
让新人阅读事故复盘，做风险分类，写检查清单。
让新人跟着资深工程师看 AI 生成的 diff，学习怎么判断一段代码能不能合并。
让新人从“写代码的人”开始，逐渐变成“能验收 AI 输出的人”。
这套路径和过去不一样。
过去培养新人，是让他多写。
现在培养新人，除了让他写，还要让他学会看。
看代码。
看测试。
看指标。
看系统边界。
看风险。
看一个 AI 给出的答案，为什么表面正确但不能上线。
这会成为 AI 时代最重要的工程训练。
最后
Anthropic 这类公司的招聘结构，可能不是一个孤立现象。
它只是提前把 AI 时代的工程矛盾暴露出来了。
当 AI 能力越来越强，组织需要的人不会简单变少。
组织会更需要那些能定义任务、调度 AI、验证结果、承担责任的人。
而这些能力，通常来自长期经验。
所以大模型公司偏好资深工程师，不奇怪。
真正值得担心的是：如果所有人都只要成熟工程师，那么未来就没有人成熟。
AI 可以加速产出。
但人才成长不能完全跳过。
一个行业如果没有新人入口，短期会显得非常高效，长期会变得非常脆弱。
这才是这组数据最值得我们警惕的地方。
它不是在告诉我们：新人没用了。
它是在提醒我们：AI 时代，培养新人的方式必须重做。