Anthropic 内部的 Labs 团队只有约 20 人，却先后做出了 Claude Code、Model Context Protocol（MCP）和 Claude Design。按照 Anthropic 联合创始人、Labs 负责人 Ben Mann 的说法，这支团队的多数尝试原本就应当被允许失败。
据 Business Insider 报道，Labs 大约每两周会审视一次手头的产品原型，判断是继续推进，还是调整方向。缺乏前景的想法会被终止，或者并入其他项目；真正跑通的产品，则会从 Labs「毕业」，交给独立团队继续发展。
Mann 给出的想法成功率只有 20% 至 30%。但这并不意味着其余工作都被废弃。部分没有独立成形的探索，会被吸收到其他原型或现有产品中。对 Labs 来说，重点不是让每个尝试都走到最后，而是接受大量试错，把资源留给少数值得持续投入的方向。
随着 Anthropic 推进商业化，这套机制的重要性也在上升。Business Insider 报道称，公司正在为上市做准备。在这一背景下，如何把前沿模型能力变成用户愿意持续使用的产品，成了 Labs 需要继续回答的问题。
像创业孵化器一样运作的 Labs
Mann 在采访中回忆，几年前他甚至需要说服公司开始发布产品。当时团队讨论过一个更基础的问题：公司是否能够依靠慈善性质的资金支持，持续推进先进 AI 研究。
到 2024 年，Mann 创建了 Labs，为新产品想法留出自由探索空间。此后，这支团队陆续孵化出 Claude Code、连接 AI 智能体与外部数据及工具的 MCP，以及今年推出的 Claude Design。Instagram 联合创始人 Mike Krieger 等人也参与了这项工作。
Mann 将 Labs 形容为一家真正意义上的「创业孵化器」。他提到，这种组织方式并非没有参照。贝尔实验室、谷歌内部孵化项目 Area 120，以及谷歌 X，都提供过类似思路：由专门团队探索不确定性较高的方向，等项目成熟后再逐步独立。
Labs 的差异，更体现在它与模型研究之间的距离。前沿模型的能力持续变化，一项产品今天可能还不够实用，下一轮模型升级后却可能跨过可用门槛。如果产品团队能提前知道哪些能力正在改善，就能更早判断什么值得做、什么可以开始试。
Claude Code如何从研究信号走向产品
Claude Code 正是在这种条件下出现的。Mann 介绍，在 2024 年末正式启动相关开发之前，研究人员已经向他的团队透露，新模型在智能体编程方面展现出了潜力。这个信号意味着，围绕编程构建产品时，可以尝试让模型承担更多实际操作。
Mann 随后把这个方向交给刚加入公司的 Boris Cherny。Cherny 最初提出的是一个代码分析工具，但 Mann 认为这个想法的规模还不够大。他在采访中表示，新员工尤其需要把目标定得更高，因为智能体究竟能做到什么，当时仍有很多未知。
这也对应着 AI 产品开发中的一个实际难题：如果总是按已经熟悉的能力设计产品，就可能低估模型接下来能够承担的任务范围。
Cherny 此后做出的原型在 Anthropic 内部受到欢迎。到 2025 年 2 月，Anthropic 将 Claude Code 作为预览版推出。该产品利用底层模型编写、编辑和运行代码，后续的模型升级又持续推动了它的发展。如今，Claude Code 已成为 Anthropic 增长的重要推动力之一，Cherny 也在负责这一产品。
两周一次评估，允许大部分想法止步原型
回看 Claude Code 的形成过程，Labs 的优势并不来自某一个孤立创意，而是来自几个环节之间更紧密的衔接：研究团队先发现能力变化，产品团队据此搭建原型，内部使用验证需求，后续模型进步再继续改善体验。衔接越紧，产品越有机会及时抓住技术进展。
不过，能提前看到能力变化，不代表每个想法都值得长期投入。Labs 大约每两周会对项目做一次「坚持还是转向」的评估。这个周期用于检查方向，并不意味着所有产品都必须在两周内做完。
如果某个想法表现不佳，团队可以直接终止，也可以把其中有价值的部分并入其他探索。参与成员随后会转向新的任务。Mann 提到，有些尝试最终被整合进了 Claude 的 Chrome 扩展等产品。
因此，20% 至 30% 的成功率，并不能简单理解为剩余 70% 至 80% 的工作毫无价值。一个原型没有成长为独立产品，仍可能留下可复用的功能、技术经验，或对需求的判断。
Labs 还有另一条关键规则：当项目团队规模通常超过 4 人时，就会从 Labs「毕业」。Claude Code 和 Claude Design 都是以这种方式转入公司内部独立团队。Labs 因此得以维持较小规模，继续探索下一批方向。这也解释了为什么它始终是一支人员流动较频繁的团队：项目成熟后，一部分成员会随项目离开，Labs 再补充新成员，进入新的尝试周期。
研究与产品之间的双向反馈
已经验证的项目需要更多工程投入和长期维护，而小团队需要保留调整方向的空间。让成熟项目及时独立，能避免 Labs 被日常运营完全占满。
这种机制也有管理成本。人员持续变化，新成员需要快速理解研究进展，团队还要不断重建协作关系。两周一次的评估是否有效，也取决于团队对原型表现的判断质量。
从 Mann 的描述看，Labs 与研究团队之间的交流是双向展开的。产品开发者利用新模型寻找机会，实际任务中暴露出的缺口，又会推动研究人员关注新的能力方向。
Mann 将 Labs 的一项目标概括为扩大 AI 的「行动空间」，也就是让更强的模型能够在现实世界中完成更多任务。这个目标落到产品层面，就是让模型在编程中操作代码，在设计中生成更合适的视觉结果，在跨语言场景中理解更多用户表达。产品能否成立，也会暴露出模型仍需补齐的能力。
商业化推进后，生态关系变得更复杂
随着这些产品进入更多市场，Anthropic 面对的商业关系也会更复杂。Forrester 分析师 Mike Gualtieri 对 Business Insider 表示，Anthropic 推出的工具，可能会直接与企业客户已经使用的软件发生竞争。Claude Design 就是一个例子，它已经进入 Adobe、Figma 所在的设计软件领域。
这带来一层持续存在的张力：Anthropic 一方面向开发者和企业提供模型能力，另一方面也在基于这些能力构建自己的产品。平台增加的功能越多，与其他软件产品发生重叠的可能性就越高。
对用户来说，更多内置能力可能减少工具切换；对生态伙伴来说，则需要重新判断自身产品还能提供哪些差异化价值。Anthropic 如何平衡这两端，将影响其平台吸引力。
如果公司未来完成上市，Labs 还需要在更明确的经营目标下，为高不确定性的探索继续留出空间。仅凭这篇报道，无法判断其上市时间，也无法预先确定上市后会如何调整研发投入。
从办公与开发工具走向更广泛的现实应用
按 Mann 的设想，Labs 的方向并不会停留在办公与开发工具。他希望团队未来还能参与生物研究、清洁能源存储以及其他现实应用中的突破，并认为加速基础科学研究，将帮助 AI 为更多人带来实际收益。
这些目前仍停留在愿景层面，距离可验证成果还有很长距离。但它们延续了 Labs 已经采用的工作方式：观察能力边界，寻找值得解决的问题，再通过原型检验想法。
Claude Code 已经证明，其中一条路径可以走通。接下来，Labs 面临的考验，是在不断变化的模型能力与用户需求之间，继续找到值得投入的下一项任务。对于这支约 20 人的团队，关键或许从来都不是让每个项目成功，而是能否及时停止前景有限的尝试，并把资源交给真正有潜力的产品。