AI 是如何重塑 Anthropic 内部的工作与就业的？作为一家处在 AI 应用最前沿的公司，Anthropic 可以成为一个先行指标，预示 AI 将如何改变整个经济体的工作组织方式、招聘与劳动力需求。
核心发现：
在 AI 能力越来越强的背景下，工作和就业会发生什么样的转变？Anthropic 值得研究，因为它已经把自己的工作流程彻底围绕 AI 塑造了一遍。agent 穿梭于 Slack 聊天和会议日程之间；它们自主修复 bug、集体攻坚大型工程项目。agent 的工时已达到人类工时的 6 倍。Anthropic 此刻正在发生的变化，为一种可能的未来工作与就业形态提供了提前的信号。
本报告基于全面的 Anthropic 内部数据，涵盖雇佣、AI 使用、产出指标、员工调查、内部沟通模式、员工日历数据和招聘决策记录，并用 17 位员工的访谈为这些量化数据提供背景。
我们发现：即便公司整体在增长，初级技术岗位的相对招聘已经放缓。工程师和非技术员工的生产率都大幅跃升，而且都是在他们采用编程 agent 之后急剧发生的。招聘经理越来越强调候选人的自主性与判断力，而不是特定的技术专长。在 AI 重度组织里工作的一个标志性特征，是一种持续存在的压力——只要有可能，就要把自己从这个瓶颈位置上「精简」出去。一位工程师把自己的工作状态描述为面对「一支 Claude 大军，每一个都在索要我的注意力」。Anthropic 的员工依然至关重要，但他们贡献的性质已经变了。
Anthropic 对这些变化的回应是：建立一个预警系统来追踪有被颠覆风险的岗位；随着岗位演变，公司优先进行内部转岗。这些在 AI 发展与职场变迁双重前沿上采取的行动表明，具体的组织承诺可以如何塑造 AI 对就业的冲击。但它们也引出了困难的问题：这些承诺到底应该是什么。
Anthropic 扩张得很快。但按每一美元收入计算，它雇的人比上一代大型科技公司要少。成立五年时，Anthropic 的人均收入达到 Meta 和 Google 在各自高速增长巅峰期的 2 到 4 倍。1
缺的是哪些岗位？在 Anthropic 内部，关于初级技术员工需求下降的讨论于 2026 年 1 月在核心技术职能部门出现。那些自身工作最依赖 Claude 的团队发现，写代码、找 bug 的工作越来越多地可以卸载给 Claude。新模型的能力跃升加速了这种认知：「特别让人吃惊的是性能工程师那部分的提升，它基本上是一夜之间改变了我们在招什么人。」
到 4 月，工程与研究团队已经降低了对较低职级技术岗位的招聘优先级。在同月的一项调查中，多数管理者表示因为 AI 而在为另一套技能招聘。约三分之一的机器学习（ML）管理者和五分之一的软件工程（SWE）管理者报告因 AI 而减少了招聘。
雇佣份额的变化是惊人的。图 1 显示，自 2025 年初以来，Anthropic 技术部门中初级员工的占比从 21% 滑落到 14%。初级技术新招人员占比下降得更快，从 27% 跌至 9%。初级岗位的招聘启事自 2025 年 12 月以来减少得尤其急剧。
与此同时，技术部门在 Anthropic 整体雇佣中的份额也在过去一年里从 61% 下降到 56%。随着公司扩张，技术招聘的绝对数量仍在增长，但销售、财务和招聘职能的高强度扩编跑得更快。这部分转变是公司规模化过程中业务职能的自然扩张；另一部分可能反映出编程工具正让非技术员工能够自己造软件。例如，一位销售代表为自己的工作设计了一个定制看板和流水线：「这样的东西本来超出我的能力范围，尤其是 UI、连接所有工具、MCP 这些。但我大概只用了三四个小时就把它搭出来了，就是在上面不断迭代。」非技术员工（定义为基线期无代码提交的员工，新员工除外）的编程类 AI agent 会话次数，从 2025 年 8 月的每月 2 次跃升到 2026 年 5 月的 90 次。
然而，招聘结构的变化并不只是「编程被自动化、从而向其他领域专家扩散」这一个故事。在技术部门内部，「不活跃写代码的员工」（定义为过去 30 天内没有任何代码提交）占比到 2026 年 4 月为止的一年里下降了近一半。部分原因是非工程师占比变薄：例如工程师对产品经理的比例约为 17 比 1，且自 2025 年以来还在上升。管理者提交代码的数量也翻了一番。技术团队里的监督与协调角色，越来越多地涉及构建和上线代码。
非技术招聘没有加速的一个领域，是通常随公司规模而扩张的行政职能。agent 助理、自动化审批和工单服务外包的组合，让 Anthropic 在快速成长的同时保持了「轻文书」。一位财务经理搭建了一个采购申请审核 agent，并向同事解释说：「它就是想把那些耗费大量工时的事情找出来，好让人们专注在其他事情上。」
即便是与线下互动紧密绑定的文书工作，增长也很缓慢。一位行政助理为自己的日程和邮件分诊搭建了一个私人助理 agent，她解释说：「我认为我们已经越过了那个节点——Claude 把真正入门级的行政岗位增强到消失的节点。」她转而把自己的工作聚焦在更高阶的「幕僚长」（chief of staff）式任务上。
这些变化已经伴随着人员再配置：在 Anthropic 工作满一年的员工，2026 年每月跨部门流动的可能性比 2025 年高出 50%。整支团队也随着工作移交给 agent 而被重新调配。以一支产品设计团队为例——他们负责撰写 Claude.ai 上的欢迎语之类的内容（「你好呀，夜猫子！」「来杯咖啡配 Claude？」）。2026 年春，该团队开发出一个上下文图谱（context graph），有效地引导 agent 写出打动人的产品文案。团队经理解释说，这「把团队规模外化了」，但也带来了一个问题：留给人类写作者的是什么。随后这支团队转向 agent 提示工程，开始为 Claude 写模型评测（eval）和提示词。「过去用语言驱动人类行为的写作者，现在用语言驱动 Claude 的行为。」
这些变化可以归因于 AI 吗？在 Anthropic，人类是不断壮大的 AI agent 军团之上的一层薄层。根据 agent 会话遥测数据，2026 年 3 月，自主式与交互式 agent 的工作时长之和首次超过了人类工作时长。部分原因是一支支 agent 舰队在开展工业级的软件工程——填补海量的例行测试与检查、维护不断增长的基础设施代码、发起大规模代码库翻译的协同行动。但即便把范围收窄到由单个员工部署的 agent（如图 2 所示），到 8 月，agent 的工作时长也达到了它们的人类「主人」的 6 倍。
Anthropic 是一家软件生产公司，流经这些 agent 的绝大部分 token 都花在生产软件代码上。公司用看板监控着跨部门运行的 agent 舰队。但私人助理 agent 也在监控员工的日历和消息：安排日程、把从收到的消息里累积的待办清单发出来、在员工即将参会前自动简报与会者和会议目的。token 正在触及越来越多的日常工作任务。
这些 token 最终变成了什么？图 3 描绘了一系列产出可度量的职能随时间的产出变化。与此前调查 Anthropic 工程师、描述模型训练与研究自动化的报告一致，人均代码提交量上升最快，达到 6 个月前的 5 倍。数据科学家也在更多地查询 Anthropic 不断增长的数据体量，让 Claude agent 把实时指标送到看板和决策者面前。但图 3 显示，随着编程 agent 的扩散，连非技术员工的产出也在上升：法务处理了更多合同；应付账款推进了更多发票；销售成交了更多订单。
但这一切都是因为用 Claude 吗？同一时期，公司业务在爆发式增长。当你卖的是一个强大的模型时，成交本来就更容易。为了评估 AI 的独立效应，我们比较采用了 agent 式编程工具的员工与尚未采用者的产出。这让我们可以比较同一个月里在同一家公司工作、因而暴露于相似业务环境、但用不同工具应对的员工。但要注意，工具采用并非随机：比如，如果即将主导某个大型新项目的员工决定为此配齐工具，这会让我们的估计产生偏差。
我们追踪了 192 名工程师随时间采用编程 agent 的过程，并与研究期内未采用 agent 的 74 名工程师作对比。图 4 显示，在采用后的几个月里，工程师新增的代码量急剧上升。但代码更多不一定意味着代码更好或有业务影响。为了检验是否存在「AI 代码垃圾」，我们研究了 Anthropic 的代码提交：把同一名员工、在同一个月、同一个代码目录下的提交拿来对比，区别只在于代码是编程 agent 写的、还是该员工本人直接写的。代码质量有很多维度，而且 AI 的错误可能比人的错误更难识别。但我们发现，两类代码随后被删除或回滚的比例没有差异。
图 4 还考察了工程师采用第一个全自主 agent 之后发生了什么。采用者在采用之前就相对未采用者处于陡峭的上升轨道上。这表明，转向全自主 agent 的员工本来就在加大自己的产出。
这些模式会不会超出编程，扩展为知识工作的整体转型？Anthropic 的销售代表自去年 9 月起稳步采用 AI agent。图 4 显示，销售代表采用 agent 后，成交的客户更多了。这一模式部分可能是拥有更多销售机会的代表主动选择了自动化；但它也可能反映了记录录入和例行沟通的自动化。一位客户经理（AE）解释说，Claude 自动化负责了邮件起草和客户管理软件的集成对接，取代了他此前约 20% 的工作任务。另一位销售提到，类似的自动化把他们解放出来专注于面对面时间，让他们能比以前多见 30% 的客户：「任何时候你第二遍做同一件事，你就会想：好，我怎么能用 Claude 让自己不用做第三遍？」
销售之外，Anthropic 的一位律师搭建了一系列 Claude 自动化，用来扫描风险与机会、对法律问题做分诊、并对面向公众的文案做法律审查的初筛。一位招聘专员用 Claude 帮忙做候选人搜寻、追踪申请，以及一项原本「大概要花好几周」的分析，从而腾出手来重新设计过时的面试题、见更多应聘者。
这一切都表明，随着 AI 能力的提升，它正在影响 Anthropic 内部广泛的工作岗位。描述性地看，在那些用 Claude 处理最复杂任务的岗位上，初级雇佣的增速在放缓（图 5）。
重度的 AI 应用所重塑的不只是雇佣和生产率。它还推动工作流程持续变化，催生新任务，并改变员工对自己职场的感受。一位员工把这种感觉描述为「在 Anthropic 有一种永恒的压力：要用最快的速度推进，所有事情都用 Claude 做」；另一位说「我们期望一周内搞定的事，在别处要花三个月」。一项内部员工调查询问受访者：Anthropic 的工作流程是否让你发挥出了最大生产率？2024 年底有 44% 的员工认同；到 2025 年 11 月为 58%（2026 年 4 月有 75% 回答「是」，但该问题被弱化了，删去了「最大」二字）。截至 8 月，Anthropic 员工预期到 2030 年 AI 将能够完成他们工作的 75%，而其他美国人的这一预期只有 28%。
这些不断抬高的生产率预期，被内部模型发布的节奏进一步戏剧化了。新模型一上线，Anthropic 员工就开始在交互式编程 agent 会话里挑战更难的问题。我们用一台自动化的 Claude 评分器，基于深度、范围和牵涉系统的数量，对去标识化会话的任务难度进行评级来度量这一点：超过旧模型难度第 90 百分位的任务份额在模型发布后急剧上升约 30%（从全部任务的 10% 升至 13%），并在发布后的数周内保持高位。交给 agent 的任务中简单一端的变化不大。
agent 生产率的螺旋式上升，最终转化为铺满人类屏幕与注意力的产出。一位工程师把这比作带娃：
「它们就像在说：我要开我的果汁盒，我的果汁盒打不开是紧急事件。而且它们说这话时的急切程度，跟那个割破了手、正在流血的孩子一模一样。……当你带孩子的时候，每个孩子向你提出的诉求都同等强烈地索要你的注意力——各种各样的 Claude 也是这样。」
在 2026 年 4 月的调查中，一道关于 AI 如何影响日常工作的开放式问题下，27% 的回答描述了 Claude 工具带来的生产率提升，20% 描述自己的角色从「实际动手做事」转向了「管理一群 Claude」。
在这种模型驱动的加速之中，人类注意力是一个恒定的瓶颈。在交互式、多轮的会话里，agent 的绝大部分会话时间根本不是在工作，而是在等待。我们追踪空闲时间的方法是：从每个交互式会话的总挂钟时间里，减去每个 agent 的活跃工作时间。Claude 会话大约有 80% 的时间在闲置等待人类输入。正如一位工程师所说，是人在「卡住 agent 的脖子」（bottlenecking the agents）。
到底需要多少时间才能读完交互式会话里 Claude 的全部产出？对每个交互式会话，我们按平均人类阅读速度，把会话的 agent 输出 token 换算成字数。图 6 显示，技术职能部门在过去 6 个月里经历了编程 agent 产出的飞跃。但即便对非技术群体，交互式 Claude 会话的产出量也足以占掉半个多工作周。Claude 文本的洪流需要被组织。
应对洪流的一个办法是更多的自动化。但这需要另一种类型的工作。写给 agent 的常设书面指令从 2025 年 7 月的几百条增长到一年后的 8500 条。一位工程师设立了一个「agent 幕僚长」来给 agent 请求分诊。另一位给自己团队里的 Claude 写了绩效评估：「嘿，我们来聊聊我们的沟通方式里哪些有效、哪些没效吧。」招聘团队搭了集成看板，agent 在上面把问题浮现出来并发起行动。一位律师把注意力从审查法律问题转向了做「法律建议的 SEO——你需要写出能让（客户的）agent 发现的框架」。
图 7 显示，这类元工作从 2025 年秋占普通员工交互式 Claude 会话的 10%，跃升至 2026 年春的 22%。这一上升很大程度上专门来自 agent 管理：为多 agent 运行写规格说明、让一个 agent 循环审查另一个 agent 的产出、监控流水线。在各个职能里，人类的参与越来越从「某段具体的代码或文案」抽象到「让 agent 有效完成任务所需的工具体系」。
尽管 agent 可靠性在提升、人类也在监督工具上做了大量投入，人类的信任与问责依然关键。一位员工解释说，越来越常见的情况是，追查 bug 的过程「会揭开那些组织层面、系统层面或技术债层面的问题，而这些问题实际上需要一定量的人类召集、决策和治理才能解决」。在一次又一次访谈中，员工们都说面对面的协调不可或缺。基于日历数据，中位数员工花在会议上的时间比一年前多了 20%。部分原因是公司规模的增长，以及向会议密集的非技术岗位的转型。但即便在技术岗的个人贡献者（IC）当中，会议时间过去一年也增加了 16%。宏观的战略问题触及大范围的高杠杆位置，通常需要辩论和与他人的互动。从管理 agent 中抽身出来喘口气，通常的样子就是跳进一个会。
总体而言，技术岗和非技术岗都看到自己工作中的「执行实施」部分被自动化（写代码、找 bug、记录进展、起草邮件）。工程师描述自己成为了 agent 的领导和管理者；非技术员工描述自己越来越多地做自己工作中的战略部分：「原来那 20% 的战略部分，变成了工作的 90%。」但对许多非技术岗位来说，核心的实施工作本质上也是人与人的：一通销售电话、一场面试、就一个复杂问题做跨部门对齐。这一切依然由人来完成。
再想想那些既是 Anthropic 沟通「头版」又是「暗渠」的 Slack 频道。agent 在 Slack 里扩散，最终出现在近一半的活跃公共频道中。图 8 放大了一家大型部门的通信网络，数据来自该部门成员互动过的所有公开 Slack 频道，把人类与 agent 参与者按「是否参与同一 Slack 线程」连边。这张图展示了 agent 引人注目的崛起——橙点绽放并支配了网络。
agent 不成比例地出现在 Claude-人类交互的专属频道里，而不是大量涌入既有的人类频道。人类通信的底层结构和密度几乎没有变化。agent 没有取代人类互动，而是在其上叠加：该部门的人类线程维持了同样数量的人类回复，同时额外叠加了 agent 的回复。agent 成了单个员工的「整支团队」，而不是同时连接许多员工的高连接度节点。
当人类在一支不断壮大的 AI agent 舰队中工作时，他们面临着把人类工作转入「agent 可见渠道」的压力。如果一个决定是在线下会议上做出的，而没有出现任何记录或汇报，agent 就缺失了更新其目标与假设的关键上下文。一位员工解释说，自己的名字挂在一份几个月前关于 Claude 周边商品的文档上，结果在他职责早已变更之后很久，agent 还在不停地给他送来 T 恤和马克杯的申请。在 AI 重度职场里，未记录的会议和私信中的「私下工作」是不可见的、令人困惑的、不被鼓励的。一位研究者把这种默认开放描述为 Anthropic 能把 AI 彻底整合进公司的关键：「大多数组织不是这样运转的，我认为这是一个巨大的转变——因为领导者必须当众为反馈辩护。」喂养 AI 上下文的需要，要求人类的工作和决策具备可观测性。
什么样的人能在这样的职场里如鱼得水？Anthropic 工作内容的变化，也体现为招聘经理在招聘决策中优先考量的技能的变化。我们用一台自动编码器处理了 2024 年以来在 Anthropic 受聘的数千名员工的招聘经理面试评分卡。这些评语是面试官评估候选人表现的定性反应。最清晰的变化是：对「候选人是否展现了对 AI 工具的创造性使用」的重视增加了。2024 年，招聘经理在约 5% 的技术岗评估和 7% 的非技术岗评估中提到候选人在 AI 工具上的过往记录；到 2026 年，技术岗的这一比例变为三倍，非技术岗变为四倍。招聘经理越来越关注候选人能否有效使用 AI。
更深层的评估变化也清晰可见。在技术候选人面试中，评语里增幅最大的单一类别是候选人的自主性与判断力。领域专业知识在整体评估中所占的份额在萎缩。正如一位经理解释的：「我预期模型会继续是参差不齐的（jagged），所以对我的团队，我希望他们能跨领域通用。」类似地，对非技术候选人，客户导向与使命导向的讨论增加，而执行技能的讨论减少。招聘经理越来越基于判断力和投入度来评估候选人，而不是那些已被 AI 工具自动化的领域特定技能和执行能力。
Anthropic 对 AI 的深度采用使它成为一个有用的案例。随着 AI 的扩散和改进，工作的组织方式可能像以往几波技术变革中那样发生迁移。铁路带来了管理层级制公司，蒸汽动力成就了工厂，个人电脑催生了创业公司。那么，会使用工具、能推理的 LLM 将要求什么样的新组织？我们在其中的角色是什么？一种可能性是一人创业公司——每位人类创始人指挥一大群 agent，卷入数十亿收入。另一种是 AI 天才 CEO 建立的公司，雇用人类 agent 只是为了拿移液枪和在国会作证。
Anthropic 看起来都不像这两者。它在过去一年里规模翻了三倍，已不再是一家小创业公司。它也没有把高管控制权让渡给自己的模型。书面的 Slack 辩论和线下会议左右着从公司战略到团队决策的一切，AI agent 几乎没有输入。让人类工作在全公司保持可见，确保自主 agent 从新鲜的上下文出发进行推理。编排 agent 团队的个人贡献者，就其所需的知识和工作中的相互依赖而言，看起来更像管理者。在 AI 密集型组织里，公开地工作和决策至关重要。
随着员工越来越把自己的工作视为「管理 Claude 团队」，他们花更多时间搭建在自己独特领域里有效做到这一点的工具。这种实验意味着员工在不断把自己手上的任务自动化掉。在某些角色中，他们越来越远离最初帮助他们建立技能的对象级工作（object-level work）。当 agent 在工作流中狂奔时，人类的注意力和判断是整个系统奋力对抗的瓶颈。从销售到法务，人类员工被期待做更多、也不同的任务。角色的边界在拓宽：做产品、管 agent、处理仍然超出最强 LLM 能力范围的战略性和人际性工作。
这些工作组织与内容的变化，与初级技术角色在总人数、招聘和职位发布中占比的下降同时出现。招聘经理越来越关注候选人的自主性与判断力，而非执行力和狭窄的专长。总体而言，Anthropic 相对于雇佣增长的收入增长速度，已经超过了上一代科技公司早年的快速生产率增长。
把这些模式向前推演、并向整个经济外推，表明 AI 的扩散可能带来劳动者被替代的风险。此前的研究也发现，AI 原生创业公司和 AI 采用者的组织更扁平，雇用的入门级员工更少。我们能从 Anthropic 身上学到什么——如何管理 AI 的剧变，才能善待围绕它工作的人类？
在这里我们想谨慎行事。Anthropic 雇佣实践的许多部分无法在整个经济体中复制。
但有三个特征值得注意。第一，普遍的持股让员工与公司的成功利益攸关。当然，对于一家估值大幅上涨的公司来说，这是一种容易的姿态。对许多公司而言，共享所有权可能不够、或有其他方面的不合意。但很难想象存在一种「亲劳动者的 AI 采用」——劳动者却不在这场成功推广中持有财务利益。如果个人贡献者被期待去「管理 agent」「做出 VP 级决策」「成为自己的业务线」（受访者的原话），那么让他们的利益与组织保持一致就至关重要。二战后于 1950 年代锻造的工会-资方和解，正是建立在这种交易之上：像全美汽车工人联合会（UAW）和钢铁工人联合会（USW）这样的工会允许资方拥有工作重组（甚至工作强化）的特权，以换取与生产率提升挂钩的加薪和丰厚的福利。无论受 AI 影响的员工与雇主之间将达成什么样的新契约，一个分享采用红利的机制都是必需的。在 Anthropic，工人们把自己的专长固化给机器，看着自己的工作惯例不断被搅动和颠覆，并看到自己工作的很大一部分变成了「速读 AI 协作者的产出」。他们做这一切不是免费的。
第二，Anthropic 正在建立一套持续的预警系统，监控面临 AI 驱动转型的岗位。一系列角色层面的需求与生产率指标，被对照 AI 能力与使用情况来解读。这些汇总指标帮助标记工作正在向哪里转移。预警系统让公司可以着手把受影响的员工重新调配到技能匹配、且短期风险较低的岗位上。随着整个经济体的公司转向更快节奏的工作重组，引导内部员工再配置的有效系统将越来越有价值。AI 进步越快，凡事转向外部劳动力市场去满足每一种新任务需求，就会成为越强的瓶颈。在本报告中，我们观察到了部门间流动性的提高、工作内容的变化，以及员工在旧任务被自动化后转向新任务。建设灵活的内部人员再配置系统，对 AI 密集型组织将至关重要。
这种对内部人员再配置的承诺也带来重要的权衡。运转良好的劳动力市场应当把劳动者转移到他们最具生产率的岗位上——无论那是在现任雇主还是别的雇主那里。对在册员工再配置的承诺，可能让雇主在冒险雇新员工时犹豫。在正常经济条件下，尤其是竞争激烈的环境里，这种承诺可能代价高昂。
但优先再配置，会迫使采用 AI 的公司去思考 AI 如何能为新产品和新市场创造新任务，而不是把 AI 应用导入「替换人类员工以节省人力成本」的窄路。这可以帮助雇主抵制「马马虎虎」（so-so）或「低效」自动化的诱惑——即 AI 或其他技术只是勉强胜过人类劳动者：雇主替换掉了人类劳动者，给被替代者带来收入损失这一巨大社会成本，而生产率收益却微乎其微。
从我们在 Anthropic 观察到的情况看，在密集使用 AI 的同时，新任务和始终属于人类的任务仍然并存。对这些任务未来集合的不确定性，应当让人选择保留一支灵活的员工队伍。正如一位 Anthropic 高管所说：「一支忧心忡忡的员工队伍，不是一支拿出最佳工作的员工队伍。」
这些行动没有一个能阻止强大的 AI 颠覆工作岗位。而且确实，没有一个直接解决本报告记录的初级招聘放缓——对在册员工的雇佣保护，惠及不了那些从一开始就没被雇的人。雇主的私人行动，必须与围绕再培训和收入支持的远见政府政策并行。这样的政策，应当建立在对 AI 可能带来的职场转型规模有一个清晰认识的基础上。
1 Anthropic 的估算来自截至 2026 年 4 月（约成立五年时）的十二个月内部财务与人数记录。Google 和 Meta 的雇佣与收入数字基于各自成立五年时的 10-K 文件（分别为 2003 年和 2009 年）。所有数字均按 2025 年美元折算。
@techreport{wilmers2026employment,
author = {Nathan Wilmers and Regina Catipon and Maxim Massenkoff and Peter McCrory},
title = {How Employment is Changing at Anthropic},
institution = {The Anthropic Institute},
type = {Technical Report},
year = {2026},
month = oct,
url = {https://anthropic.com/research/employment-at-anthropic}
}
我们感谢为本研究抽出时间接受访谈的 Anthropic 员工。感谢 Kate Astbury、Shehzad Bashir、Zoe Blumenfeld、Scott Booth、Henry Brill、Yena Cho、Henry de Valence、Adam Farina、Johannes Hermle、Zoe Hitzig、Hasnain Lakhani、Eva Lyubich、Kerry Persen、Kristina Pham、Sarah Pollack、Hannah Pritchett、Georg Rilinger、Santi Ruiz、Szymon Sacher、Florian Scholz、Meg Tong、Monika Tuchowska、Helen Wang、Kim Withee、Charles Yang 和 Jack Clark 提供的宝贵意见与协助。