Anthropic 招人底牌：1680 份员工履历揭示「基础设施老兵」吃香¶
Ch11.001 Anthropic 招人底牌：1680 份员工履历揭示「基础设施老兵」吃香¶
📊 Level ⭐ | 12.4KB |
entities/anthropic-hiring-1680-resumes-infrastructure-veterans.md
Anthropic 招人底牌：1680 份员工履历揭示「基础设施老兵」吃香¶
Source: 原文存档 Original Source: seb@hiiinternet X 上的硬核背景分析 Reporter: 机器之心编辑部
核心反直觉判断¶
大众对头部 AI 大厂普遍存在一种"刻板印象"：一定由顶尖高校博士 + 各大前沿研究论文作者 + 算法天才组成。但实际上不是。Anthropic 这家被外界视为前沿 AI Lab 的公司，真正极度渴求并大规模雇佣的，似乎并不是理论派的「研究员」，而是有能力在产业界落地大规模生产系统的「构建者」。
数据来源¶
| 步骤 | 数量 |
|---|---|
| LinkedIn 上把 Anthropic 列为当前雇主的人 | 5,306 |
| 真正属于工程岗位的人 | 1,680 |
| 分析的过往岗位描述信息 | 7,986 |
方法：抓取所有 LinkedIn 资料里把 Anthropic 列为当前雇主的人 → 筛出工程岗位 → 分析过往岗位描述。
7 大反直觉特征¶
特征 1：闪电式扩张，18 个月建成「超级战舰」¶
- 2021 年前加入且仍在职的工程师：仅 15 人
- 2025 年新招：686 人
- 2026 年截至 6 月已招：455 人
- 当前工程团队里一半人任职时间不到 1 年
- 过去 12 个月加入的人占 53%
- 员工任职时间中位数 10 个月
这是一个差不多在 18 个月内搭起来的庞大工程组织，「几乎是一夜之间把组织规模做起来的」。
特征 2：「极度排斥」小白，更偏好「资深工程师」¶
- 工程经验中位数：12.2 年
- 中间 50% 的人经验集中在 8.8 - 16.5 年
- 13 年以上行业深耕经验的工程师占比 44%
- 1,680 人里，工作经验少于 3 年的只有 50 人
- 应届生招聘基本不存在
典型新员工画像：12 年工作经验 + 加入公司才 10 个月。
Anthropic 几乎完全拒绝了传统意义上的初级工程师，所看中的是已经在残酷的商业战场上证明过自己、能够「拿来即用」的资深开发者。
特征 3：更偏好「基础设施」，而非「研究」¶
40% 的 Anthropic 员工背景中出现了基础设施相关经历： - 后端 ~20% / 分布式系统 ~20% / 数据库 ~20% / 安全 ~20% - 强化学习背景仅占 3.3%
自述技能标签： | 技能 | 人数 | |---|---| | Python | 585 | | Java | 566 | | C++ | 443 | | JavaScript | 376 | | SQL | 302 | | Linux | 230 | | 分布式系统 | 189 |
Anthropic 工程团队的日常核心工作，并不是坐在白板前推导前沿算法，而是在超大规模分布式架构下，死磕数据吞吐、计算稳定性与系统容错。
特征 4：最大人才输送来源不是 AI 实验室，而是 Google¶
| 排名 | 前雇主 |
|---|---|
| #1（遥遥领先） | |
| #2-#3 | OpenAI / DeepMind（只是"中间两根较小的柱子"） |
| 其他大来源 | Stripe / Databricks / Snowflake / Palantir |
- 94 名工程师直接从前沿 AI 实验室跳到 Anthropic（OpenAI 前五大 / DeepMind 前六）
- Anthropic 更倾向于去传统科技巨头那里「挖」具备极高工程严谨性的系统级工程师
特征 5：击碎「博士神话」¶
- 真正持有博士学位的仅占 13.7%
- 每 7 个人里才有一个博士
- 绝大多数搞定生产系统的，依然是手握学士或硕士学位的资深工程师
专业背景分布： - 计算机科学 (CS)：819 人 - 数学：78 / 物理：70 / 计算机工程：69 - 哲学：13 人（挤进前 20，与 AI 安全方向相关）
特征 6：「斯坦福」是最主要学校人才来源 + MoTS 去科层化¶
| 学校 | 人数 |
|---|---|
| Stanford | 144 |
| UC Berkeley / MIT / CMU | （前 4 校合计约工程组织的 1/4） |
MoTS（Member of Technical Staff）去科层化： - 全公司 80% 的工程师共享同一个职位头衔 MoTS - 无论是前 Instagram CTO、Adept 明星创始人，还是斯坦福学术大牛，都共享「MoTS」标签 - 通过这种有意的职级隐形，Anthropic 从一定程度上消除了大企业内部的办公室政治与官僚作风
特征 7：唯一的高门槛「新人」入口¶
前面提到 Anthropic 基本上对新人关闭大门，但仍有 172 名经验不足 6 年（其中 50 人经验不足 3 年）的「年轻例外」。
三大硬核通道： | 通道 | 占比 | 门槛 | |---|---|---| | 顶级实习渠道 | 50% | 曾在 Meta / Google / DeepMind / 顶级量化机构实习 | | 量化交易流向 AI 实验室 | 9% | Jane Street / Two Sigma / Citadel；IOI 银牌 + Codeforces 2900+ | | 对齐方向 fellowship | 6% | MATS / SERI / Redwood / ARC |
最典型新人画像：MIT 背景 + IOI 银牌 + Codeforces 2900+ + 工作 4 年 → 直接进入强化学习和安全方向。
对行业的启示¶
如果你想以工程师身份加入 Anthropic，就别再把简历写成投递研究实验室的样子，而要把它写成投基础设施公司的样子，以展示你真正构建并扩展过的系统，这才是会被 Anthropic 录用的简历。
关键判断： - 早期职业阶段是唯一例外（门槛是顶级实习/竞赛排名/论文） - 如果正在和 Anthropic 抢人，要盯住的目标不是博士或某个 AI 实验室，而是来自超大规模云厂商或基础设施公司、拥有 12 年经验的资深构建者（Stripe / Databricks / Snowflake / Palantir 等）
战略含义¶
- AI 顶尖 Lab 实际是"基础设施驱动"而非"研究驱动" — 1,680 人里 40% 基础设施 vs 仅 3.3% 强化学习
- 博士比例低 (13.7%) — 与外界"全员博士"传闻相反；构建大规模生产系统的工程能力 > 学术研究能力
- 工程经验中位 12.2 年 — 几乎不招新人，应届生基本不存在；这是"拿来即用"的人才战略
- Google 而非 OpenAI/DeepMind 是最大人才源 — 颠覆业界"AI 实验室互相挖研究员"叙事
- MoTS 去科层化 — 用单一职级消除办公室政治与官僚作风；与Harness Engineering"减少人工翻译/人工兜底"的组织哲学一致
- 唯一新人入口靠竞赛/fellowship — IOI 银牌 + Codeforces 2900+ 或对齐 fellowship；与Anthropic AI 原生创业手册的人才理念互补
相关实体¶
- Anthropic AI 原生创业手册（同公司同主题的人才战略另一视角）
- Claude Code 招聘工程师（不同主题：用 Claude Code 辅助招聘 vs 本文 Anthropic 招什么样的人）
- Harness Engineering 综述（相关：构建大规模生产系统的工程能力）
- Harness 架构（相关：Anthropic 40% 基础设施背景与 Harness 实践的组织基础）
→ 原文存档