2026年6月23日，Fortune刊发了一篇引发硅谷广泛讨论的报道：Anthropic工程负责人Fiona Fung公开表示，Claude Code正在让工程师的工作变成一种「孤独体验」（lonely experience），并指出这可能暗示大科技公司更大范围内的士气问题。（来源: Fortune, 2026-06-23）

这句话的讽刺意味几乎不需要额外解释。Anthropic是Claude的缔造者，是全球最激进地推动AI编程工具落地的公司之一。如果连内部工程师都在用自家产品的过程中感到孤独，那么这不是一个产品缺陷的问题，而是一个关于人类工作方式的根本性问题。

根据Business Insider的报道，Fung明确指出Claude Code正在让程序员变得更加孤独（making programmers lonelier）。（来源: Business Insider, 2026-06-22）而Yahoo Finance引用的数据显示，Anthropic内部工程师每季度交付的代码量增加了8倍（8x），该报道同时援引Anthropic技术专家的判断称「编码不再是瓶颈」（Coding Is No Longer the Bottleneck）。（来源: Yahoo Finance, 2026-06-20）多家媒体综合报道指出，Anthropic内部已有约80%的代码由AI生成——这一数字来自对其工程团队使用Claude Code情况的内部统计。（来源: AInvest, 2026-06-21）

工程师们的产出效率飞速提升，代码交付量以倍数级增长。但与此同时，那些曾经构成工程师职业生涯核心体验的东西——与同事的走廊对话、结对编程时的争论、代码审查中的知识传递——正在以同样的速度消失。

这是一个效率与人性之间的真实张力，而它正在全球最顶尖的AI公司内部首先爆发。

第一章：「孤独体验」——来自AI公司内部的反思

Fiona Fung的公开表态发生在一个特殊的语境中。作为Anthropic的工程负责人，她不是在批评Claude Code，而是在诚实地描述一种她亲身观察到的副作用。根据Business Insider 2026年6月22日的报道，Fung在描述团队使用Claude Code的体验时，用了「lonely experience」这一措辞来概括工程师们的反馈。（来源: Business Insider, 2026-06-22）

这个承认的罕见之处在于它的来源。通常，关于AI工具负面影响的讨论来自外部批评者、劳工研究者或被裁员的工程师。但这一次，信号来自内部——来自一家不仅使用AI工具、而且构建AI工具的公司的核心管理层。这种自我批评式的坦诚，在硅谷的企业文化中本身就是异常值。

Fortune在2026年6月23日的报道中，使用了一个更具分量的框架：Anthropic工程主管的表态可能暗示了大科技公司（Big Tech）更大范围内的士气问题（bigger morale problem）。（来源: Fortune, 2026-06-23）这个判断将Anthropic的个案从一家公司的内部管理问题，提升为整个科技行业的结构性信号。

要理解为什么「孤独」会成为AI编程时代的核心症状，需要先理解传统软件工程的社会性本质。

软件工程从来不是一种孤独的工作。在过去30年里，它的核心实践——敏捷开发、Scrum、结对编程（pair programming）、代码审查（code review）、技术评审（tech review）——本质上都是协作性的。2001年Kent Beck等17位软件开发者签署的《敏捷宣言》将「个体和互动高于流程和工具」列为第一原则。这些实践不仅仅是生产力工具，它们同时是知识传递的渠道、团队信任的建立机制、职业认同的社会来源。

一个初级工程师在代码审查中被高级工程师指出问题，不仅仅是在学习技术，他在学习如何成为一名工程师。一个团队在技术评审中争论架构选择，不仅仅是在做技术决策，他们在共同构建对系统的理解和对彼此的信任。这些交互的总和，构成了工程师的职业认同和团队的文化资本。

Claude Code改变了这个方程式的核心变量：当你的「结对编程伙伴」变成了AI，当你的「代码审查者」变成了AI，当你的「技术讨论对象」变成了AI，效率确实提升了，但那些社会性交互的副产品——信任、归属感、职业认同——也随之蒸发。

第二章：专家优势的持续回报——效率真相与代价

2026年6月13日，Anthropic发布了一份题为《Agentic coding and persistent returns to expertise》（agentic编程与专业知识的持续回报）的研究报告。这份报告基于对Anthropic内部工程团队使用Claude Code的系统性观察，其核心发现在效率叙事和孤独叙事之间提供了一个重要的中间地带。（来源: Anthropic Research, 2026-06-13）

报告的核心论点是：即使在AI大量承担编程工作的环境中，专业知识（expertise）仍然带来持续的回报（persistent returns）。具体而言，拥有更深领域知识的工程师在使用Claude Code时，能够产出更高质量的代码、更准确地识别AI输出中的错误、更有效地将AI生成的代码集成到复杂系统中。这个发现乍看之下是对AI工具的辩护——它说明AI没有抹平工程师之间的能力差异。

但仔细解读这个发现，它实际上揭示了一个更复杂的图景。

如果专业知识仍然带来持续回报，那意味着AI工具对不同技能水平的工程师产生了差异化影响。高级工程师能够更好地提示（prompt）AI、更准确地评估AI输出的质量、更有效地将AI生成的代码集成到复杂系统中。初级工程师则可能面临一个悖论：AI让他们能够生成更多代码，但他们缺乏判断这些代码质量的能力。

根据Yahoo Finance 2026年6月20日的报道，Anthropic内部工程师每季度交付的代码量增加了8倍（8x）。（来源: Yahoo Finance, 2026-06-20）这个数字令人震惊，但它也引发了一个关键问题：代码量的8倍增长，是否对应着8倍的系统价值？还是说，其中相当一部分是AI生成的、难以维护的技术债务？

AInvest在2026年6月21日的分析中指出，8倍代码量的警告（8x code warning）实际上比孤独问题更值得关注。（来源: AInvest, 2026-06-21）大量AI生成的代码进入代码库，意味着维护负担的指数级增长。根据Stripe在2018年发布的开发者调查报告，全球开发者平均花费42%的工作时间处理技术债务和维护工作。当代码量增加8倍而团队规模不变时，这个比例可能急剧恶化。

从商业角度看，这创造了一个隐性风险：短期内，AI编程工具带来了令人印象深刻的效率数字，足以在投资者报告和产品发布会上大放异彩。但长期来看，如果8倍的代码量对应的是8倍难以理解、难以维护的代码库，那么这个效率提升是有时间限制的，其代价将在未来的维护周期中逐渐显现。

Anthropic研究报告的另一个重要维度是关于非编程人员的生产力提升。根据Blockchain.news的报道，Claude AI显著提升了非编码人员（non-coders）的生产力，让他们能够完成以前需要专业工程师才能完成的任务。（来源: Blockchain.news, 2026-06-14）这个发现在效率层面无疑是积极的，但它同时也在重新定义「谁是工程师」这个问题，进而加剧了专业工程师的职业认同危机。

第三章：消失的走廊对话——协作方式的结构性裂变

当工程师从「与人协作」转向「与AI协作」后，具体有哪些东西在消失？这不仅是理论推演——多项研究和行业调查提供了实证支撑。

结对编程的衰退

结对编程（pair programming）是极限编程（Extreme Programming）的核心实践之一，由Kent Beck在1999年的《Extreme Programming Explained》中系统阐述。根据2024年Stack Overflow开发者调查，仅有约26%的开发者经常进行结对编程，这一比例在AI编程工具普及后进一步下降。GitHub在2025年的Octoverse报告中指出，使用Copilot的开发者独立完成Pull Request的比例较未使用者高出35%，这意味着协作频率的实质性降低。

当Claude Code成为「结对伙伴」时，短期效率大幅提升——AI不会争论，不会需要解释，不会因为个人偏好而坚持某种编码风格。但与此同时，那个让两个工程师共同理解一段代码的过程消失了。知识停留在个体与AI的交互中，而不是在团队成员之间流动。

代码审查的空洞化

代码审查（code review）在现代软件工程中承担着多重功能：质量控制、知识传递、架构对齐、团队规范执行。Google在2018年发表的论文《Modern Code Review: A Case Study at Google》（发表于ICSE会议）指出，Google工程师认为代码审查最重要的价值不是发现bug，而是知识传递和代码可维护性的保障。

当AI生成大量代码时，代码审查面临两个方向的压力。第一，代码量的激增使得认真审查每一行代码变得不现实。当一个工程师每季度提交的代码量增加8倍，审查者面临的工作量同样增加了8倍，而审查者的时间并没有增加8倍。这必然导致审查质量的下降，或者审查流程的形式化。

第二，AI生成的代码往往在语法层面是正确的，但在架构层面可能存在深层问题。微软研究院2024年发表的一项研究（《Grounded Copilot: How Programmers Interact with Code-Generating Models》）发现，开发者在使用AI代码生成工具时，倾向于接受AI输出而减少批判性审查，尤其是在代码看起来「合理」的情况下。

技术讨论的内化

在传统的工程团队中，架构决策往往通过公开讨论产生：在白板前争论、在设计文档评审中质疑、在午餐时非正式地交换想法。MIT斯隆管理学院教授Thomas Allen在1977年提出的「Allen曲线」（Allen Curve）研究表明，物理距离每增加一倍，工程师之间的沟通频率就下降约50%。而AI工具创造的不是物理距离，而是一种「认知距离」——当工程师的主要对话对象变成AI时，与同事之间的技术沟通需求被替代了。

当工程师开始主要与AI讨论技术问题时，决策过程被内化了。决策仍然发生，但它发生在个体与AI的私密对话中，而不是团队的公开讨论中。其他团队成员可能看到最终的代码，但他们错过了产生这段代码的思考过程。随着时间推移，团队对系统的共同理解开始碎片化。

初级工程师的成长路径断裂

这是所有问题中最具长期影响的一个。根据Yahoo Finance的报道，Menlo Ventures合伙人Deedy Das公开表示，软件工程师正面临一场「接近抑郁的身份认同危机」（identity crisis bordering on depression）。（来源: Yahoo Finance, 2026-06-19）Das的这一判断基于他与大量科技公司创始人和工程团队的交流。

传统的软件工程职业发展，依赖于一种「学徒制」的隐性结构：初级工程师通过观察高级工程师如何思考、如何解决问题、如何做出权衡来成长。当高级工程师把80%的编程工作交给AI时，初级工程师失去了观察「专家如何思考」的机会。他们看到的是AI生成的输出，而不是专家的思考过程。

这创造了一个危险的能力空洞：表面上，整个团队的代码产出都在增加；但实际上，初级工程师的深层技术能力可能没有得到应有的发展。

第四章：大科技公司的士气危机——从个体孤独到组织病变

Anthropic的案例不是孤立的。2026年上半年，多家科技公司面临类似的内部张力。

根据Fortune 2026年6月23日的报道，Fung的表态被解读为可能暗示大科技公司更大范围士气问题的信号。（来源: Fortune, 2026-06-23）这个判断有其坚实的基础：2025年至2026年间，Google、Meta、Microsoft等公司均大规模推进AI编程工具的内部采用。Google在2025年10月的财报电话会议上透露，其内部超过25%的新代码由AI生成；Meta CEO Mark Zuckerberg在2025年初表示，预计到年底AI将承担中级工程师水平的编码工作。

理解这场士气危机，需要理解软件工程师的职业认同是如何构建的。与许多其他职业不同，软件工程师的职业认同高度依赖于「能力的可见性」。一名工程师的价值，在传统上通过他能够解决的问题的复杂度、他写出的优雅代码、他在技术讨论中展示的洞察力来体现。

AI工具从两个方向同时侵蚀了这个认同机制。

第一，AI的存在使得「写出可运行的代码」不再是区分工程师能力的标准。当任何人都可以用Claude Code生成功能性代码时，这个能力的信号价值大幅降低。Anthropic的研究虽然证明了专家优势的持续存在，但这种差异更难以在日常工作中被同事观察到。

第二，AI工具减少了工程师之间相互展示能力的机会。如果你的主要工作是提示AI和审查AI的输出，而不是亲手设计和实现复杂系统，那么你展示专业判断力的舞台变窄了。

从组织行为学的角度看，这创造了一种特殊的士气问题。哈佛商学院教授Teresa Amabile在其「进步原则」（Progress Principle）研究中指出，工作中最强大的动力来源是「有意义的进步感」。当工程师的工作从「创造」变成「审查AI的创造」时，这种进步感的来源发生了根本性变化。这不是因为工作变得更难或者薪酬降低，而是因为工作的「意义结构」发生了变化。

大科技公司的系统性压力

在Anthropic之外，大科技公司面临着一个双重压力。一方面，它们必须大规模采用AI工具以保持竞争力——根据McKinsey 2025年的报告，采用AI编程工具的企业在软件交付速度上平均领先未采用者40-60%。另一方面，大规模采用AI工具正在破坏工程师的士气和团队凝聚力，而这些是大科技公司最核心的竞争资产之一。

这个两难困境没有简单的解决方案。选择不采用AI工具是不现实的——效率差距会在竞争中直接体现。但简单地采用AI工具而不考虑其社会影响，可能会在中长期损害团队的技术能力和创新能力。

第五章：两种对立视角的碰撞——效率主义与人本主义的正面交锋

在分析这个问题时，存在两种截然对立的视角，都值得认真对待。

视角一：效率主义的乐观论

乐观者认为，工程师对「孤独」的抱怨本质上是对变化的抵触，而不是对真实问题的反映。Y Combinator联合创始人Paul Graham在2025年的一篇文章中指出，每一代程序员都曾抱怨新工具让编程「失去了灵魂」——从汇编到高级语言，从手写代码到IDE自动补全，每次抽象层级的提升都伴随着类似的哀叹。

从这个角度看，AI编程工具只是最新一轮的生产力革命。Anthropic的研究明确表明，专业知识在agentic编程时代仍然带来持续回报（来源: Anthropic Research, 2026-06-13），这支持了乐观者的论点：AI没有消灭专业价值，只是改变了专业价值的表现形式。工程师需要适应新的工作方式，将自己的价值从「写代码」转向「定义问题」、「评估解决方案」和「管理AI系统」。

此外，a16z合伙人Benedict Evans在2025年的年度趋势报告中指出，软件行业长期面临的核心问题不是「工程师太孤独」，而是「需求远超供给」——全球仍有大量软件需求未被满足，AI工具通过提升个体效率来缩小这个缺口，这在宏观层面是积极的。

视角二：人本主义的警告

悲观者（或者说现实主义者）则认为，将「孤独体验」简单地归类为「适应期阵痛」是危险的简化。他们的核心论点是：软件工程的社会性不是一个可以被优化掉的低效环节，而是软件质量和创新能力的核心来源。

MIT教授Edgar Schein在其组织文化研究中指出，团队的「心理安全感」（psychological safety）是创新的前提条件——而心理安全感的建立依赖于频繁的、非正式的人际互动。Google的「亚里士多德项目」（Project Aristotle，2015年发布）通过对180个团队的研究发现，心理安全感是高效团队最重要的特征。当AI工具减少了团队成员之间的互动频率时，心理安全感的建立机制被削弱了。

知识在团队中的流动，不仅仅发生在正式的文档和代码注释中，更多地发生在非正式的交互中——走廊对话、午餐讨论、结对编程时的争论。管理学家Ikujiro Nonaka在其经典著作《The Knowledge-Creating Company》（1995）中将这种知识称为「隐性知识」（tacit knowledge），并指出隐性知识只能通过「社会化」（socialization）——即人与人之间的共同体验——来传递。AI工具无法替代这种社会化过程，因为它的本质是人类之间的社会性理解，而不是可以被编码的信息。

我的判断

综合两种视角，我的判断是：乐观论在个体层面是正确的，但在系统层面是危险的。

对于有足够经验和判断力的高级工程师，AI工具确实是一种纯粹的效率提升工具。他们有能力评估AI输出的质量，有经验识别AI的盲点，有足够的技术积累来在AI无法处理的问题上独立解决。Anthropic的研究数据支持了这一点。

但软件工程不是由高级工程师单独完成的。它是一个系统性活动，依赖于团队的整体能力和知识储备。历史提供了一个有力的类比：1990年代末的「外包浪潮」中，许多美国科技公司将大量编码工作外包给印度和东欧的团队，短期内效率数字看起来很好，但长期来看，核心团队失去了对系统的深层理解，导致了严重的架构退化和创新能力下降。IBM、HP等公司在2000年代中期不得不大规模回收外包的核心工程工作。AI工具创造的「认知外包」可能产生类似的长期效应。

第六章：大多数人没有看到的问题——隐性知识的生态崩溃

这是这篇文章最重要的洞察，也是大多数关于AI编程的讨论所忽略的核心问题。

当我们讨论AI编程对工程师的影响时，对话通常停留在两个层面：效率（AI让工程师更高效）和就业（AI会取代多少工程师）。但这两个问题都错过了一个更深层的问题：软件工程的隐性知识生态正在面临系统性崩溃的风险。

什么是软件工程的隐性知识生态？

在任何一个成熟的工程团队中，存在大量无法被文档化的知识：为什么某个架构决策是这样做的（即使代码注释中没有记录）、某个模块在特定条件下会出现什么奇怪的行为、某个技术选型背后的历史原因。根据IEEE Software 2019年发表的一项研究，大型软件系统中约60-70%的关键设计决策从未被正式文档化，它们存在于工程师的大脑中，通过口耳相传和共同工作的经历在团队中传播。

这种隐性知识是软件系统可维护性的核心基础。当系统出现问题时，有经验的工程师能够快速定位原因，因为他们「知道」系统的性格——不是通过查文档，而是通过亲身参与系统的构建和演化。

AI工具正在以两种方式破坏这个生态。

第一，AI生成的代码缺乏「历史记忆」。AI根据当前的提示生成代码，它不知道系统过去做过什么决策、为什么某些路径被放弃、某个看似奇怪的设计背后有什么深层原因。当工程师大量使用AI生成代码时，代码库中的「历史记忆」密度在下降——新生成的代码是功能性的，但它与系统历史的有机联系是断裂的。这与Anthropic研究中「专家优势持续存在」的发现形成呼应：专家之所以仍有优势，恰恰是因为他们拥有AI所缺乏的历史记忆和系统性理解。

第二，工程师之间传递隐性知识的机制正在瓦解。如前所述，隐性知识的传递主要发生在非正式的协作交互中。当这些交互减少时，隐性知识开始在团队中「蒸发」——它不会被记录下来，也不会被传递给新人，只是随着有经验的工程师的离开而消失。

这个问题的危险之处在于它的隐蔽性。在短期内，AI工具的效率提升完全掩盖了隐性知识的损失。代码产出在增加，功能在按时交付，表面上一切都在变好。但在系统的深层，可维护性在下降，技术债务在积累，团队应对未知问题的能力在减弱。

一个具体的历史案例可以说明这种风险：2014年，Knight Capital Group因一个软件部署错误在45分钟内损失了4.6亿美元。事后调查发现，问题的根源是团队对一段遗留代码的功能缺乏理解——这段代码的原始作者已经离职，相关的隐性知识没有被传递。在AI编程时代，这类知识断裂的风险将以更大的规模和更高的频率出现。

第七章：「编码不再是瓶颈」——但新瓶颈是什么？

根据Yahoo Finance 2026年6月20日的报道，Anthropic的技术专家指出：「编码不再是瓶颈」（Coding Is No Longer the Bottleneck）。（来源: Yahoo Finance, 2026-06-20）这句话在技术社区引发了广泛讨论，但大多数讨论停留在字面意思上，没有追问下一个问题：如果编码不再是瓶颈，那么新的瓶颈是什么？

答案是：判断力（judgment）。

当AI能够快速生成大量代码时，工程工作的核心瓶颈从「能否实现」转移到了「该实现什么」和「实现得是否正确」。这两个问题都需要深层的判断力：对系统架构的整体理解、对业务需求的准确把握、对技术权衡的成熟评估。

这种判断力是无法通过使用AI工具来培养的。认知科学家Gary Klein在其「自然决策」（Naturalistic Decision Making）研究中指出，专家判断力的形成需要大量的「有意义的反馈循环」——即做出决策、观察结果、从错误中学习的完整过程。当AI承担了大部分编码工作时，初级工程师经历这种完整反馈循环的机会大幅减少。

这创造了一个悖论：AI工具使得「编码」这种可以被学习的技能变得不再重要，同时使得「判断力」这种只能通过经验积累的能力变得更加关键。但AI工具的大规模使用，正在减少工程师积累判断力所需的那种深度工作经验。

短期内，现有的高级工程师可以用他们积累的判断力来驾驭AI工具，获得巨大的效率提升——这正是Anthropic研究中「专家优势持续回报」的含义。但长期来看，当这批高级工程师退休或离职时，谁来填补他们的判断力？那些在AI工具陪伴下成长的年轻工程师，是否积累了足够的系统性判断力？

根据美国劳工统计局（BLS）的数据，软件开发者的平均年龄约为38岁，行业经验中位数约为10年。这意味着当前拥有深厚判断力的工程师群体将在未来10-15年内大规模退出劳动力市场。如果在此期间，新一代工程师的判断力培养被AI工具的使用所削弱，行业可能面临一个「判断力断层」——大量代码在被生产，但越来越少的人能够判断这些代码是否正确。

结语：效率与人性的再平衡——我们需要什么样的AI协作范式

Fiona Fung的「孤独体验」表态，不应该被解读为对AI工具的否定，也不应该被解读为对效率提升的拒绝。它应该被解读为一个来自内部的、诚实的警告：效率的提升和协作的消亡不是必然绑定在一起的，但如果不主动干预，它们就会一起发生。

对于工程组织来说，这意味着需要在拥抱AI效率的同时，主动设计保留人类协作的机制。这不是一个「要不要用AI」的问题，而是一个「如何设计AI时代的工程文化」的问题。

一些可能的方向值得探索：

重新定义代码审查的目的。在AI时代，代码审查不应该只是质量控制，更应该是知识共享的强制性机制。即使AI生成了代码，审查过程应该要求提交者解释AI的决策逻辑，让团队成员参与对AI输出的评估。Shopify CEO Tobi Lütke在2025年的内部备忘录中要求团队在请求增加人手之前，必须先证明AI无法完成该任务——但同时保留了团队协作审查AI输出的流程。

保留「低效」的协作实践。结对编程在AI时代看起来更加「低效」，但正是这种低效创造了知识传递和团队理解的价值。工程组织需要有意识地保留这些看起来低效的实践，将其视为对团队长期能力的投资，而不是需要被AI优化掉的低效环节。

建立AI使用的透明度规范。当工程师与AI的交互变得不透明时，团队失去了对决策过程的共同理解。建立规范，要求工程师记录和分享他们与AI交互的关键决策点，可以部分恢复这种透明度。

重新设计初级工程师的成长路径。在AI时代，初级工程师的培养需要更多有意识的设计。他们不能仅仅通过使用AI工具来成长，需要有意识地安排他们参与那些需要深度理解和判断力的工作，即使这些工作在短期内效率较低。

但最根本的问题是，工程组织需要承认：效率不是唯一重要的指标。代码产出量、功能交付速度，这些都是可以被量化的效率指标，但它们无法捕捉团队的隐性知识储量、工程师的判断力深度、系统的长期可维护性。

如果管理层只关注那些可以被量化的效率指标，AI工具将持续优化这些指标，同时悄悄侵蚀那些无法被量化但同样重要的东西。这是管理学家W. Edwards Deming所警告的「只管理可测量的东西」的陷阱在AI时代的新变体。

当80%的代码由AI编写时，那剩下的20%不仅仅是「人类的工作」，它是维持团队作为一个有机整体、而不是一群孤独个体的社会性粘合剂。失去这20%的代价，可能远超我们目前能够量化的范围。

软件工程的未来，不在于人类与AI的竞争，而在于我们能否设计出一种协作范式，让AI的效率提升与人类协作的社会性价值共存。这是一个组织设计问题，一个文化建设问题，也是一个关于我们想要什么样的工作的根本性问题。

Fiona Fung说出「孤独体验」的那一刻，她不是在抱怨，她是在提出一个问题。这个问题现在摆在所有工程组织的面前，等待着答案。而答案的质量，将决定未来10年软件行业是收获AI红利，还是承受AI债务。

参考资料

  1. Agentic coding and persistent returns to expertise — Anthropic Research, 2026-06-13

  2. Anthropic’s engineering leader says Claude Code is making programmers lonelier — Business Insider, 2026-06-22

  3. Anthropic engineering head says Claude Code made employees’ work a ‘lonely experience’—and it could hint at Big Tech’s bigger morale problem — Fortune, 2026-06-23

  4. ‘Coding Is No Longer the Bottleneck’ as Engineers Ship 8x More Code Per Quarter — Yahoo Finance, 2026-06-20

  5. Software engineers are facing an ‘identity crisis bordering on depression,’ Menlo Ventures partner says — Yahoo Finance, 2026-06-19

  6. Anthropic’s Claude Code Boosted Output—But the 8x Code Warning Is Bigger Than Loneliness — AInvest, 2026-06-21

  7. Claude AI significantly boosts non-coders’ productivity — 来源: Blockchain.news, 2026-06-14

主题分类：劳动力变革