字节笔记本
2026年10月6日 · 约 8 分钟读完
专业知识为什么更值钱：Agentic 编程实战课 02
本文是《Agentic 编程实战课》系列的第二篇。整个系列只关心一个问题：当 AI 已经能替人写代码，人的价值到底在哪里、又该如何放大。这一篇要讲清整个系列最核心的经济学概念：持久回报（Persistent Returns）。读懂它，你就明白为什么现在开始学用 Agent 干活，可能比再读一个学位的回报更高。
一、从两个司机说起
先看一个生活中的例子。假设有两个人学开车：
- 老张：开了 20 年出租车，对城市道路了如指掌；
- 小李：刚拿驾照，连路线都不熟。
现在给他俩都配上一辆自动驾驶汽车，会发生什么？
老张用自动驾驶，省下大量精力，开始接更多单，赚更多钱；小李用自动驾驶，还是会迷路，因为车再聪明，也不知道早高峰走哪条小路更快。
老张过去 20 年积累的城市知识，因为有了自动驾驶，价值反而被放大了，这就是"持久回报"。自动驾驶没有淘汰老司机，反而让老司机的经验兑现得更充分。
编程领域正在发生一模一样的事。
二、Anthropic 报告的核心发现
2026 年 6 月，Anthropic 分析了约 40 万次真实 Claude Code 会话，得出一个反直觉的结论：在 Agentic Coding 中，领域专业知识带来的产出优势，会随着 AI 能力的提升而持续扩大，而不是缩小。
换成大白话，不同 AI 能力水平下两类人的产出对比大致如下：
| AI 能力水平 | 普通人的产出 | 领域专家的产出 | 差距 |
|---|---|---|---|
| 2023（弱） | 1 | 1.2 | 小 |
| 2025（中） | 3 | 8 | 中 |
| 2026（强） | 5 | 20 | 大 |
| 2027+（更强） | 8 | 50+ | 巨大 |
为什么会出现这样的剪刀差？报告指向三个底层原因。
原因一：专家知道问对的问题
Agent 再强，它只能回答你问的问题。专家问的是根因问题，新手问的是表象问题。同样是看一张数据图表，新手会问"这个图表怎么不好看"，Agent 于是调了调颜色，治标不治本；专家会问"这个图表会让业务方误判渠道 ROI，因为没有扣除退款"，Agent 于是重构了指标定义，治本。同一个 Agent，问的问题质量决定产出质量。
原因二：专家能看懂结果对不对
这是最关键的一条：Agent 会自信地犯错。代码运行成功不等于结果正确，只有专家能在一秒钟内看出"这个毛利率 80% 不对，我们行业正常是 30%"。识别错误的能力，恰恰就是专业知识的价值所在。
原因三：专家知道下一步该做什么
Agent 是个执行者，它不会主动告诉你"做完这个还该做那个"。比如做销售看板，Agent 不会想到还要加上渠道分层，但做了 10 年销售的人会主动想到。专家的隐性知识（tacit knowledge），是 Agent 永远无法从代码里学到的。
三、一个乘法公式
不用害怕数学，持久回报的直觉只需要一个乘法公式：
你的产出 = AI 能力 × 你的专业杠杆
AI 能力每年翻倍增长，这是时代红利，人人平等；专业杠杆由你的领域知识深度决定，这是你的不公平优势。关键在于，两者是相乘关系，不是相加。
| 你的专业杠杆 | AI 能力 = 5 | AI 能力 = 10 |
|---|---|---|
| 1（外行） | 5 | 10 |
| 3（懂一些） | 15 | 30 |
| 10（专家） | 50 | 100 |
当 AI 能力翻倍时，外行的产出从 5 涨到 10，只多了一倍；专家的产出从 50 涨到 100，绝对增量是外行的十倍。乘法效应让优势随时间复利放大，这就是持久回报的数学本质。
四、三个真实故事：谁吃到了持久回报
故事一：生物信息学博士小王。 他的 Python 只到"能跑通"的水平，要做基因表达差异分析。不用 AI，查文档、抄代码、调 bug，要花 2 周；外行式地丢给 Agent 一句"帮我分析这个数据"，Agent 乱用统计方法，结果被导师打回；专家式的用法是先写清楚"用 DESeq2，padj 小于 0.05，log2FC 大于 1，要做 LFC shrinkage"，Agent 准确执行，2 天出结果，顺利发了论文。他的生物学知识，让 AI 的产出效率提升了 7 倍。
故事二：知识产权律师陈姐。 她做了 12 年知产律师，想做一个自动检测合同里不利条款的工具。找律所 IT 报价是 15 万、6 个月；她自己指挥 Claude Code，一周做出了 demo。关键在于她列出了一份 27 条的"危险条款特征清单"，这是 12 年经验的结晶，AI 永远不会自己知道。
故事三：反面教材小赵。 他写了 8 年 Java，自认为很懂编程，让 Agent 帮他做医疗预约系统。他不学医疗业务，只盯着代码风格；Agent 写出的代码很漂亮，但业务逻辑全是错的，因为不知道医保结算规则。项目延期 3 个月，最后被一个懂医疗的运营加 AI 取代。小赵的教训是：纯技术能力正在贬值，懂业务才是新的硬通货。
五、这对普通开发者意味着什么
第一，别再问"我学得会吗"。如果你有 3 年以上任何领域的深度经验，你不是来学编程的，你是来兑现专业知识的，编程的部分 Agent 替你做了。
第二，要学的不是语法，是杠杆。真正要练的是三件事：怎么把专业知识规格化后喂给 Agent，怎么验证 Agent 的产出并形成闭环，怎么把一个项目拆成 Agent 能消化的任务。
第三，现在开始就是复利起点。持久回报是复利的，早一年学会用 Agent 兑现专业知识，未来每年都多一份超额收益；晚一年，差距不是线性追赶，而是指数级拉开。
六、给自己的专业杠杆打分
读完不妨做个小练习：选一个你自己最熟悉的领域，回答四个问题。
- 你在这个领域工作了多少年？
- 你能一眼看出"结果不对"的三种情况是什么？
- 你知道但 Agent 绝对不会自己知道的三件事是什么？
- 综合以上，给自己的专业杠杆打 1 到 10 分。
分数本身不重要，重要的是让你意识到，自己手里已经有一副好牌。再往深处想一步：在你的行业里，哪些"老张式的同事"的经验，在 AI 时代反而更值钱？为什么？
七、要点回顾
- 持久回报：专业知识在 Agentic Coding 中，会随 AI 能力提升而持续放大价值；
- 三个原因：专家问对问题、看懂结果、知道下一步；
- 公式：产出 = AI 能力 × 专业杠杆，乘法关系，复利增长；
- 现在要学的不是语法，是杠杆。
专业知识很值钱，但下一个问题随之而来：具体要怎么把专业知识"变现"成软件？这需要一次角色转变，从一个"业务人员"变成一个"指令工程师"，这也是本系列下一篇要展开的内容。
参考：Anthropic, Agentic Coding and Persistent Returns to Expertise, June 2026。本文核心数据来自该报告，"持久回报"对应的英文术语即 Persistent Returns to Expertise。
