字节笔记本
2026年10月6日 · 约 6 分钟读完
Anthropic 40万会话研究：AI编程门槛正在消失
2026 年 6 月 16 日，Anthropic 发布研究《How Claude Code is used in practice》（副标题：Agentic Coding and Persistent Returns to Expertise）。研究团队分析了约 40 万个真实 Claude Code 会话，来自约 23.5 万名用户，时间跨度为 2025 年 10 月至 2026 年 4 月，共 7 个月。这不是问卷调研，而是对真实行为的直接观测：用户实际输入了什么、AI 实际执行了什么，全部留有记录。原文见 anthropic.com/research/claude-code-expertise。本文整理这份研究的关键数据与结论。
一、人们在用 Claude Code 做什么
研究用会话分类器把全部会话归入九种工作模式，其中：
- 修 bug 占 26%，写新代码占 25%，测试与编排占 5%，三项合计 56%，属于直接代码工作；
- 运维软件占 17%；
- 规划与探索占 14%；
- 分析与写作占 13%。
也就是说，这个编程工具近一半的工作量发生在写代码之外：运维、规划、分析、写文档都在其中。编码之外任务占比之大，是理解后续所有结论的背景。
二、决策分工：人类定方向，AI 跑执行
研究用决策归属分类器把会话中的决策分成两类：规划决策（做什么）与执行决策（怎么做）。结果相当清晰：
- 用户做出约 70% 的规划决策；
- Claude 做出约 80% 的执行决策。
典型会话大约 4 个回合；每条用户提示平均触发约 10 个动作，多的会超过 100 个；每个回合 Claude 平均输出 2400 词。用户的领域专业知识越多，每条指令能带动的完成量也越大。分工界面由此形成：人负责判断做什么，AI 负责把怎么做一路执行完。
三、不同职业的成功率：差距只有 5 个百分点
研究通过职业推断回答了一个外界关心的问题：非技术岗位的人用 AI 写代码，和工程师相比差多少？职业推断把用户映射到美国劳工统计局标准职业分类（SOC）的 23 个大类，70% 的会话可以识别出职业。
先看研究采用的两层成功标准：判断成功，指会话看起来达成了用户目标；验证成功，标准更严格，需要硬证据，例如代码提交、PR 合并或测试通过。以更严格的验证成功衡量：
- 软件相关职业约 30%，其中代码会话约 34%；
- 非软件职业约 26%，其中代码会话约 29%；
- 两类人群的差距仅 5 个百分点，十大主要职业全部落在软件工程师平均水平 7 个百分点以内；
- 管理职业的验证成功率在所有职业中最高，甚至略高于软件工程职业。
几乎每个主要职业的编码成功率都与软件工程师的平均水平相当，职业背景带来的差异非常小。
四、专业知识的回报：大头在从新手到中级
研究把用户按领域专业知识分成五级（从新手到专家），会话结果随之分层：
- 新手：验证成功 15%，至少部分成功 77%；
- 中级及以上：验证成功 28% 到 33%，至少部分成功 91% 到 92%。
大部分增益发生在从新手到中级的阶段；中级再往专家走，边际收益明显递减。领域专业知识越多，成功率越高，这一回报持续存在，只是幅度收窄。
杠杆效应同样显著：新手每条提示平均触发约 5 个动作、产出约 600 词；专家每条提示触发 12 个动作、产出 3200 词，动作量约 2 倍，输出量约 5 倍。同样一句话，专家能让 AI 干出多得多的活。
还有一个数字值得单独记录：遇到麻烦时，新手有 19% 直接放弃会话，其余水平的用户只有 5% 到 7% 放弃。相当一部分差距不在技术能力，而在是否愿意再来一次。
五、七个月里的三个趋势
把 2025 年 10 月与 2026 年 4 月的数据对比，能看到三个变化：
- 调试占比从 33% 降到 19%，花在修错上的份额明显收缩；
- 使用向端到端智能体应用转移：部署运行代码、数据分析、写非代码文档的比例上升；
- 任务的经济价值上升：以自由职业市场的发布价为参照，典型任务的平均价值上升约 25% 到 27%。
用户画像也在变化：最大用户群体仍是计算机与数学职业，但增长最快的非软件职业是管理、销售和法律。用户平均每周使用 Claude Code 约 20 小时。
六、方法附注与几点启示
方法上，该研究采用隐私保护分析，使用会话分类器划分九种工作模式，用决策归属分类器区分规划与执行，用五级评分衡量专业知识，成功度量同时包含判断成功与验证成功两类，任务价值以自由职业市场报价估算。
对使用者的启示可以归纳为三点：
- 分工界面已经清晰：人负责规划与验收，AI 负责执行。想清楚要什么、把需求讲明白、判断结果对不对，是使用这类工具的核心能力。
- 职业门槛在拉平：各主要职业的成功率几乎相当，决定成败的不是多年的编程训练，而是需求表达与持续迭代。
- 收益的大头在早期：从新手到中级就能拿到大部分回报，遇到失败不轻易放弃，是最划算的投入。
本文数据与配图均来自 Anthropic 官方研究《How Claude Code is used in practice》。
