Signal Desk
Back to latest
anthropic.com2026/7/5AI 中文译文 · 待人工复核

智能编码与专业知识的持续回报

英文标题：Anthropic Analyzed 400K Claude Code Sessions: Expertise Beats Coding Skill

Anthropic 对约40万个 Claude Code 会话的分析发现，领域专业知识比编码能力更能决定智能编码的成功，且典型任务价值在七个月内增长了约25%。

本文目录

主要发现

  • 基于之前的研究，我们提出了一个研究交互式智能编码的框架。这个框架基于对2025年10月到2026年4月期间约40万个Claude Code会话的隐私保护分析。我们评估了任务的组成、人机协作方式以及成功率。

  • 在一个典型的会话中，人负责大部分规划决策（做什么），而Claude负责大部分执行决策（怎么做）。一个人带入会话的领域专业知识越多，Claude在每个指令下完成的工作就越多。在编码任务上，每个主要职业的成功率——即完成用户设定的目标，并有可验证的证据（如通过测试或提交的工作）——平均来说几乎和软件工程师一样高。

  • 一个人拥有的领域专业知识越多，会话成功的频率就越高——不过中级用户和专家用户之间的差距并不大。在我们观察的七个月里，用于调试的会话比例下降了近一半，使用方式转向了更多端到端的智能体使用：部署和运行代码、分析数据以及编写非代码文档。

  • 在这七个月里，典型任务的价值——我们通过与自由职业招聘信息对比来估算——在几乎所有类型的工作中都有所上升，平均增长了约25%。

引言

智能编码已经蓬勃发展。自2025年底以来，有编码智能体活动的GitHub项目比例翻了一倍多¹，Claude Code用户现在平均每周使用该工具20小时²。没有正式编码经验的人能否成功引导一个智能体完成复杂的技术工作？这些工具的快速普及和改进对广义的知识工作意味着什么？虽然我们还没有这些问题的完整答案，但我们通过Claude Code的使用数据来寻找早期信号。

本报告基于对2025年10月至2026年4月期间约23.5万人的约40万个交互式会话进行的隐私保护分析，提供了Claude Code在实际中如何使用的证据。它建立在之前关于Claude Code会话中的自主性度量以及Claude Code如何改变Anthropic的工作方式的研究基础之上³。在这里，我们提出了一个描述交互式AI编码助手使用情况的框架：正在做什么类型的工作、谁在做、以及是否成功。我们重点关注通过命令行界面（CLI）、Claude.ai或Claude Code桌面应用使用Claude Code的情况⁴。通过追踪智能编码的使用方式如何随着模型能力的增强而变化，我们可以更好地理解这些工具如何影响编码专业人员和知识工作者的劳动力市场。

Claude Code上发生的事情可能是知识工作未来走向的一个预览，因为智能体正在嵌入到非编码工作中。我们发现Claude正在处理更复杂、更有价值的任务。同时，在智能编码中仍然存在明确的分工：人决定构建什么，智能体决定如何构建。

我们还看到证据表明，领域专业知识（而非编码能力）能放大工具的有效使用。特别是，领域专家成功频率更高，并且更容易从错误和误解中恢复。然而，专家和中级用户之间的差距并不大——这表明对某个领域的熟练程度足以让用户几乎像那些拥有深厚专业知识的人一样有效地使用工具。

这些发现让我们对劳动力市场可能的转变有了初步了解。在我们的数据中，成功取决于一个人对自己试图解决的问题的理解程度，而不是他们是否受过编码训练。如果这些模式在整个经济中成立，那就意味着虽然智能编码工具可能正在吸收一些执行密集型的工作，但它们也在奖励那些对自己工作中要解决的问题有扎实理解的人。编码智能体并没有取代领域专业知识——工作者带给智能体的理解越多，智能体能够完成的优质工作就越多。

分工

人们用Claude Code做什么

为了理解人们用Claude Code做什么，我们将每个会话分类为九种工作模式之一——即最能描述该会话试图完成的单一活动⁵。四种模式涉及直接编写或维护代码：构建新东西、修复损坏的东西、测试代码以及编排其他智能体或自动化流水线。另一类是操作软件——部署、配置、运行流水线、监控系统。两类更侧重于弄清楚要做什么：理解现有系统如何工作，以及在做出更改之前进行规划。还有两类采取与代码无关的行动，或者代码只是最终产品的附带部分：分析数据，以及通过演示文稿和其他基于散文的文档进行沟通。

大约56%的会话包括编写（25%）、修复（26%）以及测试和编排代码（5%）。操作软件占17%，而14%的会话是规划或探索，13%产生分析或散文（图1）。

我们通过让一个模型读取会话记录来对每个会话进行分类，然后使用我们的隐私保护分析工具，根据每个会话自动记录的遥测数据（包括是否添加或删除了任何代码行）进行核对。这两个来源具有很高的一致性——例如，我们的分类器标记为创建或修改代码的会话中，超过90%在遥测数据中显示了代码更改。详情请参见附录。

谁做决定

Claude Code有多自主？能力评估表明天花板很高且还在上升：在像METR的时间跨度评估这样的基准测试中，前沿模型现在可以自主完成需要人类花费数小时的软件任务，一路克服障碍。但在实践中，使用情况到底是什么样的？在这里，我们看看在真实会话中，人和Claude各自做了多少引导工作。

我们从两个角度研究这个问题。首先，我们关注人们在多大程度上将决策委托给Claude，其次我们看看他们给了Claude多少行动指令。为了理解会话中的决策分工，我们基于会话内容构建了一个隐私保护的决策归属分类器。我们让一个分类器列出会话中所有有意义的决策。我们将这些决策分为规划（做什么、采用哪种方法、什么算完成）和执行（更改哪些文件、编写什么代码、用什么语言编写、运行哪些命令）。然后分类器将每个决策归属给Claude或用户，给每个会话两个数字：用户做出的规划决策比例和用户做出的执行决策比例。

平均而言，人们做出大约70%的规划决策，但只做出20%的执行决策（图2）。在实践中，智能编码中存在明确的分工——人们决定构建什么，智能体决定如何构建。

为了理解会话中行动的委托情况，我们关注会话的结构而不是内容。一个Claude Code会话涉及Claude和用户来回交换提示（来自用户）和行动（由Claude执行）——用户写一个提示，Claude去完成一些工作，然后用户再写另一个提示，如此反复。在一个典型会话中，大约有四个这样的轮次。在我们从10月到4月的历史数据中，用户发送的每个提示平均会触发Claude执行大约10个行动——有时甚至超过100个⁶。在每个轮次中，Claude读取文件、编辑代码、运行命令，并平均输出2400个单词。

Claude在每次检查之间做多少工作很大程度上取决于谁在做决策。当用户保持对执行的控制（即做出超过80%的执行决策）时，Claude每个轮次采取的行动较少（大约8个行动）。而当Claude控制规划（即做出超过80%的规划决策）时，它承担的行动数量最多（大约16个）。

专业水平

从每个会话记录中，Claude会按照从新手到专家的五级量表评估用户在任务上的明显专业水平。专业水平分类器寻找三个信号：用户描述指令的精确程度、他们要求Claude验证什么、以及用户倾向于纠正Claude还是Claude倾向于纠正用户。请注意，专业水平捕捉的是与职位头衔或一般能力截然不同的东西，而且关键是，它是针对特定任务的。一位高级工程师问第一个关于Rust的问题，在Rust方面就是新手。一个从未使用过Python的会计师，但能精确告诉Claude一个Python脚本必须强制执行哪些对账规则，并能捕捉到它在月末结账时处理错误的边缘情况，那么在这个任务上就是专家。

下表显示了我们在分类器中如何定义每个专业水平，以及来自编码智能体会话公共数据集SWE-chat的示例请求。被归类为"新手"的对话给出了通用指令，没有隐含的领域特定知识。"专家"对话则传达了对代码库和技术环境的深入了解。

我们量化了专业水平与Claude每个提示的输出和活动之间的关系。在典型的新手会话中，每个提示触发大约5个Claude行动和大约600个单词的输出，而专家会话触发的行动链长度是前者的两倍多（12个行动），输出量是前者的五倍（3200个单词）（图3）。新手和专家会话之间的这种差距出现在每种类型的工作和每个任务价值区间内。

这些度量补充了我们之前关于Claude Code的报告中的自主性度量，该报告追踪了智能体运行的时间以及人们自动批准其行动的频率。相比之下，我们的决策归属度量捕捉的是在整个会话中谁做出了实质性决策，而我们每个提示的输出和行动度量则衡量每个人类提示触发了Claude多少自主活动。

谁在使用Claude Code，以及用来做什么

用户

为了理解谁在做这些工作，我们从会话记录中推断每个用户的职业，将其映射到劳工统计局标准职业分类（SOC）体系中的23个主要组别之一。分类器被指示仅依赖以下信号：会话开始时智能体加载的项目上下文、文件的名称和结构、他们引用的任何工件（例如法律文件、临床数据、财务报告、课程等）以及他们使用的词汇⁷。它被明确指示不要将编码行为视为编码职业的证据。只有当有明确信号表明软件或数据工作是用户的工作时，会话才会被分类到编码SOC代码（计算机和数学职业）。一个律师构建脚本来自动标记合同文件夹中缺失条款的会话会被映射到法律职业，即使该会话的工作主要是软件。当没有关于用户职业的信号时，会话保持未分类状态。

我们能够推断出大约70%会话中的职业。在这个集合中，计算机和数学职业（这个类别涵盖了大多数与软件相关的工作）不出意外是最大的群体。接下来最大的是商业和金融运营；艺术、设计和媒体；管理；以及生命、物理和社会科学。在我们样本中增长最快的非软件职业群体是管理、销售和法律职业。

工作

从2025年10月到2026年4月，用Claude Code完成的工作构成发生了显著变化。最明显的变化是用于修复损坏代码的会话比例从33%下降到19%（图4）。取而代之的是，我们看到围绕代码的工作比例增加了。操作软件从会话的14%增长到21%。编写和数据分析大约翻了一番，从约10%增长到会话的20%。

任务本身也变得更加有价值。我们通过询问在自由职业市场上完成这项工作需要多少费用来估算每个会话的经济价值，并对照真实招聘信息的公共数据集进行校准。根据这个度量，平均会话的估算价值在10月到4月之间上升了27%。这种上升在许多类型的工作中都存在。构建、操作和修复类型的任务都变得更加有价值，大约增长了三分之一或更多（分别约为43%、34%和32%）。这些价格估算比较粗略，所以我们主要用它们来比较不同任务随时间的变化，而不是作为字面意义上的美元价值⁸。关于任务估算器的构建细节，请参见附录。

成功取决于用户带来的东西

任务的估算价值是了解Claude Code如何帮助人们完成工作的一种方式。另一个角度是看有多少会话是成功的，以及会话的哪些特征与成功相关。在我们所有的成功度量中，我们看到了一个清晰的模式：一个人在会话中表现出的专业水平越高，成功的可能性就越大。大部分收益集中在专业水平较低的一端——新手会话和中级会话之间的差距大于中级和专家之间的差距。

在讨论成功会话的特征之前，我们需要精确说明我们如何衡量成功。我们无法观察用户的真实世界结果，也无法直接问他们是否从Claude那里得到了他们想要的东西。相反，我们依赖两种互补的基于会话记录的度量。第一种是"判断成功"，来自一个读取完整会话记录并判断用户是否成功完成了他们打算做的事情的分类器（选项：成功、部分成功、失败、没有明确目标）。然后两个配套分类器评估该判断的证据强度，以确定"验证成功"。一个成功信号分类器寻找可验证的成功证据。具体来说，它寻找与工作匹配的git活动（如提交和拉取请求），以及测试套件通过和用户的明确确认。它将会话从"无信号"到"弱信号"（1）再到"多个强信号"（5）进行评分。一个平行的失败信号对出错的证据进行评分——错误、失败的测试、重试、用户对输出提出异议。验证成功要求会话被判断为成功，并且至少有一个可验证的强成功信号。对于以下分析，我们重点关注会话的成功或失败程度，排除了被分类为"没有明确目标"的会话，这些会话约占我们完整样本的7.7%。

专业知识的回报

那么，哪种会话最成功？事实证明，上面描述的会话专业水平评分对会话的成功非常重要。

有人可能会担心专业水平不是真正的驱动因素——也许专家只是选择了不同的任务，或者在其他方面有所不同。在本节中，我们通过比较在同一时间、做相同类型工作、具有相同估算价值、涉及相同主题、来自相同广泛职业群体的会话，并询问结果如何根据用户的评定专业水平而变化，来部分解决这个担忧。

在我们所有的成功度量中，一个人在会话中表现出的专业水平越高，会话成功的可能性就越大。被评为新手的会话达到我们最严格的标准——验证成功——的时间占15%，至少部分成功的时间占77%。被评为中级或以上的会话达到验证成功的时间占28-33%，部分成功的时间占91-92%（图5）。

在每个度量中，大部分收益来自从新手到中级的提升；在中级和专家之间，斜率减小。在附录中，我们提供了图5背后回归分析的详细信息。

在遇到挑战的会话中也出现了类似的梯度。当失败信号记录了可验证的失败证据时，我们说会话遇到了麻烦。这可能是一个错误、一个失败的测试、多次尝试做同一件事，或者用户表达沮丧或不满。在遇到麻烦的会话中，验证成功的比例从新手会话的4%上升到专家会话的15%，考虑了上述所有控制因素（图5）。从更宽松的度量来看，我们发现至少部分成功的比例在新手中为60%，在中级到专家会话中为80-81%。

我们还追踪了反向关系——专业水平与各种失败度量之间的关系。请注意，在这个分析中，被判断为失败的会话是那些甚至没有部分成功的会话。如果一个遇到麻烦的会话被判断为失败并且没有编写任何代码行，我们就说它被放弃了：用户看起来是新手的会话中有19%以放弃告终，而其他用户只有5-7%。换句话说，经验最少的用户在难以获得他们想要的结果时更有可能放弃。专业知识的价值部分似乎在于能够引导智能体朝着正确的方向前进⁹。

职业可能不如专业水平重要

从事软件相关职业的人在所有会话中达到验证成功的比例约为30%，而来自其他职业的用户达到验证成功的比例约为26%。在产生代码的会话中（即添加或修改了至少一行代码的会话），这两个数字分别是34%和29%（图6）。在我们更宽松的成功定义下，软件相关职业和其他职业之间的差距缩小了——两个群体在产生代码的会话中分别达到至少部分成功的比例为89%和88%。这个五个百分点的差距很小，并且在七个月内既没有扩大也没有缩小，即使两个群体的成功率都在提高。在产生代码的会话中，我们数据集中十大职业中的每一个在成功率上都与软件工程师相差在七个百分点以内。管理职业在验证成功方面最高，略高于软件工程职业。他们更高的验证成功率可能反映了可以转移到引导智能体的管理技能。但也可能部分反映了我们的度量：验证部分依赖于会话记录中的明确确认，而管理者在得到他们要求的东西时可能更倾向于沟通¹⁰。

展望未来

本报告中的结果提供了一个正在形成的图景，展示了智能编码如何放大某些形式的知识和技能，同时替代其他形式。在产生代码的会话中，每个主要职业的成功率与软件相关职业的成功率相差在几个百分点以内。看来编码智能体正在使编码背景对成功编程变得不那么重要。

同时，成功的会话更有可能表现出领域专业知识。被评为专家的会话达到验证成功的频率是评为新手的会话的两倍多，而当会话遇到麻烦时，新手放弃会话的频率是其他人的数倍。协作的形式为这个图景增添了更多色彩——领域专家能够引导Claude在每个指令下完成更多工作。因此，引导Claude走向成功的能力更多来自对领域的掌握，而不是编写代码的能力。拥有这种掌握的人，在任何领域，现在可能都能完成他们以前无法完成的技术工作。没有任何这种专业知识的人从同样的工具中获得的收益要少得多。而且收益主要来自能力，而非精通——对领域的有效掌握能获得大部分收益，而深度专业化只在此基础上增加一点点。

这些发现是初步的。与我们大多数研究一样，我们无法衡量真实世界的结果，比如会话中编写的代码是否被实际使用或之后被丢弃，或者是否产生了有经济价值的产物。此外，本报告排除的非交互式使用占了活动的很大一部分。开发一个衡量它的框架是未来工作的优先事项。我们所有对会话的分类都依赖于模型对会话记录的解读。在附录中，我们展示了我们的分类器在预期方向上追踪独立的遥测数据，并且在大多数会话上与一个强大的参考模型一致。但分类器在大规模验证上仍然具有挑战性，而Claude Code会话增加了进一步的难度，因为它们可能太长太复杂，以至于人类标签无法作为真实标准。

本报告中的图景将随着模型、用户以及它们之间的分工变化而更新。我们希望这些度量能让我们追踪这些变化发生时的重要转变。例如，如果专业知识的回报开始随时间减少，那将表明模型开始提供用户目前带来的基本判断力，并且这些工具的收益正在扩大到领域专家之外。如果软件职业之外的用户成功完成编码会话的比例继续增长，那可能表明软件生产正在成为每个领域普通工作的一部分，而不是单一职业的产物。这些转变将改变谁从智能编码中受益以及受益多少，并将对劳动力市场中最受重视的东西产生影响。

附录

可在此处获取链接。

引用

@online{hitzig2026agentic,
 author = {Zoe Hitzig and Maxim Massenkoff and Eva Lyubich and Shaoyi Zhang and Ryan Heller and Peter McCrory},
 title = {Agentic coding and persistent returns to expertise},
 date = {2026-06-16},
 year = {2026},
 url = {https://www.anthropic.com/research/claude-code-expertise},
}

致谢

感谢：Jake Eaton, Sarah Pollack, Hanah Ho, Szymon Sacher, Anton Korinek, Santi Ruiz, Kerry Persen, Ankur Rathi, Alex Tamkin, Heather Whitney, Cat Wu, Kacie Jenkins, Jennifer Martinez, Amie Rotherham, Boris Cherny, Eleanor Dorfman, Miles McCain, 以及 Jack Clark。

  • 一项初步研究覆盖了 12.8 万个公开代码仓库，发现截至 2025 年 10 月底，估计有 16% 到 23% 的项目检测到了编码智能体的活动。一项后续研究采用相同方法，发现在那之后创建的项目中，采用率高出两倍以上。检测编码智能体活动依赖于智能体的共同作者标签和配置文件，这很可能低估了实际使用情况。

  • 注意，这里衡量的是 Claude Code 实际运行的小时数，而不是用户手动输入给 Claude 的时间。

  • 此外，Sarkar (2026) 和 Baumann et al. (2026) 分别通过研究 Cursor IDE 会话和公开可用的会话，提供了理解编码智能体的视角。

  • 请注意，我们排除了通过第三方集成开发环境和软件开发工具包运行的 Claude Code 使用情况。因此，我们也排除了“无头”模式下的会话，即用户在命令行中通过 claude -p "<prompt>" 运行单个提示。我们排除这类使用，因为它在两个关键方面有所不同——其中大部分是程序化的，Claude Code 嵌入在自动化工具和流程中，而不是与用户对话；即使有用户参与，我们也无法像在我们包含的界面上那样端到端地看到用户的会话。

  • 除非另有说明，本报告中的所有分类器都使用 Claude Sonnet 4.6。关于分类器的详细信息，包括其完整文本和验证结果，可以在附录中找到。

  • 每个提示对应的操作数量尾部很长。大约 2% 的会话平均每个提示超过 100 个操作，大约每 270 个会话中有 1 个平均超过 200 个操作，大约每 2,300 个会话中有 1 个平均超过 500 个操作。

  • 与本报告中的所有衡量指标一样，这些推断是使用我们的隐私保护分析工具生成的。没有研究人员阅读单个对话记录，职业标签永远不会与可识别的用户关联，我们只观察超过最少不同用户数量的汇总数据。

  • 我们在这里采用的估算方法旨在了解会话价值的相对差异，而不是绝对价值。美元金额基于与自由职业者市场（而非受薪工作）的比较，并最终来自 Claude Code 会话与职位发布之间的模糊匹配。由于相对估算会消除这些问题的任何一致性偏差，我们更侧重于相对估算。

  • 根据是否遇到问题来筛选会话，会为不同用户选择不同的会话。专家总体上遇到问题的频率较低，因此他们遇到问题的会话很可能是在更困难的问题上——使用会话的价格估算作为会话复杂度的代理，我们发现从专业能力最低端到最高端，遇到问题的会话的平均估算价值大约翻倍。因此，恢复率差距的一部分可能反映了新手在常规问题上卡住，而专家则在具有挑战性的难题上卡住。

  • 即使模型错误分类了管理者，用于判断用户可能是管理者的信号——也许是在任务委派和指定方式上——往往与更大的成功相关。换句话说，也许表现得像管理者会带来更大的成功。

相关内容

人工智能模型中双重用途知识的关闭开关

语言模型中的全局工作空间

新的可解释性研究揭示了 Claude 中一个新兴的心理工作空间，它持有模型输出中不会出现的内部想法。

Anthropic 经济指数报告：节奏

在我们最新的经济指数报告中，我们首次按小时采样，以询问：人们什么时候来找 Claude？他们用它来做什么？他们如何看待人工智能对其工作的影响？

阅读英文原文

Markdown / MDX 原稿

包含 frontmatter、中文正文和英文来源链接，可直接复制或保存为 .md 分发。

查看原稿下载 .md
在页面中展开原始 Markdown
---
title: "智能编码与专业知识的持续回报"
title_en: "Anthropic Analyzed 400K Claude Code Sessions: Expertise Beats Coding Skill"
source: "anthropic.com"
source_url: "https://www.anthropic.com/research/claude-code-expertise"
published_at: "2026-07-05T00:00:00.000Z"
language: "zh-CN"
topics: ["claude"]
tags: ["研究解读","Claude Code","Anthropic研究","agentic coding","职场专业度","人机分工"]
review_status: "unreviewed"
---

# 智能编码与专业知识的持续回报

> Anthropic 对约40万个 Claude Code 会话的分析发现，领域专业知识比编码能力更能决定智能编码的成功，且典型任务价值在七个月内增长了约25%。

## 内容摘要

Anthropic 基于2025年10月至2026年4月约40万个 Claude Code 会话的隐私保护分析，研究了智能编码的使用模式、分工和成功率。研究发现，在典型会话中，人负责约70%的规划决策（做什么），Claude 负责约80%的执行决策（怎么做）。领域专业知识越强，每个指令下 Claude 完成的工作越多，会话成功率越高——专家会话的验证成功率为33%，而新手仅为15%。同时，调试会话

## 为什么值得关注

这项研究揭示了智能编码工具如何改变知识工作的本质：它们正在吸收执行密集型任务，但并未取代领域专业知识。相反，工作者对问题的理解越深，工具能完成的优质工作就越多。这意味着未来劳动力市场中，领域知识（而非纯编码技能）可能成为更关键的竞争力，同时非技术背景的人也能借助工具完成复杂技术工作。

## 核心要点

- 在典型会话中，人做70%的规划决策，Claude做80%的执行决策。
- 领域专家会话的成功率是新手的两倍以上（33% vs 15%）。
- 七个月内，调试会话比例从33%降至19%，端到端任务（如部署、分析）增加。
- 非软件职业的编码成功率与软件工程师相差不到7个百分点。
- 典型任务估算价值平均增长约25%。

# 智能编码与专业知识的持续回报

## 主要发现

- 基于[之前](https://www.anthropic.com/research/measuring-agent-autonomy)的[研究](https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic)，我们提出了一个研究交互式智能编码的框架。这个框架基于对2025年10月到2026年4月期间约40万个Claude Code会话的[隐私保护分析](https://www.anthropic.com/research/clio)。我们评估了任务的组成、人机协作方式以及成功率。

- 在一个典型的会话中，人负责大部分规划决策（做什么），而Claude负责大部分执行决策（怎么做）。一个人带入会话的领域专业知识越多，Claude在每个指令下完成的工作就越多。在编码任务上，每个主要职业的成功率——即完成用户设定的目标，并有可验证的证据（如通过测试或提交的工作）——平均来说几乎和软件工程师一样高。

- 一个人拥有的领域专业知识越多，会话成功的频率就越高——不过中级用户和专家用户之间的差距并不大。在我们观察的七个月里，用于调试的会话比例下降了近一半，使用方式转向了更多端到端的智能体使用：部署和运行代码、分析数据以及编写非代码文档。

- 在这七个月里，典型任务的价值——我们通过与自由职业招聘信息对比来估算——在几乎所有类型的工作中都有所上升，平均增长了约25%。

## 引言

智能编码已经蓬勃发展。自2025年底以来，有编码智能体活动的GitHub项目比例翻了一倍多¹，Claude Code用户现在平均每周使用该工具20小时²。没有正式编码经验的人能否成功引导一个智能体完成复杂的技术工作？这些工具的快速普及和改进对广义的知识工作意味着什么？虽然我们还没有这些问题的完整答案，但我们通过Claude Code的使用数据来寻找早期信号。

本报告基于对2025年10月至2026年4月期间约23.5万人的约40万个交互式会话进行的[隐私保护分析](https://www.anthropic.com/research/clio)，提供了Claude Code在实际中如何使用的证据。它建立在之前关于[Claude Code会话中的自主性度量](https://www.anthropic.com/research/measuring-agent-autonomy)以及[Claude Code如何改变Anthropic的工作方式](https://www.anthropic.com/research/how-ai-is-transforming-work-at-anthropic)的研究基础之上³。在这里，我们提出了一个描述交互式AI编码助手使用情况的框架：正在做什么类型的工作、谁在做、以及是否成功。我们重点关注通过命令行界面（CLI）、[Claude.ai](http://claude.ai/redirect/website.v1.2397298e-a2be-4064-bedd-12fd760d437d)或Claude Code桌面应用使用Claude Code的情况⁴。通过追踪智能编码的使用方式如何随着模型能力的增强而变化，我们可以更好地理解这些工具如何影响编码专业人员和知识工作者的劳动力市场。

Claude Code上发生的事情可能是知识工作未来走向的一个预览，因为智能体正在嵌入到非编码工作中。我们发现Claude正在处理更复杂、更有价值的任务。同时，在智能编码中仍然存在明确的分工：人决定构建什么，智能体决定如何构建。

我们还看到证据表明，领域专业知识（而非编码能力）能放大工具的有效使用。特别是，领域专家成功频率更高，并且更容易从错误和误解中恢复。然而，专家和中级用户之间的差距并不大——这表明对某个领域的熟练程度足以让用户几乎像那些拥有深厚专业知识的人一样有效地使用工具。

这些发现让我们对劳动力市场可能的转变有了初步了解。在我们的数据中，成功取决于一个人对自己试图解决的问题的理解程度，而不是他们是否受过编码训练。如果这些模式在整个经济中成立，那就意味着虽然智能编码工具可能正在吸收一些执行密集型的工作，但它们也在奖励那些对自己工作中要解决的问题有扎实理解的人。编码智能体并没有取代领域专业知识——工作者带给智能体的理解越多，智能体能够完成的优质工作就越多。

## 分工

### 人们用Claude Code做什么

为了理解人们用Claude Code做什么，我们将每个会话分类为九种工作模式之一——即最能描述该会话试图完成的单一活动⁵。四种模式涉及直接编写或维护代码：构建新东西、修复损坏的东西、测试代码以及编排其他智能体或自动化流水线。另一类是操作软件——部署、配置、运行流水线、监控系统。两类更侧重于弄清楚要做什么：理解现有系统如何工作，以及在做出更改之前进行规划。还有两类采取与代码无关的行动，或者代码只是最终产品的附带部分：分析数据，以及通过演示文稿和其他基于散文的文档进行沟通。

大约56%的会话包括编写（25%）、修复（26%）以及测试和编排代码（5%）。操作软件占17%，而14%的会话是规划或探索，13%产生分析或散文（图1）。

我们通过让一个模型读取会话记录来对每个会话进行分类，然后使用我们的隐私保护分析工具，根据每个会话自动记录的遥测数据（包括是否添加或删除了任何代码行）进行核对。这两个来源具有很高的一致性——例如，我们的分类器标记为创建或修改代码的会话中，超过90%在遥测数据中显示了代码更改。详情请参见[附录](https://cdn.sanity.io/files/4zrzovbb/website/a94728142a45694292336165947f8d6e3e1a357e.pdf)。

### 谁做决定

Claude Code有多自主？能力评估表明天花板很高且还在上升：在像[METR的时间跨度评估](https://metr.org/time-horizons/)这样的基准测试中，前沿模型现在可以自主完成需要人类花费数小时的软件任务，一路克服障碍。但在实践中，使用情况到底是什么样的？在这里，我们看看在真实会话中，人和Claude各自做了多少引导工作。

我们从两个角度研究这个问题。首先，我们关注人们在多大程度上将决策委托给Claude，其次我们看看他们给了Claude多少行动指令。为了理解会话中的决策分工，我们基于会话内容构建了一个隐私保护的决策归属分类器。我们让一个分类器列出会话中所有有意义的决策。我们将这些决策分为规划（做什么、采用哪种方法、什么算完成）和执行（更改哪些文件、编写什么代码、用什么语言编写、运行哪些命令）。然后分类器将每个决策归属给Claude或用户，给每个会话两个数字：用户做出的规划决策比例和用户做出的执行决策比例。

平均而言，人们做出大约70%的规划决策，但只做出20%的执行决策（图2）。在实践中，智能编码中存在明确的分工——人们决定构建什么，智能体决定如何构建。

为了理解会话中行动的委托情况，我们关注会话的结构而不是内容。一个Claude Code会话涉及Claude和用户来回交换提示（来自用户）和行动（由Claude执行）——用户写一个提示，Claude去完成一些工作，然后用户再写另一个提示，如此反复。在一个典型会话中，大约有四个这样的轮次。在我们从10月到4月的历史数据中，用户发送的每个提示平均会触发Claude执行大约10个行动——有时甚至超过100个⁶。在每个轮次中，Claude读取文件、编辑代码、运行命令，并平均输出2400个单词。

Claude在每次检查之间做多少工作很大程度上取决于谁在做决策。当用户保持对执行的控制（即做出超过80%的执行决策）时，Claude每个轮次采取的行动较少（大约8个行动）。而当Claude控制规划（即做出超过80%的规划决策）时，它承担的行动数量最多（大约16个）。

### 专业水平

从每个会话记录中，Claude会按照从新手到专家的五级量表评估用户在任务上的明显专业水平。专业水平分类器寻找三个信号：用户描述指令的精确程度、他们要求Claude验证什么、以及用户倾向于纠正Claude还是Claude倾向于纠正用户。请注意，专业水平捕捉的是与职位头衔或一般能力截然不同的东西，而且关键是，它是针对特定任务的。一位高级工程师问第一个关于Rust的问题，在Rust方面就是新手。一个从未使用过Python的会计师，但能精确告诉Claude一个Python脚本必须强制执行哪些对账规则，并能捕捉到它在月末结账时处理错误的边缘情况，那么在这个任务上就是专家。

下表显示了我们在分类器中如何定义每个专业水平，以及来自编码智能体会话公共数据集[SWE-chat](https://huggingface.co/datasets/SALT-NLP/SWE-chat)的示例请求。被归类为"新手"的对话给出了通用指令，没有隐含的领域特定知识。"专家"对话则传达了对代码库和技术环境的深入了解。

我们量化了专业水平与Claude每个提示的输出和活动之间的关系。在典型的新手会话中，每个提示触发大约5个Claude行动和大约600个单词的输出，而专家会话触发的行动链长度是前者的两倍多（12个行动），输出量是前者的五倍（3200个单词）（图3）。新手和专家会话之间的这种差距出现在每种类型的工作和每个任务价值区间内。

这些度量补充了我们[之前关于Claude Code的报告](https://www.anthropic.com/research/measuring-agent-autonomy)中的自主性度量，该报告追踪了智能体运行的时间以及人们自动批准其行动的频率。相比之下，我们的决策归属度量捕捉的是在整个会话中谁做出了实质性决策，而我们每个提示的输出和行动度量则衡量每个人类提示触发了Claude多少自主活动。

## 谁在使用Claude Code，以及用来做什么

### 用户

为了理解谁在做这些工作，我们从会话记录中推断每个用户的职业，将其映射到劳工统计局标准职业分类（SOC）体系中的23个主要组别之一。分类器被指示仅依赖以下信号：会话开始时智能体加载的项目上下文、文件的名称和结构、他们引用的任何工件（例如法律文件、临床数据、财务报告、课程等）以及他们使用的词汇⁷。它被明确指示不要将编码行为视为编码职业的证据。只有当有明确信号表明软件或数据工作是用户的工作时，会话才会被分类到编码SOC代码（计算机和数学职业）。一个律师构建脚本来自动标记合同文件夹中缺失条款的会话会被映射到法律职业，即使该会话的工作主要是软件。当没有关于用户职业的信号时，会话保持未分类状态。

我们能够推断出大约70%会话中的职业。在这个集合中，计算机和数学职业（这个类别涵盖了大多数与软件相关的工作）不出意外是最大的群体。接下来最大的是商业和金融运营；艺术、设计和媒体；管理；以及生命、物理和社会科学。在我们样本中增长最快的非软件职业群体是管理、销售和法律职业。

### 工作

从2025年10月到2026年4月，用Claude Code完成的工作构成发生了显著变化。最明显的变化是用于修复损坏代码的会话比例从33%下降到19%（图4）。取而代之的是，我们看到围绕代码的工作比例增加了。操作软件从会话的14%增长到21%。编写和数据分析大约翻了一番，从约10%增长到会话的20%。

任务本身也变得更加有价值。我们通过询问在自由职业市场上完成这项工作需要多少费用来估算每个会话的经济价值，并对照真实招聘信息的公共数据集进行校准。根据这个度量，平均会话的估算价值在10月到4月之间上升了27%。这种上升在许多类型的工作中都存在。构建、操作和修复类型的任务都变得更加有价值，大约增长了三分之一或更多（分别约为43%、34%和32%）。这些价格估算比较粗略，所以我们主要用它们来比较不同任务随时间的变化，而不是作为字面意义上的美元价值⁸。关于任务估算器的构建细节，请参见[附录](https://cdn.sanity.io/files/4zrzovbb/website/a94728142a45694292336165947f8d6e3e1a357e.pdf)。

## 成功取决于用户带来的东西

任务的估算价值是了解Claude Code如何帮助人们完成工作的一种方式。另一个角度是看有多少会话是成功的，以及会话的哪些特征与成功相关。在我们所有的成功度量中，我们看到了一个清晰的模式：一个人在会话中表现出的专业水平越高，成功的可能性就越大。大部分收益集中在专业水平较低的一端——新手会话和中级会话之间的差距大于中级和专家之间的差距。

在讨论成功会话的特征之前，我们需要精确说明我们如何衡量成功。我们无法观察用户的真实世界结果，也无法直接问他们是否从Claude那里得到了他们想要的东西。相反，我们依赖两种互补的基于会话记录的度量。第一种是"判断成功"，来自一个读取完整会话记录并判断用户是否成功完成了他们打算做的事情的分类器（选项：成功、部分成功、失败、没有明确目标）。然后两个配套分类器评估该判断的证据强度，以确定"验证成功"。一个成功信号分类器寻找可验证的成功证据。具体来说，它寻找与工作匹配的git活动（如提交和拉取请求），以及测试套件通过和用户的明确确认。它将会话从"无信号"到"弱信号"（1）再到"多个强信号"（5）进行评分。一个平行的失败信号对出错的证据进行评分——错误、失败的测试、重试、用户对输出提出异议。验证成功要求会话被判断为成功，并且至少有一个可验证的强成功信号。对于以下分析，我们重点关注会话的成功或失败程度，排除了被分类为"没有明确目标"的会话，这些会话约占我们完整样本的7.7%。

## 专业知识的回报

那么，哪种会话最成功？事实证明，上面描述的会话专业水平评分对会话的成功非常重要。

有人可能会担心专业水平不是真正的驱动因素——也许专家只是选择了不同的任务，或者在其他方面有所不同。在本节中，我们通过比较在同一时间、做相同类型工作、具有相同估算价值、涉及相同主题、来自相同广泛职业群体的会话，并询问结果如何根据用户的评定专业水平而变化，来部分解决这个担忧。

在我们所有的成功度量中，一个人在会话中表现出的专业水平越高，会话成功的可能性就越大。被评为新手的会话达到我们最严格的标准——验证成功——的时间占15%，至少部分成功的时间占77%。被评为中级或以上的会话达到验证成功的时间占28-33%，部分成功的时间占91-92%（图5）。

在每个度量中，大部分收益来自从新手到中级的提升；在中级和专家之间，斜率减小。在[附录](https://cdn.sanity.io/files/4zrzovbb/website/a94728142a45694292336165947f8d6e3e1a357e.pdf)中，我们提供了图5背后回归分析的详细信息。

在遇到挑战的会话中也出现了类似的梯度。当失败信号记录了可验证的失败证据时，我们说会话遇到了麻烦。这可能是一个错误、一个失败的测试、多次尝试做同一件事，或者用户表达沮丧或不满。在遇到麻烦的会话中，验证成功的比例从新手会话的4%上升到专家会话的15%，考虑了上述所有控制因素（图5）。从更宽松的度量来看，我们发现至少部分成功的比例在新手中为60%，在中级到专家会话中为80-81%。

我们还追踪了反向关系——专业水平与各种失败度量之间的关系。请注意，在这个分析中，被判断为失败的会话是那些甚至没有部分成功的会话。如果一个遇到麻烦的会话被判断为失败并且没有编写任何代码行，我们就说它被放弃了：用户看起来是新手的会话中有19%以放弃告终，而其他用户只有5-7%。换句话说，经验最少的用户在难以获得他们想要的结果时更有可能放弃。专业知识的价值部分似乎在于能够引导智能体朝着正确的方向前进⁹。

### 职业可能不如专业水平重要

从事软件相关职业的人在所有会话中达到验证成功的比例约为30%，而来自其他职业的用户达到验证成功的比例约为26%。在产生代码的会话中（即添加或修改了至少一行代码的会话），这两个数字分别是34%和29%（图6）。在我们更宽松的成功定义下，软件相关职业和其他职业之间的差距缩小了——两个群体在产生代码的会话中分别达到至少部分成功的比例为89%和88%。这个五个百分点的差距很小，并且在七个月内既没有扩大也没有缩小，即使两个群体的成功率都在提高。在产生代码的会话中，我们数据集中十大职业中的每一个在成功率上都与软件工程师相差在七个百分点以内。管理职业在验证成功方面最高，略高于软件工程职业。他们更高的验证成功率可能反映了可以转移到引导智能体的管理技能。但也可能部分反映了我们的度量：验证部分依赖于会话记录中的明确确认，而管理者在得到他们要求的东西时可能更倾向于沟通¹⁰。

## 展望未来

本报告中的结果提供了一个正在形成的图景，展示了智能编码如何放大某些形式的知识和技能，同时替代其他形式。在产生代码的会话中，每个主要职业的成功率与软件相关职业的成功率相差在几个百分点以内。看来编码智能体正在使编码背景对成功编程变得不那么重要。

同时，成功的会话更有可能表现出领域专业知识。被评为专家的会话达到验证成功的频率是评为新手的会话的两倍多，而当会话遇到麻烦时，新手放弃会话的频率是其他人的数倍。协作的形式为这个图景增添了更多色彩——领域专家能够引导Claude在每个指令下完成更多工作。因此，引导Claude走向成功的能力更多来自对领域的掌握，而不是编写代码的能力。拥有这种掌握的人，在任何领域，现在可能都能完成他们以前无法完成的技术工作。没有任何这种专业知识的人从同样的工具中获得的收益要少得多。而且收益主要来自能力，而非精通——对领域的有效掌握能获得大部分收益，而深度专业化只在此基础上增加一点点。

这些发现是初步的。与我们大多数研究一样，我们无法衡量真实世界的结果，比如会话中编写的代码是否被实际使用或之后被丢弃，或者是否产生了有经济价值的产物。此外，本报告排除的非交互式使用占了活动的很大一部分。开发一个衡量它的框架是未来工作的优先事项。我们所有对会话的分类都依赖于模型对会话记录的解读。在[附录](https://cdn.sanity.io/files/4zrzovbb/website/a94728142a45694292336165947f8d6e3e1a357e.pdf)中，我们展示了我们的分类器在预期方向上追踪独立的遥测数据，并且在大多数会话上与一个强大的参考模型一致。但分类器在大规模验证上仍然具有挑战性，而Claude Code会话增加了进一步的难度，因为它们可能太长太复杂，以至于人类标签无法作为真实标准。

本报告中的图景将随着模型、用户以及它们之间的分工变化而更新。我们希望这些度量能让我们追踪这些变化发生时的重要转变。例如，如果专业知识的回报开始随时间减少，那将表明模型开始提供用户目前带来的基本判断力，并且这些工具的收益正在扩大到领域专家之外。如果软件职业之外的用户成功完成编码会话的比例继续增长，那可能表明软件生产正在成为每个领域普通工作的一部分，而不是单一职业的产物。这些转变将改变谁从智能编码中受益以及受益多少，并将对劳动力市场中最受重视的东西产生影响。

### 附录

可在此处获取[链接](https://cdn.sanity.io/files/4zrzovbb/website/a94728142a45694292336165947f8d6e3e1a357e.pdf)。

### 引用

```
@online{hitzig2026agentic,
 author = {Zoe Hitzig and Maxim Massenkoff and Eva Lyubich and Shaoyi Zhang and Ryan Heller and Peter McCrory},
 title = {Agentic coding and persistent returns to expertise},
 date = {2026-06-16},
 year = {2026},
 url = {https://www.anthropic.com/research/claude-code-expertise},
}
```

### 致谢

感谢：Jake Eaton, Sarah Pollack, Hanah Ho, Szymon Sacher, Anton Korinek, Santi Ruiz, Kerry Persen, Ankur Rathi, Alex Tamkin, Heather Whitney, Cat Wu, Kacie Jenkins, Jennifer Martinez, Amie Rotherham, Boris Cherny, Eleanor Dorfman, Miles McCain, 以及 Jack Clark。

- [一项初步研究](https://arxiv.org/abs/2601.18341)覆盖了 12.8 万个公开代码仓库，发现截至 2025 年 10 月底，估计有 16% 到 23% 的项目检测到了编码智能体的活动。[一项后续研究](https://arxiv.org/abs/2606.07448)采用相同方法，发现在那之后创建的项目中，采用率高出两倍以上。检测编码智能体活动依赖于智能体的共同作者标签和配置文件，这很可能低估了实际使用情况。

- 注意，这里衡量的是 Claude Code 实际运行的小时数，而不是用户手动输入给 Claude 的时间。

- 此外，[Sarkar (2026)](https://suproteem.cc/agents.pdf) 和 [Baumann et al. (2026)](https://arxiv.org/abs/2604.20779) 分别通过研究 Cursor IDE 会话和公开可用的会话，提供了理解编码智能体的视角。

- 请注意，我们排除了通过第三方集成开发环境和软件开发工具包运行的 Claude Code 使用情况。因此，我们也排除了“无头”模式下的会话，即用户在命令行中通过 `claude -p "<prompt>"` 运行单个提示。我们排除这类使用，因为它在两个关键方面有所不同——其中大部分是程序化的，Claude Code 嵌入在自动化工具和流程中，而不是与用户对话；即使有用户参与，我们也无法像在我们包含的界面上那样端到端地看到用户的会话。

- 除非另有说明，本报告中的所有分类器都使用 Claude Sonnet 4.6。关于分类器的详细信息，包括其完整文本和验证结果，可以在[附录](https://cdn.sanity.io/files/4zrzovbb/website/a94728142a45694292336165947f8d6e3e1a357e.pdf)中找到。

- 每个提示对应的操作数量尾部很长。大约 2% 的会话平均每个提示超过 100 个操作，大约每 270 个会话中有 1 个平均超过 200 个操作，大约每 2,300 个会话中有 1 个平均超过 500 个操作。

- 与本报告中的所有衡量指标一样，这些推断是使用我们的隐私保护分析工具生成的。没有研究人员阅读单个对话记录，职业标签永远不会与可识别的用户关联，我们只观察超过最少不同用户数量的汇总数据。

- 我们在这里采用的估算方法旨在了解会话价值的相对差异，而不是绝对价值。美元金额基于与自由职业者市场（而非受薪工作）的比较，并最终来自 Claude Code 会话与职位发布之间的模糊匹配。由于相对估算会消除这些问题的任何一致性偏差，我们更侧重于相对估算。

- 根据是否遇到问题来筛选会话，会为不同用户选择不同的会话。专家总体上遇到问题的频率较低，因此他们遇到问题的会话很可能是在更困难的问题上——使用会话的价格估算作为会话复杂度的代理，我们发现从专业能力最低端到最高端，遇到问题的会话的平均估算价值大约翻倍。因此，恢复率差距的一部分可能反映了新手在常规问题上卡住，而专家则在具有挑战性的难题上卡住。

- 即使模型错误分类了管理者，用于判断用户可能是管理者的信号——也许是在任务委派和指定方式上——往往与更大的成功相关。换句话说，也许表现得像管理者会带来更大的成功。

## 相关内容

### 人工智能模型中双重用途知识的关闭开关

### 语言模型中的全局工作空间

新的可解释性研究揭示了 Claude 中一个新兴的心理工作空间，它持有模型输出中不会出现的内部想法。

### Anthropic 经济指数报告：节奏

在我们最新的经济指数报告中，我们首次按小时采样，以询问：人们什么时候来找 Claude？他们用它来做什么？他们如何看待人工智能对其工作的影响？

---

英文原文：[Anthropic Analyzed 400K Claude Code Sessions: Expertise Beats Coding Skill](https://www.anthropic.com/research/claude-code-expertise)