Agentic 编程与专业技能的持续回报

Agentic coding and persistent returns to expertise

二〇二六年六月十六日 · 英文原文

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，引入了一个研究交互式agentic coding的框架。典型会话中，人类做出约70%的规划决策（做什么），Claude做出约80%的执行决策（如何做）。用户领域专业知识越多，Claude每条指令完成的工作越多。在编码任务上，各主要职业的成功率与软件工程师几乎持平。七个月内，调试会话比例下降近一半，使用转向端到端agentic方式，任务平均价值增长约25%。

主要发现

基于先前工作，我们引入了一个研究交互式 agentic coding 的框架，该框架基于对 2025 年 10 月至 2026 年 4 月间约 40 万个 Claude Code 会话的隐私保护分析。我们评估了任务构成、人机协作以及成功率。
在典型会话中，人类做出大部分规划决策（做什么），而 Claude 做出大部分执行决策（如何做）。一个人为会话带来的领域专业知识越多，Claude 每条指令完成的工作就越多。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（如通过测试或已提交的工作）——平均而言与软件工程师几乎持平。
一个人拥有的领域专业知识越多，会话以成功告终的频率就越高——尽管中级用户和专家用户之间的差距不大。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 agentic 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，平均增长约 25%。

引言

Agentic coding 已经起飞。自 2025 年底以来，有 coding agent 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 agent 完成复杂的技术工作？这些工具的快速采用和改进对更广泛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，但我们通过查看 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，提供了关于 Claude Code 在实践中如何使用的证据。它建立在先前专注于 Claude Code 会话中自主性度量以及Claude Code 如何改变 Anthropic 的工作方式的工作基础之上³。在此，我们引入一个描述交互式 AI 编码助手使用情况的框架：正在完成哪种工作、由谁完成、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 桌面应用进行的 Claude Code 使用情况⁴。通过追踪 agentic coding 使用方式如何随模型能力增强而变化，我们可以更好地理解这些工具如何影响编码专业人士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预演，因为 agent 正被嵌入非编码工作中。我们发现 Claude 正在处理更复杂、更有价值的任务。同时，agentic coding 中仍然存在明确的分工：人类决定构建什么，agent 决定如何构建。

我们还看到证据表明，领域专业知识（而非编码熟练度）能放大工具的有效使用。特别是，领域专家成功率更高，并且更容易从错误和误解中恢复。然而，专家与中级用户之间的差距不大——这表明在一个领域具备熟练度就足以几乎像那些精通该领域的人一样有效地使用该工具。

这些发现让我们初步了解了劳动力市场可能发生的转变。在我们的数据中，成功取决于一个人对试图解决问题的理解程度，而不是他们是否受过编码训练。如果这些模式在整个经济体中成立，那么这表明，虽然 agentic coding 工具可能正在吸收一些执行密集型工作，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。Coding agent 并没有取代领域专业知识——工作者带给 agent 的理解越多，agent 就能完成越多的优质工作。

分工

人们用 Claude Code 做什么

为了理解人们用 Claude Code 做什么，我们将每个会话归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 agent 或自动化流水线。另一类是_运维_软件——部署、配置、运行流水线、监控系统。两类模式更侧重于弄清楚要做什么：理解_现有系统如何工作，以及在做出更改前进行_规划。还有两类模式执行与代码无关的操作，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%）或测试和编排代码（5%）。运维软件占 17%，而 14% 的会话是规划或探索，13% 产生分析或散文（图 1）。

图 1

图 1：九种工作模式每个交互式会话被归类为最能描述其试图完成的单一模式。

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）进行检查。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。

谁来决定

Claude Code 的自主性有多高？能力评估表明其上限很高且仍在上升：在 METR 的时间跨度评估等基准测试中，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，并沿途克服障碍。但在实践中，使用情况究竟如何？在这里，我们考察在实际会话中，人类和 Claude 各自进行了多少引导。

我们从两个角度研究这个问题。首先，我们关注人类在多大程度上将_决策_委托给 Claude，其次，我们关注他们交给 Claude 多少_动作_。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、采取哪种方法、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因于 Claude 或用户，为每个会话提供两个数字：用户在规划决策中的份额和用户在执行决策中的份额。

平均而言，人类做出约 70% 的规划决策，但仅做出约 20% 的执行决策（图 2）。在实践中，agentic coding 中存在明确的分工——人类决定构建什么，agent 决定如何构建。

为了理解会话中动作的委托情况，我们查看会话的结构而非内容。一个 Claude Code 会话涉及 Claude 和用户来回交互，交换提示（来自用户）和动作（由 Claude 执行）——用户编写一个提示，Claude 去执行一些工作，然后用户再编写另一个提示，依此类推。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 个动作的链条——有时超过 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 2,400 个单词。

Claude 在两次检查之间做了多少工作，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 每轮采取的动作较少（约 8 个动作）。而当 Claude 控制规划（即做出超过 80% 的规划决策）时，它采取的动作数量最多（约 16 个）。

图 2

图 2：Claude 在规划和执行决策中的份额各会话中归因于 Claude（而非用户）的规划决策（做什么）和执行决策（如何做）份额的分布。在典型会话中，用户做出约 70% 的规划决策，而 Claude 做出约 80% 的执行决策。

专业水平

根据每个会话记录，Claude 会以五级量表（从新手到专家）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：用户如何精确地表述其指令、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_特定于任务_的。一位资深工程师第一次问 Rust 问题，在 Rust 方面就是新手。一位从未使用过 Python 的会计师，但能准确告诉 Claude 一个 Python 脚本必须强制执行哪些对账规则，并能发现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 agent 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。

图 3

表 1：专业水平分类器这些示例对由我们分类器标记的真实会话进行了释义、匿名化和压缩。表中使用的许多会话来自编码 agent 会话的公共数据集 SWE-chat。

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，每个提示会触发大约 5 个 Claude 动作和大约 600 个单词的输出，而专家会话触发的动作链长度是前者的两倍多（12 个动作），输出量是前者的五倍（3,200 个单词）（图 3）。新手和专家会话之间的这种差距出现在每种工作类型和每个任务价值区间内。

这些度量补充了我们先前关于 Claude Code 的报告中的自主性度量，后者追踪了 agent 运行的时间以及人们自动批准其动作的频率。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，而我们的每个提示的输出和动作度量则衡量了每个人类提示触发了多少来自 Claude 的自主活动。

图 4

图 3：对于更专业的用户，Claude 每个提示完成的工作更多对于更专业的用户，Claude 每个提示产生更多的动作（左柱）和文本输出（右柱）。箱线图覆盖四分位距（在中位数处分割）。须线代表第 5 到第 95 百分位数。白点是几何平均值。两个上升趋势在统计上均显著（p < 0.001），每个相邻级别的步骤也是如此，并且在控制工作模式、任务价值、月份、职业和模型系列的回归中（标准误按用户聚类），它们仍然显著（每个专业水平动作增加 9%，输出增加 13%）。

谁在使用 Claude Code，以及用于什么

用户

为了理解谁在做这项工作，我们从会话记录中推断每个用户的职业，将其映射到美国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诸如 agent 在会话开始时加载的项目上下文、其文件的名称和结构、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等信号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，会话才会被归类到编码 SOC 代码（计算机和数学职业）。如果一个律师构建了一个脚本来自动标记合同文件夹中缺失的条款，那么即使会话的工作主要是软件，也会被映射到法律职业。当没有关于用户职业的信号时，会话将保持未分类状态。

我们能够推断出约 70% 会话中的职业。在这组会话中，计算机和数学职业（该类别涵盖大多数与软件相关的工作）不出意外是最大的群体。接下来是商业和金融运营；艺术、设计、媒体；管理；以及生命、物理和社会科学。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，使用 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份额增加。运维软件从 14% 增长到 21%。编写和数据分析大约翻了一番，从约 10% 增长到 20%。

任务本身也变得更加有价值。我们通过询问工作在自由职业市场上的成本来估算每个会话的经济价值，并根据真实招聘信息的公共数据集进行校准。根据这一度量，平均会话的估计价值在 10 月到 4 月间增长了 27%。这种增长在多种类型的工作中都存在。构建、运维和修复类型的任务价值都增长了大约三分之一或更多（分别约为 43%、34% 和 32%）。这些价格估算比较粗略，因此我们主要用它们来比较不同时间点的任务，而不是作为字面意义上的美元价值⁸。关于任务估算器构建的详细信息，请参见附录。

图 5

图 4：Claude Code 工作的构成和价值，2025 年 10 月至 2026 年 4 月七个月窗口内每种工作模式的会话份额。修复损坏代码的会话比例从 33% 下降到 19%，而运维软件、分析数据和编写文档的会话比例有所增长。

成功取决于用户带来的东西

任务的估计价值是了解 Claude Code 如何帮助人们完成工作的一种方式。另一个角度是查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，成功的可能性就越高。大部分增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，我们应该精确地说明我们如何衡量成功。我们无法观察到用户的真实世界结果，也无法直接询问他们是否从 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记录的度量。第一种是_判断成功_，它来自一个分类器，该分类器读取完整的记录并判断用户是否成功完成了他们打算做的事情（选项：成功、部分成功、失败、无明确目标）。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。特别是，它寻找与工作匹配的 git 活动（如提交和 pull request），以及测试套件通过和用户的明确确认。它将会话评分从“无信号”到“弱信号”（1）再到“多个强信号”（5）。一个平行的失败信号则评估事情出错的证据——错误、失败的测试、重试、用户对输出提出异议。验证成功要求_同时满足_会话被判断为成功_并且_至少有一个强可验证的成功信号。对于以下侧重于会话成功或失败程度的分析，我们排除了被分类为“无明确目标”的会话，这些会话约占我们完整样本的 7.7%。

那么，哪种会话最成功？事实证明，上述会话的专业水平评分对会话的成功至关重要。

人们可能会担心专业水平并非真正的驱动因素——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月份、同一主题、来自同一广泛职业群体的人，进行相同类型工作、具有相同估计价值的会话，并询问结果如何根据用户被评定的专业水平而变化，来部分解决这一担忧。

图 6

表 2：从分类器推导出的成功和失败定义这些示例对来自编码 agent 交互公共数据集 SWE-chat 的真实会话进行了释义和总结，并由我们的分类器标记。

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。一个被评为新手的会话达到我们最严格度量_验证成功_的概率为 15%，至少部分成功的概率为 77%。一个被评为中级或以上的会话达到验证成功的概率为 28-33%，部分成功的概率为 91-92%（图 5）。

在每个度量中，大部分增益来自从新手到中级的转变；在中级和专家之间，斜率减小。在附录中，我们提供了图 5 背后回归的详细信息。

图 7

图 5：专业水平与会话结束方式会话结果按用户在任务上的评定专业水平（从新手到专家的五级量表）划分。左图包含所有会话。中图和右图限制为遇到麻烦的会话（失败信号 > 3），并显示仍以各种成功和失败定义结束的份额。每个点都是一个调整后的比率——我们通过仅比较具有相同工作模式、相同任务价值区间、相同月份、相同任务主题和相同类型用户（是否与软件相关的职业）的会话来估计不同专业水平之间的差异。这些点背后回归的详细信息在附录中。须线是样本均值的置信区间（在此图中大多数太小而不可见）。这些图排除了被成功结果分类器判断为无明确目标的会话。

在过程中遇到挑战的会话中也出现了类似的梯度。当失败信号记录了失败的可验证证据时，我们说会话_遇到麻烦_。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，验证成功的份额从新手会话的 4% 上升到专家会话的 15%，这考虑了上述所有控制因素（图 5）。查看更宽松的度量，我们发现至少部分成功的份额对于新手是 60%，对于中级到专家会话是 80-81%。

我们还追踪了反向关系——专业水平与各种失败度量。请注意，在此分析中，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_编写的代码行数为零，我们说它被_放弃_：用户看起来是新手的会话中有 19% 以放弃告终，而其他所有人则为 5-7%。换句话说，经验最少的用户在努力获得他们想要的结果时更有可能放弃。专业水平的部分价值似乎在于能够将 agent 引导到正确的方向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（即添加或修改至少一行代码的会话）中，这两个数字分别为 34% 和 29%（图 6）。在我们较宽松的成功定义下，软件相关职业与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至少部分成功的比例分别为 89% 和 88%。这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，尽管两个群体的成功率都有所提高。在产生代码的会话中，我们数据集中十个最大的职业中，每个职业的成功率与软件工程师的差距都在七个百分点以内。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 agent 的管理技能。但它们也可能部分反映了我们的度量：验证部分依赖于记录中的明确确认，而管理者在得到他们要求的东西时可能更倾向于沟通¹⁰。

图 8

图 6：按推断职业划分的编码会话中的验证成功和判断成功率在添加或更改至少一行代码的会话中，按用户推断的职业组别划分，达到严格成功定义（判断成功和验证成功）的会话份额，针对十个最大的组别。每个组别与软件/数学用户（SOC 代码计算机和数学职业）的差距都在七个百分点以内。误差线是基于不同账户计算的 95% 置信区间。

展望未来

本报告中的结果描绘了一幅正在形成的图景，展示了 agentic coding 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都与软件相关职业的成功率相差无几。看来 coding agent 正在使编码背景对于成功的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，并且当会话遇到麻烦时，新手放弃会话的比率是其他人的数倍。协作的形式为这幅图景增添了更多色彩——领域专家能够引导 Claude 用他们给出的每条指令完成更多工作。因此，引导 Claude 走向成功的能力更多地来自对领域的掌握，而不是编写代码的能力。拥有这种掌握能力的人，在任何领域，现在都可能能够完成他们以前无法完成的技术工作。没有任何此类专业知识的人从同一个工具中获得的收益将少得多。而且收益主要来自胜任，而非精通——对领域的工作性掌握能带来大部分好处，而深度专业化在此基础上只增加了一点点。

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，例如会话中编写的代码之后是否被实际使用或丢弃，或者它是否产生了具有经济价值的产物。此外，本报告排除的非交互式使用占了活动的很大一部分。开发一个框架来衡量它是未来工作的优先事项。我们对会话的所有分类都依赖于模型对记录的解读。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达成一致。但分类器在大规模验证方面仍然具有挑战性，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 ground truth。

本报告中的图景将随着模型、用户以及它们之间分工的变化而更新。我们希望这些度量能够让我们追踪这些变化发生时的重要转变。例如，如果专业水平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的编码会话份额继续增长，那可能表明软件生产正在成为每个领域日常工作的一个部分，而不是单一职业的产物。这些转变将改变谁从 agentic coding 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。

引用

@online{hitzig2026agentic,
 author = {Zoe Hitzig and Maxim Massenkoff and Eva Lyubich 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, and Jack Clark。