原文摘要

一句话总结

Anthropic 拿 2025-10 到 2026-04 期间 40 万场 Claude Code 真实会话（含 23.5 万用户）分析发现：AI 正在降低编程门槛，但没有降低专业门槛——专家每次提示能让 Claude 触发 12 个动作输出 3200 词，新手只能触发 5 个动作输出 600 词，专业知识没贬值，反而获得了杠杆。

8 条核心观点

  1. 核心命题：AI 降低编程门槛 ≠ 降低专业门槛；不会写代码没关系，但你必须能精准表达任务、知道让 AI 验证什么、能发现纠正 AI 错误。
  2. 9 类工作模式分布：修 Bug 26% + 构建新东西 25% + 运行软件 17% + 文档演示 10% + 理解系统 7% + 规划变更 7% + 编排 Agent 3% + 数据分析 3% + 测试 2%——Claude Code 已是”完整任务链”工具。
  3. 代码结构：48% 会话主要改已有代码 + 17% 探索代码 + 14% 从零创建 + 21% 完全不碰代码——Agentic Coding 改的是”工作流”不是”写几行代码”。
  4. 70/20 决策分工：人做 70% 规划决策（做什么/什么方法/什么算完成），Claude 做 80% 执行决策（改哪些文件/写什么代码/跑什么命令）。
  5. 核心金句：”People decide what to build, and the agent decides how to build it.”
  6. 专家 3 信号（按任务而非按职位）：①精准表达任务 ②知道该让 AI 验证什么 ③能发现并纠正 AI 错误。
  7. 杠杆数据：新手 1 次提示 = 5 动作 + 600 词；专家 1 次提示 = 12 动作 + 3200 词——专家不是自己干得多，是让 AI 干得多。
  8. 任务结构变化：2025-10 → 2026-04 智能体应用正从”修 Bug 工具”演化为”端到端工作工具”。

关键参数 / 数据卡

指标 数值
分析会话数 40 万场
覆盖用户数 23.5 万
数据窗口 2025-10 ~ 2026-04
修复问题占比 26%
构建新东西占比 25%
改已有代码占比 48%
从零创建占比 14%
完全不碰代码 21%
规划决策（人） 70%
执行决策（AI） 80%
新手 1 次提示 5 动作 / 600 词
专家 1 次提示 12 动作 / 3200 词

决策树：你是哪类人

1
2
3
4
5
6
7
8
9
10

AI 时代你是哪类人？
├── 能不能精准表达任务？
│   ├── 不能 → 你的"问题描述"就是你的瓶颈
│   └── 能 ↓
├── 知道该让 AI 验证什么？
│   ├── 不知道 → 你做的是"AI 代笔"不是"AI 协作"
│   └── 知道 ↓
├── 能不能发现纠正 AI 错误？
│   ├── 不能 → 你被 AI 卖了还在帮 AI 数钱
│   └── 能 → **你是专家**（不论职位/资历/年龄）

核心金句 5 条

关联图谱

上游 / 平行（组织/Agent 落地）

下游（Seetong 团队可落地）

备注与限制