很多人第一次使用编码 Agent 时，最关心的是：它会不会写代码？

Anthropic 最近发布的一份研究，把问题往前推了一步：当 Claude Code 真正进入工作现场后，人和 Agent 分别在做什么？哪些职业的人更容易成功？使用者的领域经验，会不会改变 Agent 每次指令实际完成的工作量？

这份研究基于 2025 年 10 月至 2026 年 4 月约 40 万次 Claude Code 交互会话、约 23.5 万名用户，分析任务构成、人机决策分工、使用者专长和会话结果。

它给出的核心判断很清楚：人主要决定做什么，Claude 主要决定怎么做；真正放大 Agent 产出的，不是会不会写代码，而是使用者是否理解自己要解决的问题。

— Claude Code 会话中的九类工作模式

— Agentic Coding 的真实分工：人规划、Claude 执行、专长放大行动链

这份研究关注的不是某个 benchmark 上的分数，而是互动式 Agent 在真实会话中的工作方式。研究团队把一次 Claude Code 会话看成一个完整的协作单元：用户提出目标，Claude 读取文件、编辑代码、运行命令、生成输出，用户再检查结果、追加要求或纠正方向。

研究对象覆盖 Claude Code 的命令行界面、Claude.ai 和 Claude Code 桌面应用。研究者使用隐私保护分析方法读取会话中的任务特征，同时用自动记录的遥测信息进行交叉核验，例如判断会话是否真的新增或删除了代码行。

这一区别很重要：它测量的是“人和 Agent 如何一起完成工作”，而不是“模型单独能不能完成一道题”。

研究结论先看

01典型会话中，人做了约 70% 的规划决策，Claude 做了约 80% 的执行决策。

02约 56% 的会话与直接编写、修复、测试或编排代码有关；运行软件占 17%，规划和探索占 14%，分析与非代码文本约占 13%。

03从新手到专家，单次提示触发的 Claude 行动量从约 5 次增加到约 12 次，输出量从约 600 词增加到约 3200 词。

04新手会话的严格验证成功率约为 15%，中级到专家约为 28%～33%。

052025 年 10 月到 2026 年 4 月，调试型会话占比从 33% 降到 19%，运行软件、写文档和数据分析的占比上升。

06研究估算的典型任务价值整体上升，正文中的分组估算显示平均约增长 27%；研究摘要将其概括为约 25%。

Anthropic 将会话分成九种工作模式：修复故障、构建新东西、运行软件、写文档和演示文稿、理解系统、规划改动、编排 Agent 和流水线、分析数据，以及测试代码。

其中，修复故障占 26%，构建新东西占 25%，运行软件占 17%。写文档和演示文稿占 10%，理解系统与规划改动各占 7%，编排 Agent 和分析数据各占 3%，测试代码占 2%。

这说明“编码 Agent”正在处理比写函数更宽的工作：部署服务、配置环境、监控流水线、理解旧系统、分析数据和生成非代码文档，都已经进入同一个交互式会话。

— 人和 Claude 的决策分工

人决定什么，Agent 决定怎么做

研究把决策拆成两类：

01规划决策：做什么、采用哪种方案、什么算完成。

02执行决策：修改哪些文件、写什么代码、使用什么语言、运行哪些命令。

平均来看，人做约 70% 的规划决策，但只做约 20% 的执行决策。换句话说，人仍然掌握目标、边界和完成标准，Agent 则承担大量具体实现动作。

典型会话大约有 4 个来回。每次用户提示平均会触发约 10 个 Claude 行动，有时超过 100 个；Claude 会读取文件、编辑代码、执行命令，并在每个回合输出约 2400 词。

当用户继续牢牢控制执行时，Claude 每回合大约执行 8 个动作；当 Claude 同时接管了较多规划决策时，每回合动作量会上升到约 16 个。决策权的分配，直接影响 Agent 能够连续推进多远。

研究把会话中的使用者专长分为五级，从新手到专家。这里的“专长”不是职位，也不是泛化的聪明程度，而是针对当前任务的领域理解：能否准确描述问题，是否知道该验证什么，能否发现 Agent 的错误，是否能提前指出设计取舍。

一个熟悉财务对账规则、但从未写过 Python 的会计人员，可能在财务脚本任务上被评为高专长；一个资深工程师第一次处理陌生的 Rust 代码库，也可能只是该任务的新手。

专家到底多做了什么

新手会话中，一次提示通常触发约 5 个 Claude 行动和约 600 词输出；专家会话中，一次提示触发的行动链超过 12 个，输出约 3200 词。

这不是因为专家写了更长的 Prompt，而是因为他们给出的上下文、验收标准和纠错反馈更有效。Agent 得到的不是一句模糊命令，而是一组可以持续执行的约束。

— 不同专长等级对应的 Agent 行动量和输出量

专长不是“替 Agent 做更多”，而是让 Agent 少走弯路

研究对专长的判断，重点看三个信号：用户如何精确地提出任务，要求 Claude 验证什么，以及双方谁更经常纠正对方。

新手往往只给出通用要求，例如“分析一下数据并画图”，验证也停留在“再检查一下”。专家则会指定边界、测试路径、数据口径、性能约束和潜在失败模式。这样一来，Claude 可以把更多行动用于推进任务，而不是反复澄清目标或修复方向错误。

这也是为什么“降低写代码门槛”不等于“降低领域知识价值”。代码实现被 Agent 接手之后，问题定义、取舍判断和结果验收反而更重要。

研究团队观察到，2025 年 10 月到 2026 年 4 月，会话中的工作结构发生了明显变化：

01修复故障型会话从 33% 降到 19%。

02运行软件型会话从 14% 增长到 21%。

03写文档和数据分析等非代码工作，大约从 10% 增长到 20%。

04构建新东西的会话约为 21%，沟通和协作类任务约为 20%。

这可以理解为一个工作阶段的变化：早期用户更多是在让 Agent 解决局部错误，随着使用经验和模型能力增加，任务开始向部署、运行、分析和完整交付移动。

— Claude Code 使用场景在七个月中的变化

研究还用自由职业市场上的类似工作估算任务价值。这个估算不是实际收入，也不能当作精确价格，只适合用来比较不同月份和不同任务的相对变化。结果显示，典型任务价值在大多数工作类型中都上升：构建约增长 43%，运行约增长 34%，修复约增长 32%，整体约增长 27%。

— 不同工作类型的估算任务价值变化

研究没有直接询问用户“你满意吗”，而是使用两类会话级指标：

01至少部分成功：会话部分完成了用户的主要目标。

02验证成功：完成目标，并有更硬的成功证据，例如测试通过、提交成功或推送落地。

研究同时区分“判断成功”和“验证成功”，也记录失败、验证失败和放弃。它明确提醒：这些都是基于会话文本与信号的推断，不是用户现实世界结果的直接观测。

专长对成功率的影响

在所有会话中，新手的验证成功率约为 15%，中级约为 28%，高级和专家约为 33%；至少部分成功率则从新手的 77% 上升到中级及以上的 91%～92%。

遇到错误、失败测试、重复尝试或用户表达不满的“困难会话”时，新手的验证成功率约为 4%，专家约为 15%。新手困难会话最终放弃的比例约为 19%，其他专长等级约为 5%～7%。

— 不同专长等级的成功、失败和放弃情况

这里最值得注意的不是“专家一定成功”，而是从新手跨到中级，成功率提升最大。掌握基本领域规则、知道如何验证和能够识别明显错误，可能比掌握更深的高级技巧更先决定能否把 Agent 用起来。

— 成功率与专长等级的关系

职业身份的差距反而没有想象中大

软件与数学类职业的会话，整体验证成功率约为 30%；其他职业约为 26%。如果只看真正产生代码变化的会话，两组分别约为 34% 和 29%。在更宽松的“至少部分成功”口径下，代码型会话的成功率为 89% 和 88%。

研究因此得出一个谨慎判断：在代码任务中，非软件职业并没有被系统性地挡在外面。真正重要的不是职位名称，而是用户是否理解任务所在的领域，能否提出具体要求并检查结果。

— 不同职业群体在编码任务上的成功情况

1. Prompt 工程会让位于任务建模

如果 Agent 的主要瓶颈不是“不会写代码”，而是“没有理解问题”，那么更长的万能 Prompt 并不是答案。产品应该帮助用户提供领域规则、输入材料、完成标准、验证方式和失败后的回退路径。

2. 结果面板必须展示证据，而不只是展示答案

研究把测试通过、提交落地、部署成功等信号视为更严格的成功证据。Agent 产品也应让用户看到变更文件、命令输出、测试结果、数据来源和待确认事项，而不是只给出一段看起来合理的总结。

3. 专长应该被产品化为工作流资产

专家的优势来自可复用的判断：知道检查什么、如何拆解任务、怎样识别风险。好的 Agent 系统可以把这些判断沉淀为领域模板、检查清单、技能包、验收规则和团队知识库，而不是让每个用户重新摸索。

4. 自动化程度应随任务风险变化

研究显示，当 Claude 接管更多规划决策时，每回合可以推进更多动作，但这并不意味着所有任务都应该打开全自动模式。低风险的格式化、测试和批处理可以扩大 Agent 权限；涉及生产发布、财务数据、隐私材料和不可逆变更时，仍应保留人工确认。

Anthropic 明确指出，这些结果仍然是早期信号。研究看不到现实世界中代码是否最终被使用、是否被丢弃，也排除了相当一部分非互动式使用。所有任务、专长和结果分类都依赖模型读取会话文本，虽然研究用遥测和参考模型进行了交叉验证，但分类器仍然可能出错。

此外，任务价值只是根据自由职业市场岗位做出的近似，不等于真实收入。成功也只是会话层面的成功，不等于项目上线、业务增长或长期维护成功。

更准确的结论是：编码 Agent 正在把“实现能力”扩散到更多职业，但并没有消除领域判断；它把竞争焦点从亲手写每一行代码，推向定义问题、调度执行、验证结果和承担责任。

如果未来模型继续进步，Anthropic 认为可以持续观察几个信号：专长带来的成功率差距是否缩小，非软件职业的代码任务是否继续增长，Agent 是否开始补足用户当前提供的关键判断，以及人和 Agent 的分工是否重新变化。

这份研究对普通用户的启发很直接：学习 Claude Code 的重点，不只是背命令，也不是把 Prompt 写得越来越长，而是建立一套自己的任务方法：先说清问题，再给出约束；让 Agent 执行，但要求它验证；遇到错误时定位原因，而不是简单重试。

Agent 越能做事，人的价值就越集中在三个动作上：选择值得做的问题，提供足够准确的上下文，判断结果是否真的成立。

声明：本文由山行整理自：Anthropic Research《How Claude Code is used in practice》（https://www.anthropic.com/research/claude-code-expertise），如果对您有帮助，请帮忙点赞、关注、收藏，谢谢～