企业官网建设流程全解析

摘要：Anthropic 在 2026 年 6 月 16 日发布了对约 40 万个 Claude Code 交互会话的隐私保护分析，试图回答一个很现实的问题：当编码 Agent 能读文件、改代码、跑命令、提交结果时，人类的专业能力还重要吗？结论很有意思：Agent 正在承担更多执行工作，但真正决定成功率的，仍然是用户对问题、业务和系统上下文的理解。换句话说，AI 编程降低了写代码门槛，却提高了“会定义问题、会验收结果、会纠偏”的价值。

背景：Agent 编程从工具使用进入工作方式变化

过去我们谈 AI 编程，重点常常是补全代码、生成函数、解释报错。现在的变化更大：Claude Code、Codex、Cursor、Gemini Code Assist 等工具已经不只是回答问题，而是在一个项目里连续读代码、修改文件、运行测试、分析失败、继续修复。

这类 Agent 编程的核心变化是工作单元变长了。用户不再只让模型写一小段代码，而是交给它一个目标，比如“修复这个测试失败”“给这个服务加一个接口”“把这组数据处理成报表”。这时候，人和模型之间的分工就成为关键：谁决定做什么？谁决定怎么做？谁负责发现方向错了？

Anthropic 这份研究基于 2025 年 10 月到 2026 年 4 月之间约 40 万个 Claude Code 交互会话，覆盖约 23.5 万名用户。它不是 benchmark，而是对真实使用行为的观察，因此对研发团队理解 Agent 落地更有参考价值。

关键发现一：人决定“做什么”，Agent 决定“怎么做”

Anthropic 用分类器分析会话里的决策，把决策分为规划决策和执行决策。规划决策包括目标、方案、完成标准；执行决策包括改哪些文件、写什么代码、用什么命令、如何组织实现。

研究显示，在典型会话中，用户大约做出 70% 的规划决策，而 Claude 做出约 80% 的执行决策。也就是说，人主要控制方向，Agent 主要承担实现。

这和很多研发团队的体感一致。AI 编程最有效的用法，不是让模型“自由发挥”，也不是把它当搜索引擎，而是把它变成执行力很强的工程助手。人给出约束、上下文和验收标准，Agent 在这个范围内完成大量读写、修改和验证。

关键发现二：专业度越高，Agent 每次指令能做的事越多

研究里还有一个很重要的指标：不同专业程度的用户，每发出一条 prompt，Claude 会执行多少动作、输出多少内容。

Anthropic 发现，新手会话中，每条 prompt 通常触发约 5 个 Claude 动作和约 600 词输出；专家会话中，每条 prompt 会触发超过两倍的动作链，输出量也显著更高。文章还指出，在控制工作类型、任务价值、月份、职业和模型家族等因素后，用户专业度每提升一级，Claude 的动作量和输出量仍然显著增加。

这说明“会用 Agent”不是多写提示词模板，而是能给出高质量任务定义。专业用户知道哪些文件相关、哪些边界不能破、什么测试必须跑、什么结果才算完成。Agent 因此能更放心地展开执行，而不是在模糊指令里反复试错。

关键发现三：编码背景没那么绝对，领域理解更重要

一个很有启发的结果是：在会产生代码变更的会话中，软件相关职业和非软件职业的成功率差距并没有想象中那么大。Anthropic 报告称，主要职业类别在编码任务上的成功率与软件工程职业组相差不大。

这并不意味着软件工程能力不重要，而是说明 Agent 把一部分“把意图翻译成代码”的工作吸收掉了。对于财务、法律、运营、科研等领域的人来说，如果他们非常清楚业务规则、数据含义和验收标准，就有可能指挥 Agent 完成过去必须由程序员实现的自动化任务。

对企业研发团队来说，这会改变需求交付链路。未来一部分内部工具、数据处理脚本、报表自动化，可能由业务专家直接借助 Agent 完成。研发团队的角色会更多转向平台治理、代码质量、权限隔离、复用组件和生产化审核。

关键发现四：任务类型正在从修 bug 转向端到端工作

Anthropic 观察到，2025 年 10 月到 2026 年 4 月之间，Claude Code 会话的任务结构发生了变化：修复故障代码的比例明显下降，而运行软件、部署配置、数据分析、文档写作等更端到端的工作占比上升。

这说明 Agent 编程不只是提高 debug 效率，它正在进入软件生命周期的更多环节。一个 Agent 会话可能包含理解需求、查代码、改实现、跑测试、写说明、准备部署命令。

对研发团队的启发是：评估 Agent 工具不能只看“能不能修一道题”，还要看它能不能安全地跨越多个工程环节。权限模型、命令执行范围、测试环境、代码审查、日志留存和回滚机制，会变得越来越重要。

对研发团队的实践建议

第一，把 Agent 当作执行单元，而不是决策者。让人负责目标、约束、上下文和验收标准，让 Agent 负责搜索、修改、运行和整理。

第二，要求用户给出可验证的完成标准。例如“所有单测通过”“生成迁移脚本并 dry-run”“输出差异说明和回滚方案”。没有验收标准的任务，Agent 很容易看起来完成了，实际上留下隐患。

第三，为 Agent 建立权限边界。读代码和跑测试可以放宽，写生产配置、删除数据、推送代码、触发部署则应该有明确确认或审查流程。

第四，培训重点不要只放在提示词，而要放在任务分解、系统理解、测试设计和代码审查。真正放大 Agent 能力的是专业判断，而不是漂亮话术。

第五，关注非研发岗位的低代码/轻代码需求。业务专家未来会越来越多地借助 Agent 写脚本、分析数据和生成工具，研发团队应该提供模板、沙箱、依赖管理和安全规范。

风险与限制

这份研究依赖模型分类器分析会话，不能直接等同于真实世界业务结果。一个会话通过测试或提交代码，并不代表上线后一定正确。Claude Code 用户也不完全代表所有编程 Agent 用户，不同工具、组织和权限环境下结果可能不同。

另外，Agent 让更多人能够生成代码，也会带来新的治理问题：谁负责代码质量？谁负责安全漏洞？谁决定脚本是否可以接入生产数据？如果企业只看到效率提升，而没有补上审查和权限体系，风险会随着使用规模一起扩大。

结论

Anthropic 这项研究给研发团队的核心信号是：Agent 编程不会让专业能力消失，反而会把专业能力从“亲手实现每一行代码”迁移到“定义正确问题、约束执行路径、验证最终结果”。

未来优秀的工程师和业务专家，可能不只是写代码更快，而是能更好地指挥 Agent 完成复杂任务。企业要抓住这波效率提升，不能只采购工具，还要建设 Agent 工作流、权限边界、测试规范和代码审查机制。

参考来源

• Anthropic Research：Agentic coding and persistent returns to expertise，2026-06-16
  https://www.anthropic.com/research/claude-code-expertise
• Anthropic Claude Code 产品页
  https://www.anthropic.com/claude-code