用户定方向，AI 干细活

研究把会话里的每个决策拆成两类。规划决策管「做什么、走哪条路、什么算完成」，执行决策管「改哪个文件、写什么代码、用什么语言、跑哪条命令」。再让分类器判断每个决策是人拍板还是 Claude 拍板，给每场会话算出两个数。

说白了：人定方向，AI 干细活。这个分工在会话里稳定地反复出现。

再换个角度看，把「决策」换成「动作」。一场 Claude Code 会话是人和 Claude 一来一回：用户写一条指令，Claude 就跑去干一串活，然后用户再写下一条。典型会话来回约 4 轮，历史数据里，每条用户指令平均引发约 10 个 Claude 动作，有时超过 100 个。Claude 每一轮要读文件、改代码、跑命令，平均写下约 2400 字的输出。

放权多少，基本跟着「谁做决策」走：

注：用户自己做 80% 以上执行决策时，Claude 每轮只做约 8 个动作；反过来，Claude 掌握 80% 以上规划权时，动作最多，约 16 个。

原文 Figure 2：会话中规划决策与执行决策各有多少归 Claude。典型会话里用户做约 70% 的规划决策，Claude 做约 80% 的执行决策。来源：Anthropic

怎么判断一个人是不是「专家」

这里说的「专家」，衡量的是对手头这个具体任务懂不懂，和职业头衔、会不会编程都没关系。它是任务特定的：一位资深工程师第一次问 Rust 的问题，在 Rust 这件事上就是新手；一位从没用过 Python 的会计，只要能精确说清对账规则、还能抓出 Claude 在月末结账时漏掉的特殊情况，在这件事上就是专家。

分类器给每场会话在「新手到专家」的五档量表上打分，只看三个信号：指令说得多精确、要求 Claude 去验证什么、以及是人在纠正 Claude 还是 Claude 在纠正人。

上面两段为示意，用来说明分类器看的三个信号，非原文原句。原报告的分级示例，取自公开的智能体编程会话数据集 SWE-chat，经改写、匿名、压缩后使用。

专业用户，能让 Claude 干更多活

专业度越高，同一条指令能换来的 Claude 产出越多。典型新手会话里，每条指令引发约 5 个 Claude 动作、约 600 字输出；专家会话里，动作链条翻倍到 12 个，文字产出是 5 倍，约 3200 字。

每条指令引发的 Claude 动作数

每条指令的文字产出

原文 Figure 3：用户越专业，Claude 每条指令产出的动作（左）和文字（右）越多。白点为几何平均，两条上升趋势统计上明显（p<0.001）。来源：Anthropic

专业度比编程背景更能决定成败

先说清成功怎么算。研究看不到用户真实世界的结果，也没法直接问，只能靠两把尺子读会话记录。

用这两把尺子量下来，规律很清楚：一个人在会话里表现出的专业度越高，会话越可能成功。而且大部分收益集中在量表的低端，新手到中级的差距，比中级到专家的差距更大。

那职业背景呢？研究从会话记录里推断用户职业，映射到美国劳工统计局 23 个大类。结果是，在能产出代码的会话里，职业背景的影响比想象中小得多。

（能产出代码的会话里的验证成功率）差距只有 5 个百分点，且 7 个月里没扩大也没缩小；放宽到「至少部分成功」，两组分别是 89% 和 88%。

更进一步：在能产出代码的会话里，数据集里 10 大职业全部落在软件工程师 7 个百分点以内。管理类职业的验证成功率甚至略高于软件工程师，这可能因为管理技能天然适合指挥智能体，也可能只是管理者更爱在对话里明确说「达到了」，而验证成功部分依赖这种明确确认。

原文 Figure 6：按推断职业分的验证成功率与判断成功率，仅统计产出代码的会话（10 个最大职业组）。每个组都落在软件、数学职业 7 个百分点以内。来源：Anthropic

翻车之后，专业用户更容易爬起来

专业度不只影响顺风局，在会话「翻车」时差距更明显。

下面这张图，把「验证成功率」按五档专业度铺开，你可以切换看全部会话和只看遇到困难的会话，会发现困难会话里，新手几乎垮掉，专家还能撑住。

更极端的一头是「直接放弃」，也就是会话被判为失败、而且一行代码都没写出来。这上面新手和其他人拉开得最狠：

最缺经验的用户，卡壳时放弃的比例是别人的 3 到 4 倍。专业度的一部分价值，看来就是把智能体往对的方向拽的能力。

一个口径细节：「遇到困难」这个条件，对不同人筛出的是不同的会话。专家整体上更少遇到困难，所以他们真卡住的那些会话，往往是更难的问题。用任务估值当复杂度的代理来看，翻车会话的平均估值，从专业度最低到最高翻了大约一倍。所以恢复率的差距，一部分可能是因为新手卡在常规问题上，而专家卡在硬骨头上，不全是抗挫折能力的差别。

原文 Figure 5：按用户在该任务上的专业度分的会话结局。左：全部会话；中、右：只看遇到困难（失败信号 >3）的会话。每个点都做了工作类型、任务价值、月份、主题、职业的对齐控制。来源：Anthropic

7 个月里，人们用 Claude Code 做的事变了

研究把每场会话归入九种工作模式里最贴切的一种，其中四种直接写或维护代码（建东西、修东西、测试、编排其他智能体），另外几种是运维软件、摸清系统怎么运作、动手前先规划，以及和代码无关的数据分析与写文档。7 个月里，这套构成变了。

最明显的是，花在修坏代码上的会话占比从 33% 掉到 19%，几乎腰斩。腾出来的份额，流向了代码周边的活。

运维软件（部署、配置、跑流水线、盯系统）从 14% 涨到 21%；写文档和数据分析加起来，从约 10% 翻倍到 20%。人们越来越多地把 Claude Code 用在从头到尾的完整场景，而不只是敲代码那一段。

任务本身也更值钱了。研究把每场会话对标自由职业市场的报价来估价，典型会话的估值在 7 个月里涨了约 25% 到 27%，而且几乎各类工作都在涨。

这些价格是粗略估计，只用来比较任务之间和随时间的相对变化，不能当真实美元金额直接读。

原文 Figure 4：2025 年 10 月到 2026 年 4 月，各工作模式的会话占比变化。修 bug 从 33% 降到 19%，运维、数据分析、写文档同步上升。来源：Anthropic

这些数字目前能说明什么

把这份数据能支撑的结论列一下，只说尺子量到的，不往外推。

第一，在能产出代码的会话里，各行各业的成功率都逼近软件从业者，编程背景对写代码成败的影响正在变小。第二，用得好不好，更多取决于一个人对问题本身的理解，不论他在哪个领域。第三，也是这份报告反复强调的一点：收益的大头来自「够用的熟练度」，从新手爬到中级的成功率跃升，远大于从中级到专家的那一小段。

下面这张阶梯，把「验证成功率随专业度上升」这件事画出来，前段陡、后段缓，正是这份数据里回报的形状。

需要留住的几条边界：研究看不到真实世界的结果，比如一场会话写出来的代码后来到底被用了还是丢了；本文排除的非交互使用（headless 与 API 批量）是相当大的一块，怎么衡量它是下一步的重点；所有分类都依赖 AI 模型对会话记录的阅读，大规模验证本身就难，而 Claude Code 会话又长又复杂，人工标注很难当作标准答案。

随着模型、用户和两者的分工继续变化，这幅图景会被持续更新。研究者说，往后要盯的信号包括：专业度带来的回报会不会开始下降，以及软件类以外职业的成功会话占比会不会继续增长。

把这些发现，翻成你明天怎么用

原报告到这里就结束了，它是纯数据分析，不给操作建议。但它测量「专业度」用的三个信号，反过来读，就是一份「怎么把 Claude Code 用得更顺」的清单。下面几条是从研究特征反推的用法，供你参考。

研究把会话里每个决策分成两类：「做什么」（定方向、选路线、什么算完成）和「怎么做」（改哪个文件、写什么代码、跑哪条命令）。谁拍板，一算就清楚。

一场会话里两边一来一回约 4 轮，用户每下一条指令，Claude 平均自己跑约 10 个动作（读文件、改代码、跑命令），有时超过 100 个。分工很稳，但真正的问题是：什么样的人，能让这套分工产出好结果？

研究里的「专家」不看职业、不看会不会编程，只看对手头这件事懂不懂，资深工程师第一次碰 Rust 也是新手；从没写过代码的会计，只要能说清对账规则、还能抓出 Claude 漏掉的月末特殊情况，这件事上就是专家。

按这个标准量下来：一个人越懂，会话越可能成功，而且专家能让 Claude 每条指令干更多活（新手约 5 个动作、600 字，专家约 12 个动作、3200 字）。但成功率的涨法有个形状，前面陡，后面平。

把「验证成功率」按专业度五档垫成台阶：小互从新手爬到专家，脚下垫得越来越高（做成的比例越高），但越往上每级只多垫一点点，回报的大头在「从新手到够用」这一段，不在「从够用到顶尖」。（中间三档为示意插值，实测只给出新手 15% 与中级以上 28–33%）

「成功率 15% 对 33%」太抽象。换成同样跑 100 次会话、各自能真正做成几次，就清楚了。这里的「做成」是最严的一把尺子，验证成功：不光判定成了，还得有硬证据，代码真提交、测试真跑通、或用户明说搞定。

更意外的是职业几乎不重要：能产出代码的会话里，数据集 10 大职业的成功率彼此都在软件工程师 7 个百分点以内，管理岗甚至略高。7 个月里，人们花在修 bug 上的会话从 33% 掉到 19%，省下的力气流向运维、写文档、数据分析这些端到端的活，任务估值也涨了约 25–27%（对标自由职业报价，只看相对变化，别当真金额）。