|
昨天刷到一条推文，评论区吵到停不下来。 AI 提示词博主 Alex Prompter 甩出一句话： "Anthropic 研究了 23.5 万名使用 Claude Code 的人。懂自己领域的人，表现比会写代码的人更好。" 8 小时，8.8 万查看，662 个赞。评论区直接分成两派——有人说"给'人人学编程'判了死刑"，也有人骂"标题党碰瓷论文"。 但我点进去看了原始论文之后，沉默了。 论文到底说了什么？ Anthropic 在 6 月 16 日发布了一份经济研究：《Agentic Coding and Persistent Returns to Expertise》。 数据体量摆在那——40 万个真实交互会话，23.5 万独立用户，横跨 2025 年 10 月到 2026 年 4 月，整整七个月。 不是问卷，不是实验室测试，是真实用户在真实工作中使用 Claude Code 的数据。 核心发现：在 AI 编程时代，领域专长比编程能力更重要。 具体来说，在那些真正产生了代码改动的会话里，软件工程师的验证成功率是 34%，其他所有职业加在一起是 29%。 差距只有 5 个百分点。 换句话说，一个懂法律的人用 AI 写合同审查脚本，成功率跟一个写了 5 年后端的人用 AI 写业务代码，差不了多少。 程序员的护城河在变窄这个数字让我后背发凉。 论文把用户分成新手到专家五级，发现了一个关键规律： 新手：验证成功率 15%，遇到问题放弃率 19%中级：验证成功率 28%，放弃率 7% 专家：验证成功率 33%，放弃率 5% 从新手到中级这一步跨得最大。领域知识摸得够熟，就已经拿到了 AI 协作里大部分的红利。 更扎心的是，增长最快的非技术用户群体是：管理、销售、法律。 这几个职业有什么共同点？他们最清楚客户的痛点在哪，优先级该怎么排，什么算"做完了"。 这恰好是 AI 需要人类提供的那部分判断。 对了。顺嘴提一句，技术大厂，前后端 - 测试机会，全国一线及双线城市均有坑位，待遇和稳定性还不错，感兴趣看看。 我身边的真实案例我一个做法律的朋友，上个月用 Claude Code 写了一个合同风险审查工具。 她一行代码都不会写。但她知道合同里哪些条款有坑——10 年法务经验不是白混的。 她做了什么？用自然语言告诉 AI："审查这份合同，重点关注以下 12 类风险条款：违约金不对等、知识产权归属模糊、竞业限制范围过大……" AI 帮她生成了一个完整的 Python 脚本，接入 GPT-4o 做条款分析，输出风险报告。 她花了 3 天调通了整个流程。现在她们律所的初级律师都在用这个工具。 她不是程序员，但她解决了一个程序员都需要花很久才能理解的业务问题。 程序员该怎么看这件事？Hacker News 上吵得更凶。 一个 ID 叫 stult 的网友火气很大："这个分析蠢得离谱。他们把领域专长和编码专长混为一谈。懂软件开发的人更擅长软件开发，这不是废话吗？" 但另一个网友的回复更扎心："你说的对。但问题是——当 AI 能写 80% 的代码时，'懂软件开发'的定义已经变了。" 论文里有一个数据很有意思： 用户平均做了 70% 的"做什么"决策，Claude 包揽了 80% 的"怎么做"决策。 人类负责判断方向，AI 负责落地实现。 这个分工模式意味着：会不会写代码，正在从核心竞争力，变成一项被 AI 大量接管的体力活。 不是"程序员完了"，是"只会写代码完了" 我做了 7 年后端，说完全不慌是假的。 但我慌的不是"AI 会写代码"，而是我一直在用"会写代码"定义自己的价值。 论文给了一个很清晰的信号：从新手到中级这一步跨得最大。你不需要成为顶尖技术专家，但你需要在自己的领域有足够的深度——这样你才能给 AI 精确的指令，才能在 AI 犯错时知道往哪推一把。 我的下一步计划： 深耕业务理解：不再只做"接需求写代码"的执行者，而是参与产品决策 提升 AI 协作效率：学会写精确的 Prompt，让 AI 给我干更多活 建立领域壁垒：在金融 + 技术这个交叉领域积累不可替代的经验 未来的程序员不是"会写代码的人"，而是"会用 AI 解决领域问题的人"。
| 
发表于 
