返回
原文
Anthropic：Research（发表成果 · 网页）
精选
76AI 编辑部评分，满分 100

Anthropic：智能体编码中专业知识回报持续存在

2026-06-16 00:00· 62天前
AI 导读

Anthropic 基于约40万次 Claude Code 交互会话（2025年10月至2026年4月）分析发现：人类主导规划决策（做什么），Claude 主导执行决策（怎么做）。领域专业知识越强，模型每次指令完成的工作量越多。各类职业完成任务的成功率与软件工程师平均相近；领域专家成功率更高，但与中级用户差距不大。七个月间调试会话占比下降近一半，使用转向端到端智能体任务（部署运行代码、分析数据、编写非代码文档），典型任务价值平均上升约25%。

推荐理由

这份报告用40万次真实会话数据揭示了一个反直觉发现，决定Agent编码成败的，不是会不会写代码，而是对自己领域问题的理解深度。对非技术背景用AI编程的人和产品经理都是重要信号。

正文 · AI 翻译
Agentic coding and persistent returns to expertise

关键发现

  • 在先前工作的基础上，我们引入了一个研究框架，基于对2025年10月至2026年4月期间约40万个Claude Code会话的隐私保护分析，对交互式智能体编程进行探究。我们评估了任务构成、人机协作以及成功率。
  • 在典型会话中，人类做出大部分规划决策（做什么），而Claude做出大部分执行决策（怎么做）。人类为会话带来的领域专业知识越丰富，Claude每条指令完成的工作量就越大。在编程任务上，各类主要职业的用户都能取得成功——即完成用户设定的目标，并有可验证的证据（如通过测试或提交的成果）——其平均成功率与软件工程师几乎持平。
  • 人类拥有的领域专业知识越丰富，会话以成功告终的频率就越高——尽管中级用户与专家用户之间的差距并不大。在我们观察的七个月期间，用于调试的会话占比下降了近一半，使用模式也转向了更多端到端的智能体式应用：部署和运行代码、分析数据，以及编写非代码文档。
  • 在这七个月中，典型任务的价值——我们通过与自由职业平台招聘信息对比来估算——在几乎所有类型的工作中都有所提升，平均增幅约为25%。

引言

智能体编程已经蓬勃发展。自2025年底以来，涉及编程智能体活动的GitHub项目占比已翻了一番多¹，而Claude Code用户现在平均每周使用该工具达20小时²。没有正式编程经验的人能否成功引导智能体完成复杂的技术工作？这些工具的快速普及和进步对广义的知识工作又意味着什么？虽然我们尚未完全掌握这些问题的答案，但我们通过Claude Code的使用数据来寻找早期信号。

本报告基于一项隐私保护分析，研究对象为2025年10月至2026年4月期间约23.5万人的约40万次交互会话，提供了关于Claude Code在实际中如何被使用的证据。该报告建立在先前聚焦于Claude Code会话中自主性度量以及Claude Code如何改变Anthropic内部工作的研究基础之上。在此，我们引入了一个描述交互式AI编程助手使用情况的框架：正在完成何种工作、由谁完成、以及是否成功。我们重点关注通过命令行界面（CLI）、Claude.ai或Claude Code桌面应用进行的Claude Code使用情况。通过追踪随着模型能力增强，智能体编程使用方式的变化，我们可以更好地理解这些工具如何影响编程专业人士和知识工作者的劳动力市场。

随着智能体嵌入到非编程工作中，Claude Code上发生的情况可能预示着知识工作的未来走向。我们发现，Claude正在处理更复杂、更有价值的任务。与此同时，在智能体编程中仍存在明确的劳动分工：人类决定构建什么，而智能体决定如何构建。

我们还观察到证据表明，领域专业知识（而非编程熟练度）能放大该工具的有效使用。具体而言，领域专家成功频率更高，并且更容易从错误和误解中恢复。然而，专家与中级用户之间的差距并不大——这表明，具备某个领域的熟练程度，就足以让用户几乎像那些拥有深厚造诣的人一样有效地使用该工具。

这些发现让我们得以初步洞察劳动力市场可能发生的转变。在我们的数据中，成功取决于一个人对其试图解决的问题的理解程度，而非其是否接受过编程训练。如果这些模式在整个经济体中成立，那么这意味着，尽管智能体编程工具可能正在吸收一些偏重执行的工作，但它们也在奖励那些对自己工作中要解决的问题有扎实理解的人。编程智能体并非在替代领域专业知识——工作者带给智能体的理解越多，智能体能够完成的优质工作就越多。

劳动分工

人们使用Claude Code做什么

为了了解人们使用 Claude Code 的目的，我们将每个会话归类为九种工作模式之一——即最能描述该会话试图完成的单一活动。5 其中四种模式涉及直接编写或维护代码：构建新功能、修复故障、测试代码，以及编排其他智能体或自动化流水线。另一类是操作软件——部署、配置、运行流水线、监控系统。还有两类更侧重于确定要做什么：理解现有系统的工作原理，以及在实施变更前进行规划。最后两类则执行与代码无关的操作，或代码仅作为最终产品的附带部分：分析数据，以及通过演示文稿和其他基于文本的文档进行沟通。

约 56% 的会话涉及编写代码（25%）、修复代码（26%），以及测试和编排代码（5%）。操作软件占 17%，而 14% 的会话用于规划或探索，13% 用于生成分析或文本内容（图 1）。

图 1：九种工作模式。每个交互式会话被归类为最能描述其试图完成的单一模式。

我们通过让模型读取会话记录来对每个会话进行分类，然后使用我们的隐私保护分析工具，将其与每个会话自动记录的遥测数据进行核对，包括是否添加或删除了任何代码行。这两个来源具有高度一致性——例如，我们的分类器标记为创建或修改代码的会话中，超过 90% 在遥测数据中显示出代码变更。详情请参见附录。

谁来决定做什么

Claude Code 的自主性有多高？能力评估表明其上限很高且仍在提升：在 METR 的时间跨度评估等基准测试中，前沿模型现在可以自主完成需要人类花费数小时的软件任务，并一路自主克服障碍。但在实际使用中情况如何呢？在这里，我们考察了在真实会话中，人类和 Claude 各自承担了多少引导工作。

我们从两个角度探讨这个问题。首先，我们关注人们在多大程度上将决策权委托给 Claude；其次，我们观察他们赋予 Claude 多少操作。为了理解一次会话中的决策分工，我们基于会话内容构建了一个保护隐私的决策归属分类器。我们让分类器列出会话中所有有意义的决策。我们将这些决策分为规划（做什么、采用哪种方法、什么算完成）和执行（修改哪些文件、编写什么代码、使用什么语言、运行哪些命令）。然后，分类器将每个决策归属给 Claude 或用户，从而为每次会话得出两个数值：用户在规划决策中的占比和用户在执行决策中的占比。

平均而言，人们做出约 70% 的规划决策，但仅做出约 20% 的执行决策（图 2）。在实践中，智能体编程存在明确的分工——人们决定构建什么，而智能体决定如何构建。

为了理解一次会话中的操作委托情况，我们观察会话的结构而非内容。一次 Claude Code 会话涉及 Claude 与用户之间来回交替的提示词（来自用户）和操作（由 Claude 执行）——用户编写一条提示词，Claude 执行一些工作，然后用户再编写另一条提示词，如此反复。在一次典型会话中，大约有四个这样的轮次。在我们从 10 月到 4 月的历史数据中，用户发送的每条提示词平均会触发 Claude 执行约 10 个操作——有时甚至超过 100 个。在每个轮次中，Claude 会读取文件、编辑代码、运行命令，并平均输出 2,400 个单词。

Claude 在两次交互之间执行的工作量，很大程度上反映了谁在做决策。当用户保持对执行的控制权（即做出超过 80% 的执行决策）时，Claude 每个轮次执行的操作较少（约 8 个操作）。而当 Claude 掌控规划（即做出超过 80% 的规划决策）时，它执行的操作数量最多（约 16 个）。

图 2：Claude 在规划和执行决策中的占比 各会话中，Claude 而非用户做出的规划决策（做什么）和执行决策（怎么做）的占比分布。在典型会话中，用户做出约 70% 的规划决策，而 Claude 做出约 80% 的执行决策。

专业水平

根据每份对话记录，Claude 按照从新手到专家的五级量表对用户在任务中表现出的专业水平进行评分。专业水平分类器会寻找三个信号：用户描述指令的精确程度、用户要求 Claude 验证的内容，以及用户倾向于纠正 Claude 还是 Claude 倾向于纠正用户。请注意，专业水平所衡量的是与职位头衔或综合能力截然不同的东西，而且关键在于，它是针对具体任务的。一位资深工程师第一次问 Rust 相关问题时，在 Rust 方面就是新手。一位从未使用过 Python 的会计师，如果他能准确告诉 Claude 某个 Python 脚本必须强制执行哪些对账规则，并能发现该脚本在月末结账时处理不当的边界情况，那么他在该任务上就是专家。

下表展示了我们在分类器中如何定义每个专业水平，并附上了来自编码智能体会话公开数据集 SWE-chat 的示例请求。被归类为“新手”的对话给出了通用指令，未隐含任何特定领域的知识。而“专家”对话则展现了对代码库和技术环境的深入了解。

表 1：专业水平分类器 这些示例对经我们分类器标注的真实会话进行了转述、匿名化和精简。表中使用的许多会话来自编码智能体会话的公开数据集 SWE-chat。

我们量化了专业水平与 Claude 每次提示词输出和活动之间的关系。在典型的新手会话中，每个提示词会触发大约 5 次 Claude 操作和约 600 词的输出；而专家会话触发的操作链长度是前者的两倍以上（12 次操作），输出量则是前者的五倍（3200 词）（图 3）。新手会话与专家会话之间的这种差距，出现在各类工作以及各个任务价值区间中。

这些措施补充了我们此前关于 Claude Code 报告中涉及的自主性指标，该报告追踪了智能体的运行时长以及用户自动批准其操作的频率。相比之下，我们的决策归因指标捕捉的是整个会话过程中谁做出了实质性决策，而每次提示词的输出量和操作量指标则衡量了每个人类提示词触发了 Claude 多少自主活动。

图 3：对于更专业的用户，Claude 每次提示词执行的操作更多Claude 为更专业的用户生成更多操作（左侧柱状图）和每次提示词的文本输出量（右侧柱状图）。箱线图覆盖四分位距（以中位数分割）。须线表示第 5 至第 95 百分位。白色圆点为几何均值。两条上升趋势均具有统计显著性（p < 0.001），相邻层级之间的每一步同样显著，并且在控制了工作模式、任务价值、月份、职业和模型族的回归分析中仍保持显著（每提升一个专业等级，操作量增加 9%，输出量增加 13%），标准误按用户聚类。

谁在使用 Claude Code，以及用于什么目的

用户群体

为了解从事这项工作的人群，我们根据会话记录推断每位用户的职业，并将其映射到美国劳工统计局标准职业分类（SOC）体系中的 23 个主要类别之一。分类器被指示仅依赖以下信号：智能体在会话开始时加载的项目上下文、用户文件的名称和结构、用户引用的任何工件（例如法律文件、临床数据、财务报告、课程大纲等）以及使用的词汇。7 分类器被明确告知不得将编写代码的行为视为编程职业的证据。只有当存在明确信号表明软件或数据工作是用户的职业时，才会将会话归类到编程 SOC 代码（计算机与数学职业）。如果一位律师编写脚本来自动标记合同文件夹中缺失的条款，即使该会话的主要工作是软件相关，也会被归入法律职业。当没有关于用户职业的信号时，该会话将保持未分类状态。

我们能够在大约 70% 的会话中推断出用户的职业。在这些用户中，计算机与数学职业（涵盖大多数软件相关工作的类别）毫无意外地是最大的群体。其次是商业与金融运营、艺术/设计与媒体、管理，以及生命/物理/社会科学。在我们样本中，增长最快的非软件职业群体是管理、销售和法律职业。

工作内容

从 2025 年 10 月到 2026 年 4 月，使用 Claude Code 完成的工作构成发生了显著变化。最明显的变化是，用于修复损坏代码的会话占比从 33% 下降到了 19%（图 4）。取而代之的是，我们看到与代码相关的工作占比有所增加。软件运维从占会话的 14% 增长到 21%。写作和数据分析的占比大约翻了一番，从约占会话的 10% 增长到 20%。

任务本身的价值也在提升。我们通过询问在自由职业市场上完成这些工作需要多少成本，并对照一个真实招聘信息的公开数据集进行校准，来估算每次会话的经济价值。根据这一衡量标准，从 10 月到 4 月，平均每次会话的预估价值上升了 27%。这种增长在多种工作类型中都存在。构建、运维和修复类任务的价值均增长了大约三分之一或更多（分别约为 43%、34% 和 32%）。这些价格估算较为粗略，因此我们主要将其用于比较不同任务随时间的变化，而非将其视为字面意义上的美元价值。8 关于任务估算器的构建细节，请参见附录。

图 4：Claude Code 工作的构成与价值，2025 年 10 月至 2026 年 4 月。在这七个月的时间窗口内，每种工作模式下的会话占比。修复损坏代码的会话占比从 33% 下降至 19%，而软件运维、数据分析和文档编写工作的占比则有所增长。

成功取决于用户带来的条件。

任务的预估价值是了解 Claude Code 如何帮助人们完成工作的一种方式。另一个角度是观察有多少会话是成功的，以及会话的哪些特征与成功相关。在我们所有的成功衡量指标中，都看到了一个清晰的模式：用户在会话中展现的专业水平越高，成功的可能性就越大。大部分增益集中在专业水平较低的一端——新手会话与中级会话之间的差距，大于中级与专家级会话之间的差距。

在探讨成功会话的特征之前，我们应先明确如何衡量成功。我们无法观察用户在现实世界中的实际成果，也无法直接询问他们是否从 Claude 那里得到了想要的结果。因此，我们依赖两种基于会话记录的互补衡量指标。第一种是“判定成功”，由一个分类器读取完整的会话记录，并判断用户是否成功完成了他们打算做的事情（选项包括：成功、部分成功、失败、无明确目标）。随后，两个配套的分类器会评估该判断的证据强度，以确定“验证成功”。一个“成功信号分类器”会寻找可验证的成功证据。具体来说，它会查找与工作相匹配的 git 活动（如提交和拉取请求）、测试套件通过情况以及用户的明确确认。它会将会话评分从“无信号”到“弱信号”（1分）再到“多个强信号”（5分）。一个并行的“失败信号分类器”则对表明出错的证据进行评分——包括错误、测试失败、重试以及用户对输出提出异议。验证成功要求会话被判定为成功，并且至少有一个可验证的强成功信号。在以下分析中，我们重点关注会话的成功或失败程度，因此排除了被归类为“无明确目标”的会话，这类会话约占我们完整样本的 7.7%。

专业水平的回报

那么，哪种类型的会话最成功呢？事实证明，上文所述的会话专业水平评分，对会话的成功与否至关重要。

有人可能会担心，专业能力并非真正的驱动因素——也许专家只是选择了不同的任务，或者在其他方面存在差异。在本节中，我们通过比较同一类型工作、同一预估价值、同一月份、同一主题、同一大类职业人群的会话，并询问结果如何因个人的专业能力评级而异，从而部分地回应了这一担忧。

表 2：由分类器得出的成功与失败定义。这些示例对来自公开智能体编码交互数据集 SWE-chat 中的真实会话进行了释义和总结，并由我们的分类器进行了标注。

在我们所有的成功衡量指标中，一个人在会话中表现出的专业能力越强，该会话成功的可能性就越大。被评为“新手”的会话，在我们最严格的衡量标准“验证成功”中，成功率为 15%，而达到“至少部分成功”的比例为 77%。被评为“中级”或以上的会话，“验证成功”率达到 28-33%，“部分成功”率达到 91-92%（图 5）。

在各项衡量指标中，大部分提升来自于从“新手”到“中级”的跨越；从“中级”到“专家”之间，提升幅度有所减缓。在附录中，我们提供了图 5 背后回归分析的详细信息。

图 5：专业能力与会话结束方式。会话结果根据用户在任务上的专业能力评级（采用从新手到专家的五级量表）进行划分。左侧面板包含所有会话。中间和右侧面板则限定于遇到问题（失败信号 > 3）的会话，并展示了这些会话中，最终以各种成功和失败定义结束的比例。每个数据点都是一个调整后的比率——我们通过仅比较具有相同工作模式、相同任务价值区间、相同月份、相同任务主题以及相同类型用户（是否从事软件相关职业）的会话，来估算不同专业能力水平之间的差异。这些数据点背后的回归分析详情见附录。须状线表示样本均值的置信区间（在此图中，大多数区间因太小而不可见）。这些图表排除了被成功结果分类器判定为没有明确目标的会话。

在过程中遇到挑战的会话中也出现了类似的梯度。当失败信号记录了经证实的失败证据时，我们称该会话遇到了麻烦。这可能是一个错误、一次失败的测试、多次尝试做同一件事，或者用户表达了沮丧或不满。在遇到麻烦的会话中，经证实的成功会话占比从新手级会话的 4% 上升到专家级会话的 15%，这已考虑了上述所有控制变量（图 5）。从更宽松的衡量标准来看，我们发现至少取得部分成功的会话占比，新手为 60%，从中级到专家级会话则为 80-81%。

我们还追踪了反向关系——专业水平与各种失败衡量指标之间的关系。请注意，在此分析中，被判定为失败的会话是指那些甚至没有取得部分成功的会话。如果某个遇到麻烦的会话被判定为失败，并且没有编写任何代码行，我们就称其为被放弃的会话：在用户看起来是新手的会话中，有 19% 最终被放弃，而其他用户群体这一比例为 5-7%。换句话说，经验最少的用户在难以获得他们想要的结果时，更有可能放弃。专业水平的部分价值似乎在于能够引导智能体朝着正确的方向前进。9

职业可能不如专业水平重要。

软件相关职业的用户在所有会话中约有30%能达到已验证成功，而其他职业的用户这一比例约为26%。在生成代码的会话（即至少添加或修改一行代码的会话）中，这两个数字分别为34%和29%（图6）。在我们更宽松的成功定义下，软件相关职业与其他职业之间的差距缩小——在生成代码的会话中，两组用户分别有89%和88%的会话至少取得了部分成功。这五个百分点的差距很小，并且在七个月内既未扩大也未缩小，尽管两组用户的成功率都有所提升。在生成代码的会话中，我们数据集中十大职业中每一个职业的成功率与软件工程师的差距都在七个百分点以内。管理类职业的已验证成功率最高，略高于软件工程类职业。其较高的已验证成功率可能反映了可迁移至指挥智能体的管理技能。但也可能部分归因于我们的衡量方式：验证部分依赖于对话记录中的明确确认，而管理者在得到所需结果时可能更倾向于进行确认。¹⁰

图6：按推断职业划分的编码会话中已验证与判定成功率 在至少添加或修改一行代码的会话中，按用户推断的职业群体划分，满足严格成功定义（判定成功与已验证成功）的会话占比，展示十大职业群体。每个群体与软件/数学类用户（SOC代码：计算机与数学职业）的差距均在七个百分点以内。误差线为基于不同账户计算的95%置信区间。

展望未来

本报告中的结果初步描绘了智能体编码如何增强某些形式的知识与技能，同时替代其他形式。在生成代码的会话中，每个主要职业的成功率与软件相关职业的差距都在几个百分点以内。这表明，编码智能体正在使编程背景对成功编程的重要性降低。

与此同时，成功的会话更有可能展现出领域专长。被评为专家级的会话，其成功率达到新手级的两倍以上；而当会话遇到困难时，新手放弃会话的频率是其他人的数倍。协作的形态让这幅图景更加丰富——领域专家能够引导 Claude 在每次指令中完成更多工作。因此，引导 Claude 走向成功的能力更多来自对领域的掌握，而非编写代码的能力。任何领域拥有这种掌握能力的人，现在或许都能完成他们以前无法胜任的技术工作。而缺乏这种专长的人，从同一工具中获得的收益将少得多。这些收益主要来自胜任能力而非精通程度——对领域的工作性掌握就能带来大部分收益，而深度专业化在此基础上增加的收益有限。

这些发现是初步性的。与我们大多数研究一样，我们无法衡量现实世界的结果，例如会话中编写的代码是否被实际使用或后续被弃用，或者是否产生了具有经济价值的成果。此外，本报告排除的非交互式使用方式占据了相当大比例的活动。开发衡量这类使用方式的框架是未来工作的优先事项。我们对会话的所有分类都依赖于模型对对话记录的解读。在附录中，我们展示了分类器在预期方向上与独立遥测数据保持一致，并在大多数会话上与强参考模型达成一致。但分类器在大规模验证上仍然具有挑战性，而 Claude Code 会话进一步增加了难度，因为这类会话可能过于冗长和复杂，导致人工标注无法作为真实标准。

本报告中的图景将随着模型、用户以及两者之间分工的变化而持续更新。我们希望这些衡量指标能让我们追踪到这些重大转变的发生过程。例如，如果随着时间的推移，专业知识的回报率开始下降，那就表明模型正开始提供用户目前所具备的关键判断力，并且这些工具带来的收益正从领域专家扩展到更广泛的人群。如果软件行业以外的用户成功完成的编程会话比例持续增长，这可能意味着软件开发正成为各行各业日常工作的一部分，而不再是单一职业的产物。这些转变将改变谁从智能体编程中受益、受益程度如何，并对劳动力市场中最受重视的技能产生影响。

附录

可在此处获取。

引用

@online{hitzig2026agentic,
 author = {Zoe Hitzig and Maxim Massenkoff and Eva Lyubich and Shaoyi Zhang and Ryan Heller and Peter McCrory},
 title = {Agentic coding and persistent returns to expertise},
 date = {2026-06-16},
 year = {2026},
 url = {https://www.anthropic.com/research/claude-code-expertise},
}

致谢

感谢以下人员：Jake Eaton、Sarah Pollack、Hanah Ho、Szymon Sacher、Anton Korinek、Santi Ruiz、Kerry Persen、Ankur Rathi、Alex Tamkin、Heather Whitney、Cat Wu、Kacie Jenkins、Jennifer Martinez、Amie Rotherham、Boris Cherny、Eleanor Dorfman、Miles McCain 以及 Jack Clark。

脚注

  1. 第一项研究覆盖了 12.8 万个公开代码仓库，截至 2025 年 10 月底，估计有 16% 至 23% 的项目检测到了编程智能体的活动。一项采用相同方法的后续研究发现，在该时间段之后创建的项目中，采用率是前者的两倍以上。对编程智能体活动的检测依赖于智能体共同作者标签和配置文件，这很可能低估了实际使用情况。
  2. 请注意，这衡量的是 Claude Code 处于活跃运行状态的时长，而非用户向 Claude 输入内容的实际操作时间。
  3. 此外，Sarkar（2026）以及 Baumann 等人（2026）分别通过研究 Cursor IDE 会话和公开可用的会话，为理解智能体编程提供了不同的视角。
  4. 请注意，我们排除了通过第三方集成开发环境和软件开发工具包运行的 Claude Code 使用量。因此，我们也排除了用户在命令行中通过 `claude -p "<prompt>"` 运行单条提示词的“无头”模式会话。我们排除此类使用，是因为它在两个关键方面有所不同——其中大部分是程序化操作，Claude Code 被嵌入自动化工具和流水线中，而非与用户对话；即使有用户参与，我们也无法像在我们纳入的使用场景中那样，端到端地观察用户的会话过程。
  5. 除非另有说明，本报告中的所有分类器均使用 Claude Sonnet 4.6。关于这些分类器的详细信息，包括其完整文本和验证结果，可在附录中找到。
  6. 每条提示词对应的操作数量尾部很长。大约 2% 的会话平均每条提示词超过 100 个操作，约 1/270 的会话平均超过 200 个，约 1/2300 的会话平均超过 500 个。
  7. 与本报告中的所有衡量指标一样，这些推断结果均通过我们的隐私保护分析工具生成。没有研究人员会阅读单个会话记录，职业标签绝不会与可识别用户关联，我们仅观察超过最低数量不同用户的聚合数据。
  8. 我们在此采用的估算方法旨在获取会话价值的相对差异，而非绝对价值。美元金额基于与自由职业者市场（而非受薪工作）的比较，并最终源自 Claude Code 会话与职位发布之间的一种模糊匹配。由于相对估算会消除这些因素带来的任何一致性偏差，我们更侧重于相对估算。
  9. 以“遇到困难”为条件筛选，会为不同用户选出不同的会话。专家用户总体上遇到困难的频率较低，因此他们遇到的困难会话很可能涉及更棘手的问题——以会话的价格估算作为其复杂程度的代理指标，我们发现，从专业能力等级的底部到顶部，困难会话的平均估算价值大约翻倍。因此，恢复率差距的部分原因可能在于，新手在常规问题上卡住，而专家则在具有挑战性的难题上卡住。
  10. 即使模型错误分类了管理者，用于判断用户可能是管理者的信号——或许体现在任务如何被委派和指定上——往往与更高的成功率相关。换句话说，也许表现得像个管理者会带来更大的成功。

加拿大如何使用 Claude：来自 Anthropic 经济指数的发现

Claude 在不同模型和语言中的价值观

智能体Anthropic编码论文/研究

来源：Anthropic：Research（发表成果 · 网页） · anthropic.com

导出 Markdown
返回
精选AI 评分 76/100打开原文
导出 Markdown

Anthropic：智能体编码中专业知识回报持续存在

Anthropic：Research（发表成果 · 网页）·2026-06-16 00:00·62天前
AI 导读

Anthropic 基于约40万次 Claude Code 交互会话（2025年10月至2026年4月）分析发现：人类主导规划决策（做什么），Claude 主导执行决策（怎么做）。领域专业知识越强，模型每次指令完成的工作量越多。各类职业完成任务的成功率与软件工程师平均相近；领域专家成功率更高，但与中级用户差距不大。七个月间调试会话占比下降近一半，使用转向端到端智能体任务（部署运行代码、分析数据、编写非代码文档），典型任务价值平均上升约25%。

正文 · AI 翻译
Agentic coding and persistent returns to expertise

关键发现

  • 在先前工作的基础上，我们引入了一个研究框架，基于对2025年10月至2026年4月期间约40万个Claude Code会话的隐私保护分析，对交互式智能体编程进行探究。我们评估了任务构成、人机协作以及成功率。
  • 在典型会话中，人类做出大部分规划决策（做什么），而Claude做出大部分执行决策（怎么做）。人类为会话带来的领域专业知识越丰富，Claude每条指令完成的工作量就越大。在编程任务上，各类主要职业的用户都能取得成功——即完成用户设定的目标，并有可验证的证据（如通过测试或提交的成果）——其平均成功率与软件工程师几乎持平。
  • 人类拥有的领域专业知识越丰富，会话以成功告终的频率就越高——尽管中级用户与专家用户之间的差距并不大。在我们观察的七个月期间，用于调试的会话占比下降了近一半，使用模式也转向了更多端到端的智能体式应用：部署和运行代码、分析数据，以及编写非代码文档。
  • 在这七个月中，典型任务的价值——我们通过与自由职业平台招聘信息对比来估算——在几乎所有类型的工作中都有所提升，平均增幅约为25%。

引言

智能体编程已经蓬勃发展。自2025年底以来，涉及编程智能体活动的GitHub项目占比已翻了一番多¹，而Claude Code用户现在平均每周使用该工具达20小时²。没有正式编程经验的人能否成功引导智能体完成复杂的技术工作？这些工具的快速普及和进步对广义的知识工作又意味着什么？虽然我们尚未完全掌握这些问题的答案，但我们通过Claude Code的使用数据来寻找早期信号。

本报告基于一项隐私保护分析，研究对象为2025年10月至2026年4月期间约23.5万人的约40万次交互会话，提供了关于Claude Code在实际中如何被使用的证据。该报告建立在先前聚焦于Claude Code会话中自主性度量以及Claude Code如何改变Anthropic内部工作的研究基础之上。在此，我们引入了一个描述交互式AI编程助手使用情况的框架：正在完成何种工作、由谁完成、以及是否成功。我们重点关注通过命令行界面（CLI）、Claude.ai或Claude Code桌面应用进行的Claude Code使用情况。通过追踪随着模型能力增强，智能体编程使用方式的变化，我们可以更好地理解这些工具如何影响编程专业人士和知识工作者的劳动力市场。

随着智能体嵌入到非编程工作中，Claude Code上发生的情况可能预示着知识工作的未来走向。我们发现，Claude正在处理更复杂、更有价值的任务。与此同时，在智能体编程中仍存在明确的劳动分工：人类决定构建什么，而智能体决定如何构建。

我们还观察到证据表明，领域专业知识（而非编程熟练度）能放大该工具的有效使用。具体而言，领域专家成功频率更高，并且更容易从错误和误解中恢复。然而，专家与中级用户之间的差距并不大——这表明，具备某个领域的熟练程度，就足以让用户几乎像那些拥有深厚造诣的人一样有效地使用该工具。

这些发现让我们得以初步洞察劳动力市场可能发生的转变。在我们的数据中，成功取决于一个人对其试图解决的问题的理解程度，而非其是否接受过编程训练。如果这些模式在整个经济体中成立，那么这意味着，尽管智能体编程工具可能正在吸收一些偏重执行的工作，但它们也在奖励那些对自己工作中要解决的问题有扎实理解的人。编程智能体并非在替代领域专业知识——工作者带给智能体的理解越多，智能体能够完成的优质工作就越多。

劳动分工

人们使用Claude Code做什么

为了了解人们使用 Claude Code 的目的，我们将每个会话归类为九种工作模式之一——即最能描述该会话试图完成的单一活动。5 其中四种模式涉及直接编写或维护代码：构建新功能、修复故障、测试代码，以及编排其他智能体或自动化流水线。另一类是操作软件——部署、配置、运行流水线、监控系统。还有两类更侧重于确定要做什么：理解现有系统的工作原理，以及在实施变更前进行规划。最后两类则执行与代码无关的操作，或代码仅作为最终产品的附带部分：分析数据，以及通过演示文稿和其他基于文本的文档进行沟通。

约 56% 的会话涉及编写代码（25%）、修复代码（26%），以及测试和编排代码（5%）。操作软件占 17%，而 14% 的会话用于规划或探索，13% 用于生成分析或文本内容（图 1）。

图 1：九种工作模式。每个交互式会话被归类为最能描述其试图完成的单一模式。

我们通过让模型读取会话记录来对每个会话进行分类，然后使用我们的隐私保护分析工具，将其与每个会话自动记录的遥测数据进行核对，包括是否添加或删除了任何代码行。这两个来源具有高度一致性——例如，我们的分类器标记为创建或修改代码的会话中，超过 90% 在遥测数据中显示出代码变更。详情请参见附录。

谁来决定做什么

Claude Code 的自主性有多高？能力评估表明其上限很高且仍在提升：在 METR 的时间跨度评估等基准测试中，前沿模型现在可以自主完成需要人类花费数小时的软件任务，并一路自主克服障碍。但在实际使用中情况如何呢？在这里，我们考察了在真实会话中，人类和 Claude 各自承担了多少引导工作。

我们从两个角度探讨这个问题。首先，我们关注人们在多大程度上将决策权委托给 Claude；其次，我们观察他们赋予 Claude 多少操作。为了理解一次会话中的决策分工，我们基于会话内容构建了一个保护隐私的决策归属分类器。我们让分类器列出会话中所有有意义的决策。我们将这些决策分为规划（做什么、采用哪种方法、什么算完成）和执行（修改哪些文件、编写什么代码、使用什么语言、运行哪些命令）。然后，分类器将每个决策归属给 Claude 或用户，从而为每次会话得出两个数值：用户在规划决策中的占比和用户在执行决策中的占比。

平均而言，人们做出约 70% 的规划决策，但仅做出约 20% 的执行决策（图 2）。在实践中，智能体编程存在明确的分工——人们决定构建什么，而智能体决定如何构建。

为了理解一次会话中的操作委托情况，我们观察会话的结构而非内容。一次 Claude Code 会话涉及 Claude 与用户之间来回交替的提示词（来自用户）和操作（由 Claude 执行）——用户编写一条提示词，Claude 执行一些工作，然后用户再编写另一条提示词，如此反复。在一次典型会话中，大约有四个这样的轮次。在我们从 10 月到 4 月的历史数据中，用户发送的每条提示词平均会触发 Claude 执行约 10 个操作——有时甚至超过 100 个。在每个轮次中，Claude 会读取文件、编辑代码、运行命令，并平均输出 2,400 个单词。

Claude 在两次交互之间执行的工作量，很大程度上反映了谁在做决策。当用户保持对执行的控制权（即做出超过 80% 的执行决策）时，Claude 每个轮次执行的操作较少（约 8 个操作）。而当 Claude 掌控规划（即做出超过 80% 的规划决策）时，它执行的操作数量最多（约 16 个）。

图 2：Claude 在规划和执行决策中的占比 各会话中，Claude 而非用户做出的规划决策（做什么）和执行决策（怎么做）的占比分布。在典型会话中，用户做出约 70% 的规划决策，而 Claude 做出约 80% 的执行决策。

专业水平

根据每份对话记录，Claude 按照从新手到专家的五级量表对用户在任务中表现出的专业水平进行评分。专业水平分类器会寻找三个信号：用户描述指令的精确程度、用户要求 Claude 验证的内容，以及用户倾向于纠正 Claude 还是 Claude 倾向于纠正用户。请注意，专业水平所衡量的是与职位头衔或综合能力截然不同的东西，而且关键在于，它是针对具体任务的。一位资深工程师第一次问 Rust 相关问题时，在 Rust 方面就是新手。一位从未使用过 Python 的会计师，如果他能准确告诉 Claude 某个 Python 脚本必须强制执行哪些对账规则，并能发现该脚本在月末结账时处理不当的边界情况，那么他在该任务上就是专家。

下表展示了我们在分类器中如何定义每个专业水平，并附上了来自编码智能体会话公开数据集 SWE-chat 的示例请求。被归类为“新手”的对话给出了通用指令，未隐含任何特定领域的知识。而“专家”对话则展现了对代码库和技术环境的深入了解。

表 1：专业水平分类器 这些示例对经我们分类器标注的真实会话进行了转述、匿名化和精简。表中使用的许多会话来自编码智能体会话的公开数据集 SWE-chat。

我们量化了专业水平与 Claude 每次提示词输出和活动之间的关系。在典型的新手会话中，每个提示词会触发大约 5 次 Claude 操作和约 600 词的输出；而专家会话触发的操作链长度是前者的两倍以上（12 次操作），输出量则是前者的五倍（3200 词）（图 3）。新手会话与专家会话之间的这种差距，出现在各类工作以及各个任务价值区间中。

这些措施补充了我们此前关于 Claude Code 报告中涉及的自主性指标，该报告追踪了智能体的运行时长以及用户自动批准其操作的频率。相比之下，我们的决策归因指标捕捉的是整个会话过程中谁做出了实质性决策，而每次提示词的输出量和操作量指标则衡量了每个人类提示词触发了 Claude 多少自主活动。

图 3：对于更专业的用户，Claude 每次提示词执行的操作更多Claude 为更专业的用户生成更多操作（左侧柱状图）和每次提示词的文本输出量（右侧柱状图）。箱线图覆盖四分位距（以中位数分割）。须线表示第 5 至第 95 百分位。白色圆点为几何均值。两条上升趋势均具有统计显著性（p < 0.001），相邻层级之间的每一步同样显著，并且在控制了工作模式、任务价值、月份、职业和模型族的回归分析中仍保持显著（每提升一个专业等级，操作量增加 9%，输出量增加 13%），标准误按用户聚类。

谁在使用 Claude Code，以及用于什么目的

用户群体

为了解从事这项工作的人群，我们根据会话记录推断每位用户的职业，并将其映射到美国劳工统计局标准职业分类（SOC）体系中的 23 个主要类别之一。分类器被指示仅依赖以下信号：智能体在会话开始时加载的项目上下文、用户文件的名称和结构、用户引用的任何工件（例如法律文件、临床数据、财务报告、课程大纲等）以及使用的词汇。7 分类器被明确告知不得将编写代码的行为视为编程职业的证据。只有当存在明确信号表明软件或数据工作是用户的职业时，才会将会话归类到编程 SOC 代码（计算机与数学职业）。如果一位律师编写脚本来自动标记合同文件夹中缺失的条款，即使该会话的主要工作是软件相关，也会被归入法律职业。当没有关于用户职业的信号时，该会话将保持未分类状态。

我们能够在大约 70% 的会话中推断出用户的职业。在这些用户中，计算机与数学职业（涵盖大多数软件相关工作的类别）毫无意外地是最大的群体。其次是商业与金融运营、艺术/设计与媒体、管理，以及生命/物理/社会科学。在我们样本中，增长最快的非软件职业群体是管理、销售和法律职业。

工作内容

从 2025 年 10 月到 2026 年 4 月，使用 Claude Code 完成的工作构成发生了显著变化。最明显的变化是，用于修复损坏代码的会话占比从 33% 下降到了 19%（图 4）。取而代之的是，我们看到与代码相关的工作占比有所增加。软件运维从占会话的 14% 增长到 21%。写作和数据分析的占比大约翻了一番，从约占会话的 10% 增长到 20%。

任务本身的价值也在提升。我们通过询问在自由职业市场上完成这些工作需要多少成本，并对照一个真实招聘信息的公开数据集进行校准，来估算每次会话的经济价值。根据这一衡量标准，从 10 月到 4 月，平均每次会话的预估价值上升了 27%。这种增长在多种工作类型中都存在。构建、运维和修复类任务的价值均增长了大约三分之一或更多（分别约为 43%、34% 和 32%）。这些价格估算较为粗略，因此我们主要将其用于比较不同任务随时间的变化，而非将其视为字面意义上的美元价值。8 关于任务估算器的构建细节，请参见附录。

图 4：Claude Code 工作的构成与价值，2025 年 10 月至 2026 年 4 月。在这七个月的时间窗口内，每种工作模式下的会话占比。修复损坏代码的会话占比从 33% 下降至 19%，而软件运维、数据分析和文档编写工作的占比则有所增长。

成功取决于用户带来的条件。

任务的预估价值是了解 Claude Code 如何帮助人们完成工作的一种方式。另一个角度是观察有多少会话是成功的，以及会话的哪些特征与成功相关。在我们所有的成功衡量指标中，都看到了一个清晰的模式：用户在会话中展现的专业水平越高，成功的可能性就越大。大部分增益集中在专业水平较低的一端——新手会话与中级会话之间的差距，大于中级与专家级会话之间的差距。

在探讨成功会话的特征之前，我们应先明确如何衡量成功。我们无法观察用户在现实世界中的实际成果，也无法直接询问他们是否从 Claude 那里得到了想要的结果。因此，我们依赖两种基于会话记录的互补衡量指标。第一种是“判定成功”，由一个分类器读取完整的会话记录，并判断用户是否成功完成了他们打算做的事情（选项包括：成功、部分成功、失败、无明确目标）。随后，两个配套的分类器会评估该判断的证据强度，以确定“验证成功”。一个“成功信号分类器”会寻找可验证的成功证据。具体来说，它会查找与工作相匹配的 git 活动（如提交和拉取请求）、测试套件通过情况以及用户的明确确认。它会将会话评分从“无信号”到“弱信号”（1分）再到“多个强信号”（5分）。一个并行的“失败信号分类器”则对表明出错的证据进行评分——包括错误、测试失败、重试以及用户对输出提出异议。验证成功要求会话被判定为成功，并且至少有一个可验证的强成功信号。在以下分析中，我们重点关注会话的成功或失败程度，因此排除了被归类为“无明确目标”的会话，这类会话约占我们完整样本的 7.7%。

专业水平的回报

那么，哪种类型的会话最成功呢？事实证明，上文所述的会话专业水平评分，对会话的成功与否至关重要。

有人可能会担心，专业能力并非真正的驱动因素——也许专家只是选择了不同的任务，或者在其他方面存在差异。在本节中，我们通过比较同一类型工作、同一预估价值、同一月份、同一主题、同一大类职业人群的会话，并询问结果如何因个人的专业能力评级而异，从而部分地回应了这一担忧。

表 2：由分类器得出的成功与失败定义。这些示例对来自公开智能体编码交互数据集 SWE-chat 中的真实会话进行了释义和总结，并由我们的分类器进行了标注。

在我们所有的成功衡量指标中，一个人在会话中表现出的专业能力越强，该会话成功的可能性就越大。被评为“新手”的会话，在我们最严格的衡量标准“验证成功”中，成功率为 15%，而达到“至少部分成功”的比例为 77%。被评为“中级”或以上的会话，“验证成功”率达到 28-33%，“部分成功”率达到 91-92%（图 5）。

在各项衡量指标中，大部分提升来自于从“新手”到“中级”的跨越；从“中级”到“专家”之间，提升幅度有所减缓。在附录中，我们提供了图 5 背后回归分析的详细信息。

图 5：专业能力与会话结束方式。会话结果根据用户在任务上的专业能力评级（采用从新手到专家的五级量表）进行划分。左侧面板包含所有会话。中间和右侧面板则限定于遇到问题（失败信号 > 3）的会话，并展示了这些会话中，最终以各种成功和失败定义结束的比例。每个数据点都是一个调整后的比率——我们通过仅比较具有相同工作模式、相同任务价值区间、相同月份、相同任务主题以及相同类型用户（是否从事软件相关职业）的会话，来估算不同专业能力水平之间的差异。这些数据点背后的回归分析详情见附录。须状线表示样本均值的置信区间（在此图中，大多数区间因太小而不可见）。这些图表排除了被成功结果分类器判定为没有明确目标的会话。

在过程中遇到挑战的会话中也出现了类似的梯度。当失败信号记录了经证实的失败证据时，我们称该会话遇到了麻烦。这可能是一个错误、一次失败的测试、多次尝试做同一件事，或者用户表达了沮丧或不满。在遇到麻烦的会话中，经证实的成功会话占比从新手级会话的 4% 上升到专家级会话的 15%，这已考虑了上述所有控制变量（图 5）。从更宽松的衡量标准来看，我们发现至少取得部分成功的会话占比，新手为 60%，从中级到专家级会话则为 80-81%。

我们还追踪了反向关系——专业水平与各种失败衡量指标之间的关系。请注意，在此分析中，被判定为失败的会话是指那些甚至没有取得部分成功的会话。如果某个遇到麻烦的会话被判定为失败，并且没有编写任何代码行，我们就称其为被放弃的会话：在用户看起来是新手的会话中，有 19% 最终被放弃，而其他用户群体这一比例为 5-7%。换句话说，经验最少的用户在难以获得他们想要的结果时，更有可能放弃。专业水平的部分价值似乎在于能够引导智能体朝着正确的方向前进。9

职业可能不如专业水平重要。

软件相关职业的用户在所有会话中约有30%能达到已验证成功，而其他职业的用户这一比例约为26%。在生成代码的会话（即至少添加或修改一行代码的会话）中，这两个数字分别为34%和29%（图6）。在我们更宽松的成功定义下，软件相关职业与其他职业之间的差距缩小——在生成代码的会话中，两组用户分别有89%和88%的会话至少取得了部分成功。这五个百分点的差距很小，并且在七个月内既未扩大也未缩小，尽管两组用户的成功率都有所提升。在生成代码的会话中，我们数据集中十大职业中每一个职业的成功率与软件工程师的差距都在七个百分点以内。管理类职业的已验证成功率最高，略高于软件工程类职业。其较高的已验证成功率可能反映了可迁移至指挥智能体的管理技能。但也可能部分归因于我们的衡量方式：验证部分依赖于对话记录中的明确确认，而管理者在得到所需结果时可能更倾向于进行确认。¹⁰

图6：按推断职业划分的编码会话中已验证与判定成功率 在至少添加或修改一行代码的会话中，按用户推断的职业群体划分，满足严格成功定义（判定成功与已验证成功）的会话占比，展示十大职业群体。每个群体与软件/数学类用户（SOC代码：计算机与数学职业）的差距均在七个百分点以内。误差线为基于不同账户计算的95%置信区间。

展望未来

本报告中的结果初步描绘了智能体编码如何增强某些形式的知识与技能，同时替代其他形式。在生成代码的会话中，每个主要职业的成功率与软件相关职业的差距都在几个百分点以内。这表明，编码智能体正在使编程背景对成功编程的重要性降低。

与此同时，成功的会话更有可能展现出领域专长。被评为专家级的会话，其成功率达到新手级的两倍以上；而当会话遇到困难时，新手放弃会话的频率是其他人的数倍。协作的形态让这幅图景更加丰富——领域专家能够引导 Claude 在每次指令中完成更多工作。因此，引导 Claude 走向成功的能力更多来自对领域的掌握，而非编写代码的能力。任何领域拥有这种掌握能力的人，现在或许都能完成他们以前无法胜任的技术工作。而缺乏这种专长的人，从同一工具中获得的收益将少得多。这些收益主要来自胜任能力而非精通程度——对领域的工作性掌握就能带来大部分收益，而深度专业化在此基础上增加的收益有限。

这些发现是初步性的。与我们大多数研究一样，我们无法衡量现实世界的结果，例如会话中编写的代码是否被实际使用或后续被弃用，或者是否产生了具有经济价值的成果。此外，本报告排除的非交互式使用方式占据了相当大比例的活动。开发衡量这类使用方式的框架是未来工作的优先事项。我们对会话的所有分类都依赖于模型对对话记录的解读。在附录中，我们展示了分类器在预期方向上与独立遥测数据保持一致，并在大多数会话上与强参考模型达成一致。但分类器在大规模验证上仍然具有挑战性，而 Claude Code 会话进一步增加了难度，因为这类会话可能过于冗长和复杂，导致人工标注无法作为真实标准。

本报告中的图景将随着模型、用户以及两者之间分工的变化而持续更新。我们希望这些衡量指标能让我们追踪到这些重大转变的发生过程。例如，如果随着时间的推移，专业知识的回报率开始下降，那就表明模型正开始提供用户目前所具备的关键判断力，并且这些工具带来的收益正从领域专家扩展到更广泛的人群。如果软件行业以外的用户成功完成的编程会话比例持续增长，这可能意味着软件开发正成为各行各业日常工作的一部分，而不再是单一职业的产物。这些转变将改变谁从智能体编程中受益、受益程度如何，并对劳动力市场中最受重视的技能产生影响。

附录

可在此处获取。

引用

@online{hitzig2026agentic,
 author = {Zoe Hitzig and Maxim Massenkoff and Eva Lyubich and Shaoyi Zhang and Ryan Heller and Peter McCrory},
 title = {Agentic coding and persistent returns to expertise},
 date = {2026-06-16},
 year = {2026},
 url = {https://www.anthropic.com/research/claude-code-expertise},
}

致谢

感谢以下人员：Jake Eaton、Sarah Pollack、Hanah Ho、Szymon Sacher、Anton Korinek、Santi Ruiz、Kerry Persen、Ankur Rathi、Alex Tamkin、Heather Whitney、Cat Wu、Kacie Jenkins、Jennifer Martinez、Amie Rotherham、Boris Cherny、Eleanor Dorfman、Miles McCain 以及 Jack Clark。

脚注

  1. 第一项研究覆盖了 12.8 万个公开代码仓库，截至 2025 年 10 月底，估计有 16% 至 23% 的项目检测到了编程智能体的活动。一项采用相同方法的后续研究发现，在该时间段之后创建的项目中，采用率是前者的两倍以上。对编程智能体活动的检测依赖于智能体共同作者标签和配置文件，这很可能低估了实际使用情况。
  2. 请注意，这衡量的是 Claude Code 处于活跃运行状态的时长，而非用户向 Claude 输入内容的实际操作时间。
  3. 此外，Sarkar（2026）以及 Baumann 等人（2026）分别通过研究 Cursor IDE 会话和公开可用的会话，为理解智能体编程提供了不同的视角。
  4. 请注意，我们排除了通过第三方集成开发环境和软件开发工具包运行的 Claude Code 使用量。因此，我们也排除了用户在命令行中通过 `claude -p "<prompt>"` 运行单条提示词的“无头”模式会话。我们排除此类使用，是因为它在两个关键方面有所不同——其中大部分是程序化操作，Claude Code 被嵌入自动化工具和流水线中，而非与用户对话；即使有用户参与，我们也无法像在我们纳入的使用场景中那样，端到端地观察用户的会话过程。
  5. 除非另有说明，本报告中的所有分类器均使用 Claude Sonnet 4.6。关于这些分类器的详细信息，包括其完整文本和验证结果，可在附录中找到。
  6. 每条提示词对应的操作数量尾部很长。大约 2% 的会话平均每条提示词超过 100 个操作，约 1/270 的会话平均超过 200 个，约 1/2300 的会话平均超过 500 个。
  7. 与本报告中的所有衡量指标一样，这些推断结果均通过我们的隐私保护分析工具生成。没有研究人员会阅读单个会话记录，职业标签绝不会与可识别用户关联，我们仅观察超过最低数量不同用户的聚合数据。
  8. 我们在此采用的估算方法旨在获取会话价值的相对差异，而非绝对价值。美元金额基于与自由职业者市场（而非受薪工作）的比较，并最终源自 Claude Code 会话与职位发布之间的一种模糊匹配。由于相对估算会消除这些因素带来的任何一致性偏差，我们更侧重于相对估算。
  9. 以“遇到困难”为条件筛选，会为不同用户选出不同的会话。专家用户总体上遇到困难的频率较低，因此他们遇到的困难会话很可能涉及更棘手的问题——以会话的价格估算作为其复杂程度的代理指标，我们发现，从专业能力等级的底部到顶部，困难会话的平均估算价值大约翻倍。因此，恢复率差距的部分原因可能在于，新手在常规问题上卡住，而专家则在具有挑战性的难题上卡住。
  10. 即使模型错误分类了管理者，用于判断用户可能是管理者的信号——或许体现在任务如何被委派和指定上——往往与更高的成功率相关。换句话说，也许表现得像个管理者会带来更大的成功。

加拿大如何使用 Claude：来自 Anthropic 经济指数的发现

Claude 在不同模型和语言中的价值观

来源：Anthropic：Research（发表成果 · 网页）· anthropic.com