写代码这件事，基本被解决了

撰文：Boris Cherny

在 Anthropic 内部，BorisCherny 被同事戏称为“Claude Code 之父”。他亲手带队做出这款深度集成大模型的编程助手，也亲身经历了从「代码自动补全」到「智能体写 100%代码」的巨大转折。

在这场面向创业者和工程师的分享中，他系统讲述了 Claude Code 的诞生故事、为什么说“codingissolved（写代码被基本解决）”，以及在这个前提下，软件行业和团队形态会发生什么变化。

从「意外项目」到现象级产品

Boris 加入 Anthropic 是 2024 年末，当时公司内部有一个类似孵化器的团队，叫做 AnthropicLabs。这个小团队后来一口气做出了 Claude Code、MCP 以及桌面应用等多个核心产品，完成使命后又解散，如今又被重新召回，进入“第二回合”。

在 2024 年的语境下，业界对「AI 写代码」的主流想象还停留在 IDE 里的「类型联想/补全」——按一下 Tab，让模型帮你补一行。Boris 的直觉是：模型的能力其实已经远远超出这种形态，真正的「产品形态」严重滞后，这就是他们内部说的「产品 overhang」。

因此，Claude Code 一开始的目标就非常激进：不是再做一个更聪明的补全，而是让智能体直接承担「写全部代码」的工作，人更多负责审阅和决策。

现实当然没有这么顺利。Claude Code 做出来的前 6 个月里几乎没人真正爱用，它勉强能写大概 10%的代码，体验非常粗糙，即使在 Anthropic 内部也只是一个实验性工具。直到 2025 年 5 月，伴随 Opus 4 模型发布后，使用曲线才真正出现指数级抬升，此后每一次模型升级（4.5、4.6、4.7）都带来明显的「再一次变好很多」的拐点。

回过头看，这个产品最特别的地方在于：它从第一天起就不是为「当前模型」设计，而是为「未来 6 个月后的下一代模型」设计。团队明知道在一段时间内不会有产品市场匹配（PMF），依然坚持先把「对的交互形态」搭好，然后静等模型追上来。

为什么说「写代码被解决了」？

在现场，Boris 直接问台下的程序员们：有谁现在还 100%手写代码？谁是 100%用 Claude Code 这样的智能体写代码？绝大多数人都在中间地带，他笑称“那就算是 50%被解决了”。

但对他自己来说，答案已经非常极端：他现在 100%的代码都由 Claude Code 生成。

Claude Code 自身的代码库完全由模型编写，技术栈是非常常规的 TypeScript+React，没有花哨的黑科技。

选择这套栈的原因之一，是在早期模型能力还不够强时，尽量使用「模型训练分布上的主流技术栈」，可以显著提高生成质量。

随着模型迭代，如今它几乎可以无障碍地学习新语言、新框架，技术栈的选择已经不再是瓶颈。

在他个人工作流中，Boris 每天可以完成几十个 PR，曾经有一天“刷”出了 150 个 PR，只是为了试试自己还能把效率推到多高；而所有这些 PR 背后真正写代码的，都是 Claude。自己扮演的是产品/架构/Reviewer的角色。

当然，他也承认，这个「100%被解决」目前只在一部分场景成立：

小而清晰、技术栈主流的代码库，已经可以完全交给模型来写。

非常庞大、历史复杂的代码库，或者冷门小众语言、极为特殊的工程环境下，大模型目前依然有明显短板。

但他的判断很简单：大多数这些短板，只是「等下一版模型」的问题。

一台手机+上千个代理：他的个人工作流

Boris 曾在社交媒体上分享过自己的开发环境，起初他没想到会引发那么多讨论，因为在他看来，那只是自己「自然演化」出的工作方式。

现在，他大部分工作甚至已经移到了手机上：打开 ClaudeApp，在左侧切换到 Code 标签页，可以看到多个并行的会话。通常他会同时维护 5～10 个会话，每个会话下面又挂着大量子代理，总数轻松达到几百个；到了晚上，甚至会有上千个代理在后台跑更长时间的任务。

支撑这个体系的关键概念，是一个看似很简单的指令：/loop。

/loop 的本质，就是让 Claude 用类似 cron 的方式，为自己安排一个「未来会自动重复执行的任务」：可以设定每分钟、每 5 分钟、每天等频率循环执行。

借助这样的 loop，他为自己搭建了一整套「自动维护系统」：

有 loop 专门「看管 PR」：修 CI、自动 rebase，保持 PR 列表干净。

有 loop 负责「维护整个项目的 CI 健康」：发现 flakytest 等问题时自动定位和修复。

有 loop 每 30 分钟从 Twitter 抓取用户反馈，并自动聚类整理，形成可直接决策的反馈摘要。

在他的描述里，loop 已经像是一种面向未来的编程原语：最简单可行的形式，却非常强大。再配合最近上线的 routines（在服务端运行的长期工作流，即便关闭电脑也会持续执行），模型可以持续在背景中推进项目进展。

团队形态：每个人都是「跨学科全才」

当一个人可以借助 AI 写 100%的代码，开发效率提高 10～100 倍，团队的组织方式自然会发生变化。

Boris 对未来团队的一个核心判断是：「跨学科的通才」会远比今天更常见。

在今天，所谓 generalist（通才）通常指的是「工程体系内的通才」——比如同一个人能管 iOS、Web、Server；而他看到的新趋势是：

通才会跨越更多职能边界，比如：工程+设计、工程+产品+数据科学、工程+财务/运营等。

在他们的 Claude Code 团队里，已经出现了这样一种状态：工程经理、产品经理、设计师、数据科学家、财务、用户研究等职位，全部都会写代码，且大量使用 Claude Code 来推进各自工作。

换句话说，每个人仍然有自己的专业纵深，但「写代码」不再是某个少数群体的特权，而是人人具备的基本能力，就像今天的 Office、PPT 技能一样普及。

这也直接指向一个更宏观的判断：软件生产力的门槛将被彻底拉低，最懂领域的人将成为最有优势的“开发者”。

例如，在做会计软件时，真正应该主导产品形态和逻辑的，未必是顶尖工程师，而是一个非常懂业务、同时能熟练驾驭 AI 写代码的会计，因为「编码」变成了相对容易的部分，「对领域的深刻理解」才是稀缺资源。

从「程序员阶层」到「全民编程」：印刷术的类比

为了说明这种转变的深度，Boris 提出了一个他最喜欢的技术史类比：AI 对软件生产的影响，很可能类似 15 世纪欧洲印刷术对文字生产的冲击。

在活字印刷术诞生之前，欧洲只有大约 10%的人具备读写能力，他们被雇佣在当时的权力结构（国王、贵族、教会）周围，承担「代读、代写」的工作。读写是一种强专业技能，大多数人终其一生都无缘接触。

印刷术出现之后的短短 50 年里，欧洲出版的文字量超过了此前一千年的总和，单本书的成本下降了约 100 倍。接下来的几百年里，随着教育体系和社会结构不断调整，全球识字率一路提高到 70%左右：读写从少数人的职业技能，变成了绝大多数人的基础能力。

Boris 的观点是：软件和编程正在经历同样的曲线，而且速度会更快。

过去写软件是一个「高度专业化、门槛极高」的职业。

接下来，写软件会变成像「会打字」「会发短信」这样普适的技能。

依然会有职业工程师和顶级系统架构师，但社会分工会彻底重塑：大量领域专家、创业者、普通职场人都能直接「和模型协作写软件」。

SaaS 会迎来「大灭绝」吗？

当 AI 让写软件这件事的成本下降 10 倍甚至 100 倍，已经存在的 SaaS 产品会发生什么？会不会迎来一场「SaaS 大灭绝」？这是 Boris 最常被问到的问题之一。

他的答案比简单的「会/不会」复杂得多，他借用了 Acquired 播客中常提到的「SevenPowers（七种商业护城河）」框架来分析。

在他看来，AI 会让某些商业护城河迅速贬值：

切换成本（SwitchingCosts）：当你可以用模型快速迁移数据、重建工作流，原先依赖复杂集成和配置建立起来的锁定效应会明显减弱。

流程能力（ProcessPower）：很多公司以流程设计、复杂工作流为竞争力，而大模型在理解和改进流程上的能力越来越强，尤其像 4.7 这种能「自动 hillclimbing（迭代优化直到达到目标）」的模型，更是擅长榨干流程中的低效空间。

与此同时，一些更底层的护城河则不会因为 AI 而消失，反而可能变得更重要：

网络效应

规模经济

稀缺资源（比如独有数据、渠道、特殊资质）等

另外一个重要趋势是：在未来 10 年，能够「凭少量人手，做出媲美大公司产品」的初创企业数量，会显著增加，可能是过去 10 年的 10 倍。

原因在于：

大公司要重构自身流程、重新培训全员使用 AI，会面临巨大惯性和内部阻力。

新团队可以从第一天起就「AI 原生」，用极少的人构建极高的价值密度，在很多细分领域对传统厂商形成降维打击。

在他眼中，这个时代对创业者和开发者非常友好——「现在可能是做产品、做创业最好的时代之一」。

Anthropic 自己是怎么「吃狗粮」的？

很多人以为，像 Anthropic 这样的模型公司，内部会提前用到「更强的秘密版本」，从而比外界领先很长一段时间。Boris 的说法恰好相反：

在模型层面，内部使用的就是和大家一样的版本（例如大量使用 Opus 4.7），少量用研究用模型 Mythos 做实验，但不会长期依赖一个「外界难以获得」的私有版本。

真正的领先优势，在他看来不在模型，而是在整个组织对 AI 的深度整合程度上。

具体来说：

公司内部已经不再有「纯手写代码」的实践，哪怕是 SQL 查询，全部由模型生成。

不同团队的 Claude 在 Slack 上彼此「聊天协作」，帮助人类工程师查缺补漏、跨团队沟通信息。

许多流程都是围绕 loop、子代理、routines 等机制重构而成，让模型持续在背景中推进工作。

也正因为如此，他认为目前最大的「差距」不在技术可获得性，而是在组织和流程设计上。对新创公司来说，这是巨大的机会：与其一点点改造旧流程，不如从第一天就按「AI 原生」的方式设计组织。

面向未来 6～12 个月的产品机会

回到产品和创业的问题：如果说几年前他看到的是「编程上的产品 overhang」，那今天他看到的下一个 overhang 在哪里？

他提到几个方向：

ClaudeDesign：一个当前已经能用，但随着模型迭代会变得更惊艳的方向。它代表了「设计工作流深度 AI 化」的雏形。

Loop/Batch/大规模并行智能体：让成百上千个任务在不同代理上同时推进，成为一种标准能力，而不是专业玩家的黑魔法。

ComputerUse（模型直接操作电脑）：通过视觉+控制能力，让模型像人一样操作本地软件，对于没有 API/MCP 的旧系统，这是一种通用解法。

这些方向的共同特征是：今天已经“勉强可用”，但真正的爆发点可能在未来一两代模型之后。

正如当年的 Claude Code 一样，有野心的团队可以从现在就开始为「未来的模型」设计产品形态，在模型追上来时抢先卡位。