Anthropic 研究：领域专业比写程序能力，更能决定 Claude Code 生成效果

Anthropic 分析约 40 万场 Claude Code 互动 session、约 23.5 万名用戶后发现：決定 AI coding 成敗的关鍵，不是会不会寫程式，而是对所解決问題的领域理解深度。
（前情提要：Anthropic 发布 Claude Code 经濟研究！AI 代理省钱潛力达 40 亿）
（背景補充：Anthropic 上線 AI 衝擊儀錶板：输入職业，秒查你的工作被 AI 吃掉多少？）

本文目錄

Toggle

• 一个会计師，如何成为 Claude 眼中的「專家」
• 出错后，誰能把 agent 拉回正軌
• 管理職贏过软體工程師，職业差異幾乎消失

Anthropic 在最新研究报告中，分析了约 23.5 万名用戶的樣本后发现，真正決定 AI 效果成敗的，是那个「下指令的人」有多懂自己在解決什麼问題。

一个会计師，如何成为 Claude 眼中的「專家」

Anthropic 这份研究的樣本涵蓋 2025 年 10 月到 2026 年 4 月，共约 40 万筆 Claude Code session。

报告建立了一套「任務專屬五級專业度量表」，从新手到專家。关鍵在於这个「專业度」的定義和你想的不一樣。簡單来说就是：你有多懂你要解的那个问題，而不是你有多会寫程式。

报告舉的例子很直白：一个资深工程師第一次寫 Rust，在那个任務上就算新手；反过来，一个从沒用过 Python 的会计師，只要能精確告訴 Claude 对帳規則必須滿足哪些條件、並在月結边界抓出逻辑错誤，在那个任務上就是專家。

數字差距直接说明了问題的嚴重程度。新手 session 每个 prompt 平均觸发约 5 个 Claude 动作、约 600 字产出；專家 session 觸发约 12 个动作、约 3,200 字产出，后者是前者动作的 2 倍多、输出的 5 倍。

Anthropic 的回歸分析顯示，每提升一个專业等級，Claude 的动作量增加约 9%，输出增加约 13%，控制工作型別、任務价值、月份、職业与模型版本后这个关係依然成立。

出错后，誰能把 agent 拉回正軌

成功率的數字更能说明问題。Anthropic 定義了两層成功標準：「判定成功」（分類器读完对話后判斷是否达標）与「验证成功」（需要有可查核的硬性证據，例如透过測試、git commit、用戶明確確认）。

整體而言，用戶展现的專业度越高，session 成功的机率就越高，而且大部分增幅集中在量表低端，从新手到中階的落差，比中階再爬到專家的落差更大。Anthropic 发现，專家等級 session 的验证成功率，是新手的两倍以上。

更有意思的是「出错后的修復率」。Anthropic 追蹤了那些遭遇麻煩的 session，也就是出现失敗訊號的对話。在这批 session 中，验证成功率从新手的 4% 升到專家的 15%；至少部分成功的比例，新手为 60%，中階到專家为 80-81%。

放棄率的差距也很明顯。当 session 遭遇困境时，新手有 19% 的机率直接放棄（判定失敗且零行程式碼），而其他等級僅有 5-7%。Anthropic 的解读是：领域專业的价值之一，在於当 agent 走偏时有能力把它導回正確方向。

这个发现指向一个反直覺的結論：**「懂问題」比「懂工具」更重要。**因为懂问題，才能在 Claude 給出错誤答案时知道哪裡错了；才能精確说明边界條件；才能在 agent 做出奇怪決策时立刻出聲糾正。

管理職贏过软體工程師，職业差異幾乎消失

Anthropic 的资料打破了另一个预期：職业背景並不像想像中重要。

软體相关職业整體验证成功率约 30%，其他職业约 26%。只看「有实际产出程式碼」的 session，差距拉开到 34% vs 29%，但如果放寬到「至少部分成功」，两組幾乎並列：89% vs 88%。

更值得注意的是，前十大職业中，每一个都落在软體工程師验证成功率的 7 个百分点以內。管理職的验证成功率甚至略高於软體工程師，Anthropic 的推測是：管理職擅长指派任務和设定規格的習慣，恰好迁移到了指揮 agent 上。

工作型態本身也在七个月內快速演變。修 Bug 的 session 佔比从 33% 降到 19%，幾乎砍半；操作软體（部署、设定、執行 pipeline）从 14% 升到 21%；寫作与资料分析约从 10% 翻倍到 20%。

換句話说，用戶在把 Claude Code 用於越来越多「程式周边的工作」，而不只是寫程式本身。

任務的经濟价值也同步上升。Anthropic 以 freelance 接案行情估算每场 session 的市场价值，七个月內平均上升约 27%；建構型任務上升约 43%，操作型约 34%，修復型约 32%。

Anthropic 在报告結尾提出一个值得記住的框架概念：收益来自「competence, not mastery」，簡單来说就是「夠用的掌握」，而不需要深度精通。

对一个领域有基本到中等的理解，就能拿到大部分的好處；从中階再往專家爬，成功率的斜率明顯變平。

随著 AI 工具的持续擴張，它放大的不是程式技能，而是你对问題的理解深度。不懂自己要解什麼问題的人，用更強的模型也只是在更快速地迷路。