Agentic Coding and Persistent Returns to Expertise（智能体编程与专业能力的持续回报）

Agentic Coding and Persistent Returns to Expertise 是 Anthropic 于 2026 年 6 月发布的研究报告。研究用隐私保护分析工具考察了 2025 年 10 月至 2026 年 4 月约 23.5 万名用户的 40 万次 Claude Code 交互会话，试图回答三个问题：人们用编码 Agent 做什么、人和 Agent 如何分工，以及哪些会话更可能成功。

报告的核心结论不是“专长已经不重要”，而是两种能力的价值正在分化：编程职业背景对产出代码的门槛降低了，任务领域专长对正确设定目标、验证结果和排障恢复仍然重要。研究同时发现，大部分收益发生在从新手到熟练者的跃迁；从中等熟练到专家仍有收益，但增幅较小。

真实会话中的分工

研究把实质性决策分为规划与执行。规划包括做什么、采用什么方案、何时算完成；执行包括改哪些文件、写什么代码、使用什么语言和运行哪些命令。典型会话中的分工很不对称：

决策类型	人类占比	Claude 占比
规划决策	约 70%	约 30%
执行决策	约 20%	约 80%

这给 Human-Agent Teams 一个基于实际使用数据的分工基线：人主要决定“做什么、什么算完成”，Agent 主要决定“具体怎么做”。它不是固定规范，而是 2025 年 10 月至 2026 年 4 月交互式 Claude Code 会话的总体模式。

一次典型会话约有 4 轮人机往返；每条用户指令平均触发约 10 个 Claude 动作和 2,400 词输出。分布有很长的尾部：约 2% 的会话平均每条指令超过 100 个动作，约每 270 个会话有一个超过 200 个动作，每 2,300 个有一个超过 500 个动作。这说明“会话轮数少”不等于 Agent 自治程度低，单轮内部可能包含很长的 Agent Loop（智能体循环）。

判断力是怎样的可迁移能力

“人决定做什么，Agent 决定怎么做”可以进一步解释为：当具体实现越来越多地由 Agent 承担，人的杠杆点会从操作细节上移到问题定义、约束表达、验收设计和异常纠偏。这些能力不依赖 Claude Code 的某个命令，也不绑定某个模型；从 Claude Code 换到 Codex 或后续 Agent，仍然可以继续使用，因此具有跨工具、跨模型的可迁移性。

但这不是一种脱离专业知识的“万能判断力”。报告测量的是 task-specific expertise，即针对当前任务的专长。判断力至少包含四个相连部分：

判断环节	人提供什么	为什么难以只靠执行能力代替
问题定义	哪个问题值得解决，真实目标是什么	把错误问题实现得很完美仍然没有价值
约束表达	业务规则、边界条件、风险和不可违反项	这些信息常不在代码或通用模型知识里
验收设计	什么证据能证明任务完成	“能运行”不等于业务结果正确
异常纠偏	出错后应继续、换方案还是修改目标	需要区分实现错误、规格错误与环境变化

因此，更准确的表述是：领域知识与问题建模形成的判断框架可以跨实现工具迁移，但通常不能无损跨领域迁移。会计师对对账任务的判断可以跨 Python、Claude Code 和 Codex 复用，却不会自动变成 Rust 内存安全或法律合规方面的专长。Agent 降低的是把判断翻译成实现的成本，而不是让判断本身变得多余。

这也解释了报告标题中的 “persistent returns to expertise”：模型能力提高后，专业能力的回报没有消失，而是更多体现在上游选择和下游验收。与 Loop Engineering（循环工程）的关系是，Loop 扩大执行吞吐量，领域判断力决定循环优化的目标、停止条件与验证信号；执行规模越大，错误判断被放大的速度也越快。

领域专长如何放大 Agent

报告中的专长不是职位、学历或一般智力，而是针对当前任务的专长。分类器根据三类信号把用户分为五级：指令是否精确、要求了什么验证，以及用户更常纠正 Claude 还是被 Claude 纠正。一个资深工程师第一次写 Rust 仍可能是新手；一个不会 Python、但能精确说明月末对账规则并发现边界错误的会计，则可能是该任务的专家。

图表给出的差异不只是措辞更专业，而是每条指令释放出的 Agent 工作量不同：

指标	新手会话	专家会话
每条指令触发的 Claude 动作	约 5 个	约 12 个
每条指令触发的文本输出	约 600 词	约 3,200 词

控制工作模式、任务价值、月份、职业和模型家族后，专长每提高一级，动作数仍增加约 9%，输出增加约 13%，趋势与相邻等级差异均达到 p < 0.001。这支持一种“专长放大器”解释：专家不只是更容易判断答案，也能用更少的交互把更长的执行链可靠地委派出去。

成功、失败与恢复

研究没有观察代码最终是否上线或产生商业价值，而是从 transcript 构造三层成功指标：分类器判断成功或部分成功；测试通过、匹配的 commit/PR、用户明确确认等信号提供证据；“verified success”要求会话被判断成功，且至少有一个硬验证信号。约 7.7% 没有清晰目标的会话被排除在成功率分析之外。

结果	新手	中等熟练及以上 / 专家
verified success	15%	28%–33%
至少部分成功	77%	91%–92%
遇到困难后仍 verified success	4%	专家 15%
困难会话中放弃且未写代码	19%	其余等级 5%–7%

大部分提升集中在新手到中等熟练之间。遇到错误、测试失败、反复重试或用户不满时，领域专长的价值尤其表现在恢复能力上。不过报告提醒，这不是严格的因果识别：专家遇到困难的任务通常也更难；以估算价格代理复杂度时，专家困难会话的平均价值约为新手的两倍。

编程背景与领域背景

在产生代码的会话里，软件相关职业的 verified success 约为 34%，其他职业约为 29%；较宽松的至少部分成功率分别为 89% 和 88%。样本量最大的十类职业与软件/数学职业的严格成功率差距均在 7 个百分点以内。

因此，这项研究更适合支持“编码 Agent 正在降低实现技能的门槛”，而不是“任何人无需知识就能编程”。用户仍需要提供问题定义、约束、验收标准和纠错判断；变化在于这些知识不必先翻译成亲手写代码的能力。这也解释了为什么 Vibe Coding（氛围编程）在陌生领域风险更高：缺少任务专长时，用户既难以给出精确边界，也难以识别表面通过但实质错误的结果。

工作内容的变化

40 万次会话中，约 56% 用于写代码（25%）、修复代码（26%）、测试或编排（5%）；运行与部署软件占 17%，规划或探索占 14%，数据分析或写作占 13%。多数会话依附于既有代码库：48% 主要修改代码，17% 探索代码，14% 从零创建代码，约五分之一不接触代码库。

七个月内，修复故障代码的占比从 33% 降至 19%，软件运行与部署从 14% 升至 21%，写作和数据分析合计约从 10% 翻倍至 20%。用自由职业市场岗位粗略匹配的任务价值平均上升 27%；其中构建、运行和修复任务分别约上升 43%、34% 和 32%。这些估值只适合比较相对变化，不能当成任务的真实美元价格。

研究边界

样本只含 Claude Code CLI、Claude.ai 和桌面应用中的交互会话，不含第三方 IDE、SDK 和 claude -p headless 自动化；因此不能直接外推到所有编码 Agent 工作流。
专长、职业、工作模式和成功均主要由 Claude Sonnet 4.6 阅读 transcript 后分类，而不是人工逐条标注；虽与独立 telemetry 有预期一致性，长会话仍难建立可靠人工真值。
verified success 是会话内证据，不代表代码后来被采用、上线或产生经济价值。
职业只能在约 70% 的会话中推断；管理者成功率较高也可能部分来自更愿意明确确认结果，从而影响验证指标。
这是观察性研究。控制变量降低了一些混杂，但不能证明领域专长本身导致成功率上升。