2025年10月至2026年4月间，无数开发者的终端窗口里闪烁着Claude Code的光标，有人正对着AI代理（Agent）下达指令推进项目，也有人盯着屏幕上的报错停下了脚步。Anthropic于2026年6月发布的研究没有让研究人员直接阅读单条对话，而是借助隐私保护分析工具和分类器，对这期间约23.5万人的约40万次Claude Code交互会话做了聚合分析（这是观察性研究，并未追踪生成的代码后来是否真被采用）。长期以来，科技圈流传着一种朴素的直觉：AI工具最擅长雪中送炭，把零基础的新手托举到及格线以上；至于那些经验丰富的行业老手，AI带来的加成相对有限。然而这项聚合分析却给这种流行看法泼了一盆冷水：当人类经验遇上AI代理，懂行的人用起AI来反而更强。

为什么会出现这种反直觉的现象？当写代码的门槛被AI代理进一步踏平，懂业务的行家和单纯会敲键盘的码农，究竟谁才握着未来的入场券？

为什么到了AI代理时代，老手反而比新手跑得更快？

要弄明白这件事，得先分清“聊天机器人”和“AI代理”是两码事。

早期的生成式AI像个坐在副驾驶上的实习生，你问一句，它答一句，帮你补全几行现成的代码模板。那时候，新手原本卡在基础语法上半天敲不出几行，有了现成模板自然觉得如有神助。2023年4月，美国国家经济研究局（NBER）第31161号工作论文研究了5,179名客服人员使用生成式AI助手的效果：平均每小时解决问题数提升14%，新手和低技能员工提升34%，对资深员工几乎没有影响。当时普遍的印象是，AI主要帮新手抹平了技能鸿沟。

但到了Claude Code这类AI代理手里，工具的性质变了。它不再只是给出一小段参考答案，而是像一支拎着工具箱直接进场的施工队，能自己读文件、跑测试、改配置、跨模块联动。

问题恰恰出在这里。给你一支全自动施工队，你首先得是一名称职的包工头。

新手面对AI代理时，往往不知道该怎么画图纸。他们看着AI噼里啪啦跑出一大堆操作，既看不出方向有没有跑偏，也不知道里面埋了什么暗雷，只能顺着AI的思路走，最后常常在死胡同里打转。反观那些在特定领域摸爬滚打多年的行家，心里早就有一张清晰的活地图。他们清楚业务逻辑的边界在哪里，知道哪块数据动不得、哪个接口容易出岔子。把AI代理交到懂行的人手里，就好比给老船长配上了全自动导航仪，风浪越大，老船长判断航向的本事就越值钱。

懂业务和懂写代码，在AI代理面前到底哪个更管用？

这就要说到科技圈最近津津乐道的一个分水岭了。AI Weekly对这项研究的解读把结论概括为一句话：在AI代理的实操场景下，领域经验（Domain Expertise）比编程背景更能预测成功。数据也支持这一点：在产出代码的会话中，十个最大职业群体的验证成功率都与软件工程师相差不到7个百分点。

这话听起来有点逆耳，细想却在情理之中。

过去几十年，软件工程有一道高墙叫“语法实现”。哪怕你把金融风控、医疗账单或者供应链调度的门道摸得门儿清，只要不会写C++或Python，你的行业经验就变不成软件产品，只能老老实实写需求文档，排队等工程师排期。

现在，AI代理把“把人话翻译成机器语言”这层苦力活接了过去。编码语法本身的稀缺性下降了，但定义问题、拆解目标和验收结果的难度一点没降。

一个只懂传统编程套路却不了解具体业务背景的开发者，很容易让AI写出语法漂亮却脱离实际的代码；而一个深谙行业潜规则的领域专家，即便自己手写代码的速度不算顶尖，也能精准地告诉AI代理：“这个账单结算逻辑必须先扣减州税再算折扣，否则月底对账肯定炸锅。”

在北美职场打拼的华人朋友对此恐怕感触尤深。无论是在纽约华尔街做量化风控、在波士顿药企搞生物信息分析，还是在硅谷大厂管广告投放系统，过去大家总担心自己年纪大了、刷算法题拼不过刚毕业的年轻人。如今风向变了，你脑子里攒下的那些行业踩坑史、合规红线和业务直觉，恰恰是AI代理最缺的“方向盘”。

专家和新手在指挥AI代理时，操作习惯有什么不同？

既然大家都用同一个模型、敲同一个终端窗口，为什么产出的东西天差地别？

不妨把使用AI代理的过程想象成去餐厅点菜。新手进门往往只说一句“随便，来几个招牌菜”，结果端上来的菜要么太辣要么吃不完；懂行的老饕则会直接交代后厨：“鱼要清蒸，少放酱油，火候控制在刚断生，配菜换成时令春笋。”

Anthropic的分类器从三个信号判断使用者在当前任务上的熟练度：指令是否精确、要求Claude验证什么、是用户纠正Claude还是Claude纠正用户。这里的“专家”是针对具体任务而言的：资深工程师第一次写Rust也算新手，而一位从没碰过Python、却能讲清对账规则并抓出月末边界错误的会计，在这项任务上就是专家。按这个口径，新手会话的验证成功率为15%，中级及以上为28%至33%；遇到报错等麻烦时，19%的新手会话以放弃告终，其他人只有5%至7%。

专家的每条指令能让Claude干更多活：新手每条提示平均触发约5个操作、约600词输出，专家会话则是约12个操作、约3,200词输出。不过研究也提醒，大部分提升集中在从新手到中级这一步，中级和专家之间差距不大——对业务有扎实的基本理解，就能拿到大部分好处。

资深老手用AI就一定能原地起飞吗？

话虽如此，如果我们把“懂行的人用AI更强”当成放之四海而皆准的铁律，那也未免把复杂的工程现实想得太简单了。

AI并不是在所有场景下都能让老手如虎添翼。2025年7月，评估机构METR发布的随机对照试验给盲目乐观的情绪提了个醒：16名资深开源开发者处理自己参与多年的大型代码库任务时，允许用AI反而平均多花了19%的时间。METR此后已注明这批2025年初的结果“已过时”，并在2026年2月发布了针对2025年底AI工具的新数据。

至于为什么会出现这种减速，研究团队探讨了多种可能的解释因素：例如资深开发者对自家大型开源项目的历史脉络原本就非常熟悉，而在使用AI时需要额外耗费时间去提供上下文提示、等待生成，并对AI产出的代码进行审阅、测试与返工清理。算下总账来，这些额外环节可能抵消了AI生成代码省下的时间。

METR自己也写明，这项结果不代表AI对经验较少的开发者、或在陌生代码库里干活的人同样没用。两项研究的场景并不相同：一边是老手在自己摸了多年的代码库里修问题，一边是各行各业的人指挥AI代理做新任务。

游仕觀察

过去两年，每逢大模型更新换代，舆论场上总少不了一波“某行业经验彻底归零”的焦虑营销。仿佛只要模型参数再翻几倍，人类几十年摸索出来的专业门槛就会在一夜之间灰飞烟灭。

围绕Claude Code真实会话的分析与早期各项研究放在一起看，勾勒出的却是一幅更冷静的图景：工具越聪明，对工具掌控者的眼界要求反而越高。

AI代理接管的是繁琐的执行过程，却接管不了对现实世界复杂需求的洞察，更替人背不了工程事故的黑锅。对于身处技术与业务一线的职场人来说，与其整天焦虑自己敲键盘的速度比不过机器，不如回头盘一盘自己手里到底攒下了多少别人拿不走的行业真知。毕竟，当人人手里都有一支全自动施工队的时候，决定大楼能不能立得住的，从来不是打桩机的转速，而是画图纸那个人脑子里的分寸。

---

来源