Agentic Coding 工作組成轉變

資料來源#

• Agentic coding and persistent returns to expertise

摘要#

Anthropic 400K 個工作階段研究的縱向發現是：僅僅七個月（2025 年 10 月 → 2026 年 4 月），人們使用 Claude Code 的方式便出現了可量化的轉變——從救火轉向端到端的代理式工作，而且工作的價值也提高了。最明顯的單一變化是：用於修復損壞程式碼的工作階段比例從 33% 降至 19%（除錯比例幾乎減半）。取而代之的是程式碼周邊工作的成長——操作軟體從 14% 增至 21%，而寫作＋資料分析大約翻倍，從約 10% 增至約 20%。與此同時，平均工作階段的估計經濟價值上升約 25–27%。這是從使用面觀察到的 harness shrinkage：模型能力提升後，使用者花更少時間處理失效問題，更多時間委派完整任務。

證據註記。 empirical，與 Returns to Expertise in Agentic Coding 相同的一手資料限制（Anthropic 透過 Clio＋Sonnet-4.6 分類器測量自家產品，並以遙測驗證；不包含無頭模式／SDK／IDE 的使用情況）。任務價值是刻意設計的相對代理指標——見下文。

九種工作模式#

每個工作階段都會被分類為最能描述它的單一模式。這套分類法本身值得記錄：

• 直接處理程式碼（≈56%）： 建立新程式碼（25%）、修復損壞程式碼（26%）、測試／編排（5%）
• 操作（17%）： 部署、設定、執行管線、監控
• 規劃／探索（14%）： 理解既有系統、規劃變更
• 分析／文字（13%）： 分析資料、透過文件／簡報進行溝通

分類器與自動遙測結果一致——它標記為建立／修改程式碼的工作階段中，超過 90% 確實出現了程式碼變更；這是信任其餘以逐字稿為基礎之測量結果的驗證依據。

轉變量化（2025 年 10 月 → 2026 年 4 月）#

工作模式	方向	變化
修復損壞程式碼	↓	33% → 19%
操作軟體	↑	14% → 21%
寫作＋資料分析	↑	約 10% → 約 20%

而且價值全面上升（自由工作市場代理指標）：平均工作階段＋約 27%；建立**＋43%、操作＋34%、修復＋32%**。報告強調，美元數字較為粗略，最好解讀為相對變化，而非字面上的價值。

其解讀是：反應式、低槓桿工作的時間變少了（除錯），主動式、高槓桿且更自主工作的時間變多了（操作系統、分析資料、撰寫文件）。報告明確將 Claude Code 的使用方式描述為：隨著代理嵌入非程式碼工作，可能是知識工作未來走向的預覽——寫作／分析翻倍，正是這種擴散超越程式碼的前沿。

遙測而非問卷——以及它建立的對照#

如同 Faros，這項研究從系統訊號（此處為工作階段逐字稿＋透過 Clio 取得的自動遙測）讀取行為，而非開發者的感受。但兩項遙測研究得出了感覺相反的結論，而這種對照很有啟發性：

• 本研究： 工作階段價值上升約 27%、除錯下降、成功率上升——在個別互動工作階段層級呈現樂觀圖景。
• Faros： 產出上升但品質下降（每位開發者的錯誤＋54%、每個 PR 的事件＋243%、審查時間 5 倍）——在組織 SDLC 層級呈現悲觀圖景。

這並非直接矛盾；它們測量的是不同單位與階段。Anthropic 測量的是這個工作階段是否達成目標，以及它有多大價值（工作階段內、互動式使用的代理指標，且人在迴圈中）；Faros 測量的是數週後整個組織的管線下游發生了什麼（事件、審查佇列、重新開啟的工單）。在工作階段層級為真者，可以同時在組織層級為真——「任務完成了，而且感覺有價值」與「累積的下游成本正在上升」，正是 Telemetry vs. Survey Measurement 所指出的感受生產力與系統結果之分。證據權重也不同：這是 empirical 研究遙測；Faros 則是 vendor-claim 的潛在客戶開發遙測。

相關連結#

• Harness Shrinkage as Models Improve — 除錯比例崩落，以及轉向端到端委派，是從使用資料讀出的 harness shrinkage：模型改善後，每項任務所需的鷹架／救火更少
• Acceleration Whiplash — 並列的遙測結果：此處工作階段層級的價值／成功率上升，對照彼處組織層級的品質下降；單位不同，但兩者都可能為真
• Telemetry vs. Survey Measurement — 兩項研究都測量行為而非感受；這是 Faros vendor-claim 遙測的 empirical 近親，而工作階段與組織的區分也是相同的感受與系統之分
• Returns to Expertise in Agentic Coding — 同一研究的配套發現：誰能成功，對照本頁探討的什麼正在轉變
• AI as Primary Author — 更多端到端代理式使用（操作／分析／寫作），正是作者身分轉向代理的使用面表現
• Task Time-Horizon Scaling — 能力上限提高是上游原因：更長且可靠的任務時間跨度，讓使用方式得以從修復轉向操作／分析完整工作流程
• Claude Code — 本文追蹤其使用組成的產品
• Conversation-to-Delegation Shift — OpenAI/Codex 跨族群遙測所呈現的相同「詢問→執行」轉變；本頁則是它在 Anthropic/Claude-Code、單一工具脈絡下的姊妹篇——兩個實驗室、兩項工具、同一種轉變

開放問題#

• 觀察窗口只有七個月，而價值代理指標粗略且相對。這 27% 的增幅有多少是真實的任務複雜度成長，又有多少來自分類器／市場配對的漂移？
• 研究排除了無頭模式／SDK／IDE 的使用——這是「相當大的比例」，而且可能是最自動化、最端到端的部分。納入後會加速還是逆轉組成轉變？
• 如果「修復」持續下降，原因是模型較少造成破壞，還是損壞程式碼的工作正轉移到本研究看不到的非互動式管線？

資料來源#

• Agentic coding and persistent returns to expertise — §"What people use Claude Code for"、§"The work"