💻
Claude Code负责人
编程被解决了 📖 注释版
5个AI agent同时运行、生产力提升200% · 软件工程师职位将消失
—— Anthropic Claude Code 负责人 Boris Cherny 深度访谈
Lenny's Podcast · 2026年春季特集
📖 含 35 个术语注释 + 6 个原理过程解析
🔵 蓝色虚线 = 技术工具（点击查看解释）
🟢 绿色虚线 = 产品/人物
🟠 橙色虚线 = 概念/方法论
🟣 紫色虚线 = AI模型
点击或触摸带虚线下划线的术语查看注释 👇
← 左右滑动翻页 →
代码已被完全解决
CODING IS LARGELY SOLVED
本页要点
Boris 在11月以来100%采用 Claude Code 编写，从未手动修改一行。每天提交10-30个 pull request，同时运行5个 AI agent。编程不再是瓶颈——问题是「下一步该做什么」，而非「如何编码」。
主持人
100% 的代码都是由 Claude Code 编写的，是吧？
Boris
是的，从 11 月以来我就没有手动编辑过任何一行代码。每天我会提交 10、20 甚至 30 个 pull request。这是因为我同时运行了5个 AI agent 在做不同的事情。现在的工作已经不是「如何写代码」，而是「接下来应该做什么」。
Boris
我从未像现在这样享受编码，因为我不必处理所有琐碎细节。生产力已经提升了 200%。从前的编程工作大部分是在处理样板代码和各种小细节，现在我专注于更高层的设计和决策。
编程的民主化时代
DEMOCRATIZATION OF CODING
本页要点
「应该学编程吗？」这个传统问题将在一两年内失去意义。编程民主化意味着编程变成每个人都能掌握的技能——就像学会用 Google 搜索一样。未来不是「编程工程师」消失，而是「构建者」（Builder）成为所有人的基础能力。
主持人
总有人问我，「我应该学编程吗？」。你对这个问题怎么看？
Boris
在一两年里，这个问题就不会重要了。编程在很大程度上已经被解决了。我想象一个世界，人人都能编程——任何人都可以随时构建软件。我认为到今年年底，每个人都会成为产品经理，每个人都会编码。「软件工程师」这个头衔将开始消失，被「构建者」取代。虽然这对很多人来说会很痛苦，但这是不可避免的。
AI agent的出现
THE RISE OF AI AGENTS
本页要点
Claude 不再只是被动回答问题，开始主动生成想法。它通过查看用户反馈、bug报告、遥测数据来提议修复和新功能。这正是协作工作者的表现——不是工具，而是真正的同事。
Boris
Claude 开始主动提出一些想法。它在查看反馈、bug报告、遥测数据，找出需要修复的问题和应该发布的功能。有点像一个真正的同事，而不仅仅是一个工具。
Boris
是的，我认为这会很痛苦。但这就是未来。AI 不是在替代人，而是在改变角色。产品经理将变成更像策略和品味的决策者，而不是执行者。
Cursor之后的故事
THE CURSOR INTERLUDE
本页要点
Boris 曾短暂离开 Anthropic 加入 Cursor，这段经历让他深刻理解了 IDE 和代码编辑的本质。他看到了 Claude Code 应该如何设计——不仅是集成在编辑器中的功能，而是一个完整的开发生态。
主持人
我想问一下关于 Cursor 的故事。你为什么离开，又为什么回来？
Boris
这段经历非常有价值。在 Cursor 期间，我看到了 IDE 和编码工作流程的每一个细节。我意识到 Claude Code 需要更宽阔的视野——不仅是一个 IDE 插件，而是一个完整的编程体验。当我回到 Anthropic 时，我对如何构建这个产品有了更清晰的认识。
Claude Code的起源
HOW CLAUDE CODE STARTED
本页要点
Claude Code 最初只是一个简单的「黑客」项目——在内部 hack day 上创建，只获得了两个点赞。但这两个点赞变成了一场革命。这个故事说明了什么是伟大产品的本质：解决真实的痛点，哪怕规模很小。
Boris
它其实开始得很平凡。在一个内部 hack day 上，有人构建了一个简单的东西，它在内部获得了大约两个点赞。但那两个点赞变成了现在的一切。这说明了一个关键点：伟大的产品通常来自解决真实的、具体的问题，而不是自上而下的计划。
扩展性与团队原则
SCALING PRINCIPLES
本页要点
Claude Code 团队遵循三个核心原则：故意欠资源（保持快速迭代）、周迭代（不是月迭代）、用户至上（直接倾听用户声音）。这些原则使得一个小团队能驱动全球最大的开发者工具之一的发展。
Boris
我们有三个关键原则。首先，我们故意保持团队相对较小——不给自己太多资源——这强制了创意思维。其次，我们追求极致的速度。我们在周的基础上迭代，而不是月。最后，我们直接与用户沟通。我在 Twitter 上经常问人们「缺什么」、「哪里出问题了」。这样的直接反馈比任何分析数据都更有价值。
从Model到产品的差异
MODEL VS PRODUCT
本页要点
拥有最好的 AI模型 并不意味着拥有最好的产品。Claude Code 的成功不只是因为 Claude 模型强大，更重要的是围绕它构建的用户体验。许多公司有优秀的模型但没有优秀的产品——这是两个完全不同的学科。
主持人
拥有一个前沿模型已经很难了，何况还要构建好的产品。
Boris
这正是关键所在。有很多团队拥有优秀的 AI模型，但他们不知道如何把它变成用户想要使用的东西。这需要深度理解用户工作流程、UX 设计、产品感知。模型和产品是两个完全不同的维度。
代码可处置性原则
DISPOSABLE CODE PHILOSOPHY
本页要点
在 AI 时代，代码可能变成「可处置的」——你可以快速写出，也可以快速丢掉。这改变了编程的心理模型。不再需要完美的架构预设计，而是可以快速实验、测试假设。这对 技术债务 的理解有深远影响。
主持人
你提到代码变得「可处置」。这对软件开发意味着什么？
Boris
当 AI 可以在几秒内生成代码时，一些代码变成了临时的——你快速写出来验证想法，然后可能就丢掉它。这改变了我们对 技术债务 和代码质量的思考。不是所有代码都需要完美设计。有些代码就是用来测试假设的，然后被替换。这是一种全新的思维模式。
软件工程的未来
THE FUTURE OF SOFTWARE
本页要点
Boris 预测「软件工程师」这个职位名称将在一两年内消失，被「构建者」取代。这不是工作消失，而是工作性质的根本转变。每个人——产品经理、设计师、非技术员——都将能够编程。这将是一场深刻的职业转变，令人痛苦但不可逆转。
Boris
「软件工程师」这个标题会消失。它将被「构建者」取代。这个转变对很多人来说会很痛苦——我不会隐瞒这一点。但这是必然的。当每个人都能构建软件时，「工程师」和「非工程师」之间的界限就消失了。这是一场深刻的社会转变，但我相信它最终会是积极的。
Cowork：非技术人员的能力
COWORK FOR NON-TECHNICAL USERS
本页要点
Cowork 是 Claude Code 在非工程师用户中的体现。产品经理、营销人员、财务分析师现在都能用自然语言构建工具和自动化他们的工作流程。这证明了编程民主化不仅仅是说说，而是真实可行的。
Boris
Cowork 是 Claude Code 理念在非技术用户中的实现。产品经理、营销人员、财务分析师——所有人——现在都可以用自然语言构建自动化和工具。他们不需要懂代码。这是「编程民主化」的真正体现。我们测试了它，看它是否能完成 50 个非技术用例中的多少个。当我们达到 48 个时，我们说「好的，这很有效」。
开源与MCP的力量
OPEN SOURCE & MCP ECOSYSTEM
本页要点
MCP（Model Context Protocol）是一个开源协议，允许 AI 模型与任何第三方工具交互。这消除了 AI 工具的「围墙花园」问题。开发者可以连接到他们想要的任何服务，而不被限制在特定的平台上。这是 AI 工具民主化的关键基础设施。
主持人
MCP 对 Claude Code 的重要性是什么？
Boris
MCP 解决了一个基本问题：如何让 AI 与任何工具交互？传统上，API 对接很复杂。MCP 提供了一个标准化的接口。现在任何人都可以为 MCP 编写服务器，AI 就能使用它。这打破了围墙花园，让生态变成真正的开放。
GitHub数据与AI能力
GITHUB DOMINANCE & DATA
本页要点
Claude Code 已经占据全球 GitHub 提交的 4%。这不仅反映了市场份额，更重要的是反映了 Claude Code 作为开发工具的实际渗透率。GitHub 的海量代码库也成为了训练更强大 AI模型 的关键数据来源。
主持人
我听说 Claude Code 现在占 GitHub 提交的 4%。这意味着什么？
Boris
这说明了 Claude Code 已经成为全球开发者基础设施的实质性部分。4% 听起来不多，但考虑到我们只有不到两年的历史，这个增长速度是惊人的。而且每个月都在加速。这也意味着更多的数据流入我们的系统，帮助我们改进模型和产品。
Post-training与Scaling Laws
TRAINING & SCALING
本页要点
Post-training 和 scaling laws 是现代 AI 能力的关键。一个足够大的基础模型，通过精心设计的 post-training 流程，可以在特定任务（如编程）上超越一般能力。这解释了为什么 Claude 在编程任务上如此强大。
主持人
你如何看待 post-training 在 Claude Code 能力中的作用？
Boris
Post-training 是关键。我们有一个强大的基础模型，但真正的魔法在于如何引导它理解编程这个特定领域的复杂性。通过反馈循环、 reinforcement learning 和精心策划的例子，我们让模型不只是生成代码，而是生成*好*代码。这不是基础模型能力的直接结果，而是 post-training 的艺术。
Token与Context Window
TOKENS & CONTEXT
本页要点
Token 是 AI 模型处理的基本单位。Context window 决定了模型一次能理解多少内容。对于编程任务，更大的 context window 意味着模型可以看到整个项目结构，而不仅仅是一个文件。这对代码生成质量有巨大影响。
主持人
Context window 的大小对编程有多重要？
Boris
至关重要。当模型能看到你整个项目的结构、你的编码风格、你的约定时，它能生成更好的代码。一个只能看到一个函数的模型和一个能看到整个代码库的模型是两个不同的东西。这就是为什么更大的 context window 如此重要。
Tokens成本与模型竞争
THE ECONOMICS OF TOKENS
本页要点
每个 token 都有成本。随着模型变得更强大，token 成本竞争变得激烈。但这不仅是价格战——更好的模型通过更少的 token 完成更多工作，最终成本更低。这改变了 AI 竞争的性质。
Boris
成本很重要，但效率更重要。一个好模型可能用一半的 token 完成任务。即使 token 更贵，总成本也可能更低。这就是为什么我们不仅关注模型大小，还关注效率。
推动社区通过X/Twitter
COMMUNITY ENGAGEMENT
本页要点
Boris 在 X/Twitter 上积极与开发者交流，快速处理 bug 报告和功能请求。这种直接的社区反馈循环比任何分析数据都更有价值。用户见证了一个领导者能够在几分钟内响应和修复问题的奇迹，这成为了 Claude Code 增长的催化剂。
Boris
我会搜索人们关于 Claude Code 的推文，然后直接与他们互动。如果有人遇到 bug，我会看看是否能在几分钟内修复它。这让用户看到我们真的在乎、真的在听。这种快速反馈和改进的速度对用户来说是不可思议的，因为他们不习惯这样的响应速度。这成为了我们增长的一个巨大动力。
现在、未来与常识
FIRST PRINCIPLES & WISDOM
本页要点
Boris 的核心建议：使用常识。许多组织的失败来自于盲目跟随流程而不思考。好的技术领导者从第一性原理出发，培养自己的判断力。不是所有的最佳实践都适用于你的情况——有时候「这看起来不对」的直觉就是正确的信号。
Boris
使用常识。我看到许多失败是因为人们不加思考地遵循流程、跟随趋势。最好的结果来自于那些从 第一性原理 思考的人。如果某件事看起来不对，那可能就是不对的。信任你的直觉，但要有理由。这不是「反叛」，而是真正的思考。
Boris
在 Threads 或 Twitter 上找到我。请标注我，发送 bug 报告、功能请求。什么缺失了？我们能做什么让产品更好？我真的很喜欢听到这些。
原理与过程补充注释
PRINCIPLES & PROCESSES EXPLAINED
编辑注以下是访谈中涉及的关键原理和过程的补充解析，帮助理解 Boris 观点背后的深层逻辑。
1. 从工具到同事的范式转变
Boris 在第3页描述 AI agent「主动提出想法」，这反映的是人机协作的范式转变。传统软件工具是「被动执行」——用户发出指令，工具响应。而 AI agent 具备「主动性」——它能观察环境（遥测数据、bug 报告）、形成判断、提出建议。这种转变意味着人类的角色从「操作者」变成「决策者」：你不再告诉 AI 做什么，而是评估 AI 提出的方案是否合理。这对管理模式、团队结构、甚至绩效考核都有深远影响。
2. 「构建者」取代「工程师」的逻辑
Boris 多次提到「软件工程师」头衔将消失，被「构建者」（Builder）取代。这不仅是名称变化，而是能力模型的重构。传统软件工程师的核心能力是编写代码；而「构建者」的核心能力是定义问题、设计方案、验证结果——代码编写交给 AI。这类似于建筑行业：建筑师（Architect）不砌砖，但他决定建什么、怎么建。当编程成为人人可用的基础能力时，差异化竞争力将从「能写代码」转向「能定义值得写的东西」。
3. 「48/50 测试法」——产品验证方法
Boris 在介绍 Cowork 时提到，他们用 50 个非技术用例来测试产品能力，当达到 48 个时决定产品可行。这是一种实用的产品验证方法：先定义目标场景集合，然后逐个测试通过率。96%（48/50）的通过率说明产品已经覆盖了绝大多数真实需求。这比抽象的「用户满意度」指标更具可操作性，也比追求 100% 覆盖更务实——剩余 2 个用例可能成本过高或优先级不够。
4. 飞轮效应与数据护城河
Boris 提到 Claude Code 占 GitHub 4% 提交时，背后隐含了一个「飞轮效应」（Flywheel Effect）：更多用户使用 → 产生更多代码数据 → 训练更好的模型 → 吸引更多用户。这是 AI 产品最强大的竞争壁垒之一——先发优势会通过数据积累不断放大。后来者即使有同等强大的模型，也缺乏海量真实用户交互数据来持续优化。这解释了为什么 Boris 如此强调用户增长和社区互动。
5. 模型能力 ≠ 产品价值
第7页 Boris 强调「模型和产品是两个完全不同的维度」。这是 AI 行业的核心认知：一个 benchmark 分数最高的模型，如果没有好的产品包装（易用的界面、合理的工作流集成、可靠的错误处理），用户体验可能不如一个稍弱但产品做得好的竞品。这就像发动机最强的车不一定是最好开的车——驾驶体验取决于悬挂、座椅、方向盘手感等「产品层」设计。Anthropic 的优势在于同时拥有强大的模型团队和优秀的产品团队。
6. 可处置代码改变软件经济学
第8页的「可处置代码」原则背后有更深的经济学逻辑。传统软件工程中，代码的「编写成本」很高（人工时间），所以追求复用和长期维护。但当 AI 将编写成本降到接近零时，代码的经济属性发生根本变化：从「资产」（需要维护和增值）变成「消耗品」（用完即弃）。这意味着重构、技术债务清理等传统工程实践的优先级需要重新评估——与其花时间优化旧代码，不如让 AI 重新生成一份更好的。
关键洞察回顾
- Claude Code 正在改变全球 4% 的 GitHub 提交
- 编程不再是瓶颈——问题变成了「接下来做什么」
- AI agent 不是替代品，而是真正的协作者
- 「软件工程师」职位将被「构建者」取代
- Cowork 证明编程民主化不仅可能，而且必要
- MCP 打破围墙花园，实现真正的开放生态
- 成功的关键：使用常识，从 第一性原理 思考
- 直接用户反馈比任何分析数据都更有价值
- 生产力提升 200%，但需要心理模型转变
- 模型强大不等于产品优秀——产品设计是独立的学科
本访谈涵盖 35 个术语注释及 6 个原理过程补充解析。点击任何虚线下划线的术语了解详细解释。
下期再见 👋