会写代码的人，为什么不一定更会用 Agent

Anthropic 分析了约 40 万次 Claude Code 会话，想回答一个很实际的问题：没有正式编程训练的人，能不能带着 Agent 完成复杂工作？

结果没有把人简单分成“会写代码”和“不会写代码”。更明显的分界线是：他是否真正理解手里那个问题。

知道花该种在哪里，比亲手挥动每一下铲子更重要。

人决定做什么，Agent 决定怎么做

在典型会话里，人承担大约 70% 的规划决策，Claude 承担大约 80% 的执行决策。

规划包括目标是什么、采用哪条路径、什么才算完成；执行包括改哪些文件、写什么代码、运行哪些命令。这个分工不像结对编程里两个人轮流敲键盘，更像一个人画边界，另一个人在边界里连续行动。

问题也就从“我能不能写出这段代码”变成了“我能不能把目标和验收说清楚”。

一句“做个库存工具”没有多少可执行信息。熟悉仓储的人会说清楚批次、锁定库存、退货回滚、跨仓调拨和月末盘点。即使他不会写数据库事务，也知道哪些结果绝不能出现。

专业的人给出的不是更长提示词

研究里，新手会话的一次提示通常触发约 5 个 Agent 动作和 600 词输出；专家会话能触发约 12 个动作和 3200 词输出。

这并不说明提示写得越长越好。专家提供的是高密度约束：准确的对象、真正的边界、可以检查的结果，以及出错时该看哪里。

模型因此少花力气猜题，多花力气完成任务。它知道下一步动作仍在用户授权的方向上，就能把行动链拉长。

领域知识还体现在纠错上。律师未必熟悉 Python，但能发现合同脚本漏掉了续约条款；财务人员不会设计数据库，却知道月末对账不能把跨期退款吞掉。代码只是交付形式，错误是否致命由业务知识判断。

成功需要留下硬证据

研究没有把 Agent 自己说“完成了”当作成功。更严格的 verified success 需要测试通过、产生匹配的提交或 PR，或者用户明确确认结果。

这个口径很重要。Agent 的语言很顺，容易让一次没有落地的尝试看起来像完成。把成功绑定到可观察的状态变化，才有资格比较不同会话。

从新手到中等熟练，成功率提升最明显；从中等熟练到专家，差距反而变小。门槛不是成为行业顶尖，而是至少能识别关键约束、判断结果是否靠谱。

这也解释了为什么写给 Agent 阅读的代码会越来越重要。领域专家能定义目标，但仓库如果命名混乱、入口隐蔽、测试失真，Agent 仍然无法把那份判断落进系统。人的问题知识与代码库的可读性，需要在执行链两端同时对上。

原始材料：Agentic coding and persistent returns to expertise。

Agent 把实现门槛压低以后，问题本身重新变成了最贵的部分。