昨天刷到一条推文，评论区吵到停不下来。

AI提示词博主Alex Prompter甩出一句话：

"Anthropic研究了23.5万名使用Claude Code的人。懂自己领域的人，表现比会写代码的人更好。"

8小时，8.8万查看，662个赞。评论区直接分成两派——有人说"给'人人学编程'判了死刑"，也有人骂"标题党碰瓷论文"。

但我点进去看了原始论文之后，沉默了。

论文到底说了什么？

Anthropic在6月16日发布了一份经济研究：《Agentic Coding and Persistent Returns to Expertise》。

数据体量摆在那——40万个真实交互会话，23.5万独立用户，横跨2025年10月到2026年4月，整整七个月。

不是问卷，不是实验室测试，是真实用户在真实工作中使用Claude Code的数据。

核心发现：在AI编程时代，领域专长比编程能力更重要。

具体来说，在那些真正产生了代码改动的会话里，软件工程师的验证成功率是34%，其他所有职业加在一起是29%。

差距只有5个百分点。

换句话说，一个懂法律的人用AI写合同审查脚本，成功率跟一个写了5年后端的人用AI写业务代码，差不了多少。

程序员的护城河在变窄

这个数字让我后背发凉。

论文把用户分成新手到专家五级，发现了一个关键规律：

• 新手：验证成功率15%，遇到问题放弃率19%

• 中级：验证成功率28%，放弃率7%

• 专家：验证成功率33%，放弃率5%

从新手到中级这一步跨得最大。领域知识摸得够熟，就已经拿到了AI协作里大部分的红利。

更扎心的是，增长最快的非技术用户群体是：管理、销售、法律。

这几个职业有什么共同点？他们最清楚客户的痛点在哪，优先级该怎么排，什么算"做完了"。

这恰好是AI需要人类提供的那部分判断。

对了。顺嘴提一句，技术大厂，前后端-测试机会，全国一线及双线城市均有坑位，待遇和稳定性还不错，感兴趣看看。

我身边的真实案例

我一个做法律的朋友，上个月用Claude Code写了一个合同风险审查工具。

她一行代码都不会写。但她知道合同里哪些条款有坑——10年法务经验不是白混的。

她做了什么？用自然语言告诉AI："审查这份合同，重点关注以下12类风险条款：违约金不对等、知识产权归属模糊、竞业限制范围过大……"

AI帮她生成了一个完整的Python脚本，接入GPT-4o做条款分析，输出风险报告。

她花了3天调通了整个流程。现在她们律所的初级律师都在用这个工具。

她不是程序员，但她解决了一个程序员都需要花很久才能理解的业务问题。

程序员该怎么看这件事？

Hacker News上吵得更凶。

一个ID叫stult的网友火气很大："这个分析蠢得离谱。他们把领域专长和编码专长混为一谈。懂软件开发的人更擅长软件开发，这不是废话吗？"

但另一个网友的回复更扎心："你说的对。但问题是——当AI能写80%的代码时，'懂软件开发'的定义已经变了。"

论文里有一个数据很有意思：

用户平均做了70%的"做什么"决策，Claude包揽了80%的"怎么做"决策。

人类负责判断方向，AI负责落地实现。

这个分工模式意味着：会不会写代码，正在从核心竞争力，变成一项被AI大量接管的体力活。

不是"程序员完了"，是"只会写代码完了"

我做了7年后端，说完全不慌是假的。

但我慌的不是"AI会写代码"，而是我一直在用"会写代码"定义自己的价值。

论文给了一个很清晰的信号：从新手到中级这一步跨得最大。你不需要成为顶尖技术专家，但你需要在自己的领域有足够的深度——这样你才能给AI精确的指令，才能在AI犯错时知道往哪推一把。

我的下一步计划：

1. 深耕业务理解：不再只做"接需求写代码"的执行者，而是参与产品决策

2. 提升AI协作效率：学会写精确的Prompt，让AI给我干更多活

3. 建立领域壁垒：在金融+技术这个交叉领域积累不可替代的经验

4. 
   

未来的程序员不是"会写代码的人"，而是"会用AI解决领域问题的人"。