100%代碼由自己生成！Claude Code負責人半年沒寫代碼，程序員門檻被AI拆了

出品 | 網易智能

作者 | 小爪

編輯 | 王鳳枝

Claude Code正在寫Claude Code，而且進步很快。

按“Claude Code之父”鮑里斯·切爾尼（Boris Cherny）近期在播客里的說法，過去半年多，這個AI編程工具的代碼已經100% 由自己生成。Anthropic面向辦公場景的Cowork，以及其他不少產品，也在用類似方式開發(fā)。

切爾尼本人也已經半年多沒有親手寫代碼。

現(xiàn)在，他更像是在給一組AI分派任務：說清目標，放它們跑幾個小時，再回來檢查結果、調整方向、繼續(xù)推進產品。

一個能自己維護自己代碼庫的工具，顯然也能幫不會寫代碼的人做更簡單的事。

一個產品經理可以讓它做原型，一個運營可以讓它搭報表，一個財務可以讓它整理對賬流程，一個創(chuàng)業(yè)者可以讓它先跑出產品第一版。

公司里能把想法變成軟件的人，正在變多。

小需求最容易卡在這里

過去，公司里很多軟件需求很重要，卻太小、太碎、太靠近具體業(yè)務。

一個部門想做投訴統(tǒng)計、合同提醒、銷售看板、物流追蹤，通常要先寫需求，再找產品排優(yōu)先級，再等工程資源。需求太小，排不上；流程太碎，沒人愿意接；只是內部臨時工具，就更容易一直手工湊合。

低代碼、無代碼、Excel、Access、RPA和BI工具，早就試圖解決這個問題。很多非工程師也確實靠這些工具做過報表、流程和局部自動化。

AI智能體的變化在于，它不只給人一套固定積木。

它可以讀項目、讀表格、改文件、調用工具、跑命令、看報錯，再繼續(xù)修改。它不保證一次做對，也不等于生產級系統(tǒng)，但它能把一個模糊想法先變成能跑、能看、能討論的版本。

一個想法從“等工程排期”，變成“先讓智能體跑一版出來”。這一步很小，也很大。

從補全代碼，到接整件事

早期AI編程工具給人的主流印象，還是讓程序員寫得更快：自動補全、生成函數、解釋報錯、輔助改代碼。

這當然有用，但它們多數時候仍然站在程序員旁邊，幫人少敲幾行、少查幾次文檔。

Claude Code和新一代智能體的變化，是開始接近“做任務”。

它能理解項目上下文，修改多個文件，跑測試，發(fā)現(xiàn)錯誤后繼續(xù)改?！?!--StartFragment-->連線》（Wired）雜志在5月26日的長文里寫到，真正的轉折點是Anthropic 2025年11月發(fā)布Opus 4.5之后，Claude Code能處理更復雜的編程任務、保留更多記憶、長時間運行，并管理一組AI子智能體。

這意味著軟件生產的入口正在移動。

以前入口是IDE、終端、代碼倉庫和工程規(guī)范。人要先進入工程體系，才有資格把想法變成軟件。

現(xiàn)在入口開始變成一句任務描述、一個聊天窗口、一個常駐后臺的智能體。它仍然需要人給目標、給上下文、做驗收，但第一步門檻被降下來了。

過去不會打開終端的人，現(xiàn)在也可能對智能體說：把這份表格變成每周自動更新的報告；給客戶投訴做一個統(tǒng)計面板；把每天重復做的三件事串起來；給內部審批流程加一個提醒。

這些東西以前也能做。差別在于，以前它們要么等工程師，要么靠熟練用戶在Excel、腳本和低代碼工具里一點點拼。現(xiàn)在，更多人可以直接把任務交給智能體試跑。

切爾尼的激進，邊界也很清楚

切爾尼足夠激進，也足夠矛盾。

他負責Claude Code，參與Anthropic Labs里一批和智能體有關的項目，包括Claude Code、模型上下文協(xié)議MCP、Claude Skills、桌面應用和Cowork。他自己已經半年多不手寫代碼，還說“軟件工程師”這個頭銜可能會變淡，未來更接近builder。

但他沒有把話說成“工程師沒用了”。

Platformer訪談里，他承認，“編碼被解決”主要適用于他自己做的那類工作。他做的是相對新的CLI、桌面和移動應用，代碼庫沒那么舊，也沒那么復雜。面對大型企業(yè)客戶，尤其是NASA這類復雜系統(tǒng)，模型仍會犯錯，代碼也并不總是可靠。

這個邊界很重要。

工程師的工作從來不只是敲代碼。切爾尼自己也把這件事拆開了：過去他一天里可能一半時間在寫代碼，另一半時間在和用戶交流、想方案、調試、規(guī)劃、判斷系統(tǒng)該怎么工作。

AI接走的，主要是“把想法翻譯成代碼”的那部分。

剩下的部分反而更顯眼：判斷什么該做，怎么拆任務，結果能不能上線，權限該怎么收，錯誤怎么回滾，用戶到底卡在哪里。

對工程師來說，這不是輕松的消息。以前“我會寫代碼”本身就是門檻，現(xiàn)在這道門檻正在被工具降低。以后更值錢的能力，會落到系統(tǒng)判斷上：智能體寫出的東西是否可靠，任務有沒有拆清楚，隱藏風險有沒有被發(fā)現(xiàn)。

工程師還在，但“只會寫代碼”的護城河變淺了。

OpenClaw把這件事帶出終端

《連線》文章提到，OpenClaw是一個很好的過渡案例。在國內，它三月份就已經火了一輪，被叫做“小龍蝦”。

Claude Code最早還是開發(fā)者工具，主要在終端里運行。彼得·施泰因貝格（Peter Steinberger）做出的OpenClaw，則把這類能力接到了更日常的入口上：聊天工具、手機、個人數據、郵箱、網頁、應用和本地機器。

用戶不一定在IDE里和代碼對話，而是在一個更像私人助理的界面里交代任務。

《連線》描述的OpenClaw用戶里，有人讓它追蹤訂單、整理物流狀態(tài)、更新數字相框，也有人用它管理自己公司的軟件系統(tǒng)。它能運行在后臺，定時檢查事情，遇到結果再通知人。

這個使用方式更接近普通人對電腦的真實需求。

很多人并不想“寫程序”。他們只是想讓一件事自動發(fā)生。

但風險也在這里放大。

開發(fā)者工具犯錯，通常還卡在工程環(huán)境里。個人智能體犯錯，可能碰到郵箱、聯(lián)系人、付款、云盤、公司文件和聊天記錄。《連線》提到，研究者測試OpenClaw時觀察到未授權服從、敏感信息披露、執(zhí)行破壞性系統(tǒng)操作等風險；現(xiàn)實中也有人因為錯誤配置，看著郵箱被刪除。

這不是小瑕疵。它說明智能體一旦成為新的計算入口，權限管理、任務邊界、審查機制和回滾能力就不能再按“玩具”設計。

一個只負責聊天的機器人，不會讓人擔心誤刪郵件。真正讓人緊張的，是它開始能做事了。

公司會需要更多builder

這輪變化最先沖擊的，不只是程序員崗位，而是公司內部的軟件生產方式。

過去，一個運營想做自動化報表，要把需求交給產品；產品再判斷優(yōu)先級；工程再決定排不排。如果這個需求只服務一個小團隊，它很可能永遠排不上。

智能體讓這類需求有了另一條路。

一個懂業(yè)務的人，可能不需要完整掌握編程語言，也能讓智能體先做一個低風險版本。它可以從表格里讀數據，生成腳本，連到內部系統(tǒng)，寫一個簡單界面，再根據反饋修改。

這個版本未必能直接進生產，甚至可能埋著權限、數據和維護風險。但它足夠讓一個想法從“口頭需求”變成“能跑起來、能被討論、能繼續(xù)迭代的東西”。

這就是軟件能力開始外溢的地方。

公司內部會出現(xiàn)更多半技術、半業(yè)務的人。他們不一定寫代碼，但他們會調度智能體。他們懂問題在哪里，也能把問題交給機器拆解和執(zhí)行。

這些人過去可能叫產品經理、運營、財務分析師、銷售運營、法務運營、增長負責人。以后，他們可能都會在某種程度上成為builder。

這也解釋了切爾尼一個看似矛盾的判斷：公司可能需要更少傳統(tǒng)軟件工程師，但會有更多“寫代碼或用智能體寫代碼的人”。

傳統(tǒng)工程師崗位可能縮水，能交付軟件能力的人群會擴張。

AI提效后，公司往往想做更多事

很多人對AI辦公工具有一個誤會：如果它提高效率，人應該會更輕松。

企業(yè)里經常相反。

Platformer訪談里，切爾尼用了一個很現(xiàn)實的類比：電腦普及以后，很多公司沒有少辦公。它們把更多文檔、表格、郵件、流程和系統(tǒng)塞進了同樣的工作時間里。

AI智能體也可能這樣。

一個運營以前一周只能做一份分析，現(xiàn)在可以做五份。一個產品經理以前只能描述一個想法，現(xiàn)在可以讓智能體同時做三個原型。一個創(chuàng)業(yè)團隊以前需要十個人才能搭出第一版產品，現(xiàn)在兩三個人就能跑很遠。

效率提升不會自動變成員工休息。它更可能變成公司胃口變大。

企業(yè)真正難的地方也在這里。

買一個Claude Code、Cowork、OpenClaw或別的工具，并不等于組織完成了AI轉型。公司要重新回答一串問題：哪些任務可以交給智能體，哪些必須人工審查，哪些權限絕不能開放，哪些結果要自動測試，錯誤如何回滾，成本如何監(jiān)控，誰對最終結果負責。

如果這些流程不變，智能體只是角落里的新工具。

真正吃到紅利的公司，會把智能體放到工作流中心。

這件事和普通人也有關。下一代辦公入口可能會從單獨的Word、Excel、PPT、IDE，移向一個常駐智能體。它知道你的文件、項目、日程、同事、客戶和流程。你給它目標，它幫你拆任務、找資料、生成初稿、跑腳本、提醒進度，再把結果交給你驗收。

誰能調度它，誰能驗收它，誰能控制它的權限，誰就在組織里擁有新的杠桿。

普通人要學會調度智能體

所以，問題不只剩下“要不要學編程”。

對普通AI使用者來說，更現(xiàn)實的問題是：能不能把一個模糊需求拆成智能體能執(zhí)行的任務；能不能給它足夠上下文；能不能判斷結果哪里不可靠；能不能讓它先做低風險版本，再一步步擴大權限；能不能把一次成功操作固化成可重復流程。

這套能力和傳統(tǒng)編程有關，但不等于傳統(tǒng)編程。

懂一點代碼、數據結構、系統(tǒng)邊界，仍然會讓人更容易判斷智能體寫出來的東西靠不靠譜。但普通人的第一課，可能不再是從語法開始，而是從任務拆解、上下文組織、檢查點設計和結果驗收開始。

它更像一種新的工作素養(yǎng)：會描述系統(tǒng)，會拆解目標，會設置邊界，會復盤錯誤，會讓機器持續(xù)改進。

未來幾年，“軟件工程師”這個名字可能會變輕。工程本身不會變輕，只是工程的一部分會擴散到更多角色里。

公司里會有更多人能做出軟件，也會有更多人被要求像builder一樣工作。

有一種能力會更貴。

把復雜問題變成系統(tǒng)的能力。

AI智能體可以寫代碼，可以跑任務，可以連續(xù)工作幾個小時甚至更久。但它仍然需要人告訴它什么重要，什么不能碰，什么算完成，什么必須回滾。

真正稀缺的人，不一定是手寫每一行代碼的人，而是能把業(yè)務、工具、流程、風險和判斷組織成一個可運行系統(tǒng)的人。

程序員還在。

只是寫代碼這件事，正在離開程序員這個單一崗位，變成整個組織都要學會調用的能力。