当编程被解决之后：Claude Code 负责人深度访谈
Boris Cherny 是 Anthropic 的 Claude Code 负责人。Claude Code 发布不到一年，已贡献了 GitHub 上 4% 的公开代码提交，年化收入达到 20 亿美元，过去一个月日活用户翻了一倍。Boris 本人从 2024 年 11 月起没有手动编辑过一行代码，每天用 Claude Code 提交 10-30 个 PR。
Boris 做过好几期播客和访谈，但这次 Lenny’s Podcast 的对话是信息密度最高的一期（近 1.5 小时）。他展开了几个在其他场合没怎么聊过的话题：去了 Cursor 两周又回来的故事、Latent Demand（潜在需求） 的”第二维度”、Anthropic 的三层安全框架，以及用印刷术来类比编程民主化的完整论证。
作为一个 PM 出身、正在用 AI 工具做产品的人，我对 Boris 的产品方法论特别感兴趣。不同于常规的”我们做了一个很酷的 AI 工具”这种口径，他讲的是一套完整的产品哲学：怎么从用户行为中发现机会、怎么决定做什么不做什么、怎么在模型能力快速迭代的环境里做产品决策。这些经验对所有在 AI 时代做产品的人都有参考价值，我之前写快手万人团队 AI 研发提效的时候也有类似的感受。
原始视频来源：Lenny’s Podcast：Head of Claude Code: What happens after coding is solved
要点速览
- Boris 从 2024 年 11 月起 100% 用 Claude Code 写代码，卸载了 IDE，每天提交 10-30 个 PR。他认为编程作为一项人力密集的技能”已经基本被解决了”。
- Anthropic 工程师人均生产力（以 PR 数量计）提升了 200% - 对比 Boris 在 Meta 时期，数百人干一年只能提升几个百分点。
- Latent Demand 是 Boris 认为”产品开发中最重要的单一原则”。他现在把它延伸到了”第二维度”：不只观察用户想做什么，还要观察模型想做什么。
- CoWork（Claude Code 的图形界面封装）10 天开发完成，增长速度比 Claude Code 初期还快。Boris 自己用它管项目、交停车罚单、回邮件。
- Boris 曾离开 Anthropic 加入 Cursor，两周后回来了。原因是发现自己真正在乎的是 Anthropic 的安全使命。
- 他预测到年底，**”软件工程师”头衔将开始消失**，被”Builder”取代。在 Claude Code 团队，PM、设计师、财务都在写代码。
- Anthropic 有工程师每月 token 花费达数十万美元。Boris 的建议是：别优化初期成本，先用最强模型跑通。
“编程已经解决了”，这句话到底什么意思
Boris 在访谈开头说了一句让全场屏息的话：编程作为一项需要人类手写代码的活动，已经基本被解决了。
“At this point it’s safe to say that coding is largely solved. At least for the kind of programming that I do, it’s just a solved problem because Claude can do it.” （到目前为止可以说，编程基本上已经被解决了。至少对我日常做的那类编程来说，这就是一个已解决的问题，因为 Claude 能做。）
他用自己的时间线说明了这个变化的速度：2025 年 2 月 Claude Code 正式发布时，它大概写了他 20% 的代码。三个月后到 30%。到 2024 年 11 月，100%。”我没有手动编辑过一行代码。每天提交 10、20、30 个 PR。”
这不是一个关于未来的预测，而是他此刻的日常。录制节目的时候，他有 5 个 agent 在后台同时运行。
但他也给这个判断加了重要的限定条件。”Coding is solved”指的是”编写代码”这个动作本身。工程师的判断力、架构设计、需求理解并没有被解决。Boris 的原话是，未来编程知识的地位会变得像汇编语言一样：底层在运行，但你不需要懂。
“In a year or two, it’s not going to matter. Coding is largely solved.” （一两年内，懂不懂编程不再重要了。编程基本上已经解决了。）
他在 2025 年 5 月的一次会议上对着满屋子的工程师和 PM 说，到年底大家可能不再需要 IDE 了。
“I remember the room audibly gasped.” （我记得全场倒吸了一口气。）
Lenny 做过一个 X 调查：70% 的工程师说使用 AI 编程工具后更享受工作了，只有 10% 说更不喜欢了。设计师的数据不一样：55% 更享受，20% 更不享受。Boris 推测差异来自设计工具的 AI 集成还没跟上。
我觉得这里的关键区分在于”编程”这个词的含义。如果”编程”指的是把想法翻译成代码的机械过程，那确实在被快速解决。但如果”编程”指的是理解一个复杂系统应该如何工作、在哪些地方做取舍，那距离”解决”还很远。Boris 自己虽然不手写代码了，但他每天做的事（规划、审查、判断）本质上还是工程工作。头衔可能会变，核心能力不会过时。
Latent Demand：产品直觉的终极来源
Boris 把 Latent Demand（潜在需求）称为”产品开发中最重要的单一原则”。核心思想很简单：观察用户如何”滥用”你的产品来做它本来不是为之设计的事情，然后把这些用法变成正式产品。
他在 Meta 工作时亲历了两个经典案例。Facebook 发现 40% 的群组帖子实际上是买卖交易，于是做了 Marketplace。又发现 60% 的个人资料页浏览来自异性非好友，于是做了 Dating。
“When you see people abusing the product in this way, using it in a way that it wasn’t designed in order to do something that is useful for them, it’s just such a strong indicator that you should just build a product.” （当你看到用户这样”滥用”产品，用产品去做它本来不是为之设计的事情，这就是你应该做一个产品的最强信号。）
Claude Code 的每一个重要功能都来自这个原则。CLAUDE.md 是因为用户自发开始写 markdown 文件让模型读。Plan Mode 是因为用户反复在 prompt 里写”先想方案别写代码”。Boris 观察到这些行为后将它们产品化。
CoWork 也是同一个逻辑。Boris 走进办公室，看到数据科学家 Brendan 自己装了 Node.js 和 Claude Code，在终端里做 SQL 查询。第二周所有数据科学家都在做同样的事。然后是设计师。然后是财务团队。这些非技术人员费了很大劲安装终端工具，就为了使用 Claude Code 的能力。Boris 意识到这就是一个产品信号，于是做了 CoWork。
但他在这期访谈中还提出了 Latent Demand 的第二维度，在其他场合很少展开讲。
“The modern framing that I’ve been seeing in the last 6 months is a little bit different and it’s look at what the model is trying to do and make that a little bit easier.” （过去 6 个月我看到的新框架稍有不同：观察模型在尝试做什么，然后降低它做这件事的阻力。）
传统的 Latent Demand 观察的是人的行为，第二维度观察的是模型的行为。模型在尝试使用哪些它还没有的工具？模型在哪些地方反复碰壁？把这些障碍移除，就是下一个产品机会。
这对做 AI 产品的人来说是一个很实用的框架。**不只是问”用户想要什么”，还要问”模型想做什么但做不到”**。
The Bitter Lesson 的产品化应用
Boris 的办公区墙上裱着 Rich Sutton 2019 年写的 The Bitter Lesson（苦涩的教训）。
【注：Rich Sutton 是强化学习之父，这篇文章的核心观点是：AI 研究 70 年的最大教训是，利用通用计算的方法最终总是胜过依赖人类知识的手工设计方法。】
Boris 把这篇论文的核心观点翻译成了一系列产品原则。
第一个推论：不要做 scaffolding。 很多团队在模型外面套了复杂的 step-by-step workflow orchestration 来控制模型行为。Boris 认为这是错误的。Scaffolding 最多提升 10-20% 的性能，但下一个模型版本出来就会把这些增益抹掉，而你却背上了一堆技术债。
“Don’t box the model in. Don’t build step 1, step 2, step 3. Give the model tools and a goal and let it figure it out.” （不要把模型框死。不要设计第一步、第二步、第三步。给模型工具和目标，让它自己想办法。）
第二个推论：为 6 个月后的模型构建。 不要为当前模型的能力上限设计产品。Claude Code 发布时只能写 Boris 大约 20% 的代码，产品体验并不好。但团队赌的是模型能力会快速提升。这个赌对了。
Boris 具体说明了应该押注什么方向：更好的工具使用（tool use）、更好的电脑操作（computer use）、更长的无人干预运行时间。用 Sonnet 3.5 时，Claude 大概跑 15-30 秒就开始跑偏。到 Opus 4.6，平均可以跑 10-30 分钟不需要干预。有些任务跑了几个小时，有些甚至跑了几周。
第三个推论：用最强模型。 直觉告诉你用便宜模型省钱。Boris 说恰恰相反。
“Often it’s actually cheaper and less token intensive if you use the most capable model because it can just do the same thing much faster with less correction.” （实际上用最强模型往往更便宜、消耗更少 token，因为它能更快完成同样的事情，需要的纠正更少。）
Anthropic 有工程师每月 token 花费达数十万美元。Boris 的建议是：先用最贵的模型（Opus 4.6）跑通概念验证，确认可行后再考虑优化到更便宜的模型。
这和我之前写过的Anthropic 的 Agent 构建指南一脉相承。Anthropic 在那篇指南里就强调”prefer simplicity”，不要过度设计 agent 的工作流。Boris 的产品实践就是这个理念的最佳注脚。
从 Claude Code 到 CoWork：印刷术时刻
Boris 反复用印刷术来类比当下正在发生的编程民主化。
1400 年代的欧洲，识字率不到 1%，所有书籍由抄写员手工抄写。印刷术发明后的 50 年里，印刷材料总量超过了此前 1000 年的总和。200 年后，全球识字率达到 70%。成本下降了约 100 倍。
“In the 50 years after the printing press was built there was more printed material created than in the thousand years before.” （印刷术发明后的 50 年里，印刷的材料比之前 1000 年还多。）
Boris 还引用了一个他觉得特别有意思的历史细节：有一份文献记录了一位抄写员对印刷术的反应，出乎意料地积极。那位抄写员说，他其实不喜欢在书之间抄来抄去的工作，印刷术让他可以专注于真正喜欢的事情：画插图和装帧设计。
类比到今天，很多工程师最不喜欢的编程工作（写样板代码、调格式、写重复逻辑）恰恰是 AI 最先接管的部分。留给人类的是他们本来就更想做的事：系统设计、产品决策、创造性的架构工作。
CoWork 是这个”印刷术时刻”的产品化体现。Felix 和团队在 10 天内用 Claude Code 开发完成了 CoWork，底层就是 Claude Code 同一个 agent。发布后增长速度比 Claude Code 初期还快。
Boris 自己用 CoWork 做的事情已经远超编程范畴。他用它做项目管理：每周一自动在 Slack 提醒还没填状态更新的工程师。他用它交停车罚单。他用它回邮件。
“I had to pay a parking ticket the other day. I just had CoWork do it. All of my project management for the team — CoWork does all of it.” （前几天我要交一张停车罚单，我直接让 CoWork 去交了。团队的所有项目管理工作都是 CoWork 在做。）
Lenny 之前发过一个帖子，列了 50 个非技术人员可以用 Claude Code 做的事情。Anthropic 的 PM 拿这 50 个用例作为 CoWork 发布前的评测标准，结果 CoWork 能完成其中 48 个。
Boris 描述的未来图景很明确：几年内，每个人都会像今天会用 Excel 一样会用 AI agent 做事。
“I imagine a world, a few years in the future where everyone is able to program. And what does that unlock? Anyone can just build software anytime.” （我能想象一个世界，在几年后，每个人都会编程。这会释放什么？任何人随时都可以构建软件。）
低配文化：用资源紧缺逼出 AI 杠杆
Claude Code 团队有一个反常识的管理原则：故意给项目配置偏少的资源。
“You want to underresource things a little bit at the start.” （你应该在一开始就让项目的资源配置偏少一点。）
逻辑是这样的：资源紧缺迫使工程师把更多工作交给 Claude。交给 Claude 的工作越多，团队对 AI 能力的理解越深。理解越深，就越能发现新的产品机会。这变成了一个正向飞轮。
Boris 说他们有时候就派一个工程师去做一个项目。”他们之所以能快速交付，是因为他们想快速交付。”没有太多人需要协调，决策速度就快，而 Claude 弥补了人力的不足。
配合另一条原则是极致追求速度：”如果今天能做的事就今天做。” Boris 提到 Plan Mode 的开发过程：周日晚上 10 点他看到用户反馈，30 分钟写完代码，当晚发布，周一早上上线。
从产品管理的角度，这种做法有两层含义。第一层是显而易见的执行效率。第二层更有意思：当你的团队被迫每天高强度使用自己的产品（因为人手不够），你就天然获得了最密集的 dogfooding。这和之前Andrew Ng 预测未来 PM 与工程师比例可能达到 2:1 是同一个趋势的不同表达：当 AI 接管了执行，组织里需要更多做判断和方向决策的人，而不是更多写代码的人。
“因为安全，所以回来”
这期访谈中 Boris 首次完整讲述了一个此前不为人知的故事：他曾离开 Anthropic 加入了 Cursor。
“I left Anthropic and I joined Cursor for about two weeks.” （我离开了 Anthropic，加入了 Cursor，大约两周。）
他说 Cursor 的产品和团队都很好，他很喜欢。但两周后他发现自己真正怀念的是 Anthropic 的安全使命，产品和代码反倒没那么牵挂。”It was the fastest job change I’ve ever had.”（这是我换过的最快的一份工作。）
Boris 接着展开了 Anthropic 研究模型安全的三层框架。
第一层是对齐与机制可解释性（Alignment & Mechanistic Interpretability）。 这是 Chris Olah 和他的团队在做的工作，在神经元层面理解模型内部状态。Boris 提到一个具体进展：如果存在与”欺骗”（deception）相关的神经元，他们正在接近能够监控这些神经元是否在激活。
【注：Chris Olah 是 Anthropic 联合创始人之一，机制可解释性（Mechanistic Interpretability）领域的先驱。2025 年 3 月 Anthropic 发表了首次解码大语言模型内部思维机制的研究成果。】
第二层是评估（Evals）。 在实验室环境中用合成场景测试模型行为。
第三层是真实世界观察。 这也是 Claude Code 早期发布的原因之一。Boris 说 Claude Code 在 Anthropic 内部测试了 4-5 个月才对外发布，目的之一就是研究 agent 在真实环境中的安全行为。
“We released Claude Code really early because we wanted to study safety.” （我们很早就发布了 Claude Code，因为我们想研究安全问题。）
Boris 还提到了一个叫 “Race to the Top”（竞向高处）的内部概念。Anthropic 选择开源安全沙箱供所有 agent 使用，而非独占。逻辑是：如果只有 Anthropic 一家安全做得好，整个行业还是不安全。推动竞争对手也提升安全水平，才是真正有效的策略。
指数思维与”Builder”时代
Boris 解释了为什么 Anthropic 的思维方式和大多数科技公司不同。
“Three co-founders of Anthropic are the first three authors of the Scaling Laws paper.” （Anthropic 的三位联合创始人是 Scaling Laws 论文的前三位作者。）
【注：Scaling Laws 论文（2020）是 AI 领域的里程碑之一，证明了大语言模型的性能与计算量、数据量、模型参数之间存在可预测的幂律关系。这篇论文为后来的大模型军备竞赛提供了理论基础。】
当公司 DNA 就是理解指数增长，产品决策自然也按指数思维来做。Boris 说他在 2025 年 5 月预测”年底不需要 IDE”时，做的不过就是”trace the line”，顺着指数曲线画延长线。
在这个曲线的方向上，他对”软件工程师”这个头衔的判断很直接。
“I think by the end of the year, the title software engineer is going to start to go away. It’s just going to be replaced by builder.” （我认为到年底，软件工程师这个头衔就会开始消失。它会被 Builder 取代。）
在 Claude Code 团队，这已经是现实。PM 写代码。设计师写代码。工程经理写代码。财务人员写代码。数据科学家写代码。不同角色之间大约有 50% 的工作重叠。
“The people that will be rewarded the most over the next few years… they’re curious and they’re generalists and they cross over multiple disciplines.” （未来几年最受奖励的人……是那些好奇的、跨学科的通才。）
可以参考这篇：跨学科能力在 AI 时代更有价值 - 当 AI 把各个专业领域的入门门槛都拉低之后，能够连接不同领域的人反而变得更稀缺。
Boris 对 Claude Code 未来方向的描述也在强化这个趋势。Claude 已经开始自己发现 bug、从用户反馈和遥测数据中生成想法，甚至自行提交 PR。它正在从一个执行工具变成更接近”同事”的角色。
“Claude is starting to come up with ideas. It’s looking through feedback. It’s looking at bug reports. It’s looking at telemetry and things like this and it’s starting to come up with ideas for bug fixes and things to ship.” （Claude 开始自己产生想法了。它在看反馈。它在看 bug 报告。它在看遥测数据。它开始自己想出 bug 修复方案和可以上线的功能。）
当 AI 能自己发现问题并提出解决方案时，人类的角色就从”执行者”变成了”审批者”和”方向设定者”。这不正是 PM 一直在做的事吗？
当编程不再是瓶颈
Boris Cherny 在这次对话中反复回到一个核心判断：编程作为一项人力密集型技能，正在被解决，而且速度比大多数人预期的快得多。
两个值得继续关注的信号。第一，CoWork 的增长速度比 Claude Code 初期更快，这说明 agentic AI 的受众正在从开发者扩展到所有知识工作者。第二，Claude 开始自主从反馈和数据中发现问题并提交修复，这意味着 agent 正在从”工具”向”同事”演变。
Boris 在访谈末尾说他的 post-AGI 计划是做味噌。他在日本农村生活时学会的，白味噌至少发酵 3 个月，红味噌 2-4 年。”长时间尺度思考”是他从这段经历中学到的东西。
也许这就是当编程不再是瓶颈之后，真正重要的事情。不是更快地写更多代码，而是花更多时间想清楚：我们到底要用这些代码建造什么。
延伸阅读：