Anthropic Claude Code 使用報告 2026 年 6 月 – 對代理式編碼、專業知識與勞動影響的發現

簡要重點

Anthropic 分析了 2025 年 10 月至 2026 年 4 月間約 40 萬筆 Claude Code 使用會話，發現使用者在規劃階段扮演主要角色，而 Claude 負責執行，成功率與各職業的專業軟體工程師相當，且更高的領域專業知識能顯著提升成果與任務價值。

研究概覽

Anthropic 引入了一套保護隱私的框架，用以分析互動式、代理式編碼會話。資料集涵蓋約 40 萬筆會話，來自約 23.5 萬名使用者，透過 Claude Code 的 CLI、網頁介面與桌面應用程式擷取。分析聚焦於三個面向：工作模式、決策分工與會話成功率，並連結至使用者的專業知識與職業背景。

工作模式與任務組成

結論： 與撰寫相關的工作主導 Claude Code 的使用，但非程式編寫活動正快速成長。

會話被分為九種互斥的工作模式：建構、修復、測試、協調（以程式為核心）、操作（部署/監控）、理解與規劃（對既有系統的分析），以及分析與溝通（資料或散文）。
分布情形（圖 1）：56 % 的會話涉及程式碼的建立、修改或測試（25 % 建構、26 % 修復、5 % 測試/協調）。軟體操作佔 17 %，規劃/探索佔 14 %，分析/溝通佔 13 %。
分類可靠性高：超過 90 % 被標記為程式碼變更的會話，皆有對應的遙測資料佐證。

使用者與 Claude 之間的勞動分工

結論： 使用者決定 要建構什麼（約 70 % 的規劃決策），而 Claude 決定 如何建構（約 80 % 的執行決策）。

決策歸因：分類器解析會話記錄，將每項決策標記為規劃或執行，並歸因於使用者或 Claude。
平均占比：使用者做出約 70 % 的規劃決策，但僅負責約 20 % 的執行決策。
每回合的動作次數：典型會話約有 4 次提示-動作循環。每次使用者提示會觸發約 10 次 Claude 的動作（約 2,400 個字的輸出）。當 Claude 控制規劃時，每回合動作數上升至約 16 次；當使用者保留執行控制權時，動作數則降至約 8 次。
圖 2 展示了規劃與執行決策的分配情形。

專業程度與模型輸出

結論： 專業程度較高的使用者能引發更長、更豐富的 Claude 輸出——專家每則提示可產生最多 12 次動作與 3,200 個字，而新手僅約 5 次動作與 600 個字。

專業程度根據會話記錄中的線索（指令的精確度、驗證請求、修正方向）以 5 點量表（從新手至專家）推斷。
表 1（圖 3）顯示來自公開 SWE-chat 資料集的典型新手與專家會話範例。
動作與字數數量隨專業程度提升而持續增加；迴歸分析確認其顯著性（p < 0.001），每提升一個專業等級，動作數增加 +9 %，字數增加 +13 %。

誰在使用 Claude Code？

職業分布

結論： 雖然與軟體相關的職業是最大使用者群，但包括商業、藝術、管理與科學等多樣化職業也經常使用 Claude Code。

職業根據會話內容（檔案名稱、參考的資產、領域術語）推斷，並對應至 23 種 SOC 分類。
在約 70 % 的會話中可辨識職業。前五大類別為：電腦與數學、商業與財務作業、藝術/設計/媒體、管理、生命/物理/社會科學。
非軟體領域中成長最快的群體：管理、銷售、法律。

工作類型的演變

結論： 在七個月的期間內，修復會話的比例從 33 % 下降至 19 %，而操作、撰寫與分析會話的數量則大致翻倍。

圖 4 記錄了各模式的占比變化，顯示趨向於端對端的代理式任務（部署、資料分析、文件生成）。
根據自由職業市場報價估算的經濟價值整體上升 27 %，其中建構、操作與修復任務各自增加約 30–40 %。

成功指標與專業知識的角色

結論： 使用者的專業程度與驗證成功的相關性極強；從新手到中階的躍升帶來最大的成效提升。

成功定義：兩階段分類器首先判斷使用者是否達成目標（成功、部分成功、失敗、目標不明確）。另一個獨立的驗證器尋找硬性信號（git 提交、合併請求合併、測試通過、使用者明確肯定）。驗證成功需同時滿足兩者。
目標不明確的會話（約佔資料的 7.7 %）不納入成功分析。
成功率（圖 5）：
- 新手：15 % 驗證成功，77 % 至少部分成功。
- 中階/專家：28–33 % 驗證成功，91–92 % 部分成功。
在遭遇困難的會話中（失敗信號 > 3），驗證成功率從新手的 4 % 提升至專家的 15 %；部分成功率則從 60 % 上升至約 80 %。
放棄（失敗 + 無任何程式碼）在新手會話中佔 19 %，而高專業程度者則為 5–7 %。

職業 vs. 專業知識

結論： 職業背景的影響小於專業知識；各職業的成功率僅差幾百分點。

所有會話中的驗證成功率：與軟體相關的使用者為 30 %，其他職業為 26 %。
在產生程式碼的會話中，驗證成功率為 34 %（軟體）對 29 %（其他）；部分成功率皆超過 88 %。
圖 6 顯示，十大職業群體的驗證成功率皆落在軟體工程師的 7 點範圍內。管理類職業在驗證成功率上略優於工程師，可能因使用更明確的確認語句。

對勞動市場的影響

結論： 代理式編碼降低了正式程式背景的重要性，但放大了領域專業知識的價值；中等程度的專業知識已帶來大部分效益，而深度 mastery 僅帶來邊際增益。

具有強大領域知識的使用者，能讓 Claude 在每則指令下執行更多工作，進而提升成功率與任務價值。
勞動分工顯示，編碼代理扮演 實作引擎 的角色，而人類則提供 問題定義 與 領域判斷。
若未來模型能進一步降低專業門檻，我們可能看到所有職業更廣泛地採用軟體生產，進而重塑技能需求。

局限與未來工作

未衡量真實世界成果（例如生成程式碼的部署後使用情況）。
排除非互動式 Claude Code 使用（例如批次產生）；未來框架將納入此類活動。
所有分類皆依賴模型驅動的會話分析；雖遙測交叉驗證顯示高一致性，但大規模人工驗證仍具挑戰性。
持續監控將追蹤隨著模型自主性提升，專業知識回報是否遞減。

參考文獻

Hitzig, Z., Massenkoff, M., Lyubich, E., Zhang, S., Heller, R., & McCrory, P. (2026). Agentic coding and persistent returns to expertise. Anthropic. https://www.anthropic.com/research/claude-code-expertise
關於衡量自主性的先前研究：https://www.anthropic.com/research/measuring-agent-autonomy
CLIO 保護隱私的分析：https://www.anthropic.com/research/clio
SWE-chat 資料集：https://huggingface.co/datasets/SALT-NLP/SWE-chat

所有 referenced 圖表皆出自原始 Anthropic 報告。