美国红杉资本AI Ascent系列七–软件开发的终结与新范式:Anthropic Claude Code 对编码未来的分析(来自 Sequoia Capital)

对话者

Boris Cherny : Anthropic Claude Code 创建者

Lauren Reeder : Sequoia Capital 合伙人

概要

Anthropic 工程师Boris Cherny 在 Sequoia AI Ascent 2026 大会上的深度分享，系统分析了AI 智能体对软件开发模式的根本性重塑。Cherny 是Claude Code 的创造者，他提出一个极具争议的论断：编码已被解决。2026 年至今他没有手写一行代码，100% 的代码由 Claude Code 生成，每天通过手机提交数十个PR(Pull Request ,拉取请求)，最高单日达 150 个。他的个人工作流基于“循环”机制——利用Claude 通过 cron(Unix / Linux 系统中的传统任务调度工具)调度重复任务，自主监护 PR、修复 CI(Continuous Integration, 持续集成)、抓取反馈，数十个循环持续运行。新推出的 routines 功能使任务在服务器端持久化，无需保持终端开启。

Cherny 回顾了Claude Code 的起源：2024 年底在Anthropic Labs 内部孵化，最初六个月产品几乎不可用，仅覆盖 10% 的编码工作。真正的指数增长始于 2025 年 5 月的 Opus 4 模型发布，随后每次模型更新（4.5、4.6、4.7）都带来新一轮拐点。团队刻意“为下一个模型而构建”，在产品市场契合到来前忍受了半年的沉寂。

对于未来团队形态，Cherny 预测跨学科通才将主导——工程师、产品经理、设计师、数据科学家、财务人员都将编写代码。Claude Code 团队已是全员编码的文化样本。在商业护城河层面，AI 削弱了转换成本与流程能力，但网络效应、规模经济与独家资源依然坚固。初创公司可从零以AI 原生方式构建，与臃肿的现有企业正面竞争，未来十年初创数量可能增长 10 倍。

Cherny 以15 世纪欧洲印刷术革命类比当下：识字率从 10% 升至70%，软件也将从少数专业人士的专属技能变为大众通用能力。最好的会计软件将由会计师而非工程师编写，因为领域知识成为稀缺资源，编码本身成为商品。Anthropic内部已无手写代码，所有 SQL 由模型生成，多个 Claude智能体通过 Slack 相互通信协作。组织流程层面的差距远大于模型层面的差距，这为初创公司提供了历史性机遇。

主题分析

一、Claude Code 的起源与“为下一个模型而构建”的产品策略

Claude Code 并非诞生于清晰的产品路线图，而是源自Anthropic Labs 内部孵化器对“产品能力缺口”的直觉判断。2024 年底，AI 编程的最新能力仅限于“类型预补全”——在 IDE 中按Tab 键一次完成一行代码。这是 Sonnet 3.5 首次解锁的能力。但Cherny 的团队感知到模型能力已接近下一个量级跃迁的临界点：智能体可以完整地编写整个代码库，而非逐行补全。

决策层选择了“为尚未发布的模型而构建产品”的非传统路径。团队用 6 个月时间构建 Claude Code，期间产品体验极差，仅能覆盖Cherny 个人约 10% 的编码工作。即便在初始发布后，也未出现指数增长。真正的转折点是2025 年 5 月 Opus 4 的发布——这是第一个让 Claude Code 达到产品市场契合的模型。此后每次模型更新（4.5、4.6、4.7）都进一步拉高增长曲线。

当底层模型能力以每年数倍的速度提升时，提前构建上层应用可以形成“准备就绪”的先发优势。关键在于识别模型能力的演化方向，并忍受早期的不完美。Cherny明确表示，Claude Code 代码库本身“非常简单”——就是 TypeScript 和 React，没有任何秘密。复杂度的核心位于模型侧，而非应用侧。

此类“模型先行”产品的风险在于时机判断。过早进入可能导致团队消耗在等待模型追赶的过程中耗尽资源；过晚则错失先机。Anthropic作为模型提供方的独特优势在于对内部模型路线图的可见性，这是第三方开发者无法复制的。但 Cherny 的经验表明，即便对模型演进有深度理解，产品市场契合仍然需要等待特定模型版本（Opus 4）的到来，而非渐进式改进。

二、“编码已解决”的实证：从手机提交数百个 PR 的工作流

Cherny 的核心论断值得逐层拆解。“编码已解决”并非指所有编程问题都已不存在，而是指在其个人工作流以及Claude Code 代码库的维护中，模型已经能够 100% 生成所有代码。他自2026 年以来没有手写过一行代码，每天通过 Claude 移动应用提交数十个PR，最高纪录为单日 150 个。

其个人工作流的架构如下：

会话与智能体管理：Claude 移动应用中保持 5 到 10 个活跃会话，每个会话内包含多个智能体，总计同时运行数百个智能体。夜间则运行数千个智能体进行深度工作。

循环（loop）机制：使用内置的 /loop 命令，让 Claude 通过 cron 调度重复性任务，可按每分钟、每5 分钟或每天执行。Cherny 目前有数十个循环在持续运行，例如：

• 监护 PR，自动修复      CI 失败，自动变基
• 维护 CI 健康，检测并修复不稳定的测试
• 每 30 分钟抓取 Twitter 反馈并进行聚类

Routines（新功能）：将循环机制迁移到服务器端，即使用户关闭笔记本电脑，任务依然持续运行。这标志着从“交互式编程”向“持久化自主智能体”的范式转移。

工具链的选择：Claude Code 代码库最初选择 TypeScript 和 React，因为当时模型能力有限，需要选择“分布中心”的语言和框架。如今模型已能处理任何语言和框架，甚至可以现场学习全新的技术栈。

Cherny 明确指出，“编码已解决”尚未普及到所有场景。大型复杂代码库、冷门语言、遗留系统等领域仍然存在挑战。但趋势清晰：每次模型更新都在缩小这些差距。对于大多数新项目，尤其是基于主流技术栈的项目，模型已完全胜任。当编码本身商品化，真正的稀缺资源转向领域知识、用户洞察、分发渠道和品牌信任。

三、从交互式编码到持续自主智能体：循环与批处理作为新原语

Cherny 提出的“循环是未来”具有超越工具层面的意义。传统编程的本质是“编写一次性执行的指令序列”。而循环机制引入了一种新的计算原语：持久化、自主、自适应的任务执行单元。

与传统 cron 的区别：传统 cron 执行固定脚本，而Claude Code 的循环中，智能体每轮执行时可以根据前一轮的结果调整策略。例如，监护 PR 的循环在看到测试失败后，可以选择修复代码、重试、或通知相关人员。这种“闭环适应性”是自主智能体的核心特征。

与批量处理的协同：/batch 命令允许并行执行多个独立任务，与循环形成互补。批量处理适用于“一次性大规模并行”，循环适用于“持续性监护与迭代”。

对人类开发者的角色转变：Cherny 的工作模式已从“编写代码”转向“管理智能体群”——启动会话、设定目标、审查输出、处理异常。他不再关心变量命名、函数拆分、设计模式等技术细节，而是关注更高层的目标和约束。这种转变类似于从“手动驾驶”到“舰队指挥”。

对于企业级应用，循环机制的规模化面临若干挑战：状态管理（如何让循环在重启后恢复）、资源控制（如何防止无限循环消耗计算）、调试与可观测性（如何理解一个运行了 1000 次的智能体的行为）。Anthropic 正在通过 routines（服务器端持久化）解决部分问题，但整个领域仍处于早期阶段。

围绕“自主智能体编排”的基础设施层将出现新的机会。类似 Kubernetes 之于容器，我们需要“智能体编排平台”来管理大规模、持久化、相互通信的智能体群。Cherny提到 Anthropic 内部的智能体已通过 Slack 相互通信，这暗示了智能体间协作协议的需求。

四、未来组织形态：跨学科通才与全员编码的文化变革

Cherny 对未来团队的预测基于Claude Code 团队自身的演化。该团队中，工程经理、产品经理、设计师、数据科学家、财务人员、用户研究员——每一个角色都编写代码。不是“会用 AI 工具”，而是实际参与代码贡献。

这一变化的驱动力来自两个方向：

编码门槛的消失：当 AI 可以生成全部代码，一个人可以从概念到部署独立完成整个产品，无需任何传统意义上的“编程技能”。这打破了职能壁垒。设计师可以直接实现自己的设计；产品经理可以直接构建原型进行测试；数据科学家可以直接将分析结果转化为生产代码。

通才相对于专才的优势：在 AI 承担了“深钻”能力（如特定框架的细节、特定算法的复杂度）之后，人类的比较优势转移到“广度”——连接不同领域的知识，识别跨职能的约束和机会。一个既懂设计又懂数据科学且能编码的人，可以快速迭代出比三个职能分立协作更优的解决方案。

Cherny 区分了两种“通才”：传统意义上的“工程通才”（同时掌握 iOS、Web、后端）与新兴的“跨学科通才”（工程+设计+产品+数据科学）。后者将是 AI 时代的核心竞争力。

这一趋势对组织设计和人才招聘策略有深远影响：

• 内部培训比外部招聘更关键：因为跨学科通才在市场上极为稀缺，组织需要帮助现有员工学习相邻领域的技能（尤其是编码）。
• 职能边界模糊化：传统的“需求文档–设计稿–前端实现–后端实现–测试”流水线将被压缩，更多工作由单个通才或极小团队完成。
• 绩效评估的挑战：如何评估一个“什么都做”的通才？需要从“产出数量”转向“问题解决的综合质量”。

一个“全栈工程师 + 设计感知 + 产品思维”的三人团队可能比一个职能完整的十人团队更具竞争力。

五、SaaS 护城河的重构：AI 削弱与强化的商业模式要素

Cherny 借用《Acquired》播客和 Hamilton Helmer 的“七种力量”框架，分析了 AI 对不同商业模式护城河的影响。

被削弱的护城河

转换成本在 AI 时代显著降低。过去，从一家 SaaS 迁移到另一家涉及数据迁移、流程重构、员工培训等高额成本。当AI 智能体可以自动理解数据模式、生成迁移脚本、甚至模拟原有工作流时，客户不再被锁定。Cherny 认为，转换成本的优势将大幅缩水。

流程能力同样面临挑战。许多 SaaS 公司的价值在于封装了某个垂直领域的“最佳实践流程”（如 CRM 的销售阶段管理、客服的工单路由）。Claude 4.7 模型已展现出“爬升”能力——给定一个目标和评价指标，它可以自主迭代优化流程。这意味着标准化的业务流程不再构成壁垒，因为任何竞争对手都可以让 AI 复现甚至超越。

仍然坚固的护城河

网络效应不受 AI 影响。更多的用户带来更多的数据、更多的连接、更高的价值——这一逻辑依然成立。AI 不会削弱 Facebook、LinkedIn、Uber 等双边/多边平台的核心优势，甚至可能强化（通过更智能的匹配）。

规模经济仍然有效。固定成本（品牌、研发、基础设施）分摊到更大用户基数上，单位成本下降。AI 可能会加速规模效应的实现（自动化降低边际成本），但不会改变其结构。

独家资源——独特数据、专利、监管许可、品牌信任——依然稀缺。AI 可以生成代码，但无法生成“只有你拥有的用户行为数据”或“FDA 批准”。

Cherny 提出的第二个关键洞察是：初创公司的机会窗口正在扩大。大公司受制于既有流程、文化惯性、员工技能结构，难以快速转型为“AI原生”组织。而初创公司可以从第一天起将所有编码工作交给 AI，形成全新的人机协作模式。他预测未来十年初创公司的数量可能增长 10 倍。

对于投资人，这意味着需要区分“短期护城河”（可能被 AI 侵蚀）和“长期护城河”（AI 无法复制的结构性优势）。同时，应积极寻找那些利用AI 原生能力对成熟市场发起“不对称竞争”的初创团队。

六、软件开发平权化：印刷术的类比与领域专家的崛起

Cherny 将当前AI 驱动的编码革命类比为 15 世纪欧洲印刷术的发明。印刷术之前，识字率约为10%，读写能力是少数神职人员和抄写员的专属技能。印刷术之后 50 年内，欧洲出版的文献量超过此前一千年总和，书籍价格下降100 倍。又经过数百年，全球识字率升至 70% 以上。

软件开发的平行轨迹正在加速展开。其关键推论包括：

终端用户成为开发者。一个熟练的会计师现在可以用自然语言让 AI 生成定制化的会计软件，而无需学习 Python 或 SQL。最佳会计软件的作者将是会计师，而非软件工程师——因为领域知识比编码能力更稀缺。

软件开发从“专业行当”演变为“通用素养”。就像今天的读写能力被视为基本技能，未来的“软件构建能力”将成为大多数白领工作者的标配。这并不意味着每个人都将成为程序员的替代品，而是说“用软件解决问题”的能力将像“用Excel 做表格”一样普及。

专业开发者的角色分化。Cherny 并不认为软件工程师会消失。类比：印刷术普及后，仍然有专业作家、编辑、出版商。程序员将向两个方向分化：一部分成为“智能体管理者”和“问题定义者”，专注于复杂系统的架构和需求定义；另一部分转向模型研究、工具开发和底层基础设施。

教育体系的冲击。传统的计算机科学教育强调“手写代码”的能力——从语法到数据结构到算法。当AI 可以生成所有代码后，教育需要转向“问题分解”“系统思维”“人机协作”“结果验证”等能力。Cherny 的工作流（从手机管理数百个智能体）本身就应该成为教学内容。

软件开发民主化催生了新的创业赛道：

• 垂直领域的“AI 原生软件工厂”：为会计师、律师、医生等非技术专业人士提供工具，让他们用自然语言构建自己的软件。
• 智能体编排平台：管理大规模、持久化、协作的智能体群。
• 代码质量与安全验证层：当 AI 生成大量代码后，自动化的安全审计、合规检查、性能验证成为刚需。

七、模型与产品的协同进化：产品设计中如何预判模型能力

Cherny 区分了“产品决策”与“模型决策”在 Claude Code 成功中的权重。一年前，他评估为 50/50。随着模型能力快速提升，模型的贡献在增加，但产品细节仍然是“能否让用户爱上产品”的关键。

一个反直觉的经验是：Claude Code 在产品层面的核心工作不是增加复杂功能，而是做减法——设计简单、可靠、可预测的交互。例如，/loop 的实现极为简单（Claude 用 cron 调度任务），但其体验设计（从命令行到移动端、从交互式到后台持续运行）决定了它是否能被广泛采用。

关于“为未来模型构建产品”的具体策略：

识别产品能力缺口：观察当前模型能做但尚未被任何产品捕获的功能。2024 年底，Claude Sonnet 3.5 已经能够生成完整的函数和模块，但现有工具仍局限于行级补全。这一差距就是产品机会。

构建“足够好”的最小版本：Cherny 用 6 个月构建了早期 Claude Code，尽管体验粗糙，但验证了核心假设。关键在于保持克制，不试图“补偿”模型的不足，而是让团队和早期用户共同忍受不完美，直到模型赶上。

与模型路线图对齐但不过度依赖：Anthropic 作为模型方有可见性优势，但第三方创业者也可以通过公开的模型发布节奏（如 OpenAI、Anthropic每隔数月推出更强模型）来规划产品迭代。Cherny 强调，产品团队应假设“未来 6 个月模型能力翻倍”，并据此设计架构——例如，将需要高精度推理的部分先通过人工规则兜底，等待模型进化。

八、组织流程作为竞争壁垒：Anthropic 内部实践与外部差距的核心差异

Cherny 提出了一个对风险投资极为重要的洞见：在AI 时代，真正的差距不在模型层面，而在组织流程层面。Anthropic 内部与外部开发者使用相同的模型（Opus 4.7、Mythos 等），但内部的生产力水平显著更高，原因是流程已被彻底重构。

Anthropic 内部的关键实践：

• 所有 SQL 查询由模型生成，无手动编写
• 整个公司无手写代码——所有代码都是模型生成的
• Claude 智能体之间通过 Slack 相互通信，协调解决未知问题
• 从工程师到财务人员，每个角色都使用 Claude 完成本职工作

这些实践带来的结构优势：

• 决策速度极快：无需等待专人编写代码，需求可立即转化为实现
• 知识沉淀在智能体网络中：当一个智能体学会了某种模式，可以通过 Slack 传递给其他智能体
• 组织灵活性强：人员变动时，智能体网络保留了大部分操作知识

外部开发者面临的组织障碍：

• 遗留的审批流程、代码审查规范、部署流水线并非为 AI 生成代码而设计
• 安全与合规要求可能禁止将敏感代码发送给云端模型
• 员工技能结构固化，难以快速转向全员使用 AI 的工作模式

Cherny 明确指出，初创公司相对于大公司的一大优势就是没有这些历史包袱。他们可以从第一天起就建立“AI原生”的组织流程，而大公司需要经历痛苦的文化变革。他预测未来十年初创公司数量将增长10 倍，这正是源于组织流程层面的竞争不对称。

对于风险投资机构，这意味着在尽调过程中除了评估技术、市场、团队外，还应深入考察“组织流程对 AI 的适配程度”。一家仍要求所有代码必须手工编写、所有PR 必须经过三人工序审查的公司，无论其模型多么先进，其执行速度都将被 AI 原生组织超越。反之，那些已经将智能体深度嵌入日常研发流程的团队，即便总人数较小，也可能具备超线性产出能力。

总结与展望

Boris Cherny 的分享为AI 时代的软件开发和组织设计提供了清晰的路线图。核心结论可归纳为以下系统层面：

第一，编码作为一项技能的“半衰期”正在急剧缩短。模型已能生成全部代码，人类开发者从“编写者”转向“管理者”和“问题定义者”。这一转变不是渐进式的，而是根本性的范式转移——类似于从汇编语言到高级语言，但规模更大、速度更快。

第二，自主智能体（以循环和批处理为代表）将取代交互式工具成为新的主流计算范式。未来的软件系统将由持续运行、自适应的智能体群构成，人类在循环中扮演监督和目标设定角色。这要求开发工具链、运行时环境和可观测性基础设施做出根本性调整。

第三，组织流程的 AI 适配程度将成为决定竞争力的首要因素。模型本身是商品化的，但围绕模型构建的组织流程（全员编码、智能体协作、自动化决策）是高度差异化的。初创公司在这一点上拥有结构性优势，因为可以零历史负担地设计 AI 原生流程。

第四，护城河理论需要重新审视。“转换成本”和“流程能力”两类护城河正在被 AI 侵蚀，而网络效应、规模经济和独家资源依然坚挺。投资逻辑应从“防御性护城河”转向“AI 加速的飞轮效应”——那些能够利用 AI 更快地吸收用户、积累数据、优化产品的公司将胜出。

第五，软件平权化将催生全新的供给曲线。当任何领域专家都能在数小时内“编造”出自己的软件时，垂直软件市场的竞争格局将被彻底重塑。传统 SaaS 的“标准化产品”模式可能让位于“个性化生成”模式——每个企业或每个用户都拥有一套由AI 定制生成的软件。

展望未来 3-5 年，预计将出现以下趋势：几乎所有新创建的代码将由 AI 生成；传统 IDE被聊天界面和智能体管理界面取代；每个中型企业都将拥有“内部智能体舰队”负责从客服、数据分析到研发的各类任务；“软件工程师”角色分化为“智能体架构师”和“领域问题专家”；软件行业的创业门槛降至历史最低，但成功所需的“问题深度”和“分发能力”门槛大幅提升。

对风险投资者而言，这是一个需要同时警惕和拥抱的时代。警惕的是，许多传统的投资框架（如团队技术能力、产品功能壁垒）正在失效。拥抱的是，历史上第一次，任何一个有深刻领域洞见的人——无论是否懂编程——都可能成为下一个伟大软件公司的创始人。投资机构的角色需要从“评估代码能力”转向“识别问题定义的深度”和“判断组织 AI 适配的意愿与速度”。

免责声明

本报告基于有关对话，不构成任何投资建议，亦不代表任何机构的正式立场。本报告仅用于研究与教育目的。