Claude Code创始人揭秘：编程已被解决，全民编程时代来临

Claude Code的创造者Boris Charney在最近一场开发者活动中，分享了关于AI编程现状与未来的深度见解。作为Anthropic内部孵化项目的核心人物，他不仅讲述了Claude Code从无人问津到爆发增长的历程，更大胆预言：编程正在成为像「读写」一样的基础技能。

从意外诞生到产品市场契合

Boris坦言，Claude Code的诞生颇具偶然性。2024年底，他加入Anthropic内部一个小型孵化团队（Anthropic Labs），当时编码领域的最先进体验还停留在IDE中的「按Tab补全一行代码」阶段——以GitHub Copilot为代表的产品虽然已经改变了开发者的日常，但本质上仍是自动补全的延伸，远未触及AI能力的天花板。

团队看到了明显的「产品溢出」（product overhang）——模型能力远超现有产品所能承载的。这个概念在AI行业中越来越被重视：当底层模型已经能理解跨文件的复杂代码逻辑、进行架构级别的重构时，产品层面却还在一行一行地补全代码，这种落差本身就是巨大的创业机会。他们决定直接让Agent写所有代码，而不是继续做逐行补全。

但现实是残酷的：前六个月，Claude Code几乎不可用。 Boris自己也只用它完成约10%的编码工作。即使公开发布后，增长也很平淡。真正的转折点出现在2025年5月Opus 4发布时，此后每次模型迭代（4.5、4.6、4.7）都带来指数级增长。

这揭示了一个关键策略：为下一代模型提前构建产品。团队明确知道当前体验不够好，但他们在赌未来——而这场赌局赢了。这也是AI应用层创业与传统软件创业的本质区别：你不是在优化当前的用户体验，而是在为六个月后的模型能力搭建产品骨架。

「编程已被解决」的真正含义

Boris在活动中做了一个现场调查：完全手写代码的人极少，完全用AI写代码的人也不多，大部分人处于中间状态。但对他个人而言，答案很明确——模型写了他100%的代码。

他透露了一组惊人数据：

日常每天提交几十个PR
上周有一天提交了150个PR（个人纪录）
Claude Code的代码库本身就是用AI写的（TypeScript + React，选择这些是因为它们在模型训练数据中分布广泛）

最后一点值得深思：团队在选择技术栈时，不再只考虑语言本身的性能或生态，而是优先考虑AI模型对该语言的熟练程度。TypeScript和React在GitHub上拥有海量的开源代码，这意味着模型在训练过程中见过大量高质量的TypeScript模式和React最佳实践。这种「为AI优化技术选型」的思维方式，可能会深刻影响未来几年的技术栈格局。

当然他也承认，「编程已解决」有前提条件。对于非常复杂的大型代码库，或模型尚未擅长的小众语言，情况还有差距。但他的建议很简单：等下一个模型就好。

Boris的疯狂工作流：手机 + 循环Agent

最令人震撼的是Boris的个人开发设置。他大部分工作现在通过手机上的Claude App完成：

同时运行5-10个会话
每个会话下有多个Agent
日常保持数百个Agent运行
每晚有数千个Agent执行深度任务

他最推崇的功能是Loop（循环）——本质上是让Claude通过Cron定时任务自动重复执行工作。传统的Cron是Unix系统中诞生于1970年代的定时调度器，按固定时间执行固定脚本。而Agent Loop是这个概念的AI时代进化：不再执行预设操作，而是定期唤醒一个具有判断力的AI Agent，让它根据当前环境自主决策。Boris的具体用法包括：

一个Loop负责看管PR（修复CI、自动rebase）
一个Loop保持代码库健康（修复flaky测试）
一个Loop每30分钟从Twitter抓取用户反馈并聚类

Boris强调：「我觉得Loop就是未来。」Anthropic也刚推出了Routines功能，将这种能力从本地迁移到云端——即使关闭笔记本电脑，服务器端的Loop也会继续运行，实现了7×24小时不间断的Agent服务。这从根本上改变了「开发者必须在线才能推进工作」的传统假设。

未来团队形态：跨学科通才崛起

对于团队的未来形态，Boris给出了明确判断：通才将远多于今天。但这里的「通才」不仅是会写iOS、Web和后端的全栈工程师，而是跨学科的复合型人才——既懂产品工程，又精通设计、数据科学或用户研究。

他以Claude Code团队为例：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——团队中每个人都在写代码。这不是硬性要求，而是AI降低编程门槛后的自然结果。当编写代码不再需要数年的专业训练，领域专家就能直接将自己的知识转化为软件产品，中间不再需要「翻译层」——也就是传统意义上的程序员角色。

SaaS末日？竞争护城河的重新洗牌

面对「AI让写代码成本降低10-100倍，SaaS会不会崩溃」的问题，Boris引用了Hamilton Helmer的「七种竞争壁垒」框架来分析。Helmer是斯坦福大学经济学教授，他在2016年出版的《7 Powers》中系统化了企业持久竞争优势的七种来源：规模经济、网络效应、反向定位、切换成本、品牌、独占资源和流程优势。这本书在硅谷投资圈影响深远，是评估公司护城河的标准工具。

Boris将这个框架应用于AI时代的竞争分析：

正在削弱的壁垒：

切换成本（模型可以帮你从一个产品迁移到另一个——它能读懂旧系统的数据结构，自动完成迁移脚本编写）
流程优势（4.7模型可以自动优化任何流程，给它目标就能hill climb到最优解——这里的hill climbing指的是优化算法中逐步逼近最优解的过程，AI让任何公司都能快速达到流程最优）

依然坚固的壁垒：

网络效应
规模经济
独占资源

他更兴奋的判断是：未来10年的创业公司数量将是过去10年的10倍。小团队可以构建与大公司同等价值的产品，而大公司要面对内部阻力和流程改造的巨大惯性。

印刷机类比：全民编程时代到来

当被问及「编程会不会像Office技能一样普及」时，Boris的回答比提问者想象的更激进——他认为编程会像「发短信」一样基础。

他引用了一个历史类比：15世纪的印刷机革命。印刷机发明前，欧洲仅10%人口识字，他们受雇于不识字的国王和领主。印刷机出现后的50年，出版的文献超过此前一千年的总和，书籍成本下降100倍。虽然全面普及花了200年，但最终全球识字率升至70%以上。

这个类比的深层含义在于：印刷机不只是让「抄书」变便宜了，它从根本上改变了知识的传播结构和社会权力格局。类似地，AI编程工具不只是让「写代码」变快了，它在改变谁能创造软件、谁能解决技术问题的基本格局。

「你不需要读写学位就能读写，但专业作家依然存在。编程也会如此。」

他特别指出一个洞见：未来最好的会计软件，不是工程师写的，而是最好的会计师写的。因为领域知识才是真正的难点，编码本身已经变成了简单的部分。

Anthropic内部的真实差距在哪里

一个有趣的问题是：Anthropic内部是否比外界领先很多？Boris的回答出人意料：

模型层面没有差距——他们内部用的是和外部一样的模型版本（主要是Opus 4.7），因为dogfooding对平台产品至关重要。Dogfooding（吃自己的狗粮）是科技行业的经典实践，要求公司内部率先使用自己的产品来发现问题。对AI产品而言这尤为关键：如果开发者自己都不依赖自己的工具，就无法真正理解用户的痛点和工作流。

真正的差距在组织流程：

公司内所有SQL都由模型编写
再无手写代码
Agent之间通过Slack互相通信——当Boris的Claude在循环中编码时，它会自动联系其他同事的Claude来解决未知问题

最后一点尤其值得关注：这意味着AI Agent之间已经形成了类似人类团队协作的模式。一个Agent遇到不确定的问题时，不是停下来等待人类指示，而是主动通过通信协议寻找其他Agent的帮助。这种Agent间的自主协作，可能是组织效率下一个量级跃升的关键。

这意味着Anthropic的领先不在技术获取上，而在于他们已经完成了组织层面的AI原生化改造。

关键趋势展望

Boris最后提到了几个即将变得更强大的方向：

Claude Design——目前已经不错，很快会大幅提升
大规模并行Agent——Loop和Batch模式会越来越智能
计算机使用（Computer Use）——作为MCP（Model Context Protocol）的补充，处理没有API的软件。MCP是Anthropic于2024年底推出的开放协议，旨在标准化AI模型与外部工具之间的通信接口，类似于USB统一硬件连接方式。但现实中大量企业级软件没有开放API也不支持MCP，Computer Use通过让AI像人一样识别屏幕、点击按钮来操作这些软件，解决了自动化的「最后一公里」问题。
模型自主性提升——未来模型会自己决定何时启动Agent、使用本地还是云端模型，工程师不再需要做这些决策

他的终极判断是：再过几年，模型将自己编写所有代码、自己启动Agent、自己构建环境。我们作为工程师做决策的空间会越来越小——这不是威胁，而是解放。