今年6月，做出 Claude Code 的 Boris Cherny 说了句让不少人愣住的话："我不再 prompt Claude 了。我设计 loop，让 loop 去 prompt Claude。"（据 The New Stack、Armin Ronacher 博客等报道）
这话出自 Claude Code 的创造者之口，分量不一般：最会用这个工具的人，选择不再亲手用它。
同一个月，Anthropic 发布了一份基于约 40 万个 Claude Code 会话的报告，结论看似矛盾，实则同一件事：AI 越会写代码，人的专业经验越值钱。
不再 prompt 的人
Cherny 不是孤例。Google Cloud AI 总监 Addy Osmani、OpenClaw 创始人 Peter Steinberger 几乎同时给出相同判断，业界把这套做法叫 Loop Engineering（来源：Obsidian 笔记《Loop Engineering 全面解析》，原文载公众号"划小船"）。
核心是把人的判断前移到系统设计阶段：你定义什么算完成、什么算失败、什么时候停，循环自己去发现任务、规划、执行、验证、迭代。
有一条结构决策最要紧：验证环节必须由独立 Agent 执行，不能让写代码的 Agent 给自己的作业打分。
Osmani 给出的组件清单里，几个最要紧：触发任务的自动化心跳、隔离并行的 git 工作树、可验证的 Spec、独立验证的门控 Agent、写入 Memory 的迭代闭环。五个阶段 Discover、Plan、Execute、Verify、Iterate 首尾相接，人只在关键节点介入。
loop 看起来无人值守，转得好不好，取决于设计它的人。
40万个会话里的分工
Anthropic 的报告把这件事量化了。样本是 2025 年 10 月至 2026 年 4 月约 23.5 万人、40 万个会话。同一时期，Claude Code 用户平均每周使用 20 小时，GitHub 上有智能体活动的项目占比翻了一倍多。
56% 的会话在写代码、修代码或测试代码，17% 在部署和运行软件，14% 在规划和探索，13% 在分析数据、写文档。48% 的会话修改现有代码库，只有 14% 从零写起，约五分之一完全不碰代码。
分工很清晰：人做大部分规划决策（做什么），Claude 做大部分执行决策（怎么做）。平均而言，用户做出约 70% 的规划决策，只做出 20% 的执行决策；Claude 则承担约 80% 的执行决策。
一个典型会话约 4 个回合，每条用户提示平均触发约 10 个 Claude 行动，有时超过一百个。人决定造什么，智能体决定怎么造。
图注：用户领域经验越深，Claude 每条指令完成的行动越多，专家约为新手的15倍（来源：Anthropic《智能体编程与专业知识的持续回报》）
会转 loop 的，是专家
按最严格的"验证成功"口径（既判定成功、又有测试通过或代码提交等硬证据），新手会话只有 15% 达标，中级及以上为 28%–33%，部分成功口径则是 77% 对 91%–92%。
麻烦出现时差距更大：遇到错误的会话里，验证成功率从新手的 4% 升到专家的 15%。新手会把 19% 的受挫会话直接放弃（判定失败且一行代码没写），其他用户只有 5%–7%。
经验的价值，是能把智能体引回正确方向。专家每条指令让 Claude 执行的 git 行动约 59.6 次，新手只有 4 次，相差约 15 倍。
换句话说，同样一句"把这个问题修掉"，专家说出来，Claude 干完的活是新手的 15 倍。差距不在工具，在提要求的人知不知道自己要什么。
图注：新手与专家的会话结局对比（数据：Anthropic 报告，制图：源势AI）
职称不重要，懂行才重要
报告还有第二个反直觉发现：职业背景没那么要紧。
在产出代码的会话中，软件工程师的验证成功率约 34%，其他职业约 29%，差 5 个百分点，七个月里既没扩大也没缩小。最大的十个职业都落在软件工程师 7 个百分点以内，管理职业甚至略高于软件工程师。
写代码的能力被智能体抹平了，对问题的理解没有。报告作者写道：收益主要来自胜任，而非精通——对领域的熟练掌握就能拿走大部分收益，深度精通只多一点点。这对企业是个好消息：不需要人人成专家，把团队里懂行的人放到设计 loop 的位置上，收益就已经到手。
同一段时间里，典型任务的估算价值平均上涨约 25%，构建类任务涨 43%，操作类涨 34%，AI 相关任务涨 37%；调试类会话占比下降近一半，更多人端到端地部署、运行、分析数据。
图注：七个月里"写代码/修代码"会话占比下降，典型任务价值持续上升（来源：Anthropic 报告）
源势AI观点：把判断写进门禁
两份材料互相印证的是同一件事：Loop Engineering 改变了人工作的形态，Anthropic 的数据则回答了形态之下什么决定成败——不是写代码的手速，是对问题的理解深度。
这正是我们做企业智能体落地的路线。给能源、金融客户搭 Agent，最值钱的工作不是写 prompt，而是把业务专家的判断翻译成验证标准：什么算通过、什么算异常、什么时候必须人工接管。业务专家不需要会写代码，他需要说清楚"什么算对"。
我们在这些行业做到的 AI 研判准确率 98.7%、人力节省 70%，靠的就是把专家经验写进 loop 的门禁，而不是写进聊天记录。
AI 写代码越来越快，判断力越来越贵。知道"做什么"的人，正在比知道"怎么做"的人更值钱。
两个值得盯住的信号
报告作者给自己留了两个观察指标，也值得每个做 AI 落地的人盯住。
其一，如果专业知识的回报开始下降，说明模型正在接管用户今天带入的判断，工具收益会扩散到专家之外。其二，如果非软件职业的成功率持续增长，说明软件生产正在变成各行各业的日常工作，而不再是一个职业的专利。
截至 2026 年 4 月，这两个拐点都还没出现：专家回报稳定，职业差距稳定。窗口期还在，但方向已经指明。对个人，答案是把精力花在理解问题上，而不是和 AI 比写代码。对企业，答案是趁早把专家的判断沉淀成可执行的验证标准——那是 loop 时代最硬的资产。
