Claude Code负责人：从Opus 4.5起，我的代码100%由AI写

在最近的一场技术对谈中，Anthropic Claude Code负责人Boris与Meta开发者效率团队总监展开了一场关于AI编程现状与未来的深度对话。Boris抛出了一个足以让整个工程界重新审视自身工作方式的数字：自Opus 4.5发布以来，他100%的代码都由Claude Code撰写。这不是Demo，不是实验，而是一位头部AI公司产品负责人的日常。

一个产品负责人的代码数据：40万行新增，80亿Token

对话中最具冲击力的部分来自具体数据。Boris透露，今年他提交了1700个PR，新增约40万行代码，删除了25万行。自3月以来，他消耗了80亿Token。而这些代码——从新增到删除——完全由Claude Code完成。

更令人意外的是开发环境的迁移。Boris表示，他现在大部分编码工作都在手机上完成。"如果六个月前你告诉我这件事，我会说你疯了。"这个细节折射出的变化可能比代码量本身更深层：编程正在从IDE中的键盘操作，转变为一种随时随地的对话式交互。

对于Anthropic整体而言，这个比例也相当可观：公司内部平均80%到90%的代码由Claude Code编写，而在越来越多的团队中，这个数字已经达到100%。

编码不再是瓶颈，下一道关卡是什么？

Boris的核心观点是：编码曾经是软件开发流程中最大的瓶颈，而这个问题基本已经被解决。随之而来的是新的瓶颈迁移——代码审查、安全审查、CI优化，每一个环节都在被AI重新定义。

Claude Code Review：98%的Bug在人工看到PR前已被修复

Anthropic内部使用的代码审查产品已经开放给所有用户。Boris描述的使用体验是：当工程师打开一个PR时，"基本上可以保证所有Bug都已经被抓到"。准确率大约在98%到99%之间。这意味着工程师看代码时不再需要找Bug，而是判断"这个PR是否应该存在"——一个更高层次的决策问题。

这个产品之所以能做到这一点，代价是消耗大量Token。Boris直言它"比市场上任何其他代码审查产品都贵得多"，但换来的是审查焦点的根本转移。

Claude Security：自动化安全扫描开始超越人工渗透测试

每周对全部代码库进行扫描、自主发现并修复安全问题，这是Anthropic内部的常规操作。Boris提到一个转折点：Claude Security现在开始捕获连渗透测试人员都未发现的问题。就在不久前，这还做不到。

动态工作流：一句话让CI时间减半

Boris分享了一个极具说服力的案例。他发现CI速度偏慢，于是给Claude Code下达了一句指令：用工作流分析CI时间数据并进行优化。没有更多细节，就这一句话。

模型调用了动态工作流（dynamic workflow）——Anthropic几周前发布的新功能，能够动态编排数十、数百甚至数千个子Agent。任务运行了几个小时，消耗数百万Token，最终产出四个PR，将CI时间降低了50%。Boris当晚就合并了这些改动。

在传统模式下，这类Profiling和优化工作可能需要数天到数周。

CI（持续集成） 是软件开发中频繁将代码变更合并到主干并自动运行构建、测试的实践，其速度直接影响开发迭代效率。CI时间过长会导致反馈延迟、合并队列堆积。Boris的案例中，Claude Code通过动态工作流分析CI时间数据，自动识别瓶颈（如冗余测试、低效构建步骤）并生成优化PR，将CI时间减半。这体现了AI不仅写业务代码，还能优化开发基础设施本身，属于"元开发"层面的自动化。

Loops与Workflows：Agent之上的下一层抽象

Boris用一个类比解释loops的定位：如果源代码是编程中的一条语句，Agent写代码就是函数，那么loops就是高阶函数。这是抽象层级的又一次跃升。

Loops的实际应用场景很具体：一个Agent循环运行，每隔几分钟读取Threads上的用户反馈并提交修复建议；或者循环检查代码库，寻找重复抽象并统一、发现不稳定的测试并修复、清理无用测试。Boris表示这些loops目前都在他的日常中运行，他只需审查最终产出的PR。

目前Boris大约30%的代码由loops编写，状态好的时候可以做到100%。他预计一年后，写loops的工程师比例会大幅上升。

而动态工作流与loops的区别在于，工作流让Claude编写一个小程序在虚拟机中运行，用于编排其他Claude来解决问题——这是Test Time Compute的一种新形式。Boris将其描述为继模型规模、数据量、训练算力之后的"第四个扩展因子"。

Test Time Compute（测试时计算） 指模型在推理阶段（而非训练阶段）投入额外计算资源来提升输出质量的技术范式。传统上，模型能力主要由训练规模（参数、数据、算力）决定，推理时只是单次前向传播。而Test Time Compute允许模型在回答前进行多步推理、自我验证、搜索或调用工具，典型如OpenAI o1系列的思维链。Boris将动态工作流称为"第四个扩展因子"，意指通过编排大量子Agent在推理时动态分配计算，可以像扩大模型规模一样有效提升任务表现，尤其适合CI优化这类需要探索和试错的复杂工程问题。

成本焦虑可能是伪命题：ROI的正确打开方式

面对"更强大的模型更贵"这一行业性焦虑，Boris给出了明确判断：应该用ROI而非成本来思考问题。

他的建议是：用最贵的模型，专注提高回报，而不是削减成本。"削减投资大概有50%的空间，但提高回报的机会可能是1000%甚至更多。"

在部署策略上，Anthropic观察到的最成功模式是：给所有人Token——不只是工程师，还包括产品经理、设计师、数据科学家——让整个组织去实验。创新往往来自你意想不到的角落，比如某个会计或市场人员，而非总是最资深的工程师。

成本控制应该在找到有效用例之后，在后端进行，而非在前端限制。

Auto Mode与工程师的成长焦虑

对话触及了一个颇为敏感的问题：工程师会不会因为AI太强而变懒？

Boris坦承Anthropic自己的安全团队发现了一个反直觉的现象：权限确认弹窗本为安全设计，但工程师很快就养成不看内容直接点"是"的习惯。提示疲劳反而降低了安全性。这正是Auto Mode诞生的原因——将权限判断交给模型，基于对话上下文决定是否放行。

结果好于预期：Auto Mode的安全性优于默认的yes/no模式和危险模式，同时解锁了长时间运行的Agent能力。背后支撑它的是Claude模型对提示注入的低敏感度——据系统卡数据，100次尝试中的成功率约为1%。

至于工程师如何在学习曲线上不掉队，Boris推荐了Claude Code的output styles功能。新人加入团队时，他会建议使用exploratory风格，让Claude在每次修改时解释架构和语言细节；非程序员可以使用learning风格，逐步引导操作而非直接代劳。

提示注入（Prompt Injection） 是一种针对大语言模型的安全攻击方式：攻击者将恶意指令隐藏在模型会读取的输入中（如网页内容、用户评论、文档），诱导模型忽略原有指令并执行攻击者意图。对于拥有工具调用权限的Agent，提示注入可能导致数据泄露或越权操作。Auto Mode的安全性依赖于模型对这类攻击的低敏感度——系统卡显示100次尝试中仅约1次成功，意味着模型能较好地区分正常指令与恶意注入，从而放心将权限判断交给模型，支持长时间自主运行。

还未被攻克的堡垒：产品感与分布式系统设计

Boris并不认为模型已经无所不能。他明确列出两个自己仍优于模型的领域：产品直觉——"我仍然能想出比它更好的产品点子"；以及分布式系统设计——服务划分、数据流向、负载因素等系统性思考。

他预计到年底模型在这些方面会"相当不错"，但拒绝给出更精确的时间表。

关于Claude Code的未来方向，Boris强调团队按周或按月规划，不做年度计划——"这个领域变化太快了"。大方向是保持最广泛的兼容性、在长时运行任务上继续拉大领先优势，以及让用户以最自然的方式体验模型能力的跃升。