惟愿此心无怨尤

【读书笔记】Sequoia AI Ascent 2026（十一）：Boris Cherny — 为什么编程已被解决，以及接下来的发展

19 min

引言与Claude Code的背景

00:02 红杉资本 (Sequoia Capital) 的 Lauren Reer 介绍主讲人 Boris Cherny（Claude Code 的创造者与核心负责人）。在过去的一年中，作为”程序员中的程序员”，Boris 亲历了现代软件开发方式的彻底重塑。

01:22 令人惊讶的是，Boris 在过去一年（或者说至少在2026年至今）没有亲手写过一行代码。

02:43 Claude Code 的诞生背景：

  • Claude Code 的创立在很大程度上是一次”意外”。2024年底，Boris 加入了 Anthropic 内部名为 Anthropic Labs 的孵化器团队。
  • 这个由少数人组成的创新团队在完成了 Claude Code、MCP 以及桌面端应用的开发后便解散了。现在该团队在 Instagram 前创始人 Mike Krieger 的带领下重组，开启了第二阶段的研发。

03:18 核心驱动力：“产品悬滞 (Product Overhang)”：

  • 团队认为当时的 AI 领域存在巨大的”产品悬滞”。
  • 当时（2024年底）编程的先进水平是”自动补全/预输入 (Type ahead)“，即在 IDE 中按 Tab 键逐行补全代码（这是由 Sonnet 3.5 首次实现的能力）。
  • 但 Anthropic 团队认为模型的能力远不止于此，它几乎已经准备好迈出下一步：让代理 (Agent) 直接编写所有的代码，而不仅仅是自动补全。

04:16 从零到指数级增长：

  • 最初的6个月里，产品效果非常差，几乎不可用（Boris 仅用它完成了自己 10% 的工作）。甚至在初次发布时，也没有获得巨大的反响。
  • 指数级的爆发始于 2025年5月的 Opus 4 模型发布。伴随后续模型的迭代（Opus 4.5、4.6、4.7），产品呈现出连续的指数级跃升。
  • 团队从一开始就在打造一个”前 PMF (Pre-PMF)“的产品，因为他们是在为”下一代模型”进行超前开发。

为什么说”编程已被解决”

05:08 在调查现场观众时，Boris 指出，对他而言编程问题已经实现了 100% 解决。

  • Claude 代码库的架构选择：Claude 的代码库采用了 TypeScript 和 React。
  • 原因：这两种语言/框架对于当时的 AI 模型来说是”符合分布 (On distribution)“的。当时模型还不够智能，框架的选择极其重要；而如今的模型已经足够聪明，能够接手甚至它从未见过的全新语言和框架。

06:22 100% AI 接管的日常：

  • 从去年（2025年）10月或11月起，模型已经包揽了 Boris 100% 的代码编写工作。
  • Boris 每天的工作是处理几十个 PR（拉取请求）。在巅峰时期的一天，他甚至尝试极限推进，单日处理了 150个 PR。
  • 虽然针对极其庞杂的代码库或罕见的语言，编程尚未被完全解决，但他的答案很简单：“只需等待下一代模型”。

探索极客级别的个人工作流

06:50 基于手机的代码开发：

  • 惊人的是，Boris 目前大部分的编码工作都是通过手机完成的。
  • 他在 Claude 移动端应用左侧的”Code”标签页中，通常会同时开启 5 到 10 个会话 (Sessions)，后台跑着几百个甚至几千个智能体 (Agents) 进行深度工作。

07:51 未来趋势：“Loops (循环系统)”：

  • Boris 强烈推荐了名为 Loop 的功能。他让 Claude 使用 cron 在未来安排循环任务。

  • 他当前有几十个 Loops 正在全天候运行：

  • PR保姆：修复 CI（持续集成）错误，自动执行 rebase 操作。

  • CI 健康守护：自动检测并修复 flaky tests（不稳定的测试用例）。

  • 数据反馈：每30分钟自动从 Twitter 抓取用户反馈并进行聚类分析。

  • “Routines”功能的推出：这是服务器端的 Loop 功能，即使合上笔记本电脑，任务也会在云端持续运行。

未来团队形态与软件产品变革 (SaaS启示录)

08:50 未来的跨学科通才 (Generalists)：

  • 未来的通才不再仅限于”会写前端和后端的工程师”，而是跨学科的通才。
  • 极其懂得产品设计的工程师，或懂数据分析的 PM。
  • 案例：在 Claude Code 团队，无论是工程经理、产品经理、设计师、数据科学家，甚至财务人员和用户研究员，团队中的每个人都在写代码。

10:24 SaaS 启示录与商业护城河分析：

  • 面对 AI 将代码成本降低 10 倍到 100 倍的现状，Boris 引用了《Acquired》播客和《7 Powers》（七大力量）商业理论，分析了 AI 对企业护城河的影响：

  • 被削弱的护城河：

  • 转换成本 (Switching costs)：因 AI 可以轻易将系统从 A 迁移到 B，转换成本大幅降低。

  • 流程壁垒 (Process power)：Claude 尤其在 4.7 模型中，拥有极强的流程拆解与执行能力，它可以”爬山 (Hill climb)“任何目标（持续迭代直到任务完成）。

  • 依旧坚固的护城河：网络效应、规模经济、垄断资源等。

  • 创业的黄金时代：未来10年的颠覆性初创公司数量将增加 10 倍。因为小型初创公司可以原生构建 AI 工作流，而大型企业则会面临极大的内部抵触情绪（培训员工、转变业务流程等）。

观众问答 (Q&A) 环节

13:08 Q1：Claude Code 的成功，究竟归功于模型本身还是产品设计？

  • 回答：大约是 50/50。借鉴 YC (Y Combinator) 的核心理念：“打造人们热爱的产品”。产品侧在细节上的打磨决定了开发者整天使用它时的舒适度。
  • 未来预测：一年后，随着模型的安全性和对齐度大幅提升（例如不再需要产品层面做复杂的静态指令验证、防提示词注入、权限模式或人机回路交互），产品框架 (Harness) 的重要性将下降，模型自身将能包办正确的流程。

15:00 Q2：未来编程是否会像使用 Microsoft Office 或发短信一样被大众化？

  • 回答：绝对会。Boris 用 1400年代欧洲印刷术 做类比：
  • 类比：印刷术发明前，只有10%的人识字，阅读是领主雇佣的专业人员的工作；印刷术发明后的50年里，出版的文学作品比过去1000年还多，书本成本下降了 100 倍。随着时间推移，识字率提升至70%。
  • 洞见：软件构建也将被完全平民化。“现在乃至未来，编写会计软件最合适的人选不是工程师，而是一个优秀的会计师，因为编码成了简单的事，而真正难的是领域知识。”

17:21 Q3：Anthropic 内部使用工具的领先程度，领先外界多远（一个月？半年？）

  • 回答：模型技术层面几乎没有差距（外部一样能获得类似的底座模型），但产品和组织流程层面的差距非常大。
  • 内部现状：Anthropic 内部的所有员工整天都在让自己的 Claude 互相沟通。“当我的 Claude 在循环中写代码时，它会通过 Slack 去和别人处于循环中的 Claude 沟通以解决未知问题。“公司内部不再有任何手工编写的代码，所有的 SQL 都是模型写的。真正的领先在于组织架构和流程的演进。

19:08 Q4：关于多智能体 (Multi-agent) 任务并行化的优化？

  • 回答：目前在产品端依然依赖 Prompting（提示词工程）。但随着模型（如 4.7 版本）变强，它已经能自然而然地主动发起多智能体行为。例如模型会主动提议：“我发现数据随时间变化，我将开启一个 Loop 每30分钟通过 Slack 向你汇报”。如果用户还需要手动思考如何并行调度工具，那是产品设计的问题。

20:41 Q5：未来大家是依赖云端大模型，还是会回归本地部署的个人 AI？

  • 回答：“这其实并不重要。” 几年后，模型自己会处理所有的代码、启动智能体并配置环境。如果模型在评估后认为调用一个本地模型执行某项子任务最合理，它就会这么做。作为工程师，我们不再需要替 AI 做这些技术决策。

21:55 Q6：知识工作（Google Docs, Salesforce等）如何获得与本地开发环境同等的 AI 赋能？

  • 回答：最简单的答案就是 MCP (模型上下文协议)。用同一个 MCP 连接器接通各种云端 SaaS 软件。
  • 对于没有 MCP 接口的老旧系统，将迎来 “计算机使用 (Computer Use)” 的巨大机会。只要模型能看懂并操控屏幕即可完成操作。
  • 重要引述：“一切技术细节（MCP, CLI, API）都不重要了，对模型来说它根本不在乎，对模型而言，一切都只是 Tokens。”

23:41 Q7：当前有什么早期产品，将在模型进步后变得极具爆发力？

  • 回答：Claude Design（设计生成） 是一个绝佳的例子。此外还包括大规模智能体并行工具（Loop 和 Batch 批处理），以及 Computer Use 的全面普及。

视频高层级摘要

在这场炉边谈话中，Anthropic 的 Boris Cherny 揭示了 AI 如何将软件开发的范式推向彻底重构的临界点。他指出，随着如 Opus 4.7 这样的大模型发布，“编程本身已被解决”，他个人已经完全停止手写代码，转而使用手机和成百上千个自主循环的 AI Agent 管理代码库与合并请求。这一转变不仅预示着企业内部组织架构（每个人都是通才和程序员）和 SaaS 商业护城河的颠覆，更宣告了软件构建的全面民主化——未来解决问题的核心不再是代码能力，而是深度的领域专业知识。

关键要点列表 (Top 15 洞察)

  1. 纯手写代码已成历史：Anthropic 团队和先进开发者已实现 100% 由模型自动编写代码。
  2. 移动端接管工作流：得益于智能体，复杂的代码任务可通过手机进行大规模调度。
  3. “循环 (Loops)” 是未来：通过让 AI 自主挂载 cron 定时任务，Agent 可以全天候看护代码库、修复 Bug 或收集数据。
  4. 通才的崛起：团队所有职能（产品、设计、财务）都将直接写代码构建产品，技术瓶颈被打破。
  5. AI 打破”流程壁垒”：模型展现出的”爬山算法 (Hill climbing)“执行力，让依赖复杂流程的传统企业护城河失效。
  6. 初创公司的降维打击：没有历史包袱的初创企业将能够原生搭建 AI 工作流，从而轻易对抗拥有内部变革阻力的科技巨头。
  7. 组织重构是真正的领先：技术层面的底座模型大家都能获得，真正的竞争差距在于企业内部组织流程能否彻底转向 AI 原生互动（Agent 之间通过 Slack 自动对接沟通）。
  8. 软件开发等于新时代的”识字率”：AI 让编程工具化，如同15世纪的印刷术普及，使得非技术出身的领域专家（如会计）可以直接开发完美的专业软件。
  9. 底层语言与框架不再重要：模型足够强大后，不再局限于被投喂最多的主流语言，能够快速掌握任何未知框架。
  10. 产品外壳 (Harness) 的退场：随着模型指令对齐和安全性变好，防注入、权限管理等复杂的产品外包装将失去意义，模型自身将能识别并执行正确流程。
  11. 多智能体 (Multi-agent) 成为模型本能：模型将开始主动提议并执行多进程任务，无需人类工程师手动干预和编排。
  12. 云端与本地之争是个伪命题：未来的模型会根据任务需求，全权决定并自动调度是该调用云端算力还是本地小模型。
  13. MCP 成为万物互联的钥匙：模型上下文协议 (MCP) 将取代传统 API 的繁琐对接，成为打通知识工作 (Salesforce, Docs 等) 的通用方案。
  14. Computer Use 作为托底方案：针对没有接口的传统闭源软件，“计算机屏幕操控”将成为打通最后壁垒的关键。
  15. 万物皆 Token：无论是 MCP、CLI 还是 API，在强大模型眼中都只是处理过程中的 Token 数据，AI 本身不在乎其底层形态。

技术术语词汇表

  • Claude Code: Anthropic 推出的一款将大语言模型直接接入开发者环境，实现自主代码编写与库操作的 AI 工具/智能体。
  • MCP (Model Context Protocol): 模型上下文协议。一种开源的标准协议，使 AI 模型能够通过安全的方式访问外部文件、应用程序API以及数据源。
  • Type ahead (预输入/自动补全): 传统的 IDE 编程辅助功能，即开发人员键入开头后，通过按 Tab 键逐行补全代码。
  • Product overhang (产品悬滞): 技术领域术语，指底层技术或模型的能力已经远超出了市面上现有商业产品所能提供的功能范围。
  • PMF (Product Market Fit): 产品市场契合度。指一个产品成功满足了一个良好的市场需求。
  • On distribution (符合分布): 机器学习概念，在这里指代某些编程语言（如 TypeScript 和 React）在模型的训练语料库中占比极高，模型对它们的理解最深。
  • PR (Pull Request): 拉取请求。在 Git 版本控制系统中，开发者提交给主代码库的代码合并审查请求。
  • CI (Continuous Integration): 持续集成。一种软件工程实践，团队成员频繁将代码集成到共享库中，并自动进行验证与测试。
  • Cron: Unix / Linux 系统中的一种后台守护进程，用于在特定时间自动调度和执行预先设置的作业 (cron jobs)。
  • Flaky tests: 指在没有修改任何代码的情况下，有时通过、有时失败的自动化测试代码。
  • Rebasing: Git 变基操作，将当前分支的修改重新应用到目标分支的最新提交之上，使提交历史更加线性。
  • Hill climb (爬山算法/局部寻优): 计算机科学优化算法术语，Boris 在此用来形容 AI 具有持续性、迭代性地向着给定目标”攀爬”和解决问题直至完成的能力。
  • Dogfooding: “吃自己的狗粮”。科技行业俚语，指公司在内部大量使用自己开发的产品，以在发布前发现问题并改进体验。
  • SaaS (Software as a Service): 软件即服务，一种通过互联网交付和授权软件的交付模式。
  • Tokens: 词元/标记。大语言模型处理自然语言或代码的基本数据单元，模型将所有输入输出皆视为 Token 序列。
读书笔记