来源

• 原始链接：https://www.youtube.com/watch?v=SlGRN8jh2RI
• 来源类型：视频逐字稿
• 来源标题：Claude Code 创始人 Boris Cherny 访谈：从产品起源到 AI 重构软件开发的未来

Claude Code 创始人 Boris Cherny 访谈高亮

文本来源是 24 分钟 YouTube 访谈逐字稿。内容核心不是 Claude Code 的功能介绍，而是 Boris 对 AI coding 产品形态、agent loop、组织流程和软件民主化的判断。按汉松兴趣画像，以下高亮优先保留机制解释、反常识判断和可复用 workflow。

一、AI coding 产品要为下一代模型提前占位

背景

Claude Code 的起点很值得看：它并不是在模型已经完全成熟后才被设计出来的，而是 Anthropic 团队意识到产品形态落后于模型能力。他们做的是一个能承接未来模型跃迁的工作流容器。

当时模型已经能做很多事，但产品还没有真正把这些能力捕捉出来。团队在 2024 年底做 Claude Code，本质上是在为未来 6 个月后的模型提前造产品。

Claude Code 前 6 个月并不好用。Boris 自己也只用它写大约 10% 的代码，但团队仍然坚持，因为他们等的是下一个模型。

Claude Code 的增长曲线并不是初始发布时爆发，而是从 Opus 4 发布后开始指数增长。之后每次模型升级，使用曲线都会再次抬升。

兴趣匹配度高。这里的关键判断是：AI 原生产品的增长可能由模型代际触发，而不是由传统功能发布触发。做 agent 产品时，真正要设计的是模型能力一旦越过阈值，产品是否已经准备好把新能力转成稳定工作流。

二、代码库和技术栈要变得模型友好

背景

Boris 对 Claude Code 代码库的描述很朴素，但含义很深：他们不是追求最酷的工程栈，而是选择模型训练分布中心的技术。这是 AI 时代很实际的工程美学：让代码更适合模型理解、生成和维护。

Claude Code 的代码库其实很简单，主要是 TypeScript 和 React。选择它们不是因为这些技术最先进，而是因为它们处在模型训练分布的中心，模型更擅长写。

对 Claude Code 自己的代码库来说，编码已经是 100% 由模型完成。Boris 现在通常每天提交几十个 PR，甚至尝试过一天推到 150 个 PR。

但这并不代表所有代码库都已经被解决。大型复杂代码库、冷门语言、模型不擅长的技术栈，仍然会很难。

兴趣匹配度高。这个判断可以直接转化成团队工程策略：AI coding 的成功率不只取决于模型，也取决于代码库是否模型友好。减少隐式约定、补充测试和文档、采用高分布技术栈，本质上都是上下文工程。

三、开发界面正在从 IDE 变成 agent 编排器

背景

访谈里最值得抓的不是手机写代码这个表象，而是 Boris 的个人开发界面已经变成多会话、多 agent、循环任务和后台守护。他不再把 AI 当一次性问答工具，而是让它持续维护项目状态。

Boris 现在大部分工作是在手机上完成的：打开 Claude app 的代码标签，同时开 5 到 10 个会话，每个会话里有多个 agent，总数可能达到几百个。晚上还会有几千个 agent 做更深的工作。

他越来越常用循环机制：让 Claude 在未来某个时间重复执行工作，比如每分钟、每 5 分钟或每天运行。他已经有几十个这样的循环，其中一个专门照看 PR：修 CI、自动 rebase、处理不稳定测试。

另一个循环每 30 分钟抓取 Twitter 反馈并聚类，持续把用户反馈转成可读的产品信号。

他们推出的 routines 类似本地 loop，但运行在服务器上。即使合上笔记本，任务也会继续执行。

兴趣匹配度很高。这是 agent workflow 的结构性变化：从人坐在 IDE 前驱动 AI，演化为人设定目标，agent 在后台持续运行、监控状态、触发修复、汇报结果。对汉松自己的 Hermes、OpenClaw、团队研发流程，都可以抽象成一类 pattern：目标、状态源、周期、权限、验证、通知。

四、AI coding 改变的不是程序员效率，而是组织分工

背景

Boris 的判断比通常的 AI 提效叙事更进一步：当代码实现变得便宜，真正稀缺的是领域知识、问题定义、跨学科整合和组织流程。写代码从职业技能逐步变成通用表达能力。

未来会出现更多通才，但不是只会 iOS、网页、后端的全栈工程师，而是跨越工程、产品、设计、数据科学等领域的通才。

在 Claude Code 团队里，工程经理、产品经理、设计师、数据科学家、财务、用户研究员都在写代码。

如果要写会计软件，最适合的人可能不是工程师，而是优秀会计。因为编码会变成容易的部分，真正困难的是理解领域。

软件开发会像读写能力一样被民主化。未来普通人都能做软件，但仍然会有专业工程师，就像人人会写字，但仍然有职业作家。

兴趣匹配度高。这对应汉松长期关心的人机共生：AI coding 的终点不是程序员全员失业，而是软件表达能力基础设施化。人的价值从代码手艺迁移到领域建模、判断、表达、评审和责任承担。

五、Anthropic 的领先可能来自流程，而不是私有模型

背景

访谈里一个反常识点是：Boris 认为 Anthropic 内部使用的模型和外部用户基本一样。真正的差距在组织如何全面 dogfood，如何用公开可得的模型重构内部流程。

Anthropic 内部使用的模型和外部用户基本一样，模型层面没有明显代差。真正的差距在产品使用方式、组织结构和工作流程上。

Anthropic 内部几乎所有事情都用 Claude：代码、SQL、日常工程流程都交给模型完成。他们的优势来自全面 dogfood。

Claude 会一边编码、一边在循环中运行，还会通过 Slack 和其他人的 Claude 沟通，以解决未知问题。

一个 Claude 在处理代码任务时发现依赖信息不明确，它可以通过 Slack 联系另一个同事正在运行的 Claude，让两个 agent 交换上下文，而不是等待人类中转。

兴趣匹配度很高。这是组织级 agent mesh 的雏形。壁垒从模型 access 转向流程重构能力：任务如何被分配，状态如何被记录，上下文如何被共享，agent 如何跨人、跨工具、跨团队协作。

六、AI 会重新定价 SaaS 护城河和创业窗口

背景

Boris 讨论商业影响时，重点不是抽象地说小团队更强，而是指出 AI 会削弱一些传统 SaaS 护城河，同时让新团队从第一天就以 AI-native 的流程构建组织。

AI 会让某些商业护城河变弱，比如切换成本，因为模型可以帮助用户从一个系统迁移到另一个系统；流程优势也会变弱，因为 Claude 越来越擅长理解并优化流程。

未来 10 年，颠覆性创业公司的数量可能增加 10 倍。小团队可以做出过去只有大公司才能做的高价值产品，而大公司要面对流程改造、员工再培训和内部阻力。

新创业公司可以从第一天起就用 AI-native 的方式构建产品和组织流程。

兴趣匹配度中高。这个部分可以作为 AI 产品战略判断：AI 不是平均提高所有公司的效率，它会改变迁移成本、流程壁垒和组织惯性。新团队的优势来自从零设计，而不是在旧流程上加一层 AI。

七、好的 agent 产品会把并行、循环和模型选择隐藏起来

背景

在谈到 batch、loop、sub-agent、本地模型和云端模型时，Boris 的产品原则很清楚：用户不应该被迫学习复杂的 agent 调度方式。模型越强，越应该自己判断什么时候并行、什么时候开循环、什么时候调用什么环境。

如果用户必须自己判断如何使用工具，那就是产品设计还没有做好。

用户让模型拉取数据查询，模型发现数据随时间变化，于是主动开启循环，每 30 分钟生成报告；用户再要求发到 Slack，它就通过 Slack MCP 自动发送。

几年后模型会自己写代码、启动 agent、搭建环境，并决定该用本地模型还是云端模型。

工程师未来关心的可能不是模型部署形态，而是任务目标、权限边界、成本策略和结果验证。

兴趣匹配度高。这是一个很实用的 agent 产品设计原则：不要把复杂编排暴露给用户，让模型承担调度，让人类保留目标设定、边界控制、成本治理和最终验收。对 Hermes 这类系统来说，这也是从工具集合走向协作系统的关键方向。

整体判断

这期访谈最值得保留的不是 Claude Code 本身多强，而是 Boris 展示了一种未来软件生产方式：产品为下一代模型提前占位，代码库被改造成模型友好环境，开发界面从 IDE 迁移到 agent 编排器，组织流程变成可被 agent 持续运行的系统。

对汉松最有价值的 takeaway 是：AI coding 的核心竞争力会从写代码迁移到设计工作流。谁能把目标、上下文、权限、循环、验证和反馈组织成稳定系统，谁就能把模型能力变成可重复的生产力。