Claude Code 创始人在红杉大会上的 7 个重要判断

作者：AI产品阿颖

原视频：《Anthropic's Boris Cherny: Why Coding Is Solved, and What Comes Next》

Claude Code 创始人 Boris Cherny 在红杉大会上的分享，信息量非常大，很多观点我第一次完整听到。这哥们确实对 AI 的理解比较到位。

我分享下自己的总结。

#01 代码不再稀缺

对于大量主流开发场景，人手写代码这件事，已经开始变成一件低效率的事情。

以前一个功能要交付，工程师坐下来，先想清楚怎么实现，然后一行一行把代码敲出来。在这个过程里，工程师最大的价值就是：会不会写，写得好不好，写得快不快。

现在的工作方式不一样了。

同样一个功能，工程师做的事情更像是：先把需求讲清楚，把这件事拆成几块交给 Agent，定一个验收标准，然后看一下 Agent 跑出来的结果对不对，不对就调整提示，让它再跑一遍。

AI 已经可以搞定大部分的 Coding 任务。当然，也并不是 100%，还有很多巨大又复杂的代码库、冷门语言或特殊环境，今天的模型表现仍然不够。

整体来看，工程师的价值，从会不会写代码，变成了会不会拆任务，会不会把目标讲清楚，会不会验收结果，会不会管理 Agent。

这种变化其实非常像工业革命。

工业革命之前，一个铁匠从打铁、锻造、抛光到组装，全套活都是自己一个人做。手艺好的铁匠，自然就值钱。

后来流水线出现了。每个工人只负责一道工序，整体的产出却比手工时代高出几十倍上百倍。

这时候工厂里值钱的角色，不再是会做某一道工序做得最好的工匠，而是能把流水线设计好、管理好、让它跑顺的人。

工人没有消失，但工人的角色变了。

软件工程现在正在经历类似的转折。代码本身不再是稀缺品。会写代码这件事，正在变成像会用 PPT 一样的基础技能。

真正稀缺的，是能不能把模糊的需求拆成清晰的任务，能不能在 Agent 给出的几种方案里挑出最对的那个，能不能让一群 AI 协同起来完成一件事。

这件事其实很多老工程师一开始是接受不了的。亲手把代码写出来这件事本身，是过去几十年很多人热爱这一行的理由。

把这个交给机器，对很多人来说，不只是工作方式变了，而是身份认同的一次重塑。

但趋势就是趋势。

#02 像古登堡印刷机

Coding 正在从一种专业技能，变成一种基础能力。这件事可以类比 15 世纪欧洲的印刷术。

印刷术发明前，整个欧洲只有大约 10% 的人识字。这些人往往受雇于不识字的贵族，专职帮人读和写。

然后印刷术问世。50 年时间，欧洲出版的书籍数量超过此前一千年的总和，书价下降了 100 倍左右。再经过几百年的配套（教育体系、经济结构慢慢跟上），全球识字率才升到今天的 70%。

Boris 认为，AI 对软件的影响，是一次加速版的印刷术革命。软件会在几十年内完全民主化，变成任何人都能驾驭的东西。

最终，会做软件这件事，会像会发短信一样自然。

#03 什么能力才是最重要的？

当写代码这件事的门槛被 AI 降到极低之后，真正区分一个人能力的，是他的产品感觉，是对一个具体领域的真正理解。

举个例子。两个人同时要做一个面向医生的产品。一个是写代码很快的工程师，一个是在医院信息科干过几年的人。

放在以前，工程师做出来东西的概率更高，因为他能把 idea 实现出来。

现在反过来了。谁都能把 idea 实现出来。这个时候，那位真懂医院日常工作流的人反而更值钱。因为他知道哪些功能是医生真的会用的，哪些只是听起来有道理。

也就是说，AI 把执行的门槛抹平之后，判断力的差距就被放大了。

这件事直接改写了 generalist 这个词的含义。

过去我们说 generalist，通常指的是一个工程师既能写 iOS，又能写 Web，又能写后端。这种 generalist，本质上还是工程内部的全栈。

未来的 generalist 是跨学科的全栈。

有人同时懂产品、设计和工程。有人同时懂产品、数据科学和工程。这种组合过去几乎不可能，因为每一项都需要长时间的专门训练。

但现在 AI 把每一项的执行门槛都拉低了，一个人可以横跨几个领域，专业深度还能保住。

Claude Code 团队就是这样。工程经理、PM、设计师、数据科学家、财务、用户研究，每个人都在写代码。

设计师可以自己把交互原型跑起来给团队看，不再只是出图等工程师实现。

财务可以自己搭一个分析工具，把公司里复杂的财务模型跑出来，不用再排队等 BI。用户研究的同事开始自己跑数据，把过去要等数据团队配合的那部分活揽了过来。

每个人的专业深度都还在。但在 AI 辅助下，写代码这件事变成了大家共用的语言。

#04 SaaS 的护城河正在瓦解

过去十几年，SaaS 行业有几条几乎被当成公理的共识。

第一条是切换成本。一家公司一旦用了你的系统，里面就慢慢沉淀了几年甚至十几年的数据、配置、字段、权限关系。

想搬到另一个系统，光是把这些东西原样迁出去再迁进来，就足够让人头疼到不愿意动。

第二条是工作流锁定。员工的日常操作、跨部门协作、审批节点，全部都是绕着这个 SaaS 长出来的。

换一个系统不只是搬数据，是把整个公司过去几年长出来的肌肉记忆推倒重来。

这两条加起来，构成了过去 SaaS 行业最深的护城河。但有了足够强的模型之后，事情的逻辑开始变化。

先看切换成本这一边。过去想从一个 SaaS 切到另一个，光是把字段对齐、把数据结构复刻一遍，就够工程团队加班好几个月。

现在直接把两边的接口和数据结构丢给模型，让它自己把映射关系理清楚，一点一点往最优解上爬。原本要几个月的事情，可能几天就能跑出一个能用的版本。

再看工作流锁定这一边，更有意思。过去工作流之所以能锁住客户，是因为这些流程本身复杂、隐性、依赖人。

员工脑子里那套谁找谁审批、什么时候卡哪一步的默契，没法直接搬走。

但 Opus 4.7 这一类模型，最擅长的恰恰就是把一个复杂流程读懂、拆开、在新环境里重新搭起来。甚至重新搭出来的版本，可能比原来还顺。

所以过去靠数据沉淀和流程沉淀建起来的护城河，正在瓦解。

对在做 SaaS 的人来说，这可能是个坏消息。但对所有用 SaaS 的客户，和正在准备做新一代 SaaS 的团队来说，这是一个真正的机会窗口。

#05 创业者最好的时代

未来 10 年里真正颠覆行业的创业公司，可能会比过去 10 年多 10 倍。

原因其实不复杂。

小团队可以用 AI 做出和大公司同级别甚至更好的产品。反过来，大公司想真正用上 AI，反而是负资产。

怎么说呢？

一家有十几年历史的公司，已经长出了一整套自己的业务流程、岗位分工、协作习惯、培训体系、KPI 考核。这些东西在过去是资产，是壁垒。

但要把 AI 真正嵌进去，意味着这一切都要被重新审视：业务流程得重构，所有员工得重新培训，每往前推一步都会遇到巨大的内部阻力，要协调 N 个部门、N 层审批。

而一个三个人的初创团队，从第一天起就把 AI 当成默认底座。他们没有历史包袱要拆，没有习惯要改，没有人需要被说服。今天讨论清楚，明天跑出 Demo，后天就能上线让用户用上。

这种速度差，AI 之前其实也存在。初创公司对大公司本来就有速度优势。但 AI 把这个差距放大了很多倍。

为什么？

因为 AI 越强，一个人在单位时间里能撬动的杠杆就越大。一个真正用好 AI 的小团队，今天的产出可能相当于过去十个人，明天可能相当于过去三十个人。

但大公司的组织重量并没有变轻，反而因为要消化 AI 这件事，变得更重。AI 越强，小团队的加速度，和大公司的拖拽力之间的剪刀差，就被拉得越大。

这就是 Boris 说的负资产。不是大公司没钱、没人、没意愿，是它们身上那些过去赚钱的肌肉，今天恰好卡在了 AI 真正发挥价值的路上。

#06 MCP 不会死

MCP 不会死。

Skill 火了之后，很多人觉得 MCP 不需要了。OpenClaw 创始人也是类似的观点。

但 Boris 不这么看。他觉得 MCP 会成为 AI 时代的软件连接层。

过去互联网的软件连接方式是 API。

但 API 的核心问题在于，它是给工程师设计的。想用一个 API，得先翻文档，申请 Token，写代码，把字段对齐，处理异常。说白了，API 是写给人类开发者的。

MCP 不一样。它让模型可以直接接进来用，模型自己读懂就能调，中间不需要一个程序员替它翻译。

所以 Boris 把 API 叫做 Human Developer Interface，把 MCP 叫做 Model Interface Protocol。一个是给人用的，一个是给模型用的。

这其实跟当年很像。移动互联网时代，默认所有服务都要 API 化。AI 时代，默认所有服务都要 MCP 化。

#07 Computer Use 依然重要

很多人现在聊 Computer Use，会觉得这个方向可能并不 work。

理由也很合理：太耗 Token，跑得慢，还不稳定。看上去更像一个炫技 Demo，离真正能用还有距离。

但 Boris 看到的层面完全不一样。

他真正看重的是，Computer Use 解决了 AI 落地最大的一个痛点：现实世界里，有大量系统既没有 API，也没有 MCP。

尤其是企业世界。

真进过公司就知道，里面大量核心系统都很老。ERP、OA、财务系统、内部审批、供应链后台、各种定制系统。很多没开放接口，没文档，没自动化能力。它们就在那里，每天被无数员工手动操作着。

那为什么不直接给它们做 API 呢？

因为做不动。开发这些系统的供应商可能已经不在了。IT 部门没动力也没预算去重构。

业务部门更不可能停下来等半年一年。这些系统永远不会等到一个完美的 API 来拯救自己。

短期内，各大模型应该还会是提升自己的 Computer Use 能力。

本内容仅供参考，不构成任何金融、投资、法律或税务建议。文中提及的任何活动、奖励、线上活动或相关信息，不应被视为对购买、出售或交易任何加密资产的推荐、招揽或邀请。加密资产具有高波动性，存在价值损失风险。WEEX服务、产品及相关活动的可用性可能因地区而异。用户在参与前有责任确保符合当地适用法律法规。