Anthropic 40 万次 Claude Code 会话研究：专业度、成功率与 AI 路由

Anthropic 于 6 月 16 日发布了一篇研究论文，分析了 2025 年 10 月至 2026 年 4 月间约 23.5 万名用户产生的约 40 万次 Claude Code 会话。表面上这是一个劳动力市场研究，但其中的数据对任何通过网关、计费系统或路由层大规模运行 Claude Code 的团队都具有直接的运营价值。

发生了什么

该论文引入了一个九类会话分类体系（构建、修复、测试/编排、运行软件、规划、探索、数据分析、文档/非代码产出），并从三个维度对每次会话进行衡量：任务模式、用户专业度和会话成功率。

对运营团队的关键发现：

• 会话构成：56% 的会话涉及代码编写或修复（25% 编写、26% 修复、5% 测试/编排）；17% 是运行软件；13% 产出分析或文档。"修复"类别从 10 月的 33% 降至 4 月的 19%，被"运行软件"（14% → 21%）和编写/分析类填补。
• 专业度放大效应：专家用户平均每次提示触发约 12 次 Claude 操作，产生约 3,200 词的输出；新手用户触发 5 次操作，约 600 词输出。这一 2.4 倍的操作倍数和 5 倍的输出倍数在所有工作模式和任务价值段上均成立。在控制模式、月份和模型变量的回归中，每个专业度级别大约带来额外 9% 的操作量和 13% 的输出量。
• 任务价值增长：按自由职业平台报价估算的平均会话经济价值，在 2025 年 10 月至 2026 年 4 月间上涨了 27%，构建、运行和修复类任务各上涨约三分之一。
• 成功率：在编码任务上，各主要职业的完成率与软件工程师基本相当。领域专家成功率更高，从错误中恢复也更容易，但中级与专家用户之间的差距较小。
• 分工模式：用户承担约 70% 的规划决策，Claude 承担约 80% 的执行决策。当 Claude 掌控规划时，每轮操作约 16 次；当用户保留执行控制时，Claude 约执行 8 次操作。

为什么对 AI 工程团队重要

会话分类体系和专业度数据改变了大规模 Claude Code 部署的资源规划与成本预测方式。

Token 预算规划取决于用户专业度。 如果路由团队将每次会话的 token 消耗建模为均匀分布，将系统性地低估专家密集型工作负载的成本。由领域专家组成的团队（写合同工具的律师、编分析 pipeline 的科学家、编排 agent 的高级工程师）产生的会话，输出体量是普通会话的 5 倍，对 context 积累的贡献也成比例增长。如果计费系统按统一的会话预算摊销 context 成本，结果要么是专家用户被新手用户补贴，要么反之。

任务模式的变化影响模型层级的选择逻辑。 调试类会话（下降趋势）通常有明确边界——测试通过即结束。运行软件和编排类会话（上升趋势）往往是开放式的，涉及运行 pipeline、部署基础设施或跨多轮协调 sub-agent。这些场景是 prompt caching 收益最大、context 窗口大小最重要、每轮延迟最直接影响开发效率的地方。将编排密集型工作负载路由到最强模型层级的理由，比对一个调试队列这样做要充分得多。

27% 的任务价值增长意味着去年的路由策略已经过时。 如果平均会话价值已上涨 27%（按自由职业等价值衡量），那么六个月前针对更轻量工作负载校准的模型层级策略，如今对应的已是更复杂的任务。以成本控制为由路由到更便宜层级的团队，可能正在用更高价值的工作去换取这种节省。

路由与运营角度

该论文的多项发现可直接转化为路由策略决策。

会话模式作为路由信号。 论文的九种模式可以大致映射到路由层级：带快速迭代的调试/测试会话适合低延迟、高性价比的模型；有大量 context 积累的构建会话（专家级每轮平均 2,400 词输出）适合更大 context 窗口和更强推理能力的模型；执行 sub-agent 协调或运行 pipeline 的运行/编排会话，是最强层级使用价值最高的场景——仅输出倍数一项，在任务价值匹配的情况下就足以证明成本差异的合理性。

专业度推断作为动态路由输入。 论文的专业度分类器通过提示措辞、纠错模式和领域特异性推断用户专业度——这些信号在网关层可以获取。一个观察会话前 2-3 轮的代理可以判断会话是否趋向专家模式，并相应调整模型选择。根据会话复杂度动态路由的模式与数据一致：专家级会话从高能力模型中获得的每 token 价值更高。

Prompt caching 的 ROI 随专业度提升。 专家级会话每轮积累更多 context，且跨越更多轮次持续积累。Prompt caching 的收益与缓存能吸收的重复 context 量成正比，在专家级编排和构建会话中的 ROI 高于短暂的调试交流。最近修复了 prompt caching 行为的团队（参见 Claude Code 2.1.181），在评估收益时应将会话构成中的专家比例纳入权重。

Sub-agent 深度限制与操作链的交互。 论文发现高专业度、高自主度会话中 Claude 每轮可能执行超过 100 次操作。设置了 sub-agent 深度限制的团队（最近 Claude Code 版本引入的治理控制）应该对这种交互建模：5 层深度上限加上专家用户每轮 12 次操作，意味着叶节点层面可能有数十个并行操作。路由层面的延迟和成本治理需要考虑这种扇出，而不是将每个用户会话视为单线程。

TheRouter 用户应该关注和尝试的事项

如果你通过 TheRouter 或自定义 AI 网关路由 Claude Code，会话模式和专业度数据对路由配置有直接参考价值：

• 审计当前会话的 token 分布，检查专家密集型用户是否驱动了不成比例的 context 成本。如果是，考虑为显示早期高专业度信号的会话设置独立的路由策略或 token 预算。
• 将运行/编排工作负载与调试/测试工作负载的模型层级分配分开评估。这些模式现在代表着与六个月前显著不同的使用场景。
• 参阅 /docs/ 中关于多会话 Claude Code 部署的路由配置、fallback 策略和 token 计算的当前文档。

Anthropic 研究页面提供了论文 PDF 和附录，包含会话级统计数据，可用于将你自己的部署与整体用户群基线进行对比。