Anthropic 实测智能体自主性：老手放权翻倍，自主工作最长超 45 分钟

大家都在聊 AI 智能体能帮你干多少活，但现实里，我们到底敢放手让它自己跑多久？

Anthropic 发布了一项针对真实场景下智能体自主性的研究。他们分析了自家编程工具 Claude Code 以及公开 API 上数百万次人机交互数据，给出了一个挺有意思的结论：目前的模型其实具备更强的自主能力，只是人类还没敢完全放权。

老手放权自动批准，但随时准备踩刹车

从数据来看，普通交互并没有我们想象中那么激进。Claude Code 的单次交互时长中位数大概在 45 秒左右，过去几个月基本保持稳定。大部分时候，大家还是把智能体当成快速问答和执行单步任务的帮手。

但长任务的数据变化非常剧烈。在排名前 0.1% 的高难度任务中，Claude Code 无需人类干预的连续运行时间从 2025 年 10 月的不到 25 分钟，暴涨到了 2026 年 1 月的超过 45 分钟，直接翻了一倍左右。

更有意思的是人类对工具的态度变化。使用不到 50 次的新手，只有大约 20% 的会话会开启完全自动批准；而到了使用超过 750 次的老用户手里，全自动批准的比例蹿升到了 40% 以上。老手不再死盯着每一步操作，而是把主控权交给 Claude，自己退到旁边看监控，发现跑偏了再打断。

而在面对最复杂的任务时，Claude Code 主动停下来向人请示或确认细节的次数，比人类手动打断它的次数多出了两倍以上。智能体并非只顾一路狂奔，它也在学着主动设防。

在 Anthropic 内部的使用数据中，从 8 月到 12 月，Claude Code 在高难度任务中的成功率翻倍，单次会话的人工干预次数却从 5.4 次下降到 3.3 次。

程序员在冲锋，医疗和金融还在观望

除了自家产品，Anthropic 还透视了公开 API 上的数千家客户行为。目前来看，软件工程占据了近 50% 的智能体活动，代码依然是智能体最施展得开的试验田。

虽然医疗、金融和网络安全等领域也开始出现智能体的身影，但绝大多数动作仍然属于低风险、可逆的操作。Anthropic 明确指出，高风险领域的自主落地还远远没有形成规模。

这种落差形成了一种被称为部署悬空（deployment overhang）的现象。像第三方机构 METR 此前的基准测试显示，Claude Opus 4.5 已经能在理想环境下完成人类需要 5 小时才能搞定的任务，但在现实中，即便是最极限的会话，模型自主奔跑的时间也只有 40 多分钟。

为什么重要

这份研究第一次用真实数据戳破了关于智能体的两个极端幻想：它既不是毫无用处的单步玩具，也不是没人管就能接管一切的黑盒。

对于开发者和工程师来说，这意味著你完全可以在繁琐的工作流里多给智能体一点空间。老用户的数据证明，信任是靠交互次数堆出来的，先从辅助写脚本过渡到半自动执行，再到有监控的自动批准，是一条被验证过的工作习惯路径。

我们认为，Anthropic 指出的大模型能力高于实际放权水平，揭示了行业接下来的核心卡点不再只是算力和推理基准，而是控制界面。过去的软件界面是在人完全掌控下设计的，现在的交互范式必须转向人与 AI 共同协商的边界管理。

聪明的做法不是一味追求让 AI 跑几小时不报错，而是像 Claude 这样在遇到模糊边界时主动暂停提问。对上下游来说，谁能先把这种可随时介入、带安全防线的监控产品做好，谁才能把企业客户从低风险的代码场景，一步步推向高价值的业务腹地。