Claude Code Head Boris Cherny: Insane Growth, Tokenmaxxing, AI Agents' Next Frontier

• Claude Code 正在经历前所未有的增长曲线：Anthropic 需求 YoY 增长 80x，ARR 从一年前的 $4B 增长至约 $45B（10x），每次新模型发布（Opus 4/Sonnet 4 → Opus 4.5 → 4.6 → 4.7）都带来新一轮指数拐点，团队中做过多款超增长产品的老手表示"从未见过这种增速"。
• Claude Code 已实现 100% 自我编写：自 2025 年 11 月 Opus 4.5 发布后，Claude Code 完全由 Claude Code 自身编写，Co-work 同样如此；Anthropic 工程师人均代码产出增长 250%，且代码质量和可靠性未下降。Boris 本人"不写代码，只 prompt Claude"，甚至让 Claude 去 prompt 其他 Claude。
• Token maxing 不构成增长泡沫：Boris 认为刷 token 行为占比极小，真正的增长来自个人杠杆的指数级放大——从一个人运行一个 Claude，到现在动辄数百上千个并行；真正的企业 AI 采纳建议是"给 token、给心理安全感、等待意想不到的人做出创新"。
• 产品路线图三大方向：auto mode（用第二个 Claude 判断工具调用安全性，取代疲劳的人工审批）、更长时间运行的任务、以及大规模并行 Claude——Boris 每晚跑数百到数千个 Claude 处理工作。
• 非工程师正在成为核心用户群：Opus 4.7 hackathon 获胜者包括医生、电工、木匠，有人借此创建并卖掉一家创业公司；大量非技术用户在 Co-work 推出前就跑去装终端用 Claude Code，因为"太有用了不得不跳过障碍"。

贯穿全场的核心线索是杠杆倍增——从 Facebook 时代每年 1-2% 的生产力改善，到 Claude Code 带来的 250% 产出增长，再到单人运行上千 Agent，Boris 的每一个观点都指向同一个方向：AI 不是让人多做 10%，而是让一个人拥有过去一个团队的输出能力。

核心要点：Claude Code 的增长陡度超越了 Anthropic 团队所有人的经验范围，每个新模型版本都触发新一轮指数增长。

• Dario Amodei 近期透露 Anthropic 产品需求 YoY 增长 80x；ARR 从一年前约 $4B 增长到现在约 $45B（10x）
• Claude Code 内部发布时即"立刻起飞"，在对外发布前团队就确信"这会是爆款"
• 增长拐点时间线：Opus 4 / Sonnet 4（2025年5月）引爆指数增长 → Opus 4.5（11月）继续加速 → 4.6（2026年2月）→ 4.7 持续拐点
• 团队中有长期从事科技行业的人，做过各种超增长产品，一致反馈"从未见过这种增速"
• Anthropic 产品（Claude Code、Chat、Design、Co-work、API）与 API 业务的关系：一年前 API 是绝对大头，现在 Boris 用"a mix"形容——产品已成为收入的重要组成部分，增速还在加速

"I've just never seen growth this steep. And then it just kept going more and more exponential." —— Boris Cherny

核心要点：Claude Code 与聊天机器人的本质差异只有一个——它能使用工具（编辑文件、操作浏览器、连接外部服务），这个"微小差异"彻底改变了产品的可能性。

• 一年半前，没有任何 AI 产品能真正编辑用户电脑上的文件——Claude Code 做到了这一点，成为第一个
• Claude Code 的定位：Alex 写"用自然英语构建网站和软件"，Boris 说这个描述"actually pretty good"
• 工具范围：浏览器操控、电脑设置修改、文件整理、连接 Cloudflare 等外部服务——用户授权后 Claude 可以操作所有这些
• Boris 的精简定义：AI 从 autocomplete（预测下一个词/代码）进化到 agent（接收自然语言指令后自主编码、调用工具、完成任务）

核心要点：Co-work + Opus 4.7 的组合达到了 Boris 历次测试的最佳结果——能处理多步复杂任务、自主发现错误、在用户不在时完成工作。

• Boris 的航班测试案例：给 Co-work 5 个目的地（Code with Claude 伦敦/东京等），要求查邮件和日历确认行程。Co-work 自行发现了 Boris 漏报的 2 个站点和说错的日期，一小时后订好 8 趟航班和 5 家酒店，只有 1 家酒店位置不对，修改后即完成
• Boris 反复用同一批"测试案例"在每个新模型上重试——这是他检验模型进步的方法
• 信任建立的过程类似 Waymo："开头白着指关节盯着每一步审批，然后逐渐信任，5 分钟后就在玩手机让 AI 干活了"
• Boris 观察到的非工程师使用模式：一位非工程师朋友遇到电脑语言设置问题，第一反应不是 Google 而是问 Co-work，Co-work 接管屏幕、进设置、诊断问题、修复——整个过程有"橙色发光"的视觉反馈
• Boris 的反直觉感悟：老用户（见过早期版本）往往不够大胆，新用户反而用 Claude Code/Co-work 做出"我想都没想过的事"

"I don't write code. I prompt Claude. And actually nowadays, mostly what I'm doing is I have a Claude that prompts other Claudes." —— Boris Cherny

核心要点：Token maxing 在 Claude Code 用户中占比极小（客户极其分散，不是一家公司撑起用量），但 Boris 承认企业 AI 采纳是一个需要组织变革的复杂过程。

• Amazon 内部案例（Financial Times 报道）：设定 80% 开发者每周使用 AI 的目标，员工反应是"我每天触发一个跑数小时然后被删除的自动化来达标"
• Boris 的建议三步法：① 给所有人 token，不要审批每一个 token ② 给心理安全感，允许实验失败 ③ 期待惊喜来自意想不到的角落——可能是会计自动化了账务流程，可能是市场人自动化了营销，可能是一个新人毕业生
• 历史类比：Harvard Business Review 90 年代文章"电脑来了为何看不到生产力提升"——答案是必须围绕电脑重构整个业务流程，把纸质流程扔掉、让电脑成为中心，否则电脑只是摆设。AI 面临同样的挑战
• Boris 在 Facebook/Meta 的经验：负责 Facebook、Instagram、WhatsApp 全平台代码质量，有专门团队做工程师生产力。在模型之前，一年改善 1-2-3% 已经是很大的胜利。现在 Claude 带来的是"数百个百分点"级别的改善

"The productivity improvements and the innovations do not come from the people you expect." —— Boris Cherny

核心要点：模型发展的三个维度是智能、速度、效率。Anthropic 优先追求智能（即使略微低效），然后再优化效率——因为更聪明的模型能做更多事，效率优化可以后补。

• Alex 的"PDF 循环"案例：用 Opus 4.7 在 Co-work 做 PPT 后要求导出 PDF，模型"开始发疯"——不断循环调用工具，最后自己道歉说"我钻了牛角尖，担心了一个根本不存在的限制"
• Boris 解释模型的三个优化维度：intelligence（最重要）、speed、efficiency——优先级是先聪明后高效
• Effort 控制机制：用户可选 extra high / maximum（最大智能）或 medium / low（节省 token）。推荐 Opus 4.7 用 extra high effort
• 一位评论者的反对观点："这是 LLM 技术固有问题，概率性预测意味着 agent 循环是不可修复的"——Boris 不同意

Boris 用历史轨迹回应效率焦虑：一年半前 Claude Code "不怎么好用"，只能写一小段代码，也会循环；但每次模型升级都在好转。快进到今天，Claude Code 写自己、写 Co-work、写 Anthropic 越来越多的产品特性——循环问题会随着模型进步消失，就像一年前的所有问题都消失了一样。

核心要点：Rate limits 是用户感知痛点但实际影响面极小（Pro 略高，Max 很低），Anthropic 已翻倍限额并接入 Colossus 算力应对超预期需求。

• Pro 用户中触发限额的比例"slightly higher"，Max 用户"actually quite low"
• 短暂降低过峰值限额（已回滚），现已翻倍 500 plan 的限额，同时宣布提高周限额
• 用量暴增原因之一：用户从跑 1 个 Claude → 5 个 → 数百上千个并行（Boris 自己也是）
• 插件/集成的 token 效率问题：正在做消耗可视化，让用户决定是否值得
• Colossus 算力上线（via Elon Musk 的设施），用来应对"无人预料到"的增长
• 对于重度用户：可以直接用 API 付费，企业客户大多这样做

核心要点：Boris 将 OpenAI Codex 视为"flattering"的模仿者，关注点始终在服务用户而非竞争对手。

• 对 Codex 的态度："There's always copycats, there's always competitors. For me, it's flattering."
• 关于 Dario 评论 OpenAI 数据中心投入是"yoloing"：Anthropic 追求纪律性投入（disciplined spending），但仍投入数十亿美元
• Boris 强调："我们的增长从未比今天更快"——rate limits 不是增长阻碍
• 团队文化：鼓励每个人每天跟用户对话，每天让产品好一点

核心要点：Claude Code/Co-work 的三大投入方向——用 AI 替代人工审批（auto mode）、支持更长运行时间的任务、以及让并行运行多个 Claude 的体验更丝滑。

• Auto mode（已发布）：取代传统的"是否允许使用此工具"权限弹窗。原理是让第二个 Claude 判断工具调用是否安全。迭代数月、数千个 benchmark 验证后发现：比人工点"是"更安全——因为人会疲劳误点，AI 不会
• 长任务：让 Claude 能运行更久不中断，适配越来越复杂的工作
• 并行 Claude：从个人到企业，用户自然演化到同时运行多个 Claude。Co-work 也出现相同趋势——开一个任务、再开一个、然后去做别的事
• 未来 chatbot 形态：从"问答"进化到"主动建议行动"——比如你一直在聊印度旅行，chatbot 应该主动提出帮你订机票

"Auto mode is safer than what we had before. If there's one unsafe command buried in a big list, you might have accidentally said yes. But a second Claude using auto mode is not going to say yes." —— Boris Cherny

核心要点：在 AI agent 时代，Seven Powers 框架中的不同护城河价值将发生分化——网络效应和规模经济依然强大，但 switching cost 将被 AI 代理削弱。

• Boris 用 Hamilton Helmer 的 Seven Powers 框架分析（他学经济学出身，不是 CS）
• 升值的护城河：网络效应（"不管谁写代码，用户在你平台上，moat 就在"）、规模经济（TSMC 式的制造成本曲线、基础设施边际成本递减）
• 贬值的护城河：switching cost——"想从 vendor A 切到 vendor B，问 Claude 就行，而且 Claude 会越来越擅长这件事"
• Alex 提出的极端假设：如果 Claude Code 能连接所有软件，是否最终只剩一个软件公司？Boris 认为"有点牵强"——以消息 app 为例，即使能自建完美 app，朋友们不在上面就没用

核心要点：Claude Code 100% 自我编写是事实，但目前仍是人在引导方向；真正的自我改进循环尚未形成，这也是 Anthropic 存在的核心理由——确保这件事安全发生。

• Jack Clark（Anthropic 联合创始人）：60% 概率模型在 2028 年前能自我改进
• Boris 的现状描述：Claude Code 写自己（自 Opus 4.5 起），Claude 开始为 Claude Code 产品产生"下一步做什么"的想法——但"想法不总是好的，大多数方向还是我来定"
• 对"fast takeoff"场景的态度："这就是 Anthropic 存在的原因。问任何工程师或研究员为什么加入 Anthropic，答案都是 AI safety。我们要确保为下一代把这件事做对。"
• Ethan Malik（Wharton 教授）的反面信号：Anthropic 在招 Salesforce admin 和 forward deployed engineer，说明"这东西只能走这么远"
• Boris 的回应：forward deployed engineer 用 Claude Code 构建实施方案，销售团队一半用 Claude Code 一半用 Co-work——瓶颈仍是好人才不够用，不是 AI 不够强

核心要点：Boris 不直接站队 LLM vs world model 之争，但用 Anthropic 研究证据暗示 LLM 展现出了超出"预测下一个 token"预期的真实推理能力。

• Yann LeCun 观点：没有 world model 就造不了可靠 agent，LLM 不能预测行动后果
• Greg Brockman（OpenAI）观点：LLM 直接通向 AGI
• Boris 的回应："I would put out an offer to Yann — sit down and Claude Code together for an hour. Then I'm curious to hear what he thinks."
• Anthropic 研究证据：模型写诗时第一行就在"想"第二行——"你教它预测下一个词，结果如果下一个词足够难，它必须学会真正的规划"
• Boris 承认自己"pretty firmly on the product side"，不评论研究争议，但信任 Co-work 到了把信用卡交给它的程度

"You teach this thing to predict the next word and somehow if the next word is hard enough, it has to learn to really plan ahead." —— Boris Cherny

核心要点：Claude Code 最初为工程师设计，但非技术用户的热情和创造力远超预期——人们主动安装终端、学习命令行、"跳过障碍"来使用它，这是产品市场契合度的终极证明。

• Opus 4.7 hackathon 获胜者：一位医生做了 app、一位电工、一位木匠——都没有编码经验
• 有人通过 hackathon 作品创建并卖掉了一家创业公司
• Co-work 发布前的反常现象：非技术用户主动在终端安装 Claude Code——"很多人这是第一次用终端"
• 现在的多入口策略：desktop app、iOS app、Slack app——多种方式触达非技术用户
• Boris 的市场检验标准："有没有大量人每天在用、持续在用？"——答案是肯定的，且持续增长