2025 年 11 月 24 日,Anthropic 發表 Claude Opus 4.5。那時候,用 AI 寫程式的人還在討論它能不能接手大部分的工作。

一年後的 11 月 16 日,寫 TypeScript 教學出名的 Matt Pocock 在 X 上發了一則貼文:用 13 行,一個月一行,回顧 AI 寫程式這一年。第一行就是 Opus 4.5,最後一句是:

TL;DR: no-one is writing code anymore, and we are still figuring out what that means

(一句話:沒有人在寫程式了,而我們還在想這到底代表什麼。)

兩天內累積了二十六萬多次瀏覽。[1] 底下有一則回覆很能代表大家的感覺。Lauren Tan(網路上叫 Poteto),就是一週前在大會上講「人改看證據」的那位,回了一句:

opus 4.5 feels like an eternity ago. incredible how far things have progressed in just a year

(Opus 4.5 感覺已經是上輩子的事了。才一年,進展快到不可思議。)

一年前的旗艦模型,現在讀起來像古代史。這篇就照 Matt 的時間軸,把這一年當成一段歷史來讀。

隔天,獨立評測機構 Artificial Analysis 公布 OpenAI 新模型 GPT-6.2 的成績:綜合能力排到第二名,但在「讓 AI 自己動手寫程式」那份評比裡,分數幾乎沒動。[2]

這兩則貼文放在一起看,剛好回答 Matt 留下的問題。我的判斷:這 13 個月不是「AI 取代了寫程式」,而是卡關的地方一直在換。 模型夠強以後,人先卡在要做的決定太多,接著卡在流程,再來卡在怎麼交代清楚,最後回到「這東西我敢不敢負責」。每一波熱潮,都在收拾上一波留下來的問題。

30 秒結論
  • Matt 的 13 行,一半是查得到的事件,一半是他的體感:我把每一行都找回原始出處,查不到的就照「他的觀察」寫。
  • 一年換了好幾代,頂尖模型已經擠在一起:11 月的評比裡,前四名綜合分數只差 6 分;換成「實際動手寫程式」,前段班更是擠在約 3 分之內。
  • 模型變聰明,不等於寫程式變強:GPT-6.2 綜合分數跳 5 分,寫程式的分數持平;推理開到最高的 Claude Fable 5.2,寫程式反而比次高一檔的分數低,錢多花將近三倍。
  • 速度的帳還算不清:目前最嚴謹的實驗,連研究團隊自己都說只是「很弱的證據」。
  • 程式碼可以少看,判斷不能交出去:11 月的 No AI Slop 宣言寫得很清楚,模型再強,人還是要審計畫、設計或結果其中一樣,看哪一樣,由風險決定。

先對齊幾個名詞

這一年的討論長了很多新詞,Matt 那 13 行幾乎每行都有一個。先把這篇會用到的列出來,後面碰到就不再停下來解釋。

SOTAstate of the art
「當下最頂尖」的意思。說「SOTA 模型」就是目前最強的那幾個模型;Matt 說的「SOTA devs」,指的是走在最前面、最早全面改用 AI 的那群開發者,不是所有工程師。
前沿模型frontier model
各家 AI 公司能力最強的那一款,例如 Anthropic 的 Claude Fable 5.2、OpenAI 的 GPT-6.2 Astra、Google 的 Gemini 4 Carbon。
AgentAI 代理
不只回答問題,還會自己動手做事的 AI:讀檔案、改程式、跑測試,一路做到交差。
代理工具harness
把模型包起來、讓它能動手的那層軟體,例如 Claude Code、Codex、Antigravity。同一個模型換一個代理工具,表現可能不一樣。
推理強度effort
讓模型想多久的設定,分低、中、高、最高等檔位。Artificial Analysis 的檔位由低到高是 low、medium、high、xhigh、max,本文分別寫成低、中、高、次高、最高。想越久通常越準,也越貴、越慢,但不一定一路往上。
評測benchmark
一套固定的考題,讓不同模型考同一份卷子比分數。考什麼、怎麼改分,決定了分數能說明什麼。
PRpull request
一份「我改了這些程式,請檢查後合併」的申請。審 PR 就是合併前由人檢查修改內容。
Slop
原意是餿水。在這裡指「做的人沒花心思、卻要看的人花大把時間弄懂」的 AI 產出。

13 行壓成一張圖:卡關的地方換了五次

Matt 的原文每月一句,從 2025 年 11 月寫到 2026 年 11 月。[1] 我把 13 行逐一找回原始出處,再依「那個月大家卡在哪」分成五站。

AI 寫程式這 13 個月分成五站:2025 年 11 到 12 月卡關離開寫程式;2026 年 1 到 2 月卡在做決定;3 到 7 月卡在流程;8 到 9 月卡在怎麼交代;10 到 11 月回到誰來負責。實心點是查得到出處的事件,空心點是 Matt 的觀察。
自製示意圖,依 Matt Pocock 原貼文整理,分站是我的歸納。實心點是有原始出處的事件,空心點是他的觀察、沒有獨立數據。來源:[1]

讀這張圖前有一件事要先知道:Matt 寫的是「流行起來」的月份,不是「出現」的月份。 例如他寫 1 月 Ralph 迴圈流行,但 Geoffrey Huntley 介紹這個做法的文章是 2025 年 7 月;[7] 他寫 3 月 Skills 大爆發,Anthropic 推出 Agent Skills 是 2025 年 10 月。[10] 新做法從出現到變成大家都在談,常常隔好幾個月。

2025 年冬,第一站:模型夠好,卡關離開「寫」

2025 年 11 月 24 日,Anthropic 發表 Claude Opus 4.5。[5] 同一天,Peter Steinberger 的開源專案 OpenClaw 在 GitHub 建立,[6] 那是一個裝在自己電腦上、透過你平常用的聊天軟體幫你做事的 AI 助手。Matt 把這兩件事放在時間軸的第一格。

12 月那行說:社群普遍認為,模型已經好到能處理 95% 的寫程式工作。這個 95% 沒有出處,是 Matt 對當時氣氛的描述,不是量測結果。但方向沒有錯:到了 4 月,他寫「多數走在最前面的開發者,已經好幾個月沒親手寫一行程式」。

Poteto 說「像上輩子」,不是誇張。照 Artificial Analysis 收錄的發布日期,Opus 4.5 之後的 12 個月裡,Anthropic 又推出了 8 款旗艦等級的模型,平均不到一個半月一款:[4]

發布日Anthropic 旗艦模型同一時期 OpenAI
2025-11-24Claude Opus 4.5GPT-5.1(11-13)
2026-02-05Claude Opus 4.6GPT-5.3 Codex(同日)
2026-04-16Claude Opus 4.7GPT-5.5(04-23)
2026-05-28Claude Opus 4.8
2026-06-09Claude Fable 5GPT-5.6(07-09)
2026-07-24Claude Opus 5
2026-09-01Claude Fable 5.1GPT-6 Astra(09-03)
2026-09-22Claude Opus 5.5GPT-6 Sol(同日)
2026-11-09Claude Fable 5.2GPT-6.2 Astra、Sol(11-17)

OpenAI 這一年也從 GPT-5.1 走到 GPT-6.2。一個工具、一種寫法,往往還沒寫完教學,底下的模型就換了一代。

寫程式這件事,從這裡開始不再是瓶頸。 那瓶頸去了哪?先看模型這一層現在到哪了。

前沿模型現在到哪了:11 月這兩張表

Artificial Analysis 是一家獨立的 AI 評測機構,用同一套考題測各家模型,我在〈別再只看排行榜第一名〉拆過它的方法。這次 GPT-6.2 上線後,它的榜單有兩張值得一起看。以下數字都是 2026 年 11 月 18 日從官網直接讀取的。

第一張是綜合能力(Intelligence Index),把 9 項評測合成一個分數,涵蓋推理、知識、科學、寫程式和代理任務。[3]

模型(推理強度)綜合分數每件任務成本
Claude Fable 5.2(最高)6526.54 美元
GPT-6.2 Astra(最高)624.00 美元
Gemini 4 Carbon(高)605.48 美元
Claude Opus 5.5(最高)5910.04 美元
GPT-6.2 Sol(最高)571.01 美元
Claude Sonnet 5.5(最高)5510.02 美元

第二張是寫程式代理(Coding Agent Index),讓「模型+代理工具」實際去做三種工作:改真實專案的程式、在終端機裡操作、回答關於程式碼的技術問題,每題做三次取平均。[4] 它比的是組合,不是單一模型。

Artificial Analysis 寫程式代理評比節錄:Claude Code 搭 Fable 5.2 開次高 58.5 分、搭 Opus 5.5 開最高 58.2 分、搭 Fable 5.2 開高 58.2 分,前段班擠在約 3 分之內;Fable 5.2 開到最高反而是 55.7 分,每件任務 44 美元。GPT-6.2 Astra 53.5 分、GPT-6.2 Sol 48.6 分,成本最低。
自製圖表,數字取自 Artificial Analysis Coding Agent Index(2026-11-18 讀取),節錄 8 個組合;未列入第 2 名、同時混用兩家模型的 Devin Fusion(58.4 分)。分數與成本是不同單位,各畫在自己的尺上。來源:[4]

兩張表對著看,有四件事很清楚:

  1. 頂尖幾家已經擠成一團。 綜合分數前四名差 6 分;寫程式代理的前段班,從 55.5 到 58.5 分,差距約 3 分。[3] [4]
  2. 綜合分數漲,寫程式不一定跟著漲。 GPT-6.2 Astra 的綜合分數比上一代 GPT-6 Astra 多 5 分(57 → 62),[24] 寫程式代理分數卻持平;GPT-6.2 Sol 還掉了大約 3 分。Artificial Analysis 的解釋是:新版回答程式問題時,比上一代更容易漏掉關鍵事實。[2]
  3. 推理強度不是越高越好。 Claude Code 搭 Fable 5.2,開「次高」(xhigh)得 58.5 分;開到「最高」(max)只有 55.7 分,每件任務的成本卻從 15.47 美元變成 44.22 美元,時間從 53 分鐘拉長到 130 分鐘。[4] 這跟我在〈AI 寫程式的錢花在哪?〉整理的開發者實測方向一致。
  4. 便宜的選項變多了。 GPT-6.2 Sol 綜合分數 57,每件任務約 1 美元;Artificial Analysis 說它和上一代旗艦 GPT-6 Astra 分數相當,成本只要大約 15%。[2]

還有一件事這兩張表做不到:它沒辦法告訴你,模型比 13 個月前強了多少。 評測的考題會隨模型變強而換新,目前這一版的評分裡,Opus 4.5 沒有分數。[25] 不同版本的分數不能畫在同一條尺上。

所以我讀這兩張表的結論是:模型這一層,頂尖幾家已經難分高下;決定結果的變數,越來越多落在模型以外。 選哪個代理工具、開多少推理強度、怎麼交代、怎麼驗收。這正是 Matt 那 13 行後面 11 行在講的事。

2026 年初,第二站:人累了,卡在「做決定」

1 月,Matt 說 Ralph 迴圈開始流行。Huntley 的原文說得很直白:最純粹的 Ralph,就是一段反覆執行同一個指令的小腳本,[7] 讓 AI 一輪接一輪做下去,人不用每一步都下指令。

AI 一直做,人就一直要拍板。2 月那行是:大家累壞了,要做的策略決定太多,開始擔心「認知債」。

認知債這個詞,可以追到維多利亞大學 Margaret-Anne Storey 教授 2 月 9 日的文章。她的意思是:做太快欠下的債,不在程式碼裡,在開發者的腦袋裡。[8] 程式一直長,懂它的人卻沒跟上。她後來把這個想法寫成論文。[9]

這和我在〈AI 說「改好了」,你還會再看一眼嗎?〉談的「認知投降」不是同一件事,但會連在一起。認知債是「我已經不懂這段程式了」;認知投降是「我懶得看,直接放行」。前者累積久了,後者就變成唯一的選項。

2026 年春夏,第三站:流程大爆發

既然人的判斷力是瓶頸,接下來半年,社群做的事情就是:把判斷寫下來,讓 AI 照著做。

3 月:Skills 大爆發。 Skill 是一份寫給 AI 的作業手冊,教它某件事該怎麼做,可以分享給別人直接用。Matt 特別提到 Jesse Vincent 的 superpowers,[11] 說它早就跑在前面。Matt 自己也公開了一整套,我在〈Matt Pocock 光頭哥的 Skills 使用教學〉拆過。

5 月:「HTML 出乎意料地好用」。 Thariq Shihipar 在 Anthropic 的 Claude 官方部落格寫了一篇文章,主張讓 AI 交報告時用網頁格式,不要用純文字格式。他的理由很誠實:超過 100 行的純文字文件,他自己其實不會讀。[12] Simon Willison 讀完也說,這讓他重新思考了原本的做法。[13] Matt 把這件事解讀成「大家開始需要更好的審查介面」:AI 交來的東西太多,至少要讓人看得下去。

6 月:Loop Engineering。 6 月 7 日 Steinberger 發文說:別再對寫程式的 AI 下指令了,你該設計的是「替你下指令的迴圈」。[14] 同一天,Addy Osmani 把這個想法寫成文章,叫它 loop engineering:把自己從「下指令的人」換掉,改成設計那個下指令的系統。[15] Matt 給它的評語是「年度最佳含糊貼文」,帶點揶揄。

7 月:每場演講都在講「我的軟體工廠」。 軟體工廠指的是一整條讓 AI 從需求做到上線的流水線。Uber 在 AI Engineer 大會上講他們怎麼蓋這條線;[16] Latent Space 的大會整理也說,這是整場反覆出現的詞。[17]

這四件事看起來各自獨立,其實是同一個動作:把原本在人腦裡的判斷,搬到寫得下來、可以重複的地方。 我在〈「Scaffolding is coping」不是不要規範〉和〈AI Agent 讓「外科手術團隊」復活了〉談的,也都是這一站。

2026 年夏末,第四站:怎麼交代、怎麼管

流程寫好了,新的問題是:人和 AI 之間,話講不清楚。

8 月那行是:「Opus 5 講話讓人看不懂,大家對 ASD-STE100 的興趣衝到最高。」前半句我找不到其他來源佐證,當成 Matt 的體感就好。後半句查得到:ASD-STE100 是歐洲航太業的「簡化技術英文」標準,原本用來寫飛機維修手冊,[19] 規則是句子要短、一句一件事、一個字只有一個意思。有人把它做成 Skill,讓 AI 照這套規則寫,作者自己量到的錯誤大幅減少,[20] 不過這是作者自己報的數字,也不是官方認證的工具。

道理不難懂:AI 交來的東西越多,每一份越要讓人一眼看懂。這跟 5 月的 HTML 是同一條線。

9 月,Matt 說 Grok Bot 紅了,大家開始對「長期的經理型對話」有興趣:一條一直開著的對話,記得前因後果,負責把工作分派出去。xAI 9 月 3 日推出企業版,說它是「一整隊 AI 隊友」,你交辦真實的工作,它們從頭做到尾。[21] 我在〈Grok Bot 開始替你挑大腦〉和〈Bot Mode 不是多開幾個聊天視窗〉寫過這個轉變:人從「跟 AI 聊天」,變成「管一群 AI」。

2026 年秋,第五站:說好的速度呢

10 月那行最刺耳:說好的速度提升並沒有出現,「無人工廠」看起來還很遠。

Matt 用的詞是 dark factory,原指燈都不用開、全自動運轉的工廠。最接近的描述,是 Dan Shapiro 1 月寫的 AI 寫程式五個等級:最高一級,他形容成「把規格丟進去、軟體跑出來的黑盒子」。[18]

速度到底有沒有變快?目前最嚴謹的公開數據是 METR 的實驗。他們 2025 年初的研究發現,用 AI 的開發者做任務反而多花 19% 的時間;2025 年底再測,回流的開發者大約快了 18%,新找來的開發者快了 4%,但兩個數字的誤差範圍都跨過零,也就是說統計上不能確定真的有變快。METR 自己也寫,因為很多開發者已經不願意不用 AI 工作,願意參加實驗的人有偏差,這份數據「只是很弱的證據」。[22]

所以比較準確的說法是:沒有證據說變慢,也還沒有可靠的證據說快很多。 再對照前面那張表,GPT-6.2 綜合分數漲了、寫程式代理分數卻沒漲,模型變強也不會自動變成產出變快。我在〈AI 寫得出程式,不代表產品上得了線〉提過類似的觀察:寫得快,卡在後面的審查和上線。

程式碼還要讀嗎

11 月,Matt 的最後一行:No AI Slop 宣言發表,讀程式碼看起來還是必要的。

這份宣言由 AI Engineer CODE 大會的講者與與會者共同寫成,11 月 12 日貼在 GitHub 上公開連署,仿照 2001 年的敏捷宣言。[23] 裡面有兩句我覺得是整年的註解:

  • 「Slop 是不對稱的。」做出一千行的修改或十頁文件,成本趨近於零,審它的成本卻沒變。
  • 「AI 不能取代人的判斷,只能放大它,包括判斷的缺席。」

三天前我寫了〈AI 交來的程式看不完,那要看什麼?〉,整理 Lauren Tan 的做法:人看不完程式修改,就改看 AI 交出來的操作影片、截圖和驗證結果。Matt 卻說讀程式碼還是必要。這兩個說法打架嗎?

我覺得不打架,宣言第 17、18 條剛好把它們接起來:模型變強以後,我們也許不會再讀大部分的程式碼,但還是要審計畫、設計或結果其中一樣;AI 審查、自動檢查有用但不夠,至少要親自看一部分,看哪一部分,由風險決定。[23] Lauren Tan 也在這份宣言的致謝名單裡。

四種審查各回答一個問題:看結果,問有沒有幫到人;看證據,問有沒有照要求做;看計畫與設計,問方向對不對;讀程式碼,問這是不是我願意負責的寫法。風險越高,往下疊越多層。
自製示意圖。四種審查對象整理自 No AI Slop 宣言第 17、18 條與 Lauren Tan 的演講;「依風險往下疊」是我的歸納。來源:[23]

換句話說,證據回答「它有沒有照我要的做」,讀程式碼回答「這是不是我願意負責的東西」。 一個小工具壞了隔天修就好,看結果夠了;動到金流、權限、別人資料的地方,四層都要有人看過。

我不買單的三個地方

第一,「沒有人在寫程式了」說得太滿。 Matt 自己在 4 月那行寫的是「多數走在最前面的開發者」。從這群人推到所有人,中間少了一大段。他的時間軸是一個站在最前線的人看到的世界,這很有價值,但不是全行業的平均。

第二,13 行裡有一半是體感。 「95% 的工作」「大家都累了」「速度沒有出現」都沒有數字。前兩個我找不到量測;第三個最接近的 METR 數據,研究團隊自己都說證據很弱。讀這類回顧時,我會把「查得到的事件」和「作者的感覺」分開放。

第三,評測分數不等於你的工作。 Artificial Analysis 的寫程式代理評比,比的是「模型+代理工具」的組合,前段多半是自家模型配自家工具;考題是開源專案和技術問答,不是你公司那套十年歷史的系統。前段班差 3 分以內的時候,你自己的題目會比排行榜更有參考價值。

如果是我,接下來會做的三件事

  1. 選模型時,先在前段班裡比成本,再挑推理強度。 頂尖幾家已經擠在一起,差別在每件任務花多少錢、花多少時間。拿自己最常做的三種工作各跑一次,比較兩個推理檔位,比追排行榜第一名實際。
  2. 替每一種交出去的東西,先決定「要看到哪一層」。 小工具看結果;對外的功能加看證據;改到資料和權限的,連計畫和關鍵程式碼一起看。先定好,就不會在趕的時候直接放行。
  3. 同一個錯糾正第二次,就把它變成自動檢查。 這是宣言第 21 條,[23] 也是 Lauren Tan 那場演講的重點。人的注意力很貴,留給機器檢查不出來的地方。

Matt 說我們還在想「沒人寫程式」代表什麼。宣言最後一條也承認:「我們都還沒搞懂。」[23]

這一年我自己的答案是:寫程式的那雙手可以交出去,決定什麼值得做、什麼可以放行的那個人,還是得留下來。

參考資料

資料查核日:2026-11-18。Artificial Analysis 的分數會隨新模型與評測改版變動,本文數字以查核日當天官網為準。