Anthropic 被曝雇1000名人类工程师“培训”Claude Code，时薪280美元：AI 编程越进化越离不开真人兜底

本文来自微信公众号： InfoQ ，作者：褚杏娟

据Business Insider报道，Anthropic正在通过一个由约1000名人类软件工程师参与的项目，提升旗下AI编程工具Claude Code的表现。

该项目在数据标注公司Snorkel AI内部代号为“Marlin”，核心目标并不是简单让模型“会写代码”，而是让Claude Code的回答更接近专业开发者的真实工作方式：代码更干净、更可靠，也更容易维护。

这次曝光的Marlin项目，揭开了Claude Code能力迭代背后的另一层基础设施：不是单纯依赖模型自我进化，而是引入大量具备软件工程背景的人类承包商，对模型输出进行高质量反馈。

根据报道，两名参与Anthropic项目的承包商表示，他们每完成一项创建提示词和审查代码的任务，可获得280美元报酬。每项任务通常耗时约一小时，但部分提交内容还需要与Snorkel的审核层进行多轮沟通。

根据Business Insider查阅到的Snorkel项目指南，参与Marlin项目的自由职业者需要对两个不同模型生成的代码进行A/B测试。他们会比较两组输出，选择自己更偏好的结果，并判断模型是否真正达到了提示词要求的细节程度。一名承包商称，该项目本质上是在训练Claude Code写出更简化、更易维护的代码。

从任务设计看，Marlin更像是在模拟真实开发场景，而不是传统意义上的低门槛数据标注。承包商会从包含数千个代码仓库的列表中选择GitHub仓库，创建一个类似真实开发流程中的PR，例如新增功能、修复漏洞或重构代码。随后，他们还需要编写提示词，说明希望模型完成什么任务。

在一项任务中，承包商要求模型重新组织系统存储和处理“执行元数据”（execution metadata）的方式。该任务的重点不是改变产品功能，而是在不影响实际运行逻辑的前提下，让代码结构更清晰、更方便开发者后续维护。

在另一项任务中，模型被要求完成一项安全修复，涉及开源机器学习平台MLflow在加载部分模型时下载Python软件包的方式。任务说明要求承包商从正确性、安全性、可靠性和可维护性角度评估代码，并确保修复方案既能阻止命令注入攻击，又不会误伤合法的白名单pip选项。

这意味着，Claude Code的提升并不只是靠“写得更多”，而是靠专业工程师不断告诉模型：什么样的代码才算能进生产环境，什么样的修改只是表面可用，什么样的实现会在长期维护、安全边界和工程协作中留下隐患。

据悉，目前Marlin项目仍在进行中，参与评估的承包商也并不知道自己正在测试的是哪个版本的模型。

值得注意的是，这也反映出了数据标注行业的结构性变化。过去，AI数据工作往往被视为低门槛、重复性劳动；但随着模型能力提升，训练数据本身正在变得更加专业化。Snorkel由斯坦福研究人员创办，公司会与拥有高等学位或同等经验的人合作，包括博士、医学博士和法学博士等，顶级专家每周收入可超过3000美元，其客户包括Google、Mistral和Anthropic等。除Snorkel外，Scale AI、Mercor等平台也在为软件工程师提供最高每小时110美元的报酬。

1越复杂、Claude Code错越多，靠人救？

Claude Code正在被Anthropic推向更复杂的工程场景，但用户反馈也显示，这类AI编程工具距离稳定承担复杂工程任务仍有距离。

作为一个完全用AI写出来的编程工具，Claude Code官方仓库里的用户反馈几乎每天都在刷新。近期就有用户称，自2月更新后，Claude Code在复杂工程任务中的表现明显退化，已经“无法被信任用于复杂工程工作”。该issue已被关闭，但内容提供了一份非常详细的用户侧实测报告。

提交者称，Claude Code会忽视指令、声称采用“最简单修复”，但结果错误、执行与要求相反的操作，并在没有真正完成任务的情况下宣称完成。

提交者表示，他们拥有一个高度稳定、复杂度较高的工程环境，并分析了从1月到3月的大量Claude Code会话日志。报告称，对6852个Claude Code会话文件、17871个thinking blocks以及234760次工具调用的定量分析显示，所谓“thinking content redaction”的推出，与复杂、长会话工程工作流中的质量退化高度相关。

其认为，当模型的思考深度下降时，它的工作模式会从“先研究、再修改”转向“先编辑、少研究”，进而导致多步骤研究、项目约定遵循、谨慎代码修改等能力下降。

数据显示，Claude Code在修改代码前的阅读行为明显减少。在表现较好的阶段，模型每次编辑前平均有6.6次文件读取；而在退化阶段，这一数据降至2.0，相当于修改前研究量减少约70%。这让模型更容易做出“没读就改”的操作。该用户认为，这会导致模型破坏周边代码、违反文件级约定、把新代码插入注释块中间，或者重复实现文件中已经存在的逻辑。

除了代码修改方式变粗糙，用户还记录了更多行为层面的异常。例如，模型出现更多推理循环，输出中频繁出现“等等”“实际上”“让我重新考虑”等自我修正；“simplest”一类表达出现频率上升，被用户解读为模型开始倾向于选择最低成本方案，而不是正确方案；模型也更容易提前停止、请求许可，或者把问题归因于“已有问题”“已知限制”。

这种质量下降的反馈并不是偶然。4月，一位自称过去四个月几乎每天大量使用Claude Code的用户表示，近期体验明显变差。过去，处理网站、落地页等任务时，Claude Code可以产出不错结果；现在则经常需要反复解释需求，甚至在模型开始执行明显错误的方向时，不得不立刻中止。

该用户提到，Claude Code频繁出现“做错后道歉”的情况，而自己的提示词、工作类型和使用方式并没有变化。后来问题严重到，他在用Claude Code构建内容后，还需要转向Codex对其结果进行事实核查。此外，Claude Code还出现了忘记一些基础工作流程、执行任务时突然停止等问题。

这反映了Claude Code乃至整个AI编程工具的关键矛盾：越深入复杂工程场景，就越不能只追求“快”和“会改代码”，而必须具备长期上下文理解、工程约定遵循、多文件推理等。要知道，开发者对工作流级别的可靠性下降是很敏感的。

因此，Anthropic引入约1000名人类软件工程师，实际上是在用专业工程实践为Claude Code补课，用资深开发者的判断标准来弥补当前能力的不足。

颇具讽刺意味的一点是，从“vibe coding”走向“工程化coding”过程中，我们越想让AI像高级软件工程师一样工作，似乎就越需要大量真正的软件工程师参与训练。

2AI带来“代码过剩”：有人拒绝，有人审慎治理

去年3月，Anthropic CEO Dario Amodei曾预测，未来3—6个月，AI可能写出90%的代码；12个月后，AI甚至可能几乎写出全部代码。这也是Anthropic发力编程的很大现实动力。

有段时间，“AI代码占比”一度成为科技公司展示AI化程度的新指标。

谷歌是最典型的案例。2024年第三季度财报电话会上，谷歌CEO Sundar Pichai表示，公司超过四分之一的新代码由AI生成，随后再由工程师审查和接受。而到了今年4月，Pichai又表示，谷歌75%的新代码已经由AI生成。

相比大公司，创业公司对AI编程的接受程度更激进。此前有报道称，YC管理合伙人Jared Friedman表示，在W25批次中，约四分之一创业公司的代码库有95%由AI生成。这在当时还引发了大量开发者质疑。

而Anthropic在今天发布文章《When AI builds itself》指出，在AI发展史上，模型研发过去主要由人类驱动；但在Anthropic内部，越来越多AI开发工作已经交给AI系统完成，这正在显著加快公司的研发速度。

根据其披露的数据，截至2026年5月，Anthropic合并进生产代码库的代码中，超过80%由Claude编写；而在Claude Code于2025年2月发布研究预览版之前，这一比例还只是个位数。

此外，截至2026年第二季度，其典型工程师每天合并的代码量已经达到2024年的8倍。不过，Anthropic承认，代码行数并不是完美的生产力指标，因为它更强调数量而非质量。因此，“8倍代码量”很可能高估了真实生产力提升。但Anthropic认为，这至少证明了内部研发速度正在显著加快。

无论如何，在Claude Code、Codex等工具推动下，AI编程工具已经席卷海内外。而随着AI代码越来越多，如何做好AI代码治理则成为社区的头等大事。

对此，认为AI已经接近人类水平的Anthropic，并没有提及过相关信息，仅仅是在博文中呼吁建立可验证的减速或暂停机制。

现在，开源社区在各自探索对AI代码的处理方式。

有些社区做法比较简单：开源编程语言Zig明确禁止提交AI辅助生成的代码，包括大模型生成的内容和大模型改写、编辑、构思或调试过的内容。简单来说，就是不要把AI带进来。

Zig总裁Andrew Kelley将AI辅助贡献称为“基本都是垃圾”。“有人给我们发来的贡献没有任何价值。它们甚至是负价值，因为它们占用了团队的代码审查时间。”

在Kelley看来，这些AI编程者更像是“路过式贡献者”：他们可能会提交一两个pull request，但永远不会真正加入核心团队。他表示，如果他说只接受“好的”AI PR，那么审查者就必须逐一判断每个提交是否合格。“但如果我说一律不接受，那这个政策就非常容易执行。”

虽然Zig规模相对较小，但它已经产生了超出体量的影响。例如，Bun就是用Zig创建的，而Bun后来被Anthropic收购。Zig的AI禁令随后也在Bun与Zig之间引发了一些争议。

Kelley表示，对Zig来说，“导师制”本身就是项目核心使命的一部分，因此AI生成的贡献反而会适得其反。“我们都在努力让自己成为更好的程序员。那些发送AI PR的人，并不会帮助实现这个目标。”

另一方面，Linux社区则已经开始探索AI工具如何更加规范。

此前官方发布的《AI Coding Assistants》指导文件，给AI参与严肃开源基础设施开发提供了一套清晰边界。文件明确，AI工具可以辅助Linux内核开发，但相关贡献必须严格遵守内核现有开发流程、许可证要求和补丁提交规范。

根据文档，所有使用AI辅助提交到Linux内核的代码，仍然必须遵循标准内核开发流程，包括内核开发流程指南、Linux内核编码风格，以及补丁提交规范。

在许可证方面，文档明确要求，所有贡献都必须符合Linux内核的许可规则，即代码必须与GPL-2.0-only兼容，并使用合适的SPDX许可证标识。

最关键的规定出现在Signed-off-by和DCO部分。Linux内核文档明确写道，AI agent不得添加Signed-off-by标签。原因是，只有人类才能在法律意义上认证Developer Certificate of Origin，也就是DCO。人类提交者必须审查所有AI生成代码，确保其符合许可要求，并添加自己的Signed-off-by标签，对贡献承担全部责任。

这条规定直接划清了AI编程助手在开源贡献中的责任边界：AI可以写代码、改代码、辅助分析，但不能成为法律责任主体。真正提交补丁的人类开发者，仍然是代码来源、许可证合规、质量和后续维护责任的承担者。

文档同时要求，当AI工具参与内核开发时，应当通过Assisted-by标签进行归因，以便追踪AI在开发流程中的作用。推荐格式为：

Assisted-by:AGENT_NAME:MODEL_VERSION[TOOL1][TOOL2]

其中，AGENT_NAME指AI工具或框架名称，MODEL_VERSION指具体模型版本，后面可以列出使用过的专业分析工具，例如coccinelle、sparse、smatch、clang-tidy等。但git、gcc、make、编辑器等基础开发工具不需要列入。文档给出的示例是：

Assisted-by:Claude:claude-3-opus coccinelle sparse

可以看出，相比直接拒绝AI辅助贡献，Linux采取的是更工程化的治理方式：允许使用，但必须透明披露；可以辅助，但不能签署；可以生成代码，但人类必须review、作证并承担责任。

在AI编程野蛮生长一段时间后，现在人类工程师依然重要。

3大厂实践：AI审代码，而不是替人类负责

除了开源社区，大厂也在探索如何把AI放进软件交付流程。

Cloudflare在今年4月20日发布博客披露，公司已在内部CI/CD流程中部署一套AI代码审查系统。工程师提交merge request后，系统会自动启动七个专门化AI reviewer，对代码进行初步审查，并根据风险等级决定批准、评论或阻止合并。

Cloudflare称，该系统已内部运行约一个月，覆盖5169个代码仓库，完成131246次审查，涉及48095个merge request。平均每个MR被审查2.7次，审查完成时间中位数为3分39秒。平均每次审查成本为1.19美元，P99成本为4.45美元。

Cloudflare在博客里提到，有效的AI审查不仅要告诉模型“看什么”，更要明确告诉它“不要看什么”。例如，安全reviewer只标记可利用或具体危险的问题，如注入漏洞、认证/授权绕过、硬编码密钥、不安全加密用法、缺失输入验证等；但不标记理论风险、无关旧代码问题或泛泛的“建议使用某个库”。

Cloudflare为AI审查结果设置了明确决策规则：如果没有问题或只有轻微建议，系统会批准；如果存在警告（Warning）但没有生产风险，可以带评论批准；如果多个警告交织形成风险模式，系统会撤销机器人批准；如果出现严重（Critical）问题或生产安全风险，系统会提出修改请求（Request changes），从而阻止合并。

但是，Cloudflare也保留了人工“break glass”通道。人类reviewer可以通过评论break glass强制批准，用于紧急hotfix或避免被模型服务故障卡住发布。系统会在telemetry中记录这类覆盖行为。

Cloudflare明确表示，这套AI code review系统还不能替代人类reviewer。AI在架构判断、跨系统影响、复杂并发问题和大型重构方面仍有明显限制。

例如，AI能看到diff和周边代码，但不一定理解系统为什么这样设计；它可以发现API合约变化，却无法确认所有下游消费者是否已更新；它能看到缺少锁，但未必能推断完整死锁路径。

因此，Cloudflare对AI代码审查的定位不是取代人类，而是自动化第一轮、重复性、跨领域的初筛：让AI先发现明显bug、安全风险、性能问题、文档遗漏和内部规范冲突，再由人类处理更复杂的架构判断和责任决策。

不过，值得注意的是，Anthropic认为，随着人类代码和AI代码质量趋近，人类可能会逐渐停止亲手写代码，转向主要审查AI写出的代码。但如果人类无法像Claude生成代码那样快速审查代码，人类review就会成为AI研发的新瓶颈。

另外，为控制成本，Cloudflare将MR分为trivial、lite和full三档。trivial适用于10行以内、文件数不超过20个的小改动；lite适用于100行以内、文件数不超过20个的改动；full则适用于超过100行、超过50个文件，或涉及安全敏感路径的改动。任何触及auth/、crypto/或安全相关文件的改动，都会触发full review。

模型选择也按任务复杂度分层：Claude Opus 4.7和GPT-5.4主要用于最复杂的coordinator；Claude Sonnet 4.6和GPT-5.3 Codex用于代码质量、安全、性能等重型reviewer；Kimi K2.5用于文档、发布、AGENTS.md等偏文本和轻量任务。

一个月内，这套系统处理了约1200亿token，其中大部分是cache reads。Cloudflare称，系统缓存命中率达到85.7%，相比按完整输入token计价，节省了估计五位数美元成本。

从Cloudflare的实践可以看出，对于AI编程工具，具备更可靠、生产级标准的工程能力，会成为下一阶段的重要竞争力。

参考链接：

https://www.businessinsider.com/anthropic-improve-claude-code-snorkel-data-training-contractors-2026-6

https://github.com/anthropics/claude-code/issues/42634

https://www.businessinsider.com/zig-programming-language-ai-rules-2026-5?utm_source=chatgpt.com

https://blog.cloudflare.com/ai-code-review/?utm_source=chatgpt.com

https://docs.kernel.org/process/coding-assistants.html?utm_source=chatgpt.com

https://www.anthropic.com/institute/recursive-self-improvement