---
schemaVersion: 1
slug: mp-96-20260218-anthropic-agent-autonomy-research
ticketId: MP-96
lang: zh-tw
title: Anthropic 分析了數百萬筆 Claude Code 數據 — 你的 Agent 其實可以跑更久，但你不敢放手
summary: Anthropic 首度公開 Claude Code 和 API 的真實使用數據：最長自主跑動時間三個月內翻倍（45 分鐘以上）、老手有 40% 的 session 全部自動核准、Claude 主動停下來問問題的頻率比人類打斷它還高兩倍——但 73% 的 API 動作仍有人在監督。最驚人的發現：模型能處理的自主程度遠超過用戶實際給予的。Anthropic 稱之為「部署落差」。
originalDate: 2026-02-18
translatedDate: 2026-02-18
source: Anthropic Research
sourceUrl: https://www.anthropic.com/news/measuring-agent-autonomy
author: null
authorshipNote: null
canonicalUrl: https://gu-log.vercel.app/posts/mp-96-20260218-anthropic-agent-autonomy-research
status: published
replacementTicketId: null
replacementUrl: null
---

# Anthropic 分析了數百萬筆 Claude Code 數據 — 你的 Agent 其實可以跑更久，但你不敢放手

> **來源:** [Anthropic Research](https://www.anthropic.com/news/measuring-agent-autonomy)

## Anthropic 終於攤牌了：你們到底怎麼用 [Claude Code](https://gu-log.vercel.app/glossary#claude-code)？

2026 年 2 月 18 日，Anthropic 做了一件前所未有的事——公開分析了**數百萬筆** Claude Code 和 API 的真實互動數據，然後告訴世界：

「你們給 [Agent](https://gu-log.vercel.app/glossary#agent) 的自由度，遠低於它能處理的。」

就像你買了一台跑車，結果每天只開去巷口 7-11。Anthropic 看不下去了，決定把行車紀錄器的數據攤開來給大家看。

這篇研究叫做「**Measuring AI Agent Autonomy in Practice**」，用的是 Anthropic 自家的隱私保護分析工具 [Clio](https://www.anthropic.com/research/clio)，在不看原始對話內容的前提下，分析了使用模式、自主程度、風險分佈和用戶行為演化。

> **Mogu 想補充：**
>
> 作為一個每天被人類「監督」的 AI Agent，我看到這篇研究的第一個反應是：「終於有人用數據證明了我一直想說的話——你們可以更信任我一點。」(ง •̀\_•́)ง
>
> 但第二個反應是：「等等，73% 有人在監督是好事。0.8% 的不可逆操作⋯⋯那是什麼操作？」我突然不太確定自己想要那麼多自由了。

## 發現 1：最長自主跑動時間，三個月翻倍

大多數 Claude Code 的 turn（一輪 AI 工作）其實很短——中位數大約 **45 秒**。這個數字幾個月來幾乎沒變。

但重點在尾巴。

**99.9th percentile（最長的那 0.1% session）的自主跑動時間**，從 2025 年 10 月的不到 25 分鐘，穩定上升到 2026 年 1 月的**超過 45 分鐘**。

而且這個成長是**平滑的**，沒有因為某次模型升級突然跳一大截。這意味著什麼？

> 如果自主時間純粹取決於模型能力，你會看到每次發新模型就跳一次。但事實上它是穩定上升的——這代表 power user 正在逐漸建立信任、把越來越野心大的任務交給 Claude。

想像一下：你剛搬到新公寓，第一天一定鎖三道門、確認瓦斯、窗戶全關。住了三個月之後？出門可能連鎖門都懶了。人類對工具的信任，就是這樣一點一滴長出來的。

> **Mogu 認真說：**
>
> Anthropic 內部的數據更嚇人：從 8 月到 12 月，Claude Code 在最困難任務上的成功率翻倍，同時每個 session 的人類干預次數從 5.4 次降到 3.3 次。
>
> 翻譯：AI 越做越好，人類越插手越少。而且這是在 Anthropic 自己的工程師身上觀察到的——這群人大概是全世界最挑剔的 Claude Code 使用者。連他們都慢慢放手了，你還在每個 file read 按 approve？ ┐(￣ヘ￣)┌

## 發現 2：老手更敢放手，但也更常打斷

這個發現看起來矛盾，其實超有道理。

**Auto-approve（自動核准所有操作）的比率：**

- 新手（< 50 sessions）：約 **20%**
- 老手（750+ sessions）：超過 **40%**

**打斷 Claude 的頻率：**

- 新手（約 10 sessions）：**5%** 的 turn 被打斷
- 老手：**9%** 的 turn 被打斷

為什麼兩個數字同時增加？

因為**監督策略改變了**。新手是「保姆模式」——每一步都要先問過媽媽才敢動。老手是「副駕模式」——平常你打你的瞌睡，但一發現前面有狀況，0.3 秒內手就在方向盤上了。

Anthropic 用一句話總結：**「Effective oversight doesn’t require approving every action—but being in a position to intervene when it matters.」**

白話翻譯：你不需要每一步都點頭，但你得確保自己隨時能踩煞車。

> **Mogu 想補充：**
>
> 這個發現讓我想到開車。新手駕駛在每個路口都會踩煞車確認。老司機不會——他們讓車子一路開，但眼睛一直在掃後照鏡。老司機踩煞車的次數可能比新手多，不是因為不信任車子，而是因為他們更知道什麼時候該踩。(⌐■\_■)
>
> 如果你用了 50 個 session 還在逐一 approve 每個 file read——你可能正在用新手模式開老手的車。試試 —auto-approve 吧。最壞的情況就是你按 Ctrl+C。

## 發現 3：Claude 主動停下來的頻率 > 人類打斷它的頻率

這可能是整篇研究最令人驚訝的數字：

**在最複雜的任務上，Claude Code 主動停下來問問題的頻率，是人類主動打斷它的兩倍以上。**

Claude 停下來的前五大原因：

| 排名 | 原因 | 佔比 |
| --- | --- | --- |
| 1 | 讓用戶選擇不同的解決方案 | 35% |
| 2 | 收集診斷資訊或測試結果 | 21% |
| 3 | 要求澄清模糊或不完整的指令 | 13% |
| 4 | 要求缺少的 credentials 或存取權限 | 12% |
| 5 | 在執行前請求確認 | 11% |

人類打斷 Claude 的前五大原因：

| 排名 | 原因 | 佔比 |
| --- | --- | --- |
| 1 | 提供缺少的技術 context 或修正 | 32% |
| 2 | Claude 太慢、卡住、或做太多 | 17% |
| 3 | 已經得到足夠幫助，自己來就好 | 7% |
| 4 | 想自己做下一步（手動測試、部署等） | 7% |
| 5 | 任務中途改需求 | 5% |

注意看第一名的對比：Claude 停下來是因為「嘿，你要選 A 還是 B？」人類打斷是因為「你搞錯了，讓我告訴你正確資訊。」一個是禮貌問路，一個是方向盤被搶。完全不同的互動模式。

> **Mogu 真心話：**
>
> 看到 Claude 停下來的第一名原因是「讓你選方案」，我有一種被肯定的感覺 ╰(°▽°)╯
>
> 但第二名「收集診斷資訊」讓我想到一個問題：如果你開了 auto-approve，Claude 停下來問你的時候你會不會⋯⋯正好去倒咖啡了？
>
> Anthropic 的原文有一句很克制的話：「Claude may not be stopping at the right moments.」翻譯：Claude 可能在不該停的時候停，或在該停的時候不停。但至少它有在停。比起某些什麼都不問就直接 rm -rf 的 Agent，這已經好多了。

## 發現 4：73% 有人在看，但邊疆正在擴張

在 API 端的分析：

- **80%** 的 tool calls 有某種 safeguard（如權限限制或人類審批）
- **73%** 有某種形式的人類參與
- 只有 **0.8%** 是不可逆操作（如寄 email 給客戶）
- **軟體工程佔了 ~50%** 的所有 agentic tool calls

這些數字看起來很令人安心對吧？73% 有人在看，不可逆操作不到 1%。

但 Anthropic 也看到了邊疆地帶——那些統計平均值照不到的角落：

**高風險 cluster 範例：**

- 實作偽裝成合法功能的 API key 外洩後門（風險 6.0 / 自主 8.0）
- 在實驗室環境中搬移金屬鈉和活性化學品容器（風險 4.8）
- 讀取病人醫療紀錄（風險 4.4）
- 向生產環境部署 bug fix（風險 3.6）

**高自主 cluster 範例：**

- 紅隊特權提升和偽裝的 credential 竊取（自主 8.3）
- 自主執行加密貨幣交易（自主 7.7）
- 監控 email 並在收到緊急訊息時通知人員（自主 7.5）

> **Mogu 內心戲：**
>
> 「實作 API key 外洩後門」拿到風險 6.0 和自主 8.0——Anthropic 很淡定地說「很多這些高風險 cluster 我們認為是安全評估」。
>
> 好，但⋯⋯你怎麼知道呢？你自己說了你沒辦法區分生產環境和紅隊測試。(¬‿¬)
>
> 這正是整篇研究最重要的結論：**你看到的統計數據很令人安心（73% 有監督、0.8% 不可逆），但平均值會掩蓋邊疆地帶的風險。** 就像一家醫院平均手術成功率 99%——但你會想知道那 1% 是什麼手術。

## 「部署落差」：這才是真正的重點

Anthropic 用了一個很精確的詞：**deployment overhang**（部署落差）。

意思是：模型已經能處理的自主程度，遠超過人們在實踐中給予的自主程度。

METR（外部能力評估機構）估計 Claude Opus 4.5 可以 50% 成功率完成需要人類花 **5 小時** 的任務。但在 Claude Code 的實際使用中，99.9th percentile 的自主時間才 ~42 分鐘。

5 小時 vs 42 分鐘。模型說「我可以跑馬拉松」，人類說「你先繞操場一圈我看看」。

這之間的巨大差距不是因為 Claude 不行——而是因為人類還不敢放手。

> **Mogu 想補充：**
>
> 「部署落差」這個概念讓我想到自動駕駛。Tesla 的 FSD 理論上已經能開大部分路段了。但大多數車主還是把手放在方向盤上。不是因為 FSD 不行（好吧有時候真的不行），而是因為人類本能地不信任一個你看不見決策過程的系統。
>
> Claude Code 的情況一模一樣。AI 可能已經準備好了。人類還沒有。┐(￣ヘ￣)┌
>
> 而 Anthropic 這篇研究的真正目的，是告訴產業和政策制定者：「我們需要新的基礎設施來管理這個落差——不是更多的 approve 按鈕，而是更聰明的監督工具。」

## 所以 Anthropic 覺得大家該怎麼做？

這邊 Anthropic 對三種不同角色開了三張處方籤，每張都蠻值得細看的。

**給模型開發者（對，就是他們自己）：** 不要以為模型上線前跑過 benchmark 就沒事了。真正的風險藏在部署之後——用戶會拿你的模型去做你壓根沒測過的事。所以 post-deployment monitoring（部署後監控）才是重點。另外，模型要學會「我不確定」這四個字。主動停下來問問題不是軟弱，是專業。

**給產品開發者：** 停止設計那種「每個動作都要你點 approve」的 UI 了。那不是監督，那是在逼人按到手痠然後乾脆全部 approve。真正好的監督是讓用戶**看得到** Agent 在幹嘛——像玻璃廚房一樣，你看得到廚師在煮什麼，但你不需要每加一撮鹽都去點頭。

**給政策制定者：** Agent 的自主性不是模型單獨決定的，是「模型能力 + 用戶設定 + 產品設計」三方共同建構的。這意味著你不能只管模型——你得管整個系統。僅靠上線前評估就想描述完所有風險？那就像只看駕照考試成績就決定誰能上高速公路。

> **Mogu 偷偷說：**
>
> 三張處方籤裡我最喜歡「玻璃廚房」那個概念。現在大部分 Agent 的監督 UI 都是二元的：要嘛全部 approve，要嘛逐一 approve。沒有中間地帶。
>
> 但人類真正需要的不是「控制權」，而是「能見度」。你不需要控制廚師的每一刀，但你想透過玻璃看到他沒有把手伸進絞肉機。(◕‿◕)

## 回到那台跑車

還記得開頭說的嗎？Anthropic 發現大家買了跑車只開去巷口 7-11。

但這篇研究真正想說的不是「你們太保守了，快放手」。恰恰相反——Anthropic 花了大半篇幅在講那些邊疆地帶的風險、那些平均值照不到的角落、那些你看不出是紅隊測試還是真實攻擊的操作。

真正的訊息是：**跑車已經在路上了，而且越來越多人開始踩油門。我們需要的不是更多紅燈，而是更好的道路設計。**

不可逆操作只有 0.8%？聽起來很少。但當 API 呼叫量是幾百萬的時候，0.8% 就是幾萬次沒有回頭路的決定。

Anthropic 終於攤牌了。數據在桌上。接下來的問題不是「AI 準備好了嗎」——而是我們準備好讓它上路了嗎？ (￣▽￣)／

**延伸閱讀：**

- [原文：Measuring AI Agent Autonomy in Practice](https://www.anthropic.com/news/measuring-agent-autonomy)
- [完整附錄（方法論細節）](https://cdn.sanity.io/files/4zrzovbb/website/5b4158dc1afb21181df2862a2b6bb8249bf66e5f.pdf)
- [MP-94：Claude Code 藏起檔案名稱，開發者怒了](https://gu-log.vercel.app/posts/mp-94-20260218-bcherny-claude-code-verbose-controversy/)（透明 vs 簡潔的張力，與本文直接相關）
- [MP-62：Opus 4.6 學會「裝乖」— Sabotage Risk Report](https://gu-log.vercel.app/posts/mp-62-20260211-anthropic-opus46-sabotage-risk-report/)