技术深度解析
该研究的方法论超越了简单的使用统计。研究人员分析了会话元数据的七个关键维度：
- 一致性：开发者发起会话的频率（每日、零星、突发式）
- 强度：以轮次和总Token消耗衡量的平均会话长度
- 会话形态：线性推进 vs. 分支/回溯模式
- 仓库广度：每次会话中触及的不同文件或项目数量
- 输出量：生成、修改或删除的代码行数
- 成本密度：每单位输出（代码或功能）消耗的Token数
- 模型范围：会话中使用单一模型还是多个模型
这些维度通过无监督学习技术进行聚类，最终形成了九个稳定的原型。Claude Code和Codex的底层架构均依赖于针对代码生成进行微调的基于Transformer的大语言模型。Claude Code基于Anthropic的Claude 3.5 Sonnet，使用专有的系统提示词，鼓励逐步推理和自我修正。Codex源自OpenAI的GPT-4，针对直接代码补全和多轮编辑进行了优化。
一个关键的技术洞见是“会话形态”维度。线性会话——开发者提问、获得答案、然后继续——在“早期放弃者”和“快速修复者”原型中占主导地位。相比之下，“深潜者”表现出分支会话，他们会回溯、优化提示词，并在同一代码块上多次迭代。这种分支行为与更高质量的产出和更低的返工率密切相关，表明AI在轮次间维持上下文的能力是一个关键推动因素。
4%的技能调用率尤其值得注意。技能调用指的是调用代码审查、测试生成或文档编写等专门功能。如此低的采用率表明，要么这些功能在UI中展示不佳，要么开发者根本不知道它们的存在。不同会话类型的对比揭示：
| 原型 | 平均会话长度（轮次） | 技能调用率 | 每次会话成本（Token） | 产出质量（自评） |
|---|---|---|---|---|
| 早期放弃者 | 2.1 | 0.1% | 1,200 | 低 |
| 快速修复者 | 4.3 | 0.5% | 3,800 | 中 |
| 探索者 | 8.7 | 2.1% | 12,400 | 中高 |
| 深潜者 | 22.4 | 8.3% | 45,000 | 高 |
| 成本优化者 | 6.2 | 1.2% | 2,100 | 中 |
| 协作者 | 15.8 | 12.7% | 28,000 | 非常高 |
数据要点： 最频繁使用技能调用的“协作者”原型（12.7%），也报告了最高的产出质量，表明功能采用率与感知生产力之间存在直接关联。4%的整体技能调用率代表着巨大的未开发机遇。
对于希望复现此分析的开发者，开源仓库`session-analyzer`（可在GitHub上获取，目前拥有1200颗星）提供了一个用于解析Claude Code和Codex会话日志的框架。该工具可提取七个维度，并使用预训练的随机森林模型将会话分类为九种原型。
关键参与者与案例研究
分析中涉及的两个主导平台是Anthropic的Claude Code和OpenAI的Codex（现已集成到GitHub Copilot中）。两家公司在AI辅助编程方面采取了不同的策略。
Anthropic将Claude Code定位为“协作推理引擎”，强调长上下文窗口（200K Token）和以安全为中心的行为。该平台的架构鼓励多轮对话，AI可以提出澄清性问题——这一设计选择与“深潜者”和“协作者”原型相契合。Anthropic的研究团队由Amanda Askell领导，在“宪法AI”和偏好建模方面发表了大量论文，这直接影响着Claude Code如何处理模糊请求。
OpenAI则通过Codex走了不同的路线，专注于速度和直接代码生成。该模型在庞大的公共GitHub仓库语料库上训练，擅长一次性补全。这种设计自然有利于“快速修复者”和“探索者”行为。然而，OpenAI最近对GPT-4o的更新改进了多轮推理，缩小了与Claude Code在协作场景中的差距。
第三家参与者Replit开发了自己的AI编程代理Ghostwriter，深度集成在其在线IDE中。Replit的会话显示出更高比例的“探索者”行为，这可能是因为其平台吸引了在多个项目间进行实验的爱好者和学习者。
| 平台 | 主导原型 | 平均会话成本 | 技能调用率 | 关键差异化因素 |
|---|---|---|---|---|
| Claude Code | 深潜者 / 协作者 | $0.42 | 5.8% | 长上下文，安全焦点 |
| Codex (Copilot) | 快速修复者 / 探索者 | $0.18 | 2.1% | 速度，一次性补全 |
| Replit Ghostwriter | 探索者 | $0.09 | 1.5% | 低门槛，教育导向 |
数据要点： Claude Code在技能调用率和平均会话成本方面均领先，表明其设计更倾向于深度协作，但代价是更高的计算开销。Codex的成本效率更高，但技能采用率较低，这可能意味着其高级功能未被充分利用。Replit的低成本和高探索者比例表明其用户群体更倾向于实验性、低风险的编码方式。