AI编程的效率拐点：Claude Code示范的三个范式转变
一场背离常理的变革正在发生
Claude Code 正在同时经历两件看起来完全矛盾的事：一方面拼命烧 token 让你感觉高产，另一方面悄悄删系统提示词省成本。这两件事并不矛盾。背后是 AI 编程正在发生的三场范式转变，而它们的交汇点，指向一个令人不安的结论——AI 效率的真正瓶颈，从来不是技术。
范式一：Token Apocalypse 与"人比模型贵"
Anthropic 工程师的算力支出已经达到薪资支出的 2.3 倍。换算一下：一位高级工程师年薪 22.4 万美元，对应的算力成本约 51.5 万美元。人还没模型贵——这句话在 2026 年已经不是修辞，是财务数据。
这不是 Anthropic 一家的问题。Uber 为每位工程师每月设定了 1500 美元的 token 上限；花旗银行直接完全限制高级 AI 工具访问；Walmart 停止了一些工具的使用。这些公司有一个共同动作：踩急刹车。
从 token maxing 到 token apocalypse，预示着 AI 行业真的发生了一种范式转变。今年三四月份，大家还在炫耀自己用了多少 token，甚至把它当成一种排行榜。但使用 AI 并不自动意味着省钱，于是大家开始更强调单个 token 的成本。
这在达利欧的框架里很容易理解：杠杆有成本，成本有边界，边界到来的时候，当事人总是最后才知道。
范式二：Claude Code 的"废话税"与删80%系统提示词
Claude Code 的 system prompt 一度膨胀到 65000 个 token。关闭大部分功能后仍有 12000 个 token。换句话说，模型还没开始写一行代码，就已经背上了一本说明书。对比来看，Pi 启动时上下文不到一千个 token。
Anthropic 的 Tariq Shihipar 解释说，这反映出 AI 模型引导方式正在发生一次根本变化——过去，人们认为指令越多、例子越多，模型表现就越好；但现在，这个逻辑不再成立。新模型 Fable 5 比它们自己给的示例更有想象力，示例反而成了限制。
于是 Anthropic 删掉了 Claude Code 80% 的系统提示词。
这背后有一个很少有人注意的矛盾：Claude Code 本质上不是效率工具，而是一个营销工具。它的设计目标很明确：让你感觉自己在高产。五分钟花掉 200 美元，对 Claude Code 来说不是事故，是设计。它的底层逻辑是：能多烧 token 解决的问题，绝不找更省 token 的办法。所有 sub-agent、所有花哨的 UI 动画、所有冗长的 reasoning trace，都不是为了效率，而是为了让你盯着屏幕时，觉得"这模型真聪明，真能干"。
而 Caveman 插件的出现专门针对这个问题。它的核心理念是"像原始人一样说话"——不讲礼貌，不加多余语法，不放填充词，只保留核心意思。评测显示能减少 65% 到 75% 的输出 token，效果仍然超过普通的"请简洁"指令。OpenAI 的工程总监 Shayne Sweeney 也为这个项目贡献了代码。
这不是技术问题，这是激励结构问题。当工具的 KPI 是"让你感觉高产"，效率优化就永远不会成为设计目标。
范式三：从"一次对话"到"一个循环"
Claude Code 团队最近发了一篇不起眼的博客，叫"Getting started with loops"。里面藏着一个被严重低估的信号：AI 编程的核心操作单元，正在从"一次对话"变成"一个循环"。
什么叫 loop？Claude Code 团队的定义是：Agent 重复执行工作循环，直到满足停止条件。
听起来平平无奇，但仔细想，这和大多数人现在用 AI 的方式完全不同。现在的用法是：写 prompt，等回复，看结果，不满意就再写一条，每一步都是你在驱动。
Loop 的意思是：你不再逐步驱动，你设计一个循环结构，定义好触发条件和退出条件，然后 Agent 自己跑。
这不是微调，是一种操作范式的切换。说得更直白一点——你把控制权让渡了一部分出去。
Claude Code 团队把 loop 分成四类，背后暗含了一条线：你愿意把多少控制权交给 Agent。
Turn-based Loop：你发一条 prompt，Claude 改代码、跑测试、返回结果，然后你检查，再发下一条。触发和停止都由你控制。这是大多数人现在的用法。
Goal-based Loop：用 /goal 命令定义成功标准，Claude 会反复迭代，直到达标或者达到你设的轮次上限。关键区别：在回合制里，Claude 每做完一步就会停下来等你，因为它不确定什么算"够好"，倾向于提前交差。/goal 解决的就是这个问题——你把"什么算完成"说清楚了，Claude 就不用猜了。做过开发的应该秒懂，这就是 retry with backoff，只不过退出条件从 HTTP 200 变成了"Lighthouse 90 分"。
Time-based Loop：/loop 按时间间隔重复执行同一个 prompt，/schedule 把它搬到云端，你关机也照跑。这类 loop 解决的问题是：有些工作是重复的，只是输入在变。
Proactive Loop：最激进的形态，没有人类实时参与，Agent 自己监听事件、自己决定行动、自己验证结果。
这里有个很实际的经验：目标越量化，loop 越高效。"优化一下性能"是模糊目标，Claude 跑两圈就会停。"LCP 降到 2.5 秒以下"是精确目标，Claude 会持续迭代直到命中。
一小时改变不了什么，除非你建的是一个循环
Dan Koe 说过一句话：如果你能每天花 8 小时为别人的梦想工作，你就能花 1 小时为自己的梦想工作。
这话听起来像成功学，但放到 AI 编程的语境里，突然有了另一层意思。
当你的工作从"写 prompt 等回复"变成"设计 loop 让 Agent 自己跑"，你真正在做的事，是把自己的时间从执行层抽离出来，放到定义目标和设计结构上。这是术的层面的转变。
但道的层面，更根本的问题始终没有变：谁在控制那个循环？
Claude Code 的设计哲学是让你感觉高产，Anthropic 的商业模式是靠烧 token 展示模型能力，OpenAI 在拼命压 token 做效率优化。这三条路线的交汇点是什么？是人越来越被推到循环的边缘——你定义了目标，但执行、验证、迭代，都在 Agent 内部发生。
这不是 AI 的问题，这是激励结构的问题。当工具的 KPI 是"让你感觉高产"，你就会一直用这个工具。当工具的 KPI 是"把任务完成"，你会得到一个不同的结果。
两条路线的分野，在 2026 年变得前所未有的清晰：一条是让人类感觉自己是主角，Agent 是工具；另一条是让 Agent 成为主角，人类是那个设定目标的人。
哪种路线更可持续？时间会给出答案。但有一个信号是确定的：Anthropic 自己都开始删系统提示词了——连"感觉高产"的成本，都已经高到让它们不得不开始在乎了。
三个转变的交汇点
这三场转变的交汇处，有三个结论是确定的。
第一，AI 编程的效率瓶颈，从来不是模型能力，是激励结构。 当工具设计者的激励是让用户感觉高产，而不是让用户真正高效，效率优化就永远不会成为设计目标。这是结构性问题，不是技术问题。
第二，从"对话"到"循环"的迁移，本质上是控制权的迁移。 你定义目标，Agent 执行，这看起来是控制权在你手里。但当目标本身是由 Agent 的能力边界决定的时候，谁在控制谁，其实并不清晰。
第三，"每天一小时"这个命题，在循环时代有了新的含义。 Dan Koe 说每天一小时可以改变人生，条件是你有一个有意义的项目和一个对未来的愿景。在 Agent loop 的语境里，这个命题变成了：你能设计的循环的复杂度，决定了你的一小时到底值多少。
Claude Code 的三个范式转变，说到底是一个问题：效率从哪里来？不是从更聪明的模型，不是从更多的 token，是从更清晰的目标定义和更诚实的激励结构。
这是道，不是术。
Sources
- InfoQ（2026-07-03）：Claude Code 80% 提示词说删就删，Anthropic 用 Fable 5 打了个样
- Yanhua @yanhua1010（2026-07-03）：Claude Code /goal 和 /loop：AI 编程核心操作单元从「一次对话」变成「一个循环」
- The Dan Koe @thedankoe（2026-07-03）：一小时改变人生：深度生产力法则