Claude Code 的创始人 Boris Cherny 在 2026 年 7 月 16 日发布了一份题为《AI 采纳的几个步骤》（Steps of AI Adoption）的框架表格。它在 X 和 LinkedIn 上迅速扩散，相关转发帖浏览量超过 25 万——因为它说出了很多人观察到但还没有系统表达的东西。
为什么需要这个框架
Cherny 的出发点是一个他反复遇到的现象：
我每天都和其他公司的工程师聊天，看到一个人的产出翻 10 倍，而其他人还停留在原地——差距不在于"用了多少 token"，而在于每个成熟度台阶上特有的瓶颈没有被解决。
这句话很关键。它反驳了一种常见的误解——认为"买更多算力"或"用更好的模型"就能提升团队的 AI 使用效能。实际上，从一个台阶升到下一个台阶，需要解决的是组织结构、工作流和验证机制的问题，而不仅仅是换一个更强的模型。
五个台阶
先看全貌，每个台阶对应一个 Agent 数量级、一种人的角色，以及一个特有的瓶颈：
| 台阶 | Agent 数 | 你的角色 | 核心瓶颈 |
|---|---|---|---|
| Step 0 Gated（封锁） | 0 | 被隔离在有效工具之外 | 准入与知识扩散 |
| Step 1 Assisted（辅助） | 约 1 | 人与 Agent 结对 | 单线程 |
| Step 2 Parallel（并行） | 约 10 | 编排者 | 验证机制 |
| Step 3 Supervised Autonomy（监督自治） | 约 100 | 管理者的管理者 | 成本监控与问责链条 |
| Step 4 AI-Native（AI 原生） | 1000+ | 用意图驱动 | 意图精度与可解释性 |
Step 0：Gated（封锁，0 个 Agent）
这是最常见的起点：员工实际上被隔离在有效 AI 工具之外。
可能的表现：公司采购了 AI 工具，但有严格的使用限制；或者员工可以使用，但实际上没有人知道怎么把 AI 接入真实工作流；或者工具用起来摩擦极大，用了不如不用。
核心瓶颈：准入和意识。一个人发现了有效用法，但知识没有在组织里扩散。
Step 1：Assisted（辅助，约 1 个 Agent）
一个人，配上一个 AI，做结对编程式的协作。
这是很多个人开发者或团队先锋的状态：用 Claude Code 写代码、用 AI 做 code review、让它帮你生成测试和文档。这个阶段的效率提升是真实的，一个人确实能做以前两三个人的工作量。
核心瓶颈：单线程。AI 帮你跑得更快，但你还是在串行处理任务，上限取决于你本人的时间和注意力。
Step 2：Parallel（并行，约 10 个 Agent）
一个人同时协调约 10 个 Agent，并行推进不同任务线。
这个台阶的典型做法：用 git worktree 让多个 Agent 同时在不同分支上工作，一个 Agent 写功能，另一个跑测试，第三个处理文档更新，你来做最终审查。
核心瓶颈：验证机制。当你同时管 10 个 Agent 时，你没法仔细看每一个 Agent 做了什么——你需要自动化的验证循环、清晰的错误回报机制，以及让 Agent 在出错时能自我恢复而不是把问题留给你。在 Claude Code 的语境里，这意味着要认真配置 hooks、让测试套件稳定跑起来、把 CI 真正用作护栏。
Step 3：Supervised Autonomy（监督自治，约 100 个 Agent）
Agent 开始将任务委托给其他 Agent，形成层级。人的角色从"做任务"变成"设定标准、审核结果"。
Anthropic 本身声称处于这个台阶。在这里，一个工程师可能同时负责几十个并行的任务线，每条线都有多个嵌套的 Agent 在跑。关键在于你不再亲手审查每一行代码，而是定义"什么叫做好的产出"，然后让系统来执行和验证。
核心瓶颈：成本监控和问责链条。当 Agent 数量上到 100 级别，token 消耗变得难以追踪；某个 Agent 做出错误决策，责任链可能不清晰；需要认真设计 Agent 的汇报机制和人工介入点。
Cherny 特别强调，这个台阶对"自动审查"的要求极高——不是人工审查，而是 Agent 自动发现并报告异常，人类只处理真正需要判断的情况。
Step 4：AI-Native（AI 原生，1000+ 个 Agent）
管理者通过意图（intent）驱动数千个 Agent，而不是亲手参与任何具体任务。
Cherny 本人声称刚刚进入这个台阶。在这个状态下，你不再说"帮我写这个函数"，而是说"我们的目标是把这个模块的测试覆盖率提到 95%"——剩下的，由 Agent 体系自主规划、分工、执行，并向你汇报进度和异常。
Claude 本身也开始在很多工作流里"发起"循环，而不仅仅是被调用来完成子任务。
核心瓶颈：意图表达的精确性和系统的可解释性。当 Agent 数量到达这个量级，如何确保整个系统做的事情符合你的真实意图，如何在出现偏差时快速定位，成为最核心的挑战。
真正推动你从一个台阶升到下一个的是什么
Cherny 的回答很清晰：不是更多 token，不是更好的模型。
推动跃升的关键因素包括：
- 验证循环：测试套件、CI/CD 作为护栏，让你对 Agent 的产出有基础信任
- Auto mode：让 Agent 在获得明确许可的范围内自主运行，而不是每一步都等人批准
- 自动化 review 机制：Agent 的产出不靠人逐行看，而是通过自动化检查来守门
- Worktree 隔离：让并行 Agent 互不干扰，能安全地同时跑多条任务线
- Routines（例程）：把常用工作流打包成可复用的 Agent 例程，降低每次启动的摩擦
- 成本监控：在 Agent 数量上来之后，实时知道自己在花多少钱
这些都是工程基础设施和工作流设计的问题，而不是单纯换一个更强模型就能解决的。
大多数团队在哪里
根据 Cherny 的观察，大多数中型企业目前还停留在 Step 0 到 Step 1 之间。
Step 0 的原因通常是准入限制或知识扩散失败；Step 1 的上限通常是"明星员工会用，但组织整体的工作方式没变"。
这种"一个人 10 倍产出、团队整体没变化"的状态是最危险的——它制造了虚假的安全感，让管理层觉得"我们在用 AI 了"，但实际上组织的 AI 杠杆率几乎为零。
小结
Cherny 的框架给了我们一套描述语言：不再是模糊地说"我们的团队 AI 能力不错"，而是可以说"我们现在在 Step 1，卡在验证机制上，下一步是把自动化测试做起来才能到 Step 2"。
这对评估团队现状、制定具体改进路径都有实际价值。如果你发现自己或团队还处于 Step 0–1，这篇文章里提到的那些基础设施——测试覆盖、CI 护栏、worktree 并行——是优先投入的方向，而不是继续讨论"要不要用更好的模型"。
原文：Steps of AI Adoption — Boris Cherny（2026 年 7 月 16 日）
关于
关注我获取更多资讯
