Claude Code 统计数据.

Claude Code 是一个有用的案例研究，说明了 AI 编码工具如何迅速从自动完成式辅助转向代理式工作流程：终端命令、文件编辑、仓库导航、拉取请求评论和更长的执行序列。但“Claude Code 统计数据”可以指代几种不同的事物。

有些数字描述了开发者调查中的采用情况。另一些描述了 Claude Code 会话中的使用行为。还有一些衡量了 SWE-bench Verified 或 Terminal-Bench 等基准测试中的技术能力。还有一些仅仅是生态系统信号——GitHub 星标、npm 活动或公共仓库研究。本文将这些类别分开，优先考虑 Anthropic 官方材料、产品文档、开发者调查、GitHub/npm 原始来源、学术论文和独立基准测试组织。它不将未经证实的月活跃用户、收入、企业客户或通用 ROI 声明视为可靠统计数据。

热门统计数据

最详细的数字来自 Anthropic 自己对 Claude Code 会话的研究。每个数字都是直接遥测或结构化分析——但由供应商生成，并在特定的研究设计下测量。

Claude Code 是什么——以及其统计数据衡量什么

Claude Code 是一种代理式编码工具，可从终端、IDE、桌面应用程序和浏览器使用，通过 Claude 订阅或 Anthropic Console 账户访问 (Claude Code Docs)。这个定义很重要，因为 Claude Code 统计数据与 Claude 模型统计数据不可互换。

Anthropic 的入门文档列出了精确的安装要求——Node.js 18+、4 GB+ RAM，以及支持的系统包括 macOS 10.15+、Ubuntu 20.04+、Debian 10+ 和通过 WSL 的 Windows 10+ (Anthropic Docs)。一个实际结果是分析的“单位”各不相同：一个会话可能包含许多工具调用和交互；一个 GitHub Action 调用受 --max-turns（默认 10）限制；一个基准测试运行给代理一个特定的脚手架；而一个调查回答代表自我报告的使用，而不是观察到的遥测数据。

开发者调查中的采用情况

最强烈的明确采用百分比来自 Stack Overflow 2025 年开发者调查——来自 177 个国家的 49,000 多名受访者，其中一个 AI 辅助 IDE/工具问题明确提到了 Cursor、Claude Code 和 Windsurf (Stack Overflow)。

这 10% 不应与另一个发现混淆，即在 LLM 使用问题中，45% 的专业开发者使用了 Claude Sonnet 模型——“Claude 模型使用”和“Claude Code 作为 AI 辅助开发环境”是不同的概念 (Stack Overflow)。JetBrains 提供了强有力的背景：其 2025 年开发者生态系统状况调查（清理后有 24,534 名开发者，于 2025 年 4 月至 6 月进行）发现 85% 的开发者使用 AI 工具，62% 经常使用至少一种编码助手 (JetBrains)。GitHub 的 Octoverse 2025 又有所不同——它观察了 1.8 亿多名开发者和 6.3 亿个仓库的活动，但它没有公布 Claude Code 的市场份额百分比 (GitHub Blog)。

使用模式：会话、交互、自主性和任务组合

最详细的使用统计数据来自 Anthropic 的“代理式编码和专业知识的持续回报”研究——在 2025 年 10 月至 2026 年 4 月期间，来自 235,000 人的约 400,000 个会话 (Anthropic)。最引人注目的单个数字是平均活跃运行时间：每个用户每周 20 小时，衡量的是活跃运行时间而非打字时间。

Anthropic 的研究指出，人类主要决定做什么，而 Claude 主要决定如何执行 (Anthropic)。任务组合也发生了变化：在研究期间，调试的份额下降了近一半，而部署、数据分析和非代码文档生成有所增长，尝试任务的中位数价值增加了约 25% (Anthropic)。经济指数系列补充说，Claude 的成功率随着任务长度的增加而降低，而多轮交互部分抵消了复杂性 (Anthropic)。

专业知识、成功率和“专业知识的持续回报”

最重要的发现之一是，更好的 AI 工具并不会抹杀人类的专业知识。

成功指标取决于人机系统，而不仅仅是模型本身：专家更擅长指定任务、发现不正确的更改、缩小范围以及决定何时干预。放弃发现也指向同一方向——Anthropic 报告称，新手放弃失败会话的频率是专家的数倍 (Anthropic)。这些比率是在特定的研究设计和成功定义下测量的；它们最好被解读为专业知识仍然与代理式编码互补的证据，而不是每个仓库的普遍成功率。

Anthropic 内部使用和自主性趋势

Anthropic 发布了关于其内部使用的几项统计数据。其 Claude Code 产品页面指出，在 Anthropic，“大部分代码现在由 Claude Code 编写” (Anthropic)——这是关于 Anthropic 自身工作流程的有力声明，而非关于所有公司的声明。

这些数字表明自主工作时间更长，中断更少，但人类并未消失：对于最小复杂度的任务，87% 的工具调用涉及人类，而对于高复杂度任务，这一比例为 67% (Anthropic)。Anthropic 还报告称，在观察期间，员工最困难任务的成功率翻了一番——最好以相对变化的形式呈现，因为档案没有给出绝对的起始和结束百分比。Anthropic 内部数据很有价值，因为它来自真实工作，但 Anthropic 既是产品制造商，又是异常 AI 原生的组织，因此这些数字显示的是 Anthropic 环境中可能实现的情况，而不是总体采用水平。

产品、部署、安全和定价统计数据

Claude Code 的文档提供了具体的运营细节，尽管它没有披露任何公开的用户数量、安装总量或收入。

安全文档将 Claude Code 描述为默认只读，在编辑文件或运行命令之前需要明确许可，具有加密凭据、有限保留期，并通过 Anthropic 的信任中心引用 SOC 2 Type II / ISO 27001 (Anthropic Docs)。数据使用文档指出，默认情况下，Anthropic 不会使用通过 Claude Code 发送的代码或提示来训练生成模型 (Anthropic Docs)——对于组织而言，这通常比任何基准分数都更具决策相关性。

公共生态系统信号：GitHub、npm 和开源检测

公共生态系统数据可以跟踪可见性和开发者参与度，但不应将其误认为是活跃用户测量。规范仓库是 anthropics/claude-code，它公开了星标、分支、观察者、问题和发布 (GitHub)。

GitHub 自身的 API 语义很重要：在仓库元数据中，watchers_count 反映 stargazers_count，而实际的通知观察者是 subscribers_count (GitHub Docs)。星标最好被视为关注，分支被视为实验——两者都不能证明生产使用。规范的 npm 包是 @anthropic-ai/claude-code，其中下载计数代表包检索，而不是确认安装 (npm)。学术工作开始研究公共仓库中的代理——AIDev 数据集涵盖了包括 Claude Code 在内的五个编码代理的 932,791 个代理编写的拉取请求 (arXiv)——但私有仓库、本地工作流程和企业部署缺失，因此公共检测是一个下限视角，而不是全面的计数。

基准测试和能力背景

Claude Code 统计数据经常与 Claude 模型基准测试统计数据混淆。只有明确区分时，这才有意义：基准测试使用特定的工具、提示和执行环境评估 Claude 模型。

在 Terminal-Bench 上，Anthropic 报告称 Claude Opus 4 在可比较的外部代理设置下得分 43.2%，Claude Sonnet 4 得分 35.5%——并另外报告称，使用 Claude Code 而非相同的外部框架时得分更高，这表明周围的代理软件会影响测量的性能 (Anthropic)。最安全的结论是：基准测试衡量的是受限的技术能力，而不是采用率、生产力、收入或市场份额。高 SWE-bench 分数并不能告诉我们每天有多少开发者使用 Claude Code。

不受支持或常被误读的 Claude Code 主张

有几项吸引人的统计数据未得到档案支持，不应被视为事实。

来源质量说明

最强有力的 Claude Code 特定证据来自 Anthropic 官方对会话、自主性、内部工作模式、经济指数和软件开发交互的研究——直接遥测或结构化分析，但由供应商生成 (Anthropic)。

常见问题

来源和进一步阅读