Claude Code 一周年：在 GitHub 写下约 4% 代码，全球内存短缺风险升温

AIE Europe 和 AIEi Miami 已公布首批演讲嘉宾。如果你在亚洲/澳洲，欢迎来 Singapore 和 Melbourne。AI Engineering 正在走向全球！

一年前的今天，Anthropic 发布了 Claude Code，当时并没有引发太大声量：

[

](https://substackcdn.com/image/fetch/$s_!yGwn!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F1a47c268-f615-43ed-8c99-594d71a48d5f_2032x2104.png)

不过口碑传播非常强劲，所以我们也很高兴成为最早邀请 Boris 和 Cat 做客的播客之一（5 月上旬）：

[

Claude Code：Anthropic 在你终端里的 Agent

](https://www.latent.space/p/claude-code)

May 7, 2025

AI Engineer 早鸟票仅剩最后几天——大部分演讲嘉宾已公布！志愿者名额的限量门票仍可申请，你也可以通过官方 AIE Hac… 获取折扣票。

正如我们在播客里讨论的那样，Claude Code 早期全部基于 API 计费，做点事情都贵得离谱。这个问题在 6 月上旬得到解决：团队将 Claude Code 纳入了 Claude Pro plan。随后其传播势头迅速放大，促使我们在 6 月下旬 做出了一次少见的趋势判断：

[

](https://substackcdn.com/image/fetch/$s_!F7Wj!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F1232005b-ff44-49d6-a0b5-9863eee36a13_3010x1830.png)

如今 6 个月过去，Doug 刚刚测算出：GitHub 上大约 4% 的代码由 Claude Code 写成：

[

](https://substackcdn.com/image/fetch/$s_!6zBN!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Ff9630ccf-10ac-4df7-93ce-b8205b1ba9e1_1780x2058.png)

我们还聊了 Doug 如何用 Claude Code 完成 SemiAnalysis 的研究工作。

在本期节目的下半部分，我们也回看了 Memory Mania——这件事会影响到你（没错，就是你）在家里的使用体验，如果它还没影响到你的话：

[

](https://substackcdn.com/image/fetch/$s_!CFRN!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F418352e0-5179-48e7-8e6d-21d22f23e4d4_1224x1204.png)

00:00 AI as Junior Analyst
00:59 认识 Swyx 与 Doug
03:30 从 Value Mule 到 Semis
06:28 摩尔定律终结论
12:02 Claude Code 觉醒时刻
32:02 Agent Swarms 现实检验
32:53 Kimi Swarm 基准测试
37:31 Bots vs Zapier 自动化
39:44 Claude Code 工作流搭建
57:54 AGI 指标与 GDP
01:04:48 铁路资本开支类比
01:06:00 融资泡沫与需求
01:08:11 Agents 替代工作工具
01:13:56 Codex vs Claude 竞速
01:21:15 微软与 TPU 策略
01:34:13 TPU 窗口期 vs Nvidia
01:36:30 HBM 供应链挤压
01:39:41 内存冲击与 CXL
01:45:20 上下文配给化的未来
01:54:37 写作与 Trail 经验

[00:00:00] Doug： 这玩意儿一直在犯错。一直都在。它现在依然更像是一个初级分析师。初级分析师会去做那些特别折磨人的信息收集工作，然后你再把这些材料汇总起来，在更高层面做出正确决策。过去通常是这样：那个初级分析师——我当年也是——先去把信息都拉齐；而当你重复做了足够多次后，会形成一种元层面的思考：我到底真正理解了什么？这类分析里我究竟擅长什么？我在哪些领域命中率持续很高？

[00:00:28] 到那时我才是专家，对吧？我认为这种元层学习现在还没出现。之后会不会出现，我们再看。全世界那些正砸下“天文数字”投入的人都相信它会实现；要是你都花到万亿美元级别了，还没有元层学习，那就说不过去了。

[00:00:44] 但对我们公司来说，它已经极大放大了专家的产出。因为你仍然得有能力去分辨、筛选，把真正有价值的东西捞出来。这对我来说非常明显：哪些只是“信息噪音（slop）”。