AI 编程工具的使用数据一直是个黑盒——我们知道很多人在用，但具体用得怎么样？哪些场景效果好？什么情况下会放弃？最近，一个团队开源了他们的分析工具 Rudel，并基于 1573 个真实的 Claude Code 会话数据，给出了一些有趣的洞察。

数据集概况

这个数据集来自一个 6 人团队（4 名工程师、1 名数据/业务人员、1 名设计工程师）在过去 3 个月的真实使用记录：

• 总会话数：1,573 个
• 总 Token 数：1500 万+
• 总交互数：27 万+
• 会话类型：40% 大型遗留项目、50% 新项目、10% 非编码任务

核心发现

1. Skills 使用率极低：仅 4%

Claude Code 的 Skills 功能（预定义的指令模板）使用率只有 4%。这引发了一个问题：是功能设计有问题，还是用户根本不知道它的存在？

从 Hacker News 的讨论来看，可能两者都有：

• Skills 的可发现性较差
• 用户更倾向于自然语言提示
• 即使设置了 Skills，Claude 也不一定会调用

好消息是，Claude 4.6 版本在这方面有明显改进。

2. 26% 的会话在 60 秒内被放弃

超过四分之一的会话在开始后的第一分钟内就被用户放弃。这个数字揭示了一个关键问题：初始提示与意图匹配的重要性。

正如 HN 用户 robutsume 分析的：

"这不是代理的问题，而是提示与意图不匹配的问题。人类在一次交互后就意识到他们问错了问题，或者代理理解错了。"

3. 错误级联模式：前 2 分钟决定成败

研究发现，如果在会话的前 2 分钟出现工具选择错误或文件读取错误，后续放弃的概率会显著增加。这和基础设施监控的经验很相似——部署的前 90 秒几乎能决定一切。

4. 不同任务类型的成功率差异显著

• 文档编写：成功率最高
• 代码重构：成功率最低

这个发现符合直觉：文档任务边界清晰、验证简单；而重构涉及复杂的代码理解和依赖分析，更容易出错。

对 AI 搜索的启示

虽然这项研究聚焦于编程场景，但对 AI 搜索产品的设计也有参考价值：

1. 首因效应至关重要 用户在前 60 秒的体验决定了他们是否会继续使用。搜索产品需要在最短时间内给出高质量结果。

2. 错误恢复机制 当 AI 理解错误时，如何快速纠正比追求完美更重要。Rudel 的数据显示，错误级联一旦发生，用户很快就会失去耐心。

3. 功能发现性 即使有强大的功能（如 Skills），如果用户不知道或不会用，就等于不存在。AI 搜索产品需要更智能地引导用户使用高级功能。

4. 任务适配性 不同的搜索场景对 AI 的要求不同。简单的事实查询 vs 复杂的分析任务，需要不同的交互设计和预期管理。

Rudel 工具本身

这项研究的开源工具 Rudel 也值得关注。它通过 Claude Code 的 hooks 机制，在会话结束时自动上传数据，提供团队级的使用分析：

• 个人和团队的会话统计
• Token 使用趋势
• 项目时间分配
• 会话成功率分析

对于想要量化 AI 工具 ROI 的团队来说，这类分析工具很有价值。

社区反响

这个项目在 Hacker News 上获得了 85 个点赞和 50+ 评论。讨论焦点包括：

• 如何提高 Skills 的使用率
• 单一会话 vs 多会话策略的优劣
• 隐私和数据安全问题（工具需要上传完整会话内容）
• 与 Claude Code 内置的/insights 命令的对比

写在最后

AI 编程代理还处于早期阶段，我们对其使用模式的理解非常有限。Rudel 团队的数据虽然只来自一个小团队，但提供了宝贵的实证基础。

随着 AI Agent 的普及，相信会有更多类似的研究出现。而对于搜索技术从业者来说，理解用户如何与 AI 交互、在什么情况下会放弃，将是设计更好产品的关键。

你使用 Claude Code 或其他 AI 编程工具吗？你觉得最大的痛点是什么？

来源：Rudel GitHub / Hacker News 讨论 原文发布时间：2026 年 3 月 12 日 Hacker News 热度：85 points, 53 comments