最近读到一篇很有意思的文章，聊的是两位 AI 领域的重量级人物，卡帕西和西蒙·威利森，他们各自从不同角度观察到了同一个趋势。

摒弃假大空

最近读到一篇很有意思的文章，聊的是两位 AI 领域的重量级人物，卡帕西和西蒙·威利森，他们各自从不同角度观察到了同一个趋势。把他们的思考放在一起看，你会发现一幅关于未来工作方式的完整图景正在浮现。我觉得这里面有不少东西值得好好琢磨，整理出来跟大家聊聊。


1、一个新词只用了 9 个月就成了年度词汇

故事要从一个词说起。2025 年 2 月，卡帕西在 X 上随手发了一个新词，叫 Vibe Coding，翻译过来就是氛围编程，意思是完全沉浸在感觉里，顺着直觉走，甚至忘了自己在写代码。9 个月后，这个词就被柯林斯词典选为年度词汇。

9 个月，从一个人随手发的推文到权威词典的年度词汇。作为对比，云计算这个概念从 2006 年提出到被广泛接受，花了好几年。一个词能传播得这么快，只有一种可能：它精准地捕捉到了某个正在发生的巨变，所有人都在等一个词来描述自己正在经历的事情，它恰好出现了。

这件事本身就挺有意思的。我们平时总觉得新概念需要时间去沉淀和传播，但当一个变化足够剧烈、足够普遍的时候，描述它的语言反而会以惊人的速度扩散。就像地震发生的时候，你不需要告诉大家地在晃，每个人都感受到了，只是需要有人喊出那个词。

2、卡帕西的命名天赋背后，是对趋势的精准捕捉

卡帕西有一个很特别的本事：给技术趋势起名字。2015 年的幻觉，2017 年的软件 2.0，2025 年的氛围编程，他连续十年在做同一件事，就是在技术趋势刚刚显现、所有人都有感觉但还说不清楚的时候，给那个现象钉上一个标签。等大家开始用这个词的时候，才发现它有多精准。

他最新的命名作品叫 Claws。这个词来自他最近分享的一件事：他买了一台 Mac Mini 专门跑本地 AI 智能体，苹果店员告诉他这个设备卖得像热松饼一样快，刚上架就被买光。他用 Claws 来定义 AI 智能体之上的新一层技术，把智能体的编排、调度、上下文管理、工具调用这些能力提升到了新高度，而且这些东西现在能跑在个人电脑上。

如果觉得抽象，可以这样理解。底层的大模型就像地里收割的小麦，是基础原材料，不能直接用。2025 年火起来的智能体更像面粉，经过加工了，能帮你干些小事。而 Claws 就像做好的面包直接摆在你面前，开袋即食。从原材料到半成品再到成品，每一步都在降低使用门槛。

这个演进路径其实暗含了一个规律：技术的发展方向永远是让更多人能用上它。从大型机到个人电脑，从命令行到图形界面，从网页到手机 App，每一次跃迁的本质都是降低门槛。AI 也在走同样的路，只是速度快得多。

3、奶奶不需要知道应用的存在

有个网友在卡帕西的推文下质疑说，你觉得你奶奶想自己开发应用吗？更别说维护它了。意思是让普通人用 AI 创建应用，门槛还是太高。

卡帕西的回复只有一句话，但信息量很大。他说，奶奶当然不必了解应用程序或知道有应用程序的存在，因为她的 AI 助理应该知道这些。

这句话背后藏着一个很大的洞察。未来的方向不是让所有人都学会编程，甚至不是让所有人都学会用 AI 写代码，而是让 AI 成为中介。你只需要说出需求，AI 会自己决定是调用现有应用还是临时生成一个定制应用来完成任务，你根本不需要知道应用这个概念的存在。

仔细想想，这个逻辑其实我们已经在生活中体验过了。你打车的时候不需要知道出租车调度系统怎么运作，你点外卖的时候不需要知道配送算法怎么计算路线。技术在成熟的过程中会把自己藏起来，最终用户只需要表达意图就够了。AI 正在把这件事推向一个更极端的程度。

4、从氛围编程到 Claws，一条清晰的演进轨迹

从卡帕西提出氛围编程到 Claws，你能看到一条清晰的线索。一开始是人和 AI 一起写代码，人还在主导，AI 是辅助。现在变成了 AI 自己管理整个系统，人只需要表达意图。

传统软件开发就像搭积木，你要一块块找到合适的模块，拼好、固定住。而 Claws 更像是有个助手，你说我想要个能发消息的功能，它自己就去找积木、拼好、测试，你甚至不需要知道积木长什么样。

这个变化的速度快到让人有点不适应。但换个角度想，每一次技术范式的转换都会让一部分人感到不适应。关键在于你是选择观望还是选择跟上。历史反复证明，越早适应新范式的人，越能在下一个阶段占据有利位置。

5、代码变便宜了，这意味着什么

如果说卡帕西是站在山顶定义趋势的人，那西蒙·威利森就是在山脚下告诉你怎么爬上去的向导。

西蒙是 Django 框架的联合创始人，在程序员世界里是传奇人物，二十多年的开发经验，从 Django 到 AI 工具，几乎经历了整个互联网技术的演进。他最近发布了一个新项目，第一章的标题直击要害：写代码现在很便宜。

看到这个标题，很难不想起 Linux 之父林纳斯在 2000 年说的那句经典名言：Talk is cheap, show me the code。空谈廉价，给我看代码。在那个年代，好代码是昂贵的、稀缺的，所以看代码才是最有力的要求。

但现在，2026 年，西蒙告诉我们，情况反过来了。代码变便宜了，真正值钱的是你的对话，是你表达需求、定义问题的能力。

这个反转太有意思了。二十多年前程序员文化里最硬气的一句话，现在被时代翻了个面。

6、成本结构变了，一切都跟着变

过去，代码一直很昂贵。大多数开发者需要一整天甚至更长时间，才能产出几百行干净的、经过测试的代码。这种昂贵不只是时间成本，更重要的是，整个软件工程的习惯、决策框架、工作流程，都围绕这个核心约束建立起来的。

在宏观层面，团队会投入大量时间做设计、估算和项目规划。每个功能都要评估投入时间与产出价值的比例，只有那些能多次赚回开发成本的功能才值得投入。在微观层面，程序员每天要做几百个小决策：这个函数值不值得重构？这段文档值不值得写？这个边界情况值不值得测试？大部分时候答案都是算了，不值得。

但现在，这个约束突然松动了。

谷歌首席工程师亚娜·多根分享过一个故事：她的团队 2025 年花了很长时间构建一个分布式智能体编排器，而今年她给 AI 描述了同样的问题，只花了一小时就得到了与团队过去一年开发的功能相符的答案。一小时对比一年，这已经不是效率提升的问题了，是成本结构的彻底改变。

Vercel 的 CTO 说得更直接：他在假期构建了两个主要开源项目，开始写一本书，还修了一堆其他东西。他用的词是，没有 AI 的话这些绝对不可能完成。注意，不是很难完成，是绝对不可能。

这些人都不是刚入行的新手，是在行业里摸爬滚打十几二十年的老兵。当这些人都在说变化是颠覆性的时候，这个信号就很值得重视了。

7、不值得做的事情变得值得做了

代码变便宜带来的真正冲击，不只是让现有工作变快，更重要的是让很多原本不值得做的事情变得值得做了。

卡帕西自己就是个例子。他最近在做一个心率追踪实验，需要一个自定义仪表盘来可视化数据。传统做法是去应用商店找个健康类 App，但功能可能不完全匹配，还要花时间研究怎么用。他直接让 AI 用一小时完成了所有工作，包括逆向工程跑步机的云端接口、处理数据、生成前端界面，整个项目也就 300 行代码。

以前这种事你想都不会想，因为为了一个只有自己用的小需求去开发一个完整的应用，投入产出比太不划算了。但现在成本接近于零，你就可以为任何一个具体的、个人化的需求定制解决方案。

这个逻辑放到更大的范围来看也成立。那些因为开发成本太高被放弃的想法，现在可以试试。那些因为投入产出比不划算被砍掉的功能，现在可以加上。那些因为觉得不值得花时间而从来没有尝试过的方向，现在试一下的成本可能只是十分钟和一点 token。

西蒙给的建议很实在：每当你本能地说不值得花时间的时候，试试用 AI 先去做一做。最坏的结果就是十分钟后发现确实不值得，浪费一点 token 而已。但你也可能发现新的机会。

8、好代码依然昂贵

不过西蒙也很清醒地指出了一点：变便宜的是交付代码这个动作，好代码依然昂贵。功能正确性、优雅的错误处理、简洁可维护性、完整的测试覆盖、准确的文档，这些质量标准没有降低。交付好代码依然需要判断力、经验和专业能力。

这一点特别重要。AI 让生产变得容易了，但鉴别好坏的能力反而更值钱了。就像印刷术让出版变得容易了，但好编辑反而更稀缺了。照相机让拍照变得容易了，但好摄影师反而更值钱了。每一次生产成本的大幅下降，都会让鉴赏力和判断力的价值上升。

9、这不只是程序员的事

读到这里你可能会想，这些都是技术圈的事，跟普通人有什么关系？

但仔细想想，代码变便宜这个洞察背后的逻辑，其实适用于所有知识工作。

拿写作来说，以前写一篇三千字的文章，光初稿可能就要花半天。现在 AI 可以帮你快速生成初稿，但这并不意味着写作变简单了，而是编辑和判断力变得更重要了。你需要判断 AI 生成的内容哪些有价值、哪些是废话，哪些逻辑通顺、哪些是硬凑的。

设计、数据分析、战略规划，道理都一样。当执行成本大幅下降的时候，决定做什么、判断做得好不好，这些能力的权重就会大幅上升。

有人总结过 AI 时代更需要的几种能力：判断力，能分辨 AI 输出的好坏；战略思维，知道要做什么；领域专业知识，能验证 AI 生成内容的准确性；产品思维，理解用户需求和商业价值。你会发现这些能力有一个共同点，它们都跟执行无关，跟思考有关。

10、让工具学会理解所有人

回到卡帕西和那位网友的对话。网友觉得让奶奶自己做应用太难了，但卡帕西看到的是奶奶根本不需要知道应用的存在。这个视角差异，恰恰揭示了这场变革的方向：不是让所有人都学会使用工具，而是让工具学会理解所有人。

把卡帕西和西蒙的思考放在一起看，你会发现他们从不同的角度指向了同一个结论。在代码变便宜的时代，值钱的不再是会写代码，而是知道该写什么代码。在 AI 无处不在的未来，值钱的不再是会用工具，而是知道该解决什么问题。

这个道理说起来简单，但真正内化它需要一个思维上的转变。我们大多数人从小到大接受的教育，都在强调掌握某种具体技能的重要性。学一门手艺，练一个技术，考一个证书。但当 AI 把越来越多具体技能的执行成本压到接近于零的时候，真正拉开差距的就变成了那些更底层的东西：你对问题的理解深度，你对需求的洞察能力，你在模糊地带做出判断的水平。

这些东西没有捷径，也没有速成班。但好消息是，它们也不会被 AI 轻易替代。