大多数代码只是缓存
随着个人应用变得微不足道，我们不应再以同样的方式看待代码。
Claude Code 已经开始系统性地取代我过去（或计划）付费的许多 SaaS 应用。
既然我可以在二十分钟内用"vibe code"做出一个个人 MVP，为什么还要付订阅费？我不担心维护或供应商锁定，因为坦白说，这些代码是可丢弃的。如果明天需要新功能，我不重构——我直接重建它。1
代码正在变成我意图的临时缓存。
在这种模式下，"源代码"是提示词和上下文；实际执行的 Python 或 JavaScript 只是二进制文件。我们仍然运行代码，因为它在热力学上高效且确定，但我们视其为可丢弃的。如果行为需要改变，我们不重构二进制文件；我们重新编译意图。
这种转变让我无法忍受静态界面。我不再关心那些不允许我把大量上下文倾倒进 Gemini 或 Claude 来直接把事情办了的软件。如果一个产品强迫我点击按钮来执行一个大语言模型可以通过提示词直觉完成的流程，那这个产品就已经是遗留产品了。
这迫使我们质疑当前模式的持久性。我们经常犯一个错误，即认为我们今天所知的软件是人类生产力的永久性设施。但如果你退一步看，SaaS 时代在现代历史中只是一眨眼的功夫。很容易高估它对未来的核心地位。
在这篇文章中，我想进一步推演这些想法，写出软件可能的最终阶段。
感谢阅读 Shrivu 的 Substack！免费订阅以接收新文章并支持我的工作。
软件演进
这里的阶段不一定是按时间顺序的，也不一定互斥。相反，它们是从静态到动态代码生成排序的——在这个过程中，客户的意图越来越成为他们所使用的软件。
阶段 1. 传统 SaaS
这是基线：软件是作为服务出售的静态产物，建立在用户问题足够重复和可预测、可以通过僵化工作流解决的假设之上。对消费者来说，这看起来像仪表盘、CRUD 表单和硬编码的自动化。这里的智能主要来自 SaaS 创始人和聘请的领域专家，在用户登录多年前就硬编码进了业务逻辑。
时机：我们认识到通过云端分发软件比本地安装更高效。
价值循环：客户问题 → 产品经理编写 PRD → 工程师编写静态代码 → 部署 → 客户调整其工作流以适应工具。（时间：数月至数年 | 适配度：通用 / 一刀切但谁都不适合）
阶段 2. FDE 和 AI 构建者
我们现在正看到公司采用 Forward Deployed Engineering (FDE)。在这个阶段，SaaS 公司雇佣人类手动使用 AI 为客户构建定制解决方案。对消费者来说，这感觉像礼宾服务；他们不会得到一个通用工具的登录名，而是得到一个由使用 AI 编写粘合代码的人交付的定制成果。智能是混合的：人类提供架构，AI 在几天到几周内编写实现代码。
时机：公司意识到 AI 让他们的员工为客户构建定制应用的速度，比客户学习或适应通用工具的速度更快。
价值循环：客户问题 → SaaS 员工（FDE）编写提示词给 AI → AI 生成定制脚本/应用 → 员工为客户部署。（时间：数天 | 适配度：高 / 针对特定客户边缘情况量身定制）
第三阶段。AI 功能（产品是平台/界面）
这是目前大多数科技公司的“安全区”，他们将大语言模型（LLM）嫁接到现有应用上以处理非结构化数据。消费者体验到的是 CRM 中的“起草邮件”按钮或 UI 中的“聊天”侧边栏——平台仍是主要产品，但 AI 是一项（有望）减少摩擦和/或提供额外功能定制的功能2。智能来自受限的产品设计模型和 LLM 脚手架，在仍由 SaaS 平台代码严格规定的结构内提供内容。
时机：人们开始看到 AI 擅长总结、生成内容或在现有工作流中执行操作。
价值循环：客户问题 → 静态 SaaS 界面 AI 功能文本框 → 随机性结果 → 人工审核。（时间：分钟 | 适配度：中 / 受平台 UI 限制）
第四阶段。AI 产品（产品是数据/上下文）
这是转折点，软件界面开始消失，因为“界面”原本只是收集上下文的一种方式，而现在模型可以直接摄取这些上下文。消费者转向“替我做”界面，意图直接映射到结果而非按钮点击，通常表现为智能体调用数据库或 MCP 服务器3。智能在于模型及其精心设计的输入上下文，SaaS 的角色在某种意义上被降级为通过智能体友好的界面提供干净的专有数据。即面向智能体的软件即服务。
时机：人们开始看到 AI 擅长跨 SaaS 平台自主编排复杂决策和使用工具。
价值循环：客户问题（提示词作为 ~PRD）→ 运行时代码生成 → 动态结果。（时间：实时 | 适配度：非常高 / 针对特定上下文动态生成）
关键在于，这并不意味着 LLM 充当每次用户交互的 CPU（这会导致延迟高且能耗低效）。相反，模型几乎充当即时（Just-In-Time）编译器。它生成执行用户意图所需的代码，为该会话运行该代码，然后可能将其丢弃
第五阶段。AI 训练环境
在某些情况下，这是最终目标。如果代码只是意图的缓存，最终我们会绕过缓存，将直觉直接内置于模型中。对消费者而言，“工具”是隐形的；专家系统只是存在并提供答案或操作，无需登录或工作流。智能在于模型本身；软件平台仅作为蒸馏机制存在——一个训练垂直领域 AI 的健身房——一旦模型学会了该领域，软件就不再需要了。处于这一阶段的公司实际上已不再是 SaaS，也许更像是一家 AI-gyms-aaS（AI 健身房即服务）公司。
时机：人们开始看到 AI 擅长吸收整个垂直领域的直觉。
价值循环：原始领域数据 → 强化学习 / 微调 → 模型权重。（时间：即时 / 预先计算 | 适配度：非常高 / 直觉式的领域掌握）
这作为阶段可能让人觉得反直觉——比如，怎么可能把一些专有数据湖内置于模型中？我们那些宝贵的数据怎么会不是护城河？我的结论是，大多数（但不是全部）数据是对更原始的上游输入的转换，而这些转换（数据管道、跨租户分析、人工研究等）都是可以被蒸馏进一个更通用模型的“缓存”，该模型基于其直觉和上游平台输入运行。
反驳
“但智能体能运营一家银行吗？”可靠性和安全性归根结底在于区分护栏（确定性接口和脚手架）与运行时执行（LLM 代码）。目前，你不会让 LLM 发明交易分类账的概念，或随时重写核心银行循环。在 XX 年后，也许我们终究会信任 AI 来编写核心交易逻辑，毕竟如今存在的大多数关键任务软件都是由会出错的人类编写的。人类定义的确定性与智能体符号接口之间的界限将随时间逐渐移动。
“但企业 SaaS 实际上超级复杂。”是的，但这种复杂性主要只是未解决的歧义。你的“深度企业理解”通常是数千个边缘情况的集合——权限、政策例外、特定区域规则——这些是人类在过去十年中不得不手动硬编码到 IF/ELSE 语句中的。提炼到核心，这种复杂性就会坍缩。模型不需要 500 个硬编码功能；它需要的是原始数据和意图。为单一用途构建的应用与作为平台的应用相比，也可以做出很多简化。
“客户不想用提示词来使用功能。”我同意。我不认为未来会像聊天机器人那样。“聊天”是我们使用的一种拟物化桥梁，因为我们还没有想出一致的原生接口。它可能是一个会根据你的角色主动变化的 UI，也可能感觉像是雇用了一位非常能干的员工，他直接“搞定一切”，而你无需指定 how。或者，正如我们在第二阶段看到的，用户根本不使用提示词——由 FDE 代劳，用户只是得到一个完美运行的定制应用。
SaaS 已死？
第一阶段——大多数公司目前都困在这里——绝对是。
为什么？因为传统 SaaS 的巨大开销——学习曲线、僵化的工作流、完成工作所需的“点击税”——在一个意图可以直接执行的世界里正变得令人无法接受。当灵活的解决方案可以按需生成时，它感觉越来越过时。
价值正在远离工作流逻辑本身，转向夹着它的两个特定层：
数据层：专有数据、信任，以及允许模型在你的领域内安全行动的“智能体脚手架”。
表现层：品牌和 UI。虽然我怀疑长期试图控制表现层是徒劳的（因为用户最终会带来他们自己的“接口智能体”来与你的数据交互），但目前它仍然是一个差异化因素。
我们将看到公司跨越这些层级。在我看来，赢家将是那些意识到 SaaS 中的“服务”部分正被模型智能所取代的公司。留下的 SaaS 将是真相的基础设施和自主性的引擎。
结论
我们正在从静态工件（持续多年的代码）的世界过渡到动态生成（存在几毫秒或仅用于一次回答的代码）。
当然，我可能是错的。也许AI能力在完全融入复杂垂直领域之前就已趋于平稳。也许传统SaaS在第二或第三阶段守住阵地，仅凭惯性就保护其护城河。也许世界最终会变得更加去中心化。
我的一些未解问题：
你今天应该在哪个阶段工作？直接跳到第四阶段是否存在超额收益（alpha），还是你目前需要构建第二阶段的“氛围编程”服务来作为引导？
未来的接口是什么？是MCP、精选计算沙箱，还是一个尚未定义的智能体到智能体再到人类的协议？哪种接口会胜出，还是每家公司或消费者都会自带自己的智能体工作者？
这一切发生得有多快？我们面临的是长达数十年的转型，还是当今企业会迅速开始抛弃低阶段的SaaS工具？
AI在软件之外是否也有类似影响？医学是否会从“静态协议”转向“按需、针对患者个体的治疗”？
感谢阅读 Shrivu 的 Substack！免费订阅以接收新文章并支持我的工作。
你甚至可以比我在更多地方看到 Geoffrey Huntley 的 ralph 驱动的对 GitHub 及许多其他工具的肆意横扫。
我喜欢 Harj Taggar 的这条推文，“放弃了已成为快速增长AI初创公司默认选择的FDE（现场工程师）剧本。相反，他们构建了AI，将客户的普通英语转化为Python代码，使产品能够满足他们的用例”。
类似于 Karpathy 的 “大语言模型不是聊天机器人，而是新操作系统的核心进程”（2023年）