随着 Claude Code、Cursor 等工具的能力飞速提升，一个有趣的现象正在发生：不仅是开发者在用这些工具，原本依赖 Lovable、Replit 等无代码平台的创客们也在向命令行工作流迁移。当交互回归终端，抽象层被削薄，你不再被托管界面的"快乐路径"牵着走，而是真正掌控了全局。

个人软件时代来了

门槛的崩塌带来了一个实质性变化：非开发者不再只是软件的消费者，而是自己工具的架构师。过去你得花好几个小时去找一个能解决 80% 痛点的 SaaS 产品，现在直接打开命令行描述需求就行。我们正在见证"个人软件"的井喷——

  • 针对特定预算习惯定制的订阅追踪器
  • 解决某个极小众数据录入问题的 Chrome 扩展
  • 界面完全按自己心意设计的健身 App

软件正在从"你购买的商品"演变为"你生成的个人工具"。

从 SaaS 到"草稿纸"

多年来，业界痴迷于构建"平台"和"生态系统"，但潮流正在转向更短命的形态。越来越多的人构建工具只为一次性解决单一问题，然后直接抛弃。这种模式之所以可行，依赖一种特定的技术哲学：命令行优先的接口、本地数据、零上手成本。一旦消除了注册账户、配置数据库、在复杂界面里摸索的摩擦，创建工具的代价几近于零。此时"临时性"不再是缺陷，而是特性——花五分钟搞定一个一次性方案，你根本不需要它长久存在。

这与传统 SaaS 形成鲜明对比。SaaS 优化的是留存和锁定，而这些定制工具优化的是即时性和掌控力。它们不在乎你的终身价值，只在乎搞定眼前的问题。

从很多方面看，这回归了电子表格最初的用法：你打开 Excel 不是为了建一个用好多年的数据库，而是把它当草稿纸来理清问题、算出结果，然后继续下一步。Claude Code 在这个新格局中扮演的正是"开发者的 Excel"——一个解决眼前问题的灵活工具，而非为业务建立永久基石的平台。

代码廉价，软件依然昂贵

这是当前"AI 原生"时代的残酷现实。LLM 有效抹平了生成代码的成本，但丝毫没有降低真正理解问题的成本。我们看到无数"周末开发出的 App"泛滥，但其中大多数只是对基础 CRUD 操作和第三方 API 的简单套壳。它们在演示视频里看起来很酷，可一旦遭遇现实世界的摩擦，往往瞬间崩塌。

软件真正的成本不在初次编写，而在后续维护、边缘情况处理、不断累积的用户体验债务，以及数据所有权的复杂性。那些"速成"方案极其脆弱：银行改了 CSV 导出格式，订阅追踪器就挂了；目标网站的 DOM 结构一变，Chrome 扩展就废了；用户需要离线支持或可靠的数据同步时，健身 App 就没法用了。

工程师的价值正在从语法层面的"怎么写"，转移到系统层面的"是什么"和"为什么"。真正的工程在于抽象和架构——如何构建长久系统，理解为何需要特定限流策略，懂得管理分布式缓存，以及清楚环境变量绝对不能存放在何处。AI 常让人觉得强大，因为它掩盖了复杂性。但工程师的工作恰恰是管理这种复杂性，而不是无视它。

分发的假象

门槛消失的另一面是噪音达到了历史最高点。大量"AI 创业者"声称用一下午做出的 App 就能获得五位数的月经常性收入。当你看到一个既无分发渠道又无清晰护城河的创作者，声称一个周末项目能赚 10,000 美元 MRR 时，这通常是骗取关注的手段，而非真实的商业反映。

AI 实际上消除了作为主要差异化因素的工程杠杆。当任何人都能用 LLM 在极短时间内构建和部署复杂功能时，光做一个"构建者"已经不够了。成功取决于那些更难被自动化的因素：品味、时机，以及对受众深刻直觉的理解。你可以在周末生成一个产品，但如果造错了东西，或者推给了一群根本不在乎的人，它依然一文不值。代码变成了容易的部分，让人们在乎你的产品才是困难的部分。

谁是真正的赢家

这波浪潮中受益最大的是几类人：受困于枯燥重复性问题的领域专家；构建一次性内部工具的团队；想用更稳健方案替代脆弱人工流程的超级用户；以及重视解决方案所有权胜过表面光鲜的工程师。

对工程师而言，Claude Code、Cursor 这类工具在消除样板代码、实现功能、编写单元测试方面表现出色。一个很实用的用例是在入职新工作时，用它们生成个性化文档和功能演示来快速熟悉代码库。但现实是：即便有高质量的 Prompt 和清晰规则，LLM 依然会犯错。你得像审查同事的 Pull Request 一样审查它生成的代码——阅读逻辑、检查假设、手动修改。把一堆自己都没检查过的代码扔给队友审查，这不公平，也不专业。

揣着二十美元，哪怕只有几小时闲暇，几乎任何人都能发布一个功能完备的应用程序。从灵感到可用产品之间的鸿沟从未如此之窄。但 AI 在架构可维护、可分发、可扩展的系统方面依然很菜。相信"提示词可以取代技术专长"是一个战略误判。工具变了，但优秀工程的根基未变——判断力、品味和责任感，依然是这行的根本。对于独立开发者来说，最聪明的策略不是追求用 AI 取代一切，而是把 AI 当作放大器，在更高层面上构建自己真正理解的东西。