AI观点频繁反转：应用层比模型更赚钱，白领反而更抢手，开源已够用，提示词工程消亡，工作流和知识库成核心。选择比代码难，桌面应用胜终端。
大家以前的想法都反过来了，现在搞AI应用才是真的赚
AI圈的风向变得比网红换男友还快。以前大家觉得套壳GPT就是垃圾，现在发现真正赚钱的正好是上面那些应用层。以前说AI要干掉白领工作，现在反而需要更多白领去管那些AI小弟。以前说开源不行，现在Gemma和DeepSeek已经够应付八成日常任务。
说白了，这些观点来回翻转，说明谁也别装预言家，跟着事实走最靠谱。
看不起套壳的才是真外行
最早那波人喷得最凶，说搞个GPT包装壳子毫无价值。结果呢？钱全跑应用层口袋里去了。就好比你骂卖煎饼果子的大叔只是把面粉和鸡蛋组合一下，没创造新材料，但他排队的人就是你多。用户不管你底层是不是GPT，人家只看你这App能不能一秒帮他写出周报、五分钟做完PPT。所以别被“技术崇拜”带偏了，堆模型不如堆体验。
有个哥们以前天天嘲讽套壳，后来自己做了个会议纪要工具，就是录音丢给GPT总结再配上时间戳。上线三个月，月入五万美金。他原话是“我脸被打得啪啪响，但数钱也数得啪啪响”。道理很简单，普通人不关心你用的什么核弹头，只关心你这把锤子能不能顺手敲钉子。
很多技术人员陷进一个误区，觉得底层模型才是护城河。其实OpenAI和Google天天在打架，模型降价快得跟跳水冠军似的。这时候谁先把功能包装成傻瓜式产品，谁就能搂住用户。你看那些爆火的AI写邮件工具、自动修图插件，哪个不是套壳？但人家解决了具体痛点，比如“老板半夜发消息要数据，我秒回”。
还有人拿“套壳没技术壁垒”说事。但麦当劳有技术壁垒吗？人家强的是选址、供应链、品牌认知。AI应用也一样，你的壁垒是用户习惯、数据回流、工作流整合。当用户每天打开你的工具就像打开微信一样自然，模型是谁家的还重要吗？所以别被老观点洗脑，现在冲应用层正是时候。
别再说AI取代你了，现在白领比AI还抢手
以前那些耸人听闻的标题党天天喊“AI取代白领”。结果现在发现，那么多AI小跟班反而需要真人去管。就像自动扫地机器人挺好用，但你得有人倒尘盒、设定区域、处理卡住的电线。企业里现在冒出好多新岗位，叫“AI流程经理”“智能体调度员”，说白了就是给AI分配任务、检查作业、擦屁股。
我一个朋友在某大厂带十个人的运营团队，以前每天手动导数据做报表。现在他搞了五个AI代理，一个抓数据，一个清洗，一个分析，一个写邮件，一个回复常见问题。你猜怎么着？他团队没裁员，反而扩招了两个人专门盯着这些代理别跑偏。因为AI会突然把销售额算错成负数，也会把客户投诉回复成情书。
白领的真正价值变了，不再是重复劳动，而是“判断力”和“统筹力”。比如AI帮你筛选出五十份简历，但最终面谁、怎么问问题、怎么判断这人有没有团队精神，还得人上。再比如AI可以写出十版营销文案，但哪个调性符合品牌形象，哪个能打动目标人群，这需要人对业务和人性有深刻理解。
所以别听风就是雨，怕自己被优化。现在最值钱的技能是“让AI好好干活”。你得会写提示词、会设计工作流、会踩刹车避免AI胡乱发挥。这就像当年汽车取代马车，马车夫没饿死，很多去开出租车了，只是技能换了一套。同样，白领只是从“手动挡”换到“自动挡”，但方向盘的把控更重要了。
开源模型已经够八成的人用了
之前大佬们一口咬定开源追不上闭源。结果Gemma和DeepSeek出来以后，大家发现日常绝大部分任务它们都能搞定。就像是米其林餐厅的大厨确实牛，但你平时在家煮个面，超市买的调料包完全够用。对创业公司和个人开发者来说，开源模型省钱又灵活，何必非得烧钱去请GPT-4那个贵妇。
举个例子，你想做个客服机器人，回复退货政策、物流时间这些标准化问题。DeepSeek和Gemma的表现跟GPT-4几乎没差别，但API费用便宜到可以忽略不计。一个做跨境电商的朋友告诉我，他换成开源模型后每个月省下两万多美金，客服满意度反而上升了5%，因为开源模型跑在本地更快，没有网络延迟。
还有一个真相是，大部分人根本用不到模型的极限能力。就像你买个法拉利，但每天在市区堵车开30码，跟小排量车有啥区别？同理，写周报、列待办、总结会议记录这些任务，开源模型已经绰绰有余。只有当你需要写超高难度的代码或者做复杂的法律合同分析时，闭源模型才有明显优势。
而且开源的好处是可以自己微调。你把公司过去三年的客服对话喂给DeepSeek，它很快就学会你的产品术语和说话风格。闭源模型你想微调？先交一大笔钱，数据还得过他们的审核。所以现在精明的CTO都搞“模型路由”，简单任务走开源，复杂任务才叫闭源大佬出场。开源不是替代，而是把成本结构彻底打下来了。
代码编辑器变成了超级瑞士军刀
原来那个叫Codex的玩意儿，很多人觉得也就是个普通代码补全工具。现在它进化成了一站式超级应用，能写代码、看文档、操控浏览器、用电脑、跑自动化流程。就像以前你兜里要揣五六个工具，现在一把瑞士军刀全搞定，还带开瓶器。程序员和普通用户都开始抛弃那些零散的小工具，直接在一个界面里干完所有事。
具体有多猛？你直接在Codex里输入“帮我查一下这周竞争对手发了什么新品，然后做个对比表格发我邮箱”。它自己会打开浏览器搜新闻，读取网页内容，提取关键信息，生成表格，最后自动发邮件。全程你不需要点来点去，不需要复制粘贴，就像你雇了个不会抱怨的实习生。以前完成这些至少需要七八个软件配合，现在全在一个窗口里。
很多程序员一开始看不上，说“这玩意儿不就是把API串起来吗”。但你要知道，用户根本不在乎底层怎么串，他们只在乎“能不能一句话搞定事”。就像你不会关心外卖软件背后用了什么算法，你只关心饭到了没。Codex聪明的地方在于，它把复杂操作封装成对话，你打字就行。
更狠的是，它开始吃掉传统SaaS的生意。比如你需要做数据可视化，以前得开个Tableau或者Power BI。现在你直接在Codex里说“从数据库拉出去年销售数据，画个折线图，标出旺季”，它全自动完成。这意味着很多垂直小工具如果没有AI化，很快就会被这种超级应用替代。所以与其骂Codex是“缝合怪”，不如想想自己怎么被缝合进去。
别死磕一个模型，哪家好用切哪家
以前大家都说你要选一个模型深耕，像追女朋友一样专一。现在真正的顶级创业者每周换模型，根据任务来切。比如写小说用Claude，因为文笔细腻；写代码用Codex，因为它懂各种框架；做数学题用GPT-4，因为推理强。你非要用一个模型干所有事，就像试图用一把勺子吃满汉全席，结果喝汤还行，切牛排就傻了。
我认识一个做AI视频剪辑的团队，他们内部有个“模型路由器”。用户上传视频后，系统自动判断：需要语音转文字走Whisper，需要理解内容情感走Claude，需要生成字幕样式走开源模型，最后合成再切回GPT-4。他们把这套流程封装好，用户根本不知道背后换了四次模型，只知道“这工具真快真准”。
模型忠诚度死掉的原因很简单，每个模型都在快速迭代，今天的短板明天可能就变长板。而且API价格战打得太凶，今天这个搞促销，明天那个推优惠。死绑一个模型就像吊死在一棵树上，万一这棵树涨价或者变笨了，你哭都来不及。聪明的做法是写一套抽象层，像插U盘一样换模型，随时切到性价比最高的那款。
有些人担心切换模型会有兼容问题。其实现在主流模型都支持OpenAI格式的API，替换起来就是改个base_url和api_key的事。你甚至可以写个简单的负载均衡，根据任务复杂度自动分配。比如简单对话走便宜的小模型，复杂推理走贵的大模型。这样既省钱又不牺牲效果。记住，模型是耗材，你的产品和用户才是资产。
SaaS没死，但利润来源变诡异了
之前很多人喊“SaaS已死”，因为觉得AI会把所有软件吞掉。这个说法有一半对，但有些SaaS的利润反而在涨，原因是AI代理自己也要付钱买座位。想象一下，以前你公司买十个Salesforce账号给十个销售用。现在你买五十个账号，其中四十个是AI机器人，它们自动发邮件、更新客户状态、预约会议。软件公司数人头（包括机器头）收钱，赚得更狠。
有个真实案例，一家营销SaaS公司发现，他们的企业客户开始批量购买“机器人席位”。每个AI代理每个月付15美金，负责自动生成社交媒体帖子、回复评论、分析数据。一个客户轻轻松松买几百个代理，比招真人便宜多了。结果这家SaaS公司的ARR在半年内翻了三倍，股价涨得CEO天天怕被SEC调查内幕交易。
当然也不是所有SaaS都这么幸运。那些功能单一、可以被AI对话直接替代的，比如简单的计算器工具、表单生成器，确实在死。但复杂的工作流系统，比如项目管理和客户支持平台，反而更值钱了。因为AI代理需要在这些系统里运行，它们得有账号、权限、操作日志。就像高速公路收费站，车多了（哪怕是无人驾驶车），该交的过路费一分不少。
所以SaaS公司现在的策略是“拥抱代理”。以前他们防着机器人爬数据，现在主动提供API让AI代理来调用。甚至有些SaaS开始按“动作次数”收费，比如AI每更新一条记录扣0.01美元。这种模式利润极高，因为人类一天点不了几百下，但AI一分钟能干上千次。算下来企业客户的总账单比以前更高，但他们还是觉得划算，因为省下了人力成本。
智能体当年死得早，现在复活成真香
以前那个叫AutoGPT的东西火了一阵，号称全自动智能体，后来死得透透的。原因很简单，太早了，模型能力跟不上，动不动就死循环或者胡言乱语。但两年后的今天，Hermes和OpenClaw这些新家伙真把智能体做活了。好比有人说“核聚变是未来”，50年代的人搞不出来，现在慢慢接近了。方向没错，只是时机问题。
现在的智能体靠谱在哪？首先模型基础能力强了，不太会跑偏。其次加了沙箱和人工确认环节，比如智能体执行删除操作前必须问一下“你确定吗”。最后是工作流设计更科学，不再是“放出去随便跑”，而是拆成小任务，每完成一步都有检查和回退机制。就像自动驾驶从L2到L4，不是一夜之间，而是逐步加传感器和规则。
我最近用OpenClaw做了个自动爬竞品价格的智能体。它每天早上八点起床，打开三个网站，抓取指定商品的价格，存到Google Sheet，如果发现降价超过10%就给我发短信。跑了一个月，没出过一次错。以前我手动干这事每天花半小时，现在智能体替我干，我只需要每周检查一下它有没有被封IP。这就是微小但实实在在的生产力提升。
很多人对智能体的期待是被科幻片带偏了，觉得得有个钢铁侠的贾维斯才行。但现实中的智能体更像训练有素的狗，你给明确指令，它去叼回来。你让它“帮我找出所有客户里可能流失的”，它做不到，因为太模糊。但你说“拉出过去90天没登录的付费用户名单”，它完美执行。所以用智能体的诀窍就是把大任务拆碎，别指望它替你思考人生。
提示词工程师只活了18个月，现在轮到工作流工程师上场了
提示词工程师这门职业已经凉了
前两年“提示词工程师”这个岗位火得不行，年薪开到百万。结果才活了18个月，就被“工作流工程师”取代了。原因很简单，写单个提示词就像教人一招黑虎掏心，但现在AI需要的是整套组合拳。你得设计一个流程：先让模型总结文档，再提取关键点，然后分类排序，最后格式化输出。这已经超出一个提示词能搞定的范围了。
举个例子，以前提示词工程师干的事是“写一段完美的话让GPT输出简洁的周报”。现在工作流工程师干的是用代码把整个过程串起来，中间可能调用三次不同的模型，外加一次数据库查询和一次邮件发送。这需要懂编程、懂业务逻辑、懂API调用。纯写提示词的那帮人，很多要么转行做产品经理，要么去教小白入门课了。
我认识一个前提示词工程师，现在的工作是给电商公司搭“客服自动回复流水线”。他先让模型判断用户情绪，如果愤怒就走人工通道；如果平静就让模型生成回复初稿，然后主管审核通过才能发出去。整个流程用了五种模型和三个判断节点。他说“以前写提示词像写诗，现在搭流程像铺水管，虽然没那么浪漫但更实用”。
这个变化其实对普通人更友好。因为工作流工程不需要你是什么语言大师，你需要的是逻辑清晰、会画流程图、懂业务痛点。你可以先用低代码工具搭个简单版本，跑通之后再慢慢优化。与其纠结“the perfect prompt”，不如先让AI动起来，错了再改。18个月寿命听起来短，但在这个行业已经算长寿了，因为有的概念连18天都撑不过。
电脑操作的AI化会变成新一代签名
以前乔布斯说“发送自iPhone”成了经典的邮件尾巴。现在轮到“发送自AI代理”或者“由AI操作电脑完成”。刚开始大家觉得电脑操作AI只是个噱头，又慢又容易出错。但技术迭代太快了，现在AI已经能像人一样看屏幕、移动鼠标、点击按钮、填写表单。未来你收到一个表格，底下小字写着“本文件由AI代理自动填报并发送”，你会觉得再正常不过。
这种转变的意义在于，大量需要人工点击的重复劳动被解放了。比如财务每个月要登录五个系统导出报表，HR要在招聘网站一个个筛简历，运营要在后台批量修改商品价格。以前要么招实习生干，要么逼正式员工加班。现在你录一遍操作流程，AI看会了，从此替你不眠不休地点鼠标。而且它不会累，不会点错，不会抱怨。
有个真实场景：某物流公司每天要处理三百个运单异常，每个都需要人工登录系统、查询状态、发邮件通知客户。他们用AI操作电脑的方案，训练了一个代理看屏幕上的异常单列表，模拟人的点击顺序，自动查询和发邮件。现在这个代理每天干完三个小时的活只需要二十分钟，而且零错误。成本从每天三个人的工资变成几毛钱电费。
当然目前还有局限性，比如网站改版了AI可能会懵，需要重新学。但类比一下，手机刚能拍照时也被嘲笑画质差，现在谁还带数码相机？同样，AI操作电脑会从“笨拙”到“丝滑”，从“偶尔用”到“天天用”。而且它不需要软件专门开发API，只要是能点能看的东西，它都能学。这意味着老旧系统不用改造，直接派AI当替身去点就行了。
AI设计丑不是技术问题，是审美问题
很多人吐槽AI生成的设计千篇一律，看着就像流水线出来的网红脸。但问题不在AI，在于喂给AI的参考图就那几种。就像你天天让徒弟模仿春晚海报，他当然设计不出什么好东西。那些抱怨AI设计太土的创始人，后来发现自己也没给AI看过什么有品位的素材。解决办法很简单，你去喂AI日本包装设计、粗野主义建筑、1960年代印刷物，它吐出来的东西马上就不一样。
一个真实例子，某零食品牌用AI设计包装，一开始生成的图全是糖果色加花体字，跟淘宝爆款没区别。后来设计师找了一堆七八十年代的老国货标签、苏联时期的海报、还有中药铺的包装盒喂给AI。结果AI搞出来一套既有复古味又很现代的设计，土到极致就是潮，产品上市后年轻人疯抢。他们没换技术，换的是参考库。
所以问题根本不是“AI有没有创造力”，而是“你有没有给AI正确的教育”。就像一个孩子天天看喜羊羊，他画出来的东西肯定也是圆头圆脑。你给他看宫崎骏、今敏、大友克洋，他自然开窍。现在有经验的AI艺术家，电脑里存着几千张高质量参考图，按风格、年代、媒介分类。每次生成前先挑十张作为风格指引，比任何复杂提示词都管用。
那些说“AI设计没有灵魂”的人，其实自己也没有。因为真正的好设计师也在用AI，他们把AI当第二个大脑，快速出草图，然后手工精修。最优秀的作品往往是AI生成再加人肉调整，比如换个字体、改个留白、调一下色彩平衡。人和AI的关系不是替代，而是“你负责速度，我负责品味”。所以别再怪AI了，先提升自己的审美库吧。
微调比不上一个整理好的笔记库
以前大家都觉得微调模型是护城河，花大价钱训练专属版本。结果发现，一个结构良好的Obsidian笔记库，里面塞满漂亮的Markdown文件，比花几万美金微调模型还好用，而且不花钱。道理很简单，微调容易让模型死记硬背，而笔记库加检索增强生成（RAG）的方式更灵活，随时可以增删改，不用重新训练。
举个实际场景，你做客服机器人，如果只是微调模型，遇到新产品发布就得重新微调一遍，费时费力。但如果你把所有产品文档、FAQ、聊天记录都整理成Markdown文件放在一个文件夹里，每次用户提问时先去文件夹里找相关内容，塞给模型作为参考资料，这样模型永远基于最新数据回答。改产品信息？直接改一个Markdown文件就行，不需要任何训练。
我自己就经历过，之前花了两周时间微调一个模型用来写周报，效果一般般，因为公司流程总在变。后来我建了一个叫“周报规则库”的Obsidian库，里面有二十多个Markdown文件，分别写着不同岗位的周报模板、公司OKR、项目进展表格格式。每次写周报时，先把相关规则文件塞给模型当示例，输出结果精确到让人害怕。而且改一个Markdown文件只用十秒钟。
所以现在聪明的人都不再迷信微调了，而是把精力花在“知识库建设”上。你会整理、会标记、会分类，比你会调参重要得多。因为模型会越来越聪明，但高质量的数据永远是稀缺的。你的笔记库就是你的数字资产，你可以带着它换任何模型，而微调出来的模型绑定一家厂商，哪天它涨价或者倒闭了，你全白干。
大模型会变成两大赢家，应用会炸出成千上万个
其实这两件事同时在发生。底层模型层确实在整合，最后可能只剩下两三个大玩家，比如OpenAI、Google、Anthropic。因为训练模型太烧钱，小公司玩不起。但在模型之上，应用层正在爆炸式增长，会出现成千上万个垂直小工具。这就像智能手机只有iOS和Android两个操作系统，但上面的App有几百万个。你以为模型赢了，其实是做外卖软件、修图软件、记账软件的那些人真正搂到了钱。
一个很形象的类比是电力。发电厂最后就剩下国家电网那几家，但用电的电器千奇百怪，电饭煲、电冰箱、电风扇、电动车。AI也一样，基础模型就是电力，谁便宜稳定用谁的。但你的AI电饭煲能把米煮得恰到好处，那就是你的本事。现在最火的方向是“垂直领域的AI原生应用”，比如专门帮律师分析案例的、帮医生写病历的、帮老师出考卷的。
之前有人担心“巨头会吞掉一切”，但现在事实恰恰相反。巨头忙着打模型战争，没空管那些太细太偏的应用场景。比如专门帮独立音乐人生成专辑封面和歌词的AI工具，巨头看不上那点市场，但创业者做得风生水起。而且巨头乐于开放API，因为每调用一次他们就赚一次钱。所以别怕巨头，你要怕的是自己没有对某个行业的深刻理解。
记住这个结论：底层模型会越来越集中，顶层应用会越来越分散。所以如果你没有几亿美金去烧模型，就别在那死磕算法了。赶紧去找一个你懂但别人不懂的行业痛点，用现成的模型包装成产品，直接开卖。现在这片地还荒着呢，你随便犁一下都能长出庄稼。
最难的不是写代码，是选对东西写代码
很多人觉得做AI产品最难的是技术实现。其实最难的是“决定做什么”。因为写代码现在太简单了，有Copilot、Codex这些工具，一个周末就能搭出原型。但你要决定做哪个方向、解决谁的什么问题、这个东西值不值得做，这些需要品味、行业知识、还有跟真实客户聊天的经验。这也是为什么我做了IdeaBrowser这个网站，帮你们找灵感。
一个典型的翻车案例，有个团队花三个月做了一个AI法律咨询助手，功能强大到能分析判例。结果上线后没人用，因为普通老百姓遇到法律问题第一反应是百度或者找熟人，不会想到用个新工具。他们犯的错就是没提前跟用户聊，闭门造车。后来他们做了个极简版，专门帮房东写租房合同条款，反而火了。同一个技术栈，换个场景，命运天差地别。
选方向的核心是“问题有没有人愿意付费”。很多人沉迷于自己的技术优越感，觉得“我能做出来别人做不出的功能”。但你要先问，这个功能对用户来说是止痒还是治病？止痛药大家抢着买，维生素得靠推销。比如自动生成周报的工具，用户用了之后省两个小时，他当然愿意每个月付二十美金。但如果你做个AI写诗助手，他可能玩两次就扔了。
我的建议是，别坐在家里想需求，去翻论坛、看差评、蹲客户支持电话。那些抱怨最多、重复最多、最无聊的问题，就是最好的AI化机会。比如“为什么我每次导出的Excel格式都乱掉”，如果你做个AI自动修正格式的工具，肯定有人买。记住，代码是廉价的，判断力是稀缺的。
桌面应用反杀了终端
前两年很多人吹“终端是未来”，觉得程序员都该回到黑乎乎的窗口敲命令。结果桌面应用在同一个月内反杀了回来，Claude Code和Codex都发了图形界面版本。因为未来那一亿个AI用户，绝大多数根本不会用终端，他们只想要漂亮的窗口和点几下鼠标。就像你爸妈绝对不会打开命令行去配置路由器，但他们能刷一下午抖音。
这个趋势很重要，说明AI工具的普及必须降低门槛。以前你要用Claude Code，得先装Python环境、配置API密钥、学习命令行参数。现在你下载一个桌面App，登录账号，直接打字聊天。界面里甚至有文件拖拽、按钮点击、菜单选择。那些“命令行精英”觉得这是退化，但市场会投票给易用性。Windows当年能赢Mac，靠的就是更低的门槛和更广的兼容。
还有一个隐藏逻辑是，桌面应用可以更好地集成系统能力。比如直接读取本地文件夹、监听剪贴板、控制其他应用窗口。这些在终端里也能做，但要写很多行命令。而在图形界面里，你点一下“选择文件夹”按钮就行。对于AI代理来说，桌面应用提供了更丰富的操作接口。比如它可以直接看到屏幕上的按钮位置，模拟鼠标点击，而不是只能处理文本流。
所以别被“终端至上”的极客文化洗脑了。真正的大众市场在图形界面里，在那些漂亮的图标和流畅的动画背后。如果你要做一个AI产品，优先考虑桌面App或者Web应用，而不是让大家去敲命令。除非你的用户全是程序员，否则请给普通人一条活路。