核心觀點

生成式AI正在對軟件開發行業進行顛覆性重構，催生出一個潛力巨大的萬億美元級市場。其核心邏輯在于，AI正在從根本上重構軟件的生產關系：讓模型成為開發者、讓代碼成為動態資產、讓生產力躍升一個經濟量級。

一、核心變革：從輔助工具到協作伙伴的范式轉移

傳統的AI編碼工具（如早期的代碼補全）已成過去。新一代的軟件開發流程正演變為一個“規劃 → 編碼 → 審查”的迭代循環，其中AI的角色發生了根本性轉變：

• AI不再是簡單的代碼生成器，而是深度參與前期規劃的“架構伙伴”。 它可以基于高層級的需求描述，起草詳細的系統規范，并主動提出需要澄清的架構決策、API密鑰需求和依賴工具，從源頭上保證設計與實現的一致性。
• 人機協作成為常態，實現了代碼與文檔的同步進化。 開發者在修改代碼后，可以指令AI同步更新項目規范和文檔。這產出的是一份對人類和LLM都高度友好的“活文檔”，極大地提升了大型代碼庫的可維護性。
• LLM成為一個具備全面上下文理解能力的“專家系統”。 它能夠整合公司編碼規范、項目特定指令、第三方最佳實踐乃至海量技術文檔，在開發的全流程中提供決策支持。

二、技術堆棧：一個全新的AI原生開發工具生態

圍繞新的開發范式，一個完整的AI軟件開發技術堆棧正在形成，其關鍵組件包括：

1. 編碼與審查的多種形態：

• 即時交互型：以Tab補全、編輯器內對話式編輯為代表，無縫集成于IDE，處理本地、小范圍的編碼任務。
• 異步代理型（Background Agents）：以Devin為代表，可在后臺自主執行復雜任務（如完整功能開發），并最終以“拉取請求”（Pull Request）的形式交付，期間通過自動化測試保證準確性。
• 應用生成型：從自然語言、線框圖或視覺示例直接生成功能完整的應用程序，尤其擅長原型構建。

2. 基礎設施的智能化升級：

• 版本控制的語義化：傳統基于文本差異（diff）的版本控制正在失效。新工具（如Gitbutler）開始圍繞“意圖”而非“文本”進行版本管理，追蹤提示歷史、測試結果和AI決策過程，使Git成為底層的分布式賬本。
• 源代碼管理（SCM）的深度融合：AI直接參與到GitHub/GitLab等平臺的問題討論和代碼審查中，成為團隊的虛擬成員。
• 遺留代碼遷移：AI在該領域展現出巨大潛力，能夠先從舊代碼（如COBOL, Fortran）生成功能規范，再基于規范生成現代語言（如Java, Python）的全新實現。

3. 閉環的質量與文檔體系：

• 自主化QA：AI代理扮演QA工程師，自主生成、運行和評估覆蓋UI、API和后端的測試用例，并提供附帶修復建議的錯誤報告，實現了“AI寫的代碼，由AI來測試”的開發閉環。
• 動態與交互式文檔：AI不僅能生成面向用戶的文檔，更能生成供其他LLM在運行時調用的“機器可讀”文檔，并通過交互式問答界面提供服務。

4. 代理（Agent）的關鍵工具集：

• 代碼搜索與索引：面對億行級別代碼庫，必須依賴專用工具進行代碼解析、構建調用圖，并結合RAG技術，為LLM提供精準的代碼上下文。
• 代碼執行沙箱：為AI代理提供一個安全、隔離且可重復的執行環境，用于測試代碼、運行調試工具，這是確保安全性和可靠性的關鍵一環。

三、宏觀影響與未來展望

• 對開發者的影響：AI不會取代開發者，而是將他們從繁瑣的實現細節中解放出來，更專注于系統設計、創造性問題解決和最終產品價值。事實證明，擁抱AI最徹底的公司反而正在招聘更多開發者。然而，這也意味著傳統的計算機科學教育內容亟需徹底革新。
• 成本結構的變化：軟件開發成本正從純粹的人力成本（CapEx）轉變為“人力 + AI算力運營成本（OpEx）”的混合模式。這改變了全球IT外包的商業邏輯。
• 軟件的終極形態：未來的應用程序將不再是靜態、不可變的代碼集合，而是具備“自我擴展”能力的動態系統。用戶或許可以通過自然語言描述，讓應用自行編寫和集成新功能。
• 創業的黃金時代：我們正處在一個技術超級周期。AI既創造了新工具的需求，也極大地加速了開發本身，為初創企業提供了顛覆行業巨頭的歷史性機遇。在當前浪潮中，行動速度和創新能力將是決定成敗的關鍵。

生成式AI已然來臨，其首個巨大市場聚焦于軟件開發。初看之下，這可能令人意外，因為從歷史經驗來看，開發工具并非軟件領域內市場規模最大的賽道。然而，深思熟慮后，這一趨勢完全合乎情理，主要基于兩大原因：

（1）開發者歷來傾向于先為自己打造工具；

（2）潛在市場規模極為龐大。

讓我們審視以下數據：全球約有3000萬軟件開發者（Evans Data估計為2700萬，SlashData估計為4700萬）。如果以每位開發者每年創造10萬美元經濟價值為基準（該數值在美國可能偏低，但在全球范圍略高），那么AI軟件開發對經濟的總貢獻每年可達3萬億美元。基于過去12個月與數十家企業和軟件公司的交流，我們估算當前簡單的AI編碼助手能夠將開發者的生產力提升約20%。

然而，這僅僅是個開始。根據經驗性證據，我們預計最理想的AI部署至少能使開發者的生產力翻倍，進而額外貢獻3萬億美元的GDP，這大致相當于法國的GDP。由硅谷及其他地區少數初創企業所開發的技術，其對全球GDP的影響，將超越世界第七大經濟體所有居民的生產力總和。

這種巨大的價值創造，使得初創公司的收入和估值也實現了同樣迅猛的增長。Cursor在15個月內實現了5億美元ARR，并逼近100億美元估值。Google以24億美元擊敗OpenAI收購了Windsurf。Anthropic推出了Claude Code，并將其作為主要分銷渠道，與AI開發工具展開競爭。OpenAI的GPT-5發布完全圍繞編碼能力。面對如此顯而易見的巨額回報，我們已進入AI軟件開發領域的戰國時代。

最初，AI編碼看似是一個單一的產品類別，但如今它已發展為一個完整的生態系統，有潛力支撐數十家市值數十億美元的公司，甚至一家萬億美元的巨頭。在過去的幾十年里，軟件一直是推動人類進步和經濟增長的核心驅動力。它顛覆了幾乎所有行業，而現在，軟件本身也正在經歷顛覆。AI加速開發，以及將模型作為軟件新的基礎構建模塊的雙重助推，極有可能導致軟件市場在質量和數量上實現大規模擴張。并且，市場規模極有可能進一步擴大，我們相信在這個案例中，“Jevons悖論”是成立的。

那么，AI編碼堆棧將呈現何種面貌？盡管仍處于早期階段，但以下是我們目前觀察到的嘗試和方向。圖中的橙色框代表由初創企業集群構建的AI工具領域。每個類別均展示一個示例。更多示例以及與該流程正交的其他類別，請參見下方的市場地圖。

基本循環：規劃 -> 編碼 -> 審查

18個月前，早期的AI編碼模式涉及從LLM請求特定的代碼片段，然后將其粘貼到源代碼中，這種流程如今看來已顯得過時。當前的工作流有時被稱為規劃->編碼->審查。它從一開始就融入了LLM的參與：首先是制定新功能的詳細描述，然后是識別必要的決策或信息。代碼生成通常通過代理式循環來完成，并可能包含測試環節。最后，開發者將對AI的工作進行審查，并根據需要進行調整。

上圖展示了一個啟動新項目的簡單工作流示例。模型的任務是起草高層規范，但更關鍵的是，它被要求返回一個所需附加信息的全面清單。在本案例中，該清單篇幅長達數頁，涵蓋了對各種要求和架構決策的澄清。它還包括對API密鑰以及必要工具和系統的訪問請求，以確保工作能夠順利完成。

所生成的規范具有雙重目的：首先，它指導代碼生成，確保設計意圖與最終實現保持一致。其次，規范對于確保人類或LLM在處理大型代碼庫時，能夠持續理解特定文件或模塊的功能至關重要。人機協作是一個迭代過程：人類開發者在編輯完特定代碼片段后，通常會指示語言模型修訂項目規范，從而確保最新的代碼更改能夠得到準確反映。其結果是產出了文檔完備的代碼，這對于人類開發者和語言模型而言都是有益的。

除了項目特定的要求之外，大多數AI編碼系統如今都集成了全面的架構和編碼指南，例如.cursor/rules。這些指南可能涵蓋公司范圍、項目特定乃至模塊特定的規則。我們看到了針對特定用例、經過AI優化的編碼最佳實踐在線集合，例如上圖所示的更多Cursor示例，或GitHub上、或Claude Code上的內容。這些標志著首批純粹針對LLM而非人類的自然語言知識庫的誕生。

在新的范式中，AI超越了以往僅僅響應提示的代碼生成器的角色。LLM如今扮演著真正的協作伙伴，幫助開發者在設計和實現階段進行導航、制定架構決策，并識別潛在的風險或限制。這些系統具備豐富的上下文理解能力，涵蓋公司政策、項目特定指令、第三方最佳實踐以及全面的技術文檔。

AI規劃工具仍處于早期發展階段。多家現有企業和初創公司已經構建了能夠從論壇、Slack、電子郵件或諸如Salesforce和Hubspot等CRM系統聚合客戶反饋的應用，例如Nexoro。另一批公司（例如Delty或Traycer）則開發了網站或VS Code插件，幫助將規范分解為詳細的用戶故事，并協助完成票務流程，例如Linear。展望未來，顯然當前的記錄系統（如維基和故事跟蹤器）需要進行徹底的轉型或完全被取代。

生成和審查代碼

一旦有了堅實的計劃，我們便進入迭代循環，在這個循環中，AI編碼助手生成代碼，而開發者則對其進行審查。最佳的用戶界面和集成點主要取決于任務的長度，以及它是否應該異步運行。

Tab補全和編輯。Tab補全和編輯功能被無縫集成到現代編輯器或IDE中，例如Cursor、Windsurf、Sourcegraph Amp以及數十個VSCode插件。該功能能夠自主完成當前行或執行本地編輯，無需顯式提示，因為AI會從周圍的上下文直觀推斷出必要的行動。此功能依賴于緊湊、高效的模型，這些模型經過專門的精細調優，以確保快速和準確的性能。

基于聊天的文件編輯。基于聊天的文件編輯支持用戶通過聊天提示，并將必要的上下文提供給AI。該方法利用更大的推理模型和大上下文窗口，從而能夠跨越整個代碼庫進行工作，并經常使用基本工具來創建文件或添加軟件包。該系統可以集成在IDE內部，或通過Web界面進行訪問，為用戶的每個操作提供實時反饋。

后臺代理(Background Agents)。后臺代理以不同的方式運行，它們可以在長時間內無需直接的用戶交互。它們通常會采用自動化測試來確保解決方案的準確性，這在缺乏即時用戶反饋時至關重要。其結果是生成經過修改的代碼樹，或是提交到代碼倉庫的拉取請求（Pull Request）。示例包括Devin、Anthropic Code以及Cursor的后臺代理。

AI應用構建器和原型工具。AI應用構建器和原型工具，例如Lovable、Bolt/Stackblitz、Vercel v0以及Replit，代表著一個快速擴張的類別。這些平臺能夠從自然語言提示、線框圖或視覺示例生成功能完整的應用，而不僅僅是用戶界面（UI）。目前，它們在構建簡單應用的vibe編碼者以及專業人士進行功能完整的應用原型化中都很流行。盡管迄今為止，很少有AI生成的UI被納入生產代碼庫，但這可能僅僅反映了這些工具目前的不成熟。

AI代理的版本控制。隨著AI代理處理越來越多的實現工作，開發者的關注焦點正從代碼如何變化轉向為什么變化以及它是否有效。當整個文件一次性生成時，傳統的diff機制便失去了意義。諸如Gitbutler等工具正圍繞意圖而非文本重新構想版本控制，捕獲提示歷史、測試結果和代理來源。在這個新的世界中，Git成為后端賬本，而真正的行動則發生在跟蹤目標、決策和結果的語義層。

源代碼管理系統集成。源代碼管理系統集成使AI能夠審查問題和拉取請求，并參與相關討論。這種集成利用了源控制管理的協作特性，其中圍繞問題或拉取請求的討論，為AI的實現工作提供了寶貴的上下文。此外，AI還協助審查開發者的拉取請求，重點關注正確性、安全性、和合規性。示例包括Graphite和CodeRabbit的解決方案。

當前AI編碼助手的“主要循環”通常是代理式的，其含義在于LLM能夠決定下一步行動并使用工具，這在HF框架中屬于3星級。如今，簡單的任務，例如文本更改、庫更新或添加非常基礎的功能，往往能夠完全自主地完成。我們曾經歷過神奇時刻：當GitHub群組中關于某項功能的討論，以一句簡短的“請實現@aihelper”評論作結時，隨后便產生了一個完美且可合并的拉取請求。然而，對于更復雜的請求，這尚未成為常態。

遺留代碼遷移。遺留代碼遷移始終是AI編碼最成功的用例之一。常見的用例包括將代碼從Fortran或COBOL遷移到Java、從Perl遷移到Python，或是替換老舊的Java庫。常見的策略是：首先從遺留代碼生成功能規范，一旦確認正確，就使用該規范來生成新的實現，而舊代碼庫僅作為解決歧義的參考。我們看到該領域正在涌現大量公司，并且市場規模巨大。

QA與文檔

LLM如今不僅在生成面向用戶的文檔方面表現出色，也能生成在運行時供LLM自身利用的文檔。諸如Context7等工具可以自動在恰當的時機拉取正確的上下文，檢索相關的代碼、注釋和示例，從而確保生成的文檔與實際的實現保持一致。除了靜態頁面，Mintlify等產品還創建了動態文檔站點，開發者可以直接與Q&A助手交互，甚至提供代理，支持用戶通過簡單的提示更新或重新生成文檔的部分內容。最后但同樣重要的是，AI能夠生成專門針對安全性和合規性的文檔，這對于大型企業至關重要。我們也看到該領域涌現出專用的工具，例如用于合規性的Delve。

AI QA。如今，開發者無需手動編寫測試用例，而是依賴AI代理來生成、運行和評估跨越UI、API和后端層的測試。這些系統表現得像自主的 QA 工程師，能夠抓取流程、斷言預期行為，并生成帶有建議修復方案的bug報告。隨著軟件日益由AI生成，擁有AI QA正在閉合開發循環：它不再是代碼->審查->測試->提交的傳統模式，在極端情況下，代碼可能會變得不透明，而開發者唯一關心的，僅是正確性、性能和預期行為。

代理（Agent）工具

代碼搜索和索引。在操作大型代碼倉庫（包含數百萬或數十億行代碼）時，LLM不可能（更不用說成本高昂）為每次推理操作都提供整個代碼庫。相反，最佳方法是為LLM配備搜索工具，以查找相關的代碼片段。對于小型代碼庫，簡單的RAG或grep搜索可能就已足夠。但對于大型代碼庫，例如詳見Google的論文此處，專用的軟件必須具備解析代碼和創建調用圖的能力，這是確保找到所有引用的必要條件。這一新興類別包括Sourcegraph等公司，它們提供分析大型代碼庫的工具，以及來自Relace等公司的專用模型，用于幫助識別和對相關文件進行排名。

Web和文檔搜索。諸如Mintlify和Context7等工具，擅長生成和維護代碼感知的文檔，它們從實時代碼庫中拉取最相關的片段、注釋和使用示例，以保持文檔的準確性和最新狀態。相比之下，諸如Exa、Brave和Tavily等Web搜索工具則針對即席檢索進行了優化，幫助代理根據需要快速浮現外部引用和長尾知識。

代碼沙箱。對于代理而言，測試代碼以及運行簡單的命令行工具進行分析和調試，是重要的環節。然而，由于幻覺或潛在的惡意上下文，在本地開發系統上執行代碼存在風險。在其他情況下，開發環境可能過于復雜，而自動化環境具有確保測試可重復性的優勢。E2B、Daytona、Morph、Runloop以及Together等執行沙箱供應商所提供的代碼沙箱，滿足了這一需求，并已成為AI開發堆棧的關鍵組成部分。    

軟件開發將如何演變？

基于AI的軟件開發技術已經來臨，現在各大組織必須將其運營化。最近一個Reddit帖子問：Claude Code超級昂貴，有什么優化提示嗎？成本確實可能很高：假設你的代碼庫填充了整個100k上下文窗口，我們在推理模式下使用Claude Opus 4.1，并生成10K輸出和思考Token。以每輸入/輸出MTOK 15/75美元計算，每次查詢的成本為2.50美元。若擴展到每小時3次查詢、每天7小時、每年200天，則年成本約為1萬美元。在許多地區，這已經超出了初級開發者的成本。

最終，我們認為成本不會減緩AI開發工具的采用速度。諸如Cursor等眾多平臺通過同一界面支持多個模型，并擅長選擇合適的模型來優化成本。此外，即使是最廉價的模型也能帶來巨大的益處。但當前的討論已從誰擁有最佳模型轉向誰能在合適的價位交付價值。幾十年來，軟件開發成本幾乎完全屬于人力成本，但現在LLM增加了實質性的OpEx（運營支出）組成部分。這是否預示著IT外包到低成本國家的終結？也許不會，但它確實改變了商業案例。

這一切對全球3000萬軟件開發者意味著什么？AI會在可預見的未來取代軟件開發者嗎？答案當然是否定的。這種荒謬的說法是由媒體的聳人聽聞和激進的營銷話術共同引發的，后者試圖將軟件定價并非按席位，而是作為人力成本的替代品。歷史告訴我們，雖然替代定價在早期市場可能有效，但商品成本最終會趨近于邊際成本，定價也是如此。迄今為止，我們所掌握的有限實際數據顯示，AI應用最成熟的企業正在增加開發者招聘，因為它們看到了具有短期正向ROI的廣泛用例。

然而，軟件開發者工作本身已經發生變化，因此學習也必須相應地調整。當今的大學課程將經歷劇烈的變革；不幸的是，沒有人（包括我們）能真正理解這種變化將如何發生。算法、架構和人機交互仍然具有相關性，甚至編碼本身也仍然重要，因為你經常需要將LLM從它自己挖的坑中解救出來。但大學里典型的軟件開發課程，最好被視為不同時代的遺物，對于當今的軟件行業而言，幾乎沒有實際的相關性。

從更長遠來看，AI編碼堆棧支持軟件進行自我擴展。例如，Gumloop支持用戶描述他們希望在產品中添加的附加功能，而應用將使用AI編寫實現此功能的代碼。這將會發展到什么程度？我們能否通過LLM，基于人類語言的API規范進行晚期綁定（late binding），從而實現應用集成？普通的桌面應用是否會擁有一個Vibe Code附加功能的菜單按鈕？從長遠來看，應用似乎不可能再以不可變代碼的形式發布，而不具備任何自我擴展的能力。

我們能否最終完全消除代碼，而是讓LLM直接執行我們的高階目標，正如Andrej在此處所建議（??https://www.youtube.com/watch?v=LCEmiRjPEtQ??）的那樣？在最簡單的場景中，這已經是事實：ChatGPT將樂于執行簡單的算法。但對于更復雜的任務，編寫代碼仍然是更優越的選擇，主要原因在于其效率。在當前的GPU上，使用優化代碼添加兩個16位整數大約需要10^-14秒。而LLM至少需要10^-3秒才能生成一個輸出Token。快1000億倍的速度足以構成一道護城河，我們預計代碼將在未來很長一段時間內繼續存在。

借助AI，構建正當時

縱觀歷史，技術超級周期是創立公司的最佳時機，這一次也不例外。AI既需要新的工具，同時也極大地加速了開發周期，這為初創企業帶來了巨大的優勢。以AI編碼助手為例：Microsoft的GitHub Copilot似乎勢不可擋，它作為市場先驅，擁有OpenAI伙伴關系、排名第一的IDE（VSCode）、排名第一的SCM（GitHub）和排名第一的企業銷售團隊。然而，多家初創公司仍在有效地與它競爭。在超級周期中，對于現有企業而言，生存和發展是極其困難的。

我們正處于軟件開發自誕生以來可能經歷的最大革命的早期階段。軟件工程師獲得了能夠讓他們比以往更高效、更強大的工具。最終用戶可以期待更多、更好的軟件。最后，但同樣重要的是，歷史上從未有過比現在更好的時機在軟件開發領域創立一家公司。

參考資料：Appenzeller, G., & Li, Y. (2025, October 9). The trillion dollar AI software development stack. a16z. https://a16z.com/the-trillion-dollar-ai-software-development-stack/

本文轉載自??Andy730??，作者：常華