来源
- 原始链接：https://mp.weixin.qq.com/s/W6dJN8ZcTCIfPMPJ_Mr9IQ
- 来源类型：网页正文
- 来源标题：Replit CEO 深度访谈：AI 原生开发时代的产品进化与未来工作图景
Replit CEO 深度访谈：AI 原生开发者与后提示时代
来源：Z Potentials 编译的 Y Combinator 访谈，访谈对象为 Replit CEO Amjad Massad。正文末尾包含原视频链接、编译声明和推荐内容，本次高亮只取访谈主体，不纳入文末尾料。
这篇访谈最值得保留的地方，是它把 AI 编程从工具效率问题推到了生产关系问题：谁有资格创造软件，谁最懂真实问题，组织内部的建设者如何被重新定义，以及 Agent 产品为了接住这种变化需要具备什么样的系统能力。
一、从开发环境到创造入口：真正要消除的是偶然复杂性
背景：Replit 的十年路径不是简单地把 IDE 搬进浏览器，而是持续移除软件创造中的摩擦：先是开发环境，再是部署环境，最后是代码本身。这里的关键判断是，编程工具的目标用户不必永远是职业工程师。
我们的目标是让任何人，只要能读会写，就能带着一个想法进来，然后带着一个已部署、已托管、正在获得流量且即将扩展的应用程序离开。他们不必担心构建这个应用程序的任何技术细节。
兴趣匹配度高。这句话把 AI 编程的价值从写代码更快，推进到想法到可运行系统的端到端压缩。它对应汉松关注的 Agent workflow：真正的产品不是补全代码，而是把需求、实现、部署、运行和反馈串成一条可托付的链路。
我们不想打造一款只服务开发者的产品，而是为创作者打造工具。新一代开发者是因为 AI 出现的 AI 原生开发者，他们创建软件时不需要关心系统里的每一个组件。
兴趣匹配度高。这里出现了一个重要角色：AI 原生开发者。它不是传统工程师的弱化版，而是以问题、创意、领域理解和迭代能力为核心的新建设者。
二、领域专家成为建设者：最懂问题的人开始直接做产品
背景：访谈里最有洞察的一组案例，是物理治疗师、泳池维护、体育俱乐部、家庭软件等垂直场景。它们共同指向一个结构性变化：过去软件供给由工程资源决定，未来软件供给会更接近问题现场。
那些最了解问题的人，能够开发出他们真正需要的产品。当我们身处硅谷，很容易以为已经没有什么可开发，但社会生活形态非常多样，仍有大量领域是我们尚未触及的盲区。
兴趣匹配度高。这是对垂直 SaaS 和个人软件的强判断。AI coding 的增量不只来自程序员效率提升，还来自原本没有工程能力的人把隐性领域知识转化为软件。
公司过去有一百个想法，只能尝试其中五个；现在可以尝试五十个。于是公司变得更具创造力，能够推出新功能，开拓新业务，开发新产品，也能构建大量内部工具和业务应用。
兴趣匹配度高。这提供了一个衡量 AI 编程产品的指标：它是否让组织的试验数量提升一个数量级。速度只是表层，真正变化是想法筛选机制从稀缺工程资源驱动，转向更多原型并行验证。
三、企业落地的核心不是销售，而是传道和教育
背景：Replit 的企业扩散路径很像开发者工具的自下而上增长，但对象从工程师扩展到产品、设计、运营和业务人员。工具进入组织后，需要的不只是采购流程，而是让内部拥护者知道什么可行、如何说服老板、如何组织黑客马拉松。
当你明白可以通过代码解决一个问题时，你的想法就会改变。你会开始用不同方式看待世界，四处走动时会不断想：这个问题我可以解决。
兴趣匹配度高。这是 AI 原生工具最重要的认知副作用：它改变人的可行性感。工具把解决问题的边界往前推，人的注意力也会跟着改变。
传道就是教育。我们会帮助内部推销者说服老板，也会举办黑客马拉松，培养更多推销高手，还要向领导层讲清楚人工智能能做什么。
兴趣匹配度中高。这里对 AI 产品落地很有参考价值。面向非工程师的开发工具，文档和销售都不够，需要把可能性教育、组织动员和案例展示做成产品增长的一部分。
四、Agent 产品形态：从文本提示走向画布、技能和并行工作
背景：Amjad 对 Replit Agent 的描述很具体：它不只是一个聊天框里的编码代理，而是带有虚拟机、技能库、集成、安全审查、画布设计、后台长任务和并行协作的完整运行环境。
如果要为非开发人员开发一个开发工具，就必须在内容和界面上做得更好。工具本身需要能与非开发人员交流，告诉他们什么是可能的，并成为头脑风暴伙伴。这也是我们从单纯提示转向画布和更直观界面的原因。
兴趣匹配度高。这是 Agent 产品设计的关键点：非工程师需要的不只是一个更强模型，而是一个能展示可能性、降低表达成本、支持探索和变体生成的交互空间。
Agent 4 的路线图来自对模型能力跃迁的预测。我们希望用户输入一个长指令，去吃午饭，回来时软件已经搭好；因此必须重写后端，让长时间运行的容器能在用户离开电脑后继续工作。
兴趣匹配度高。这里体现了真正 Agent 化对基础设施的反向要求。模型能力上来之后，产品栈必须支持长任务、后台执行、状态保存、合并冲突、并行线程和可恢复工作流。
一旦解决了并行 Agent，也就解决了团队合作。每个加入会话的人都可以被分配新的虚拟机，与其他人并行工作；协调器知道如何拆分任务，并让这些任务顺利汇合。
兴趣匹配度高。这是多 Agent 协作的产品化描述。它不只是多个模型同时跑，而是任务拆分、隔离执行、共享上下文、冲突合并和人类协作界面共同构成的系统。
五、后提示时代：人的核心能力转向实验、创意和问题定义
背景：访谈后半段提出一个判断：提示工程会继续存在，但用户和 Agent 的主要关系会从精细提示转向宏观目标。人的价值不在于写出某个完美 prompt，而在于持续定义值得解决的问题，并保持实验心态。
我们正走向一个后提示时代。未来你应该能够直接下达宏观指令，例如建立一家 SaaS 公司、进行营销、验证可行方案并实现盈利。提示工程仍会作为一层技能存在，但主界面会越来越靠近目标设定。
兴趣匹配度高。这和上下文工程的方向一致：prompt 会从一次性咒语，变成目标、约束、记忆、工具、反馈和工作流的一部分。真正的能力在系统层，而不是单句指令层。
保持对工具的实验心态至关重要。如果今天无法完成某项任务，一个月后再尝试。很多时候，技术迭代会让原本不可能的事情变得轻而易举。
兴趣匹配度中高。这个判断适合放进个人 AI 工作流：对 Agent 能力的评估需要带时间维度。今天失败不代表路线错，可能只是模型、工具或上下文组织尚未跨过阈值。
创意生成能力同样重要。AI 可以辅助创意，但核心仍在于你能否持续思考并定义真正有价值的问题。
兴趣匹配度高。它把人的稀缺性重新定位到 What，而不是 How。AI 越能承担实现，越要求人对问题价值、场景结构和判断标准负责。
六、未来公司的两类角色：建设者与传道者
背景：访谈标题里的 only two jobs 指向一个组织判断：未来公司会越来越依赖两类人，一类负责建设，一类负责销售和教育。但这里的建设者已经不是窄义工程师，而是能理解业务、客户、技术和趋势的综合型人才。
未来的公司将由建设者和销售人员构成。销售不再只是交易撮合，而更接近传道者和教育者，帮助企业实现数字化转型。由于人们仍然信任人际交流，这部分工作会非常稳固。
兴趣匹配度中高。这个判断对组织设计有启发：AI 自动化越强，人和人之间的信任、解释、教育和动员反而越重要。
未来的核心人才将是具备综合业务知识的全能型人才。他们了解客户、经济趋势和技术发展，发现问题后，要么亲自创建解决方案，要么委派 Agent 去执行。
兴趣匹配度高。这句话可以直接映射到汉松的自我模型：求解负责看清问题，创造负责做出外部对象，担当负责为判断和行动负责。未来建设者不是会写更多代码的人，而是能发现真实问题、组织 Agent 执行、并对结果负责的人。
整体判断
这篇访谈的主线是：AI 编程正在把软件创造从工程师专属技能，转化为领域专家、业务人员、设计师和创业者都能使用的建设能力。Replit 的战略并不是做一个更顺手的 IDE，而是成为 AI 原生建设者的工作台：想法输入，Agent 执行，画布协作，后台运行，部署上线，持续验证。
对汉松最有用的三个判断：
- AI coding 的关键指标不是代码生成速度，而是想法到可运行系统的端到端压缩程度。
- 未来最有价值的软件会更多来自问题现场，领域专家将直接把隐性知识转化为应用。
- 后提示时代人的稀缺性在问题定义、实验心态、组织动员和对结果负责；Agent 系统则必须补齐长任务、并行协作、状态管理和可靠执行。