从“不会写代码”到亲手上线产品Makund 与 Madav 眼中的 AI 软件新范式开头摘要在这场访谈中Makund 与 Madav 围绕 Emergent 的产品演进、技术路线和用户变化分享了他们对“非技术用户如何借助 AI 构建生产级软件”的判断。两人认为真正被释放出来的不是单纯的编码效率而是大量原本被技术门槛挡在门外的行业专家、个体经营者和小团队的创造力。与其把 AI 只理解为替代知识工作的工具他们更强调AI 正在让更多人拥有把想法直接变成软件、把业务流程直接变成产品的能力。关键观点1. Emergent 的起点并不是“给小白做原型”而是从软件测试与通用编码代理出发Makund 提到他们最初切入 AI 的方向是自动化软件测试。原因来自他过去管理大规模工程团队的经验软件测试往往是快速交付中的最大瓶颈。两人后来意识到一旦能把验证环节做好就不只是能自动化测试而是可能把整个软件工程流程都自动化因此转向通用 coding agent。他们还回顾了早期做研究型编码代理的过程团队曾把自己关在一个房间里围绕当时的重要评测 sweet bench 持续优化并在两个月内做到了世界第一。Makund 与 Madav 认为这段经历为后来的 Emergent 奠定了技术基础包括多代理协作、记忆机制、代理之间的通信方式以及如何扩展 test-time compute。2. 面向非技术用户的转向来自一个更现实的判断用户真正需要的是“上线”不是“原型”Madav 分享团队一度尝试过企业路线但推进较慢。与此同时他们开始用自己的平台构建内部工具也看到其他同类产品快速增长。于是他们决定把已经具备较强能力的编码代理重新包装面向更广泛的非技术用户推出。在他们看来很多产品擅长快速生成前端原型但真正困难的是把应用带到生产环境。用户要的不是一个看起来像产品的界面而是一个能部署、能运行、能接入后端、能处理真实业务的系统。因此Emergent 从一开始就把“生产可用”放在核心位置。3. “做真实可用的软件”意味着平台必须覆盖完整的软件生命周期Makund 强调要自动化的不只是写代码而是最佳工程团队会做的整套事情代码审查、自动化测试、调试、部署、安全和托管。围绕这个目标Emergent 做了几个关键选择自建基础设施而不是把 sandbox 完全外包给第三方让代理在构建阶段和部署阶段使用尽可能一致的运行环境采用更适合生产级应用的技术栈包括 Python 后端与 React 前端提前支持后台任务、异步处理等更复杂的业务需求。他们认为只有把代理能力和基础设施一起设计代理才能拿到足够快、足够可靠的反馈而反馈质量会直接决定代理能力的上限。4. 多代理、长期记忆与自动生成技能是他们理解“代理系统”的核心访谈中一个很重要的部分是他们如何看待代理系统本身。Madav 提到主代理负责主流程测试、设计搜索、API 集成等任务则交给子代理处理这样可以更节省上下文并提高复杂任务的处理能力。更特别的是他们让系统能够从历史轨迹中沉淀能力。也就是说代理不只是从某个单次会话里学习而是在跨会话层面不断积累经验。对话中提到如果代理几周前还难以完成某个日历集成那么经过之前任务的积累今天再遇到同类需求时就可能不再吃力。这种持续积累的能力被他们视为平台复利的重要来源。5. 非技术用户并不想看代码界面他们想要的是“表达意图”的体验两位嘉宾反复强调拥有强大的编码代理不等于必须把这种复杂性直接暴露给最终用户。虽然 Emergent 内部会把自己的代理当成开发者工具来用但对非技术用户他们刻意隐藏了很多技术细节。Madav 举了一个很直观的例子很多非技术用户看到 diff 或 JSON 就会紧张。因此平台不仅要有“用户同理心”还要有“代理同理心”——既要知道用户怎样更容易表达需求也要知道代理在什么环境下更容易完成任务。比如在用户不知道什么是 API key 的情况下平台就把这类配置尽量抽象掉让用户用更自然的方式继续推进。6. 他们看到的主流用户不是程序员而是想解决具体业务问题的人对话中提到今天 Emergent 平台上大约 80% 的用户是零编程背景的非技术用户用户分布在 190 多个国家和地区主要集中在美国和欧洲。Makund 认为真正大量涌入平台的人往往是两类第一类是中小企业主。这些人过去依赖邮件、WhatsApp 和电子表格管理业务本来会找开发外包团队做定制软件现在则可以自己完成。第二类是非常接近具体问题的人也就是领域专家。他们知道问题在哪里也知道理想的解决方式只是过去缺少把想法变成软件的能力。7. 对很多用户来说AI 带来的价值不只是省钱而是减少“想法在传递中失真”Makund 提到以前一些定制软件可能要花费高额成本而现在用户可以在平台上以显著更低的代价把它做出来。但他强调更关键的问题不只是预算而是表达损耗。很多用户知道自己要什么却无法准确地把需求一层层传递给开发者、外包团队或技术合伙人。每多一层转述就可能多一层偏差。现在用户可以直接把自己的业务理解、工作流和判断交给代理这让“最懂问题的人”第一次有机会直接成为“把方案做出来的人”。8. 访谈中最有代表性的案例都是“非常垂直、非常细分”的应用Madav 展示和提到的案例几乎都不是大众化通用软件而是带有明确场景和行业特征的应用例如面向音视频安装业务的客户需求收集与配置应用为律师设计的 CRM内部团队自己构建的项目管理工具一位来自阿拉斯加的临床心理学家兼马术教练把心理学洞察与马术训练结合做成了自己的移动应用。这些案例共同说明AI 软件生成的价值未必首先体现在“再做一个通用 SaaS”而更可能体现在以前根本不会被开发出来的“细分中的细分”软件。9. 他们并不认为 AI 会让软件需求收缩反而会让软件需求继续扩张面对“模型会不会吞掉应用层”以及“软件工程岗位会不会消失”的问题两位嘉宾的态度都偏乐观。他们认为编码只是把产品带到生产环境的一部分真正重要的是对用户需求的理解、系统层的工程能力以及围绕用户不断延展的服务边界。Makund 还提到随着工具变强人们的目标也会同步抬高。工具并不会自动让工作减少反而会让人想做更多事情、构建更复杂的软件。这意味着市场不是在萎缩而是在扩张非开发者开始能做软件而技术角色也在重新组合一个人可能同时承担 PM、设计和工程职责。10. 在他们眼里SaaS 不会简单消失但会被重新定义关于 “SaaS 是否已死”两人的回答并不是简单地否定或肯定而是指出现有 SaaS 的形态必须变化。一方面许多固定流程会被 agent 吸收另一方面越来越多用户会希望拥有更贴合自身流程的软件而不是被标准化 SaaS 反向塑形。他们在内部已经用 Emergent 自己做了类似 Asana 的工具并按照团队节奏进行深度定制。对他们而言未来软件会越来越“个性化”、越来越“agentic”而平台的价值在于让这种变化以更低门槛发生。11. 他们最看重的长期变化不是单个产品增长而是“个体 AI 能动性”的扩大访谈后段Makund 把话题拉回到更大的图景外界常把 AI 叙事集中在岗位替代和知识工作变化上但很少谈到另一面——AI 让有兴趣、有领域经验、有创业意愿的人第一次能更低成本地获得对自己生活和业务的掌控力。这也是他们最看重的趋势不是每个人都要去融资、组建大公司而是越来越多人可以围绕自己的兴趣、专长和具体场景建立真正属于自己的业务与软件工具。对话里反复出现的关键词其实就是“agency”——个人主动性、表达能力和把想法落地的能力。takeawaysMakund 与 Madav 认为AI 生成软件的真正价值不在于快速做原型而在于让非技术用户真正把应用上线并投入真实业务。Emergent 的底层思路并不是简化版“玩具型搭建器”而是从通用编码代理、验证机制和多代理协作能力一路发展而来。平台想服务非技术用户关键不是把模型接进来而是覆盖部署、测试、基础设施、版本与反馈等完整流程。他们观察到的大量新用户是中小企业主、个体经营者和领域专家这些人过去往往被技术门槛和沟通成本挡在外面。AI 让软件需求变得更高分辨率未来可能出现更多由单个个体或极小团队打造的高度垂直应用。在两位嘉宾看来未来的竞争不只是模型能力竞争更是谁更理解用户、谁更能把用户需求转化为完整产品体验。收听链接https://www.youtube.com/watch?v8SVocWnDHwE