- 第一波 (Ask): 聊天式编程。开发者向AI提问，复制粘贴代码片段。
- 第二波 (Edit): 编辑器辅助。以 GitHub Copilot 为代表，在IDE内进行代码补全和建议，AI作为“副驾驶”。
- 第三波 (Act): AI Agent 时代。以 Cursor 和 Clark AI 为代表，AI不再是简单的工具，而是能够理解任务、自主规划、执行并修正的“AI 工程师”。
- “我们思考的是，与其在燃油车（传统IDE）上加AI功能，不如直接设计一个专门给AI用的纯电工作环境（AICDE）。” - 亚飞
AI Coding 趋势与 Clark AI 分享
李亚飞
Clark AI 创始人，前 ShowMeBug 创始人
- 输入 (Prompt): 提供一段自然语言需求：“开发一个业务管理系统，需要包含用户注册、登录、权限管理、任务创建与分配等功能，并希望加入智能功能。”
- AI Agent 工作流:
- 环境准备: 几秒内启动一个独立的云端 Linux 开发环境。
- 任务拆解与规划: AI 将宏观需求分解为具体的技术任务（如“创建数据库模型”、“实现认证路由”、“构建前端组件”等）。
- 编码实现: AI 自动编写前端、后端、数据库交互的全部代码。
- 自测试与反思: AI 在编码后会运行测试（如API接口测试），具备一定的自反思和修复能力。
- 演示结果: 在大约30分钟内，AI成功生成了一个包含前后端和数据库的全栈应用原型。虽然最终页面有个别元素未完全加载，但亚飞演示了如何通过截图或文字描述，让AI继续修复该问题。
- 惊人的市场增长: 提到 Cursor 的 ARR（年化经常性收入）在极短时间内突破1亿美元，最新数字已达 6亿美金，验证了赛道的巨大潜力。
- 竞争关键: 亚飞认为，当前AI公司的竞争核心不再是模型本身（大模型能力已趋于平权），而是“中间层基建（Infrastructure）”。即如何为AI设计高效的工作环境、浏览器、终端，以及如何构建新的工作流。
- 软件3.0的三种新形态:
- 智能体应用 (Agentic Apps): 应用本身就是一个具备自主能力的人格化Agent。
- 主动型应用 (Proactive Apps): 应用会主动与用户交互，如主动发起销售咨询或招聘沟通。
- 个性化应用 (Personalized Apps): 软件开发成本急剧下降，使得为极小众（如“千人粉丝”）或特定企业内部流程（如化妆品公司的IT支撑系统）快速定制应用成为现实。
关键探讨 (Q&A) 与行动启示
核心范式转变: 软件研发的模式正在从“人来做，AI辅助”转变为“AI来做，人进行决策和管理”。其本质是研发返工成本的急剧降低，从而颠覆了许多为“避免犯错”而设计的传统流程。
- 观点 (亚飞): 项目管理不会消失，但会“变轻”。
- 原因: 传统重流程（如详尽的需求文档、像素级UI稿）的核心目的是规避昂贵的研发返工成本。当AI能在一小时内完成过去一周的工作时，返工成本趋近于零。
- 未来模式: 人类的工作将从“精确定义需求”转变为“提出意图，然后从AI生成的多个版本中选择最优解”，成为一个决策者。
- 现状: 这是目前所有AI Coding工具面临的重大瓶颈。主要受限于大模型的上下文窗口（Context Window），AI难以一次性理解整个复杂项目的代码结构。
- 解决方案方向: 关键在于构建“深度项目的分析与召回”能力。AI需要先对整个代码库进行静态分析，生成架构图、依赖关系图等“知识”，在具体修改时再精确“召回”相关部分。这需要大量的工程优化。
- 观点 (亚飞): 微服务架构因其分布式特性，在当前是“反AI”的模式，解决起来非常困难。
- 挑战: AI很难跨越多个独立的代码仓和服务进行端到端的调试和问题定位。
- 潜在思路: 未来可能需要结合可观测性（Observability）工具，先通过链路追踪等技术定位到具体出问题的服务，再指派AI Agent进入该服务的代码仓进行修复。但这需要2-3年的发展。
- 未来图景: 协作的核心可能不再是多个工程师同时写代码，而是一个项目经理向多个并行的AI Agent分发任务清单，然后进行验收和集成。
- 当前支持: Clark AI 支持类似 Git Flow 的异步协作。多个用户可以在各自独立的云端环境中，基于同一个代码仓的不同分支，驱动AI进行开发，最后再合并。也支持邀请队友进入同一个云端环境进行实时协作。