别迷信氛围编程，真正有用的是可控的智能体工作流

摘要

这期访谈围绕 Mario Zechner 开发 Pi 编码代理的经历展开。核心观点很直接：AI 编程真正的价值不在于一口气造出爆款产品，而在于让个人和小团队更快构建内部工具、验证想法、处理数据和改造工作流。Mario 批评行业炒作过度，强调控制权、上下文稳定、架构判断和代币成本，认为未来优势会流向懂系统、懂验证、买得起算力并会调度智能体的人。

内容框架与概述

访谈前半部分主要讲 Pi 的起源。Mario 从早期使用 LLM 参与软件开发说起，认为编码代理真正发生变化，是因为代理开始拥有终端、命令行和自主探索代码库的能力。Claude Code 这类工具开创了新范式，但随着功能膨胀、系统提示变化和后台行为不透明，稳定性开始下降。Pi 的出发点就是把可控性拿回来，让开发者知道代理今天和明天的行为尽量一致，而不是被产品团队不断改动的底层机制牵着走。

中段讨论 AI 编程的实际价值。标题里所谓氛围编程者造不出有用东西，并不是说 AI 编程无效，而是说很多人只是在追热点，做了大量 demo，却没有卖出去，也没有真正落地。Mario 和 David 都认为，AI 编程最大的收益目前藏在公司内部。视频剪辑、会计、数据清洗、科研表格转换、缩略图变体生成，这些不是公开 SaaS 产品，却能实实在在提高效率。非程序员只要懂输入、输出和验证标准，就可以让代理写脚本，完成过去需要程序员帮忙的工作。

后半部分转向更大的产业判断。Mario 认为代币会变成新的生产资料，买得起更好模型和更多推理次数的人会有优势，所以 AI 可能成为富人的游戏。但开放权重模型、中国模型、OpenRouter 和本地部署会压低成本，削弱封闭模型公司的定价权。他还谈到欧洲 AI 落后主要是资本、基础设施和人才流向问题，而不是单纯监管问题。最后他强调，未来软件工程里更重要的不是语法，而是架构、系统判断和审美。代理可以写代码，但不要把设计权完全交给代理。

核心概念及解读

1. Vibe Coding，氛围编程
   指用自然语言和 AI 快速生成代码、堆出原型的开发方式。它适合探索和试错，但问题是很多人停在 demo 阶段，没有产品判断、用户验证和交付能力。Mario 的批评点不是写代码变快没用，而是只会快，不会判断，就很容易造出一堆没人用的东西。

2. Coding Agent，编码代理
   比普通代码补全更进一步，编码代理可以读项目、跑命令、改文件、执行测试，并在代码库里主动探索。访谈里认为，真正的转折点不是模型会写代码，而是它能像一个初级开发者那样使用计算机。这样一来，工作流从人逐行写代码，变成人给目标、检查结果、修正方向。

3. Context Control，上下文控制
   上下文就是代理当前能看到、记住和依赖的信息。Mario 很看重这一点，因为一旦工具在后台偷偷删掉旧信息、改系统提示或替换中间推理，代理行为就会变得不稳定。对开发者来说，问题不是模型偶尔犯错，而是你不知道它为什么今天能干、明天犯傻。

4. Internal Tools，内部工具
   访谈里反复强调，AI 编程最先产生经济价值的地方，不一定是新创业产品，而是公司内部的小工具。比如批量处理表格、生成报表、分析视频数据、自动制作缩略图版本。这类工具不漂亮，也不需要大规模售卖，但只要能省时间，就已经有价值。

5. Token Economics，代币经济
   这里的代币不是加密货币，而是模型推理消耗的 token。谁能买得起更多 token，谁就能跑更多任务、试更多方案、用更强模型。Mario 因此说 AI 可能变成富人的游戏。但开放模型和本地部署正在改变这个局面，它们会让智能的价格下降，也会让小团队重新获得一些主动权。

文章基本信息

字段	内容
原标题	Vibe Coders Never Build Anything Useful – Mario Zechner
作者	David Ondrej
发布日期	2026 年 5 月 3 日

访谈详情

这场访谈的核心，不是单纯讨论 Pi 这个工具，而是在讨论一件更大的事：AI 编程到底在什么地方有用，什么地方只是幻觉。Mario Zechner 的立场很硬：编码代理有价值，但价值不在于让一群人随便 vibe coding 就能造出成功产品，而在于让懂问题、懂系统、懂验证的人，把 AI 接进自己的工作流里。

1. Pi 编码代理的来源：从模型能力到工具控制权

Mario 说自己从 2022 年 ChatGPT 出现后就开始用 LLM 做软件开发任务，因为他本来就有机器学习和软件开发背景。早期工具，比如 Cursor，虽然能帮忙写代码，但基本还是围绕单文件或有限上下文做补全。真正的转折点，是编码代理开始能使用终端、运行命令、探索代码库。也就是说，模型不只是看你塞给它的文件，而是能像一个开发者那样自己查项目、跑测试、找依赖、理解结构。

他认为 Claude Code 之类工具最厉害的地方，就是给代理 Bash 或终端，让它可以自己探索代码库。这件事改变了编码代理的性质：它不再只是一个代码补全器，而是一个能操作计算机的开发助手。Mario 正是从这里开始认真进入代理编程。

但后来他对 Claude Code 不满。原因不是它完全没用，而是产品越来越臃肿，功能越来越多，bug 也变多，系统提示和后台机制不断变化。对他这种重视稳定工作流的人来说，这很致命。工具每天打乱你的流程，等于你无法判断问题到底出在模型、提示、上下文，还是工具本身。

2. Pi 的核心理念：少做事，别乱动，给用户控制权

Pi 的设计哲学很清楚：它要尽可能少做多余的事。Mario 不是想做一个功能特别丰满的 AI IDE，而是想做一个稳定、可控、可预测的代理外壳。他知道自己无法控制底层 LLM 的变化，但他至少要控制模型周围的东西：提示、上下文、工具调用、工作流、终端环境。

这里有个关键判断：AI 编程工具最危险的地方，不是它不够聪明，而是它不透明。你不知道它背后偷偷改了什么，不知道它给模型塞了什么上下文，也不知道它什么时候删掉了重要信息。Mario 提到 Claude Code 曾经清理长会话中的旧思考痕迹以降低延迟，但这会破坏代理的会话记忆。他把这比作给模型做脑叶切除，因为你删掉的是模型在当前任务中逐渐积累起来的状态。

所以 Pi 追求的是一种朴素但很工程师的原则：把能控制的东西都握在自己手里。工具不应该比用户更自作主张。工具越复杂，越可能把问题藏起来。对 Mario 来说，好的代理系统应该像稳定的命令行工具，而不是一个每天变脸的智能黑箱。

3. 关于模型退化：很多时候不是模型坏了，而是工具链变了

访谈里有一段很有意思：很多人抱怨模型突然变差，比如 Claude Code 变笨了。Mario 不太相信简单的模型退化说。他认为这里至少有两个因素。一个是心理因素：新模型刚出来时，人会进入蜜月期，觉得它无所不能。等拿它做更严肃、更复杂的任务，就会发现很多东西依旧不行。热情退去后，人就觉得模型退步了。

另一个因素是工具链变化。哪怕底层模型没变，只要代理外壳、提示结构、上下文管理、默认参数、服务器端处理方式变了，输出体验就会变。Mario 说，这有点像车没换，但屁股底下的安全带、线束、控制系统换了，你照样会觉得车不一样。

这个观点很重要。很多人讨论 AI 工具时，习惯把一切归因于模型。但 Mario 的经验是：代理系统的外壳非常关键。同一个模型，放在不同 harness 里，表现会差很多。工具层不是包装纸，它会直接影响模型能不能稳定完成任务。

4. AI 编程的真正价值：不是造爆款，而是改造内部工作流

标题叫 Vibe Coders Never Build Anything Useful，但 Mario 和主持人的意思不是 AI 编程没用。相反，他们认为很多人误解了 AI 编程的价值位置。大家总期待 AI 编程带来一堆新的产品、新的 SaaS、新的独角兽，但眼下真正的大收益，更多藏在公司内部。

访谈里提到，80% 到 90% 的好处可能体现在现有公司内部。比如非技术员工用编码代理做内部工具，处理视频、识别异常内容、生成缩略图变体、做会计核算、清洗数据。这些工具不是公开产品，也不会登上 Product Hunt，但它们能直接提升团队效率。

主持人举了自己妻子的例子。她是语言学家，不会编程，但她懂自己的数据，知道输入是什么，输出应该是什么。她把 18000 行 Excel 数据交给编码代理，让它写 Python 脚本，生成需要的格式和图表。结果科研产出提升了很多。这里的关键不是代码优雅，而是代码能跑、结果能验、时间能省。

这点很费曼：AI 代理像一个小程序员身体。你不一定要会写代码，但你得知道自己要什么。你要能说清输入，定义输出，判断结果对不对。不会验证的人，会被 AI 带沟里；懂业务和验证的人，会被 AI 放大。

5. Vibe Coding 的问题：做了很多东西，但卖不出去

Mario 观察到很多人用代理做了很多东西，但什么也没卖出去。不是因为他们不勤奋，而是因为他们停在了造东西这一步。AI 让做 demo 的门槛暴跌，但 demo 不等于产品，产品不等于业务，业务不等于有人付钱。

这也是标题真正的讽刺点。很多 vibe coder 看起来很忙，项目一个接一个，但他们并没有解决真实问题。以前不会编程的人，现在可以造出一个半成品；以前会编程的人，现在可以造出十个半成品。可市场不奖励半成品数量。

Mario 并不是反对快速试错。他自己也说，代理很适合在棕地项目里花一两个小时做一个新功能，快速测试用户需不需要。如果有效，就打磨；如果无效，就扔掉。这是高质量试错。问题在于，很多人把试错误认为创造，把原型误认为产品，把技术兴奋误认为用户价值。

6. AI 行业炒作：很多人并不相信技术，只是在赶潮流

Mario 对 AI 圈炒作很不耐烦。他说很多人并不真正相信基础技术，只是为了赶时髦、拿客户、抓商机。他甚至提到，Web3 不那么赚钱后，一批人转向 AI，他们不理解技术，却很会卖愿景。

他也承认，有些聪明人确实懂技术，但他们有经济动机去兜售尚未实现的愿景。这话很锋利：AI 圈最吵的人，不一定是最懂的人；最懂的人，也未必总说真话，因为他们可能正在卖未来。

访谈里还提到 Ralph loop、黑暗工厂之类概念。Mario 的判断是，有些循环方法在有明确目标函数、可评估指标时确实有效，比如更接近科学实验的优化流程。但那种拿一个 PRD 和 spec，让代理循环到完全实现的说法，他没见过真正可靠地工作。他把这种东西称为货物崇拜。

7. AI 会让聪明人更聪明，也可能让富人更富

一个很大的主题是 AI 是否会加剧不平等。Mario 基本同意这个判断：会。因为当前阶段，懂软件工程、有经验、能判断代理输出的人，比新手更有优势。模型可能未来会弥合一部分差距，但现在还没到那个阶段。

更尖锐的是 token 成本。Mario 说，这可能会变成富人的游戏。所谓生产资料，不再只是机器、厂房、服务器，也包括能不能购买大量 token。买得起更强模型、更多推理、更长上下文、更高并发的人，显然比买不起的人强。200 美元一个月在硅谷程序员看来可能不贵，但对世界上大多数人已经是门槛。

这个判断很现实。AI 表面上降低了创造门槛，但如果高质量智能变成按量计费的资源，那它也会形成新的阶层差距。过去你缺的是程序员，现在你缺的是 token、算力、模型权限、工程判断和会调度代理的人。

8. 小团队的结构性优势：6 个人可能打 50 到 100 人

访谈里有一个很有力量的判断：如果一个 6 人团队能给每个人配好编码代理，并且他们知道如何使用，就可能击败一个 50 人甚至 100 人的传统团队。前提是这个小团队有清晰流程、强判断力、愿意适应新工具。

这不是说人数不重要，而是说组织摩擦会被放大。老派团队如果流程僵硬、审批复杂、成员不愿学新工具，就很容易被小团队超车。AI 代理不是简单替代人，而是让高密度团队变得更凶。

但这也不是无脑乐观。Mario 明确说，大企业里员工年龄跨度大，技能结构复杂，不可能像十人小公司那样快速切换工具。AI 代理在小团队里容易变成杠杆，在大组织里可能先变成培训、治理、权限和流程问题。

9. 非程序员的解锁：关键不是会代码，而是懂输入输出

访谈里最值得记的一点是：AI 编程真正解锁了一部分非程序员。不是所有非程序员，而是那些懂业务、懂数据、懂流程、知道自己要什么的人。视频剪辑师、语言学研究者、运营人员、财务人员，都可能通过代理写出小工具。

这里的门槛不是编程语法，而是问题定义。你要知道数据从哪里来，要变成什么样，中间哪些结果可以接受，哪些结果不对。AI 可以写脚本，但你得能验收。否则你只是把错误自动化。

所以这场访谈给非程序员的启示是：不要急着学完整编程体系，可以先学三件事：描述任务、准备数据、验证结果。会这三件事，编码代理就能派上用场。

10. Token 经济和开放模型：智能价格会成为关键战场

Mario 希望智能应该变得便宜，不应该只属于发达国家和有钱人。他认为 token 优化会越来越重要，因为市场对便宜 token 有强烈需求。开放权重模型，尤其是 DeepSeek、Kimi 这类模型，会冲击美国闭源实验室的 token 经济。

他还提到，自己已经在尝试把开放模型部署到小型 GPU 集群上。如果模型智能接近可用水平，成本又接近或低于闭源 API，那么团队就可以获得两个好处：成本更低，数据也留在自己手里。

这其实是 AI 基础设施的下一阶段：不是所有人都盯着最强前沿模型，而是按任务选择性价比最高的模型。简单任务用便宜模型，复杂任务用前沿 API，本地模型处理隐私数据，云端模型处理高难推理。AI 工程的重点会从选一个最强模型，变成调度一组模型。

11. 品牌、信任与企业市场：为什么开放模型迁移没那么快

主持人问，既然开放模型越来越好，为什么个人和公司不更多迁移过去。Mario 的回答很现实：品牌和市场营销很重要。Anthropic 和 OpenAI 在企业市场讲了一个很完整的故事，尤其 Anthropic 在欧美企业里有很强的安全和可信品牌。

另一个因素是对中国模型的恐惧。Mario 作为欧洲人，说得很直接：从数据隐私和工业间谍角度看，他不太信任中国，也不太信任美国，所以他会选择最便宜、最好的智能服务。这个判断不一定让所有人舒服，但很符合工程师式的冷感：别讲道德神话，先看价格、性能、风险和控制权。

这也说明，开放模型要打进企业，不只是模型能力问题，还要解决品牌、合规、部署、支持、治理和内部采购惯性。

12. API 管理与团队使用：AI 成本会进入工程管理

访谈后半段谈到 API key 和团队配额管理。主持人说，他使用 Codex 的一个原因，是可以比较容易地给不同团队成员分配 API key 和额度：厉害的人给高额度，新手给低额度。这样既能让团队用起来，又不至于烧穿预算。

这个点很细，但很重要。AI 代理进入团队之后，管理问题会立刻出现：谁能用什么模型，谁有多少预算，哪些任务可以跑高成本模型，哪些任务必须用便宜模型，如何审计输出，如何避免一个人把团队额度烧光。

未来的 AI 工程管理，可能会像云计算成本管理一样。以前管服务器账单，现在管 token 账单。以前优化数据库查询，现在优化上下文、模型选择和代理调用次数。

13. 欧洲 AI 落后：不是监管为主，而是钱和基础设施

Mario 认为欧洲 AI 落后，主要不是监管问题，而是钱、基础设施和人才流动。美国从欧洲和中国吸走大量人才，因为那里资本多、机会多、基础设施强。欧洲风投环境不同，也缺少美国那种大规模 AI 基础设施。

他还反驳了一个常见说法：欧洲监管拖累 AI。他认为监管不是主因，因为美国加州也有自己的监管，美国各州甚至可能各搞一套，而欧盟至少对 27 个成员国是统一规则。真正的问题还是资本和基础设施。

这个判断比较冷静。很多人喜欢把欧洲问题简单归结为监管，但 Mario 的意思是：没有钱、没有算力、没有人才密度，光少一点监管也不会自动长出 OpenAI。

14. 创造者与消费者：AI 不会自动让所有人成为创造者

访谈后段谈到一个很关键的区分：创造者和消费者。主持人把内容创作类比到代码。每个人都看视频、刷社交媒体，但只有少数人真的创作内容。代码也是一样，大多数人不会开发自己的应用，只会使用别人做好的东西。

AI 会降低创作门槛，但不会自动改变人的倾向。会创造的人会更能创造，会消费的人可能继续消费。就像有了 Canva，不代表每个刷 Instagram 的人都会开始设计海报。有了编码代理，也不代表每个人都会开始认真做工具。

这点很杀幻想。AI 的门槛下降，不等于动机、判断、品味、坚持、问题意识都会自动出现。工具开放了门，但人不一定会走进去。

15. Mario 自己的代理工作流：不是开一堆代理乱跑，而是严格模板化

Mario 说自己通常不会同时跑很多代理，最多开几个终端窗口，而且有严格的工作流程。他会为不同任务准备提示模板，比如从 GitHub 拉 issue，让代理分析问题、给出实现计划、判断 bug 位置，或者处理 pull request。

这说明他的 AI 编程不是随便聊天式的 vibe，而是流程化的工程系统。任务从 issue 或 PR 来，有固定分析模板，有计划，有检查，有执行。代理不是神谕，而是被放进软件工程流水线里的工人。

这对实践特别有启发。真正高效的 AI 编程，不是 prompt 写得玄，而是流程稳定：任务来源清楚，分析格式固定，执行边界明确，验证标准可重复。

16. 初级工程师不会消失：问题是训练方式要变

访谈后面提到，不需要初级员工的说法很愚蠢。虽然相关片段不是特别完整，但意思很清楚：如果公司因为 AI 就不培养新人，长期会出问题。初级员工不只是产出代码，他们也是未来高级工程师的来源。

AI 可能会改变初级工程师的工作内容。以前他们可能从改小 bug、写小功能、补测试开始；现在这些任务可能被代理分走。那新人需要更早接触系统理解、代码审查、验证、产品判断和 AI 协作。

真正危险的不是初级工程师没用了，而是组织不知道怎么让新人穿过 AI 这层工具，继续积累工程经验。

17. 软件工程未来的上限：架构、系统设计和品味很难被训练出来

访谈最后一段非常关键。Mario 认为，模型之所以擅长实现功能，是因为有大量训练数据：GitHub 提交、代码 diff、issue、PR、Claude Code 会话等等。模型可以看到很多功能是怎么被实现的。

但系统架构和设计过程就麻烦了。顶级工程师如何做架构判断，优秀创业者如何做产品取舍，音乐家如何形成品味，这些过程很多没有被记录下来，或者无法转换成 Markdown 和训练样本。更准确地说，不只是数据有没有，而是高质量数据出现频率太低。平均水平的数据太多，顶级判断的数据太少。

所以 Mario 的最后判断很有力量：LLM 和代理一定会让我们变得非常高效，但那些柔软的人类特质，比如人生经验、品味、判断、创造一个事业的能力，很难用 token 编码，也很难直接训练进模型。

18. 这场访谈的总主线

这场访谈表面上在聊 Pi、Claude Code、Codex、token、欧洲 AI、开放模型，但底层主线只有一条：AI 编程的价值正在从写代码转向控制系统。

过去的优势是会写语法、会调库、会查文档。现在这些优势正在贬值。正在升值的是：能不能定义问题，能不能搭工作流，能不能控制上下文，能不能判断模型输出，能不能把代理接进真实业务，能不能控制成本，能不能分清 demo 和产品，能不能保留自己的审美和架构判断。

Mario 的话翻译成一句很土的话就是：AI 可以帮你干活，但它不能替你知道什么活值得干。