做 App 的创业机会正在变窄，新的机会可能在哪里
AI 让一个人做出 App 变得容易，这已经成为事实。最近几次做产品，我却越来越疑惑：开发加快以后，个人创业真的也能更快试错吗？
现实是，产品开发出来了，创业验证还要回答另外几个问题：这个需求是否真实存在，谁愿意为它付钱，以及怎样持续找到并服务这些人。现在开发时间可以缩短到几天，创业者因此更快拥有了一个可以拿去验证的产品，但后面的过程却没有按同样的比例缩短。用户不会因为产品提前上线就更快出现，信任、付费和复购也需要在真实关系中慢慢发生。
所以 AI 明显降低了 App 的生产成本，对整次创业验证的影响却小得多。与此同时，它还带来了另一个变化：当所有人都能更快做产品，市场上的 App 会迅速增加，但用户的时间和付费意愿并不会一起增加。
这篇想讨论的是，当「把软件做出来」逐渐不再稀缺，个人创业者还能占住什么？沿着这个问题，我目前看到两个值得继续思考的方向：用 AI 直接经营一项业务，以及面向 Agent 提供能力。
App 越来越容易做，创业却没有变容易
商业试错到底在试什么
一次完整的试错至少包含这样一条链路：
1 | |
AI 可以大幅压缩其中的编码时间，也可以帮我快速生成页面、接口、测试和部署配置；但去哪里找到用户、用户为什么信任我、谁愿意付钱，以及这门生意怎样持续运行，仍然需要自己回答。这些环节原来就比编码难，而且随着编码变快，它们在整个创业成本里的占比只会更高。
所以 AI 降低的更像是「开始做」的成本，与「验证一门生意」的成本不是一回事。而且，正因为做出第一版太容易了，人会更快进入后面更昂贵的阶段：已经投入了时间，也有一个看起来完整的产品，于是开始不断加功能、修问题、做内容和找流量。
过去「我把它做出来了」多少是一种能力证明；但现在，它只能证明这件事可以被做出来，离商业验证还很远。
所有人都有 AI 以后，优势回到了 AI 以外
另一个容易被忽略的问题是，大公司同样拥有 AI。
如果一个个人开发者和一家已经在做同类 App 的公司竞争，双方都可以使用 Coding Agent，但区别在于，后者除了 AI，还拥有用户、业务数据、品牌、分发渠道、运营团队和现金流。把双方共同拥有的 AI 消掉以后，差距反而更明显：
1 | |
这很像一家已经做布料生意的工厂和一个新进入者同时获得了电机。电机提高了生产效率，但原料、客户关系、销售网络和厂房并不会因此重新分配；既有工厂也可以把蒸汽机换成电机，并把新的效率叠加到原有资产上。当然，历史上的技术转换更加复杂，新进入者也可能因为没有旧设备和旧组织的负担而跨越既有公司。
这个类比对我最有用的提醒是：一种所有人都能购买的新生产力，不会成为个人创业者的竞争优势。
创新经济学里有一个「互补资产」的概念。David Teece 很早就讨论过，技术创新的收益不一定归创新者所有；当创新容易被模仿时，制造、营销、分发等与技术互补的能力，往往决定最后由谁捕获价值（Teece, 1988）。放在今天，AI 是越来越容易获得的生产力，但用户关系、业务数据和分发仍然稀缺。
因此，如果我用 AI 更快地做一个笔记 App、项目管理 App 或内容生成 App，本质上仍然在进入一个旧市场，而我的竞争对手同时拥有旧资产和同一种新生产力。
更多软件会变成一次性用品
我不认为 Vibe Coding 会消失。恰恰相反，用它制作的软件可能会越来越多。
其中很大一部分不会成为面向市场的产品，而会更像 Excel：一个人为了自己的工作做一张表格，一个团队为内部流程搭一个工具，一家公司为某次项目生成一个临时系统。它们都有使用价值，却没有必要成为独立商品。
YC 在 2026 年把这种形态称为 Small Software：只服务一个人或少数同事、围绕具体工作生成的软件。过去定制软件太贵，很多细小需求只能被通用产品勉强覆盖；现在 Agent 可以按需生成，软件开始从标准商品变成日常生产资料。
世界上有无数 Excel 文件，很少有人会因为做出一张表格就成立一家公司。Microsoft 从工具层获得收入，使用表格的人则从会计、销售、研究和运营中获得价值。Vibe Coding 也可能走向类似的结构：Coding Agent 持续赚钱，用户通过自己生成的软件提高原有业务的效率，无需出售软件本身。
以 App 作为商品的个人创业者，位置反而有些尴尬：
1 | |
上游聚合了所有人的软件生产需求，下游聚合了有限的用户注意力。独立 App 位于中间：向上游购买模型和基础设施，再向下游购买流量，同时与迅速增加的同类产品竞争。
做 App 当然仍然可以赚钱，也总会有产品找到准确需求，建立品牌或形成稳定分发；但从整体结构看，AI 增加的是中间层的软件供给，却不会增加愿意付钱的用户。而且供给越丰富，只提供局部功能的 App 越容易被替代。
所以，软件不会因为 AI 而减少，但能够作为独立商品出售的软件却可能变少。这也意味着，那些宣传 OPC、声称人人都能通过 Vibe Coding创业的说法，背后也有相当大的陷阱。
如果不卖一个 App，还能卖什么
如果不再从「我要做一个什么 App」开始，个人创业者还可以从哪里开始？
我目前看到两个方向：一个是做具体业务，用 AI 改变交付方式；另一个是面向 Agent 提供能力。
做具体业务，用 AI 完成交付
很多需求并不新，只是过去的交付成本太高。
小公司一直需要市场研究、内容运营、客户跟进、资料整理、招聘和财务支持，却很难为每项工作都雇一个完整团队。过去的软件通常只能提供工具，但真正完成工作仍然需要客户自己操作，或者再找专业服务者。
AI 让创业者有能力直接接下其中一项工作：
- 交付能够支持决策的市场研究结果。
- 承担内容的选题、制作、发布和复盘。
- 持续跟进客户，并交付有效线索。
- 把杂乱资料整理成可以使用的业务结果。
这时 App、Agent 和自动化流程都是内部生产资料。客户不需要关心我用了几个模型、写了多少代码，只关心工作是否完成。
Sequoia 在 Services: The New Software 中提出过相近的判断：卖工具时，模型升级可能把产品变成一个功能；直接交付工作时，模型升级会降低交付成本。这个观点带有明显的投资视角，而且并非所有服务都能变成无人值守的 Autopilot；不过，「从软件预算走向工作预算」对个人创业很有启发。
这里的重点也不在于给传统服务加上 AI，更重要的是看一项过去需要多人完成的工作，现在能否由一个人和一组 Agent 接下来；而且在完成一次以后，留下的数据、流程和客户理解，能否让下一次交付更好。
面向 Agent 提供能力
另一个方向是把 Agent 当成产品的使用者。
第一层是 Agent 会反复使用的原子工具。Agent 需要搜索和读取实时信息，于是出现了 Tavily、Exa、Jina 这类面向 Agent 的搜索与网页处理能力。类似的产品还可能出现在专业数据、视频和语音生成、身份验证、合规检查、实时报价、物流、支付，以及现实世界的人工执行中。
面向 Agent 的工具和面向人的 App 不太一样。人可以理解一个模糊界面、阅读报错再自行调整；Agent 更需要清楚的能力边界、结构化的输入输出、可预测的成本和延迟，以及可以判断成功或失败的结果。
这一层同样不轻松：只把已有 API 包装成一个 Skill 或 MCP Server，很容易被模型厂商和 Agent 平台吸收；能够长期存在的原子能力，通常需要独特数据、明显的质量差异，或者能进入数字世界之外完成某个动作。
第二层是能承担完整任务的垂直 Agent。
例如一个小红书运营 Agent，生成几篇文案和图片远远不够。它需要形成一条持续闭环：
1 | |
困难在于长期保持品牌一致性、避免违规和账号风险、理解内容为什么有效，并把运营结果和真实业务联系起来，而「会不会写小红书文案」只占其中很小的一部分。
如果只能完成内容生成和自动发布，它仍然是一个局部功能，很容易成为平台或通用 Agent 的内置能力。因此，一个垂直 Agent 至少要持续承担「把这个品牌的小红书运营好」这项完整工作，让客户最终只需要判断结果。
这两个方向最后可能汇合。一家 AI 视频制作公司，最初可以直接服务人类客户；以后也可以把自己的能力提供给营销 Agent，由其他 Agent 下单、验收和付费。它既是在经营一项业务，也成为了 Agent 可以调用的服务。
从 Prompt 到 Harness，垂直 Agent 为什么现在开始可行
垂直 Agent 的设想存在已久，但现在的变化在于，模型终于开始能够承载更完整的任务。
我粗略地把 AI 应用工程重心的变化理解成三层。
Prompt Engineering 主要设计一次模型调用。这个阶段的模型初具语义智能，工程重点是怎样描述任务、提供示例和约束输出；但模型能力仍然有限，开发者需要把复杂业务拆成大量机械步骤，在每一步分别调整 Prompt，再用确定性程序把它们串起来。
Context Engineering 开始设计模型看到的世界。这个阶段，模型的上下文窗口明显扩充，工程重点转向：当前步骤需要哪些信息，历史状态怎样保留，什么应该被放进 Context，什么应该被压缩或丢弃。更长的上下文窗口让模型可以理解更完整的任务，不过长度只是条件之一，相关性、来源和状态管理仍然需要被设计。Anthropic 把它概括为从不断变化的信息集合中，选择真正应该进入有限 Context 的内容（Effective Context Engineering for AI Agents）。
到了 Harness Engineering，模型的 Agentic 能力出现突破，工程开始设计模型行动的世界。
1 | |
这里的 Harness 是围绕模型运行的一整套环境，包括工具、Skill、文件系统、浏览器、Terminal、长期状态、调度、权限、沙箱、观测、错误恢复和结果验证。OpenAI 在介绍自己的 Harness Engineering 实践时，就提到把浏览器、DOM、截图和导航接入 Codex 的运行环境，让 Agent 能够自己复现问题并验证修复。这也说明，Agent 的能力由模型和周围环境共同构成：它能看见什么、能操作什么，以及怎样判断工作已经完成。
这个时期，我们也看到了一些新产品。例如，WorkBuddy 更接近通用知识工作环境，它连接文档、邮箱、会议、知识库等办公工具，让 Agent 在多个应用之间执行任务；而 Accio Work 则更垂直，围绕外贸和跨境业务提供市场研究、采购、建店、邮件、浏览器操作和多 Agent 协作。两者的差异也体现在业务资产上：Accio Work 背后还有 Alibaba.com 已经积累的供应商、商品、询盘、交易环境和外贸经验，这些是垂直 Harness 难以复制的部分，也再次说明，既有平台很容易把 AI 生产力叠加到自己的互补资产上。
我现在有一个强烈但不太确定的窗口判断：Harness 的独立产品机会可能只剩一年半左右。 我的推理是，Prompt Engineering 和 Context Engineering 两个阶段都在不到两年内快速迭代，Harness Engineering 可能也会保持相近的节奏。
再往后，Agent 也会成为服务的买家
如果越来越多垂直 Agent 能够稳定完成一项工作，接下来很自然的一步就是 Agent 调用 Agent，也就是常说的 A2A（Agent to Agent）。
还是以前面的小红书运营 Agent 为例。它负责一个账号的整体结果，理解品牌、制定选题、安排发布，并根据曝光和转化不断调整策略；当一条内容需要视频时，它可以把任务交给一个 AI 视频制作 Agent。
小红书运营 Agent 提供这次内容的目标、受众、选题、品牌要求和发布时间，AI 视频制作 Agent 则根据这些信息完成脚本、分镜、素材生成、配音、剪辑和质量检查，再交付可以直接发布的成片。如果结果不符合要求，小红书运营 Agent 可以提出修改意见，或者更换另一家视频制作 Agent。
1 | |
这里和调用一个视频生成模型有很大区别：模型只能完成视频制作中的一个动作，而 AI 视频制作 Agent 承担的是一项完整工作。它需要理解需求、选择制作方法、调用自己的工具、控制质量，并对最终成片负责。同时，小红书运营本身也足够复杂，有自己的数据、经验和结果责任；两边都可以形成独立的业务深度，也能通过清楚的交付物相互合作。
一个 Agent 不需要把所有能力都做进自己的 Harness，而可以保留最核心的业务判断，把相对独立的工作交给另一个专业 Agent。到那时，我们购买的产品可能会逐渐以它能接受什么任务、交付什么结果来区分，而一个 Agent 能否被发现、被委托、被验收和被付费，也会变得比它有没有自己的 App 更重要。
这样的合作今天已经能看到初步画面。
向未来看
AI 带来的变化不是让我们更快地制造上一代的软件，而会逐渐形成新的工作结构：人把任务交给 Agent，Agent 再调度工具、其他 Agent，以及现实世界中的服务者完成工作。