摘要：从 2023 年初，模型能力、基础设施都没有到位的「混乱」阶段，到 2025 年 Coding 玩家迎来第一波「缩圈」、转向 CLI Code Agent 范式，这期间，都发生了什么？

这是一篇由 Agent 一线创业者、资深 Coder 写的回顾文章。

AI Coding 赛道，如果我们把时间拉长到 2 年的维度，能得到哪些不一样的 insight？哪些被证明是正确的，哪些已经被淘汰了？

从 2023 年初，模型能力、基础设施都没有到位的「混乱」阶段，到 2025 年 Coding 玩家迎来第一波「缩圈」、转向 CLI Code Agent 范式，这期间，都发生了什么？

Cursor 从 GPT 的「套壳」产品转变为「原生 Agentic IDE」，是如何找到差异化的技术路线的？

文章回顾了 2023 年初到 2025 年中，AI Coding 技术的重要发展节点，同时也回溯追踪了 cursor、Codeium、Devin 这些产品的发展轨迹。

系统性地回顾，也是一次复盘。作者给出了有一些有意思的思考：

极端的「坏用户」会让整个 Coding 的商业模式瞬间崩塌。对于复杂任务而言，如何在「交付质量」和「token 成本」之间平衡才是关键。而上一代的产品通通在这个角度成为了强弩之末。

在统计了过去两三年基础模型的价格趋势后发现，年均 90%的价格降幅其实并没有问题， 但是忽略了一个事实：「大家都想用最好的模型」。所以，用得都是最新的模型，价格也是最贵的或者各家价格趋于一致。

现在的 Code Agent 从业的目标很明确：「带着你的用户，苟到 2028 年别死，将会诞生一个或几个千亿美金。」

AI Coding 重要的一个 feature 就是「Knowledge Suggestion」，feature 的主要功能就是在人类和 agent 协作的过程中，自发地抽取「方法论，行为准则」然后通过人类对于这些确认的行为打标，以结构化管理的方式创造「数字分身」。不久以后，大量的产品将会跟进这个 feature。

在生产力领域，将来无论是所谓的通用 Agent，还是垂直 Agent，当执行变得廉价的时候，「术」真的不再重要了，重要的是如何获得「道」：找到那群工作足够值钱，认知足够值钱的人，帮他们创造十倍一百倍的价值，和提高十倍一百倍以上的效率。

作为 2023 年度的绝对领先者，OpenAI 的 GPT4 系列模型可以说领先全世界一年，但很明显 GPT 的高推理成本和小 context window，都让他在实际工业生产有非常大的限制。 而最核心的指标——指令遵循能力，通俗讲，大模型能记住多少事，多大程度上听话办事。 在 GPT4 发布之后，这个指标在生产场景一直差强人意。

同期诞生的 Cursor 公司由四位 MIT 学生于 2022 年创立：Michael Truell（CEO）、Sualeh Asif、Arvid Lunnemark 和 Aman Sanger。最初他们尝试开发面向机械工程师的 AI 工具，但因领域壁垒高、数据稀缺且团队缺乏兴趣，迅速转向编程场景。

回归熟悉的编程领域，结合 AI 浪潮（如 gitHub Copilot 的兴起），推出基于 VS Code 开源项目的 AI 增强编辑器 Cursor，定位为「AI 原生 IDE」。

初期集成 OpenAI 的 GPT-4 和 Anthropic 的 Claude 系列，提供代码补全、生成等功能。 这种「套壳」策略快速验证市场，但受限于模型性能，体验非常糟糕，所有用户基本是为了免费使用 GPT4 而打开了 Cursor。 这让他和掌握 Vscode 项目的微软产出的 Copilot 相比没什么实质性优势。

在某个阶段，甚至也相当于把命门交给了微软手中，2024 年 4 月，微软突然修改 VSCode 插件许可策略，限制非微软产品调用其闭源扩展（如 C/C++插件），导致 Cursor 核心功能瘫痪。

但 Cursor 团队的思路的差异化救了他们一命，2023 年 Cursor 基于 VS Code 分支开发时，已具备基础的 单文件代码分析 能力，依赖 OpenAI 的 GPT-4 和 Claude 模型实现简单的代码补全和错误检测。靠着代码库分析能力，基于 Merkle 树驱动的增量更新， 语法树分段，和云端向量化计算这些在当时比较领先的技术，在使用体验完全不占优势的情况下，保住了一些火种。

与此同时，作为首个大规模商用的 AI 编程助手，GitHub Copilot 基于 OpenAI 的 Codex 模型，将代码补全从单行扩展到整段逻辑生成，推动「Vibe」成为行业标准。

聊到这里我们没有讲一个重要问题，在当前的生产生态中，写代码的终究是企业雇员最多。

企业真的放心核心资产——代码数据被传来传去吗？ 另外在那个时间点大厂真的能放心 AI 写的代码吗？

答案当然是否定的，因此，中大型企业内部的模型接入 IDE 就成了一个刚需，国内最喜欢造轮子的百度，首先就开始了魔改和上强度各种魔改 Vscode 接入文心模型，结果当然也可想而知。 而其他公司更倾向于做 VsCode 插件比如国内的智谱 CodeGeeX，以及一些更知名的项目 Codeium。

Codeium 于 2022 年 10 月作为 VS Code 扩展发布，强调开源性质，用户可以访问源代码、自定义工具，并免费使用。到 2023 年，Codeium 迅速流行，吸引了超过 100 万开发者。它被视为开源社区的胜利，提供免费的 AI 代码加速，而 Copilot 需要付费。

2023 年底，Codeium 开始强调企业级功能，如容器化部署、SOC 2 合规和 VPC 支持，以吸引 Fortune 500 公司。同期也拿到了高额融资，在商业利益的驱动下，后来 Codeium 从开源变为了混合模式，其商业版编辑器 windsurf 和 cursor 成为把 Vibe Coding 从非共识变成共识的两个主要推手（命运的齿轮从此开始转动）。

从这个阶段我们也可以看到欧美投资和技术的绑定关系之深，以及相关技术创业者入局之早，几乎没有一个是看到了大模型开始做什么，而是在大模型成功之前就已经做了什么，因为大模型而产生了迁移和转向大获成功。

同时国内的 Vibe Coding 共识主要形成于 2024 年中期，但彼时的此类项目在 2022 年就开始有建树者，寥寥无几，几乎都是 2023 年 LLM 爆火之后开始火速成立公司。

当然，除了「Copilot」当然怎么能少了「Autopilot」呢？

同期的 Agent 概念开始被重提出来，也有一些人给予提示做了很多工作比如最基本的设计模式和组件。

但是这些组件和设计模式的提出以及一些研究，其实并没有对 LLM Agent 的核心缺陷有什么改善，比如决策的基础是完善的背景信息，我们常常抱怨大模型不懂我，或者生成的结果不满意，却从没有认识到我们没有向大模型交代足够详细的「Background Context」而这个「Background Context」也就是上图中的 Memory 组件对应的部分，也是后世所谓的「Context Engineering」的起点。 在 2023 年末这个时点，图中的每个组件「Memory，Planning，Action，Tools」都几乎是破绽，一个复杂度超过几轮的 Agent 经常陷入循环困境，目标漂移等各式各样的问题。

而学术界也想在显式推理方面有所推动所以如何把问题展开进行显示提示成为了大家的共识，COT/TOT/GOT 开始百花齐放。

姚期智老师团队一直致力于把思维转化为有向无环图，而 Google 则希望思考表示能够更具推理的兼容性表示，于是用自然语言展开推理成为了西方学界的选择。

同时一些苗头开始让大家发现，大模型需要「显式」的提示，而不要默认模型内部的能力，会在缺少「提示」的情况下生效。随后的大量实验，以及实用主义原则表明 CoT 对模型参数量的要求相对较低，当模型参数达到 100 亿时即可显著受益，而 ToT（思维树）和 GoT（思维图）需要更大规模的模型（如千亿级）才能有效支撑复杂的分支或图结构推理。

这使得 CoT 更适用于快速验证。同时推理结构（「问题→分步推导→答案」）天然适配数学计算、常识推理等基础任务，而 ToT 和 GoT 需要针对特定任务设计评分函数或图交互规则，泛化成本较高，慢慢退出历史舞台。

智能体技术也得益于该类实践在后续的工业化生产中，思考模型开始发挥收益，但还不是在 2023 年。 也有人不信邪，2023 年 Cognition 也在加州成立了。

Scott Wu：3 届 IOI 金牌得主，开始瞄准 Agent 带来的结构性变革的临界点发起冲击。

2024 年的开年，OpenAI 一记重磅的 Sora 震撼了世界，但这些和一边冰山一边火焰的 Code， 其实没什么关系。更多的是启发了世界模型的 Idea。

在大型语言模型兴起之前，Agent 的研究热点主要集中在强化学习领域。其中最著名的例子莫过于 AlphaGo/Zero，它通过与收敛的即时反馈环境进行互动学习，在围棋任务中展现出超乎人类的智能。

但决策树，蒙特卡洛+强化学习结合的范式其实不具备任务泛化能力。

2024 年中，一个模型的发布改变了这一切，而这次主角却不是 OpenAI。 「Claude 3.5 Sonnet」正式上线。

基准任务

Claude 3.5 Sonnet

GPT-4o

Gemini 1.5 Pro

HumanEval (代码生成)

93.70%

90.20%

71.90%

SWE-bench Verified (软件工程)

49.00%

~40%

N/A

AgenticCoding Evaluation (代理编码)

64%

~50% (o1-preview)

N/A

MATH (数学求解代码相关)

71.10%

76.60%

72%

可以看到 200K 的窗口和平均 10%以上的指标提升让 Claude3.5 成为了现象级的模型。同时一些官方的 feature 也让应用更上一层楼：

Agentic 行为： 集成反射、工具使用、规划和多代理协作，支持动态适应环境。

基准领先 ：在 GPQA（研究生推理）上 65.0%（vs GPT-4o 的 53.4%），并在多模态代理（如视觉理解）上提升。

实用创新 ：Artifacts 和 computer use 功能使代理更互动，用户视其为「协作伙伴」

无论从产品形态还是基础模型迭代方向当 Anthropic 在 Agentic World Ready 大踏进一步的时候，彼时 Sam Altman 在发布 4o 之后还兜售他的 AGI RoadMap，却无视了 4o 在实际的生产力场景里比 Claude 已经开始落后。Claude 已经在工具使用和多步规划上更强，尤其在科学代理任务（如 Olympic Level 的物理/化学/生物）中胜出。也就是说在这个时间点，Sonnet 3.5 就是世界上写代码最强的，记忆力最好，也最会干活的模型。这带来了一系列的变化。

这个时点大量的代码类/Agent 应用统一从 OAI 迁移接入了 Sonnet3.5，开始了下一轮狂奔。

在 Claude3.5 出现之前，cursor 一直被视为免费的 GPT 入口，其业务价值被挤压的很严重，前面有微软 VSCODE 官方做技术封堵，后面有其他的竞争对手和惨淡的成本支出状况。但接入之后情况发生了翻天覆地的变化。

用户基数的指数级增长：日活跃用户三个月增长了十倍，ARR 迅速突破$100M，创下 SaaS 领域增速纪录。

公司估值的大幅飙升：迅速攀升至近百亿美元。

企业市场渗透率的深化：被超过半数的《财富》500 强公司采用。

那么量化的看实际效率提升了多少呢：

用户案例显示，Cursor+Claude 组合将开发效率提升 3-4 倍。例如，某团队在 10 天内完成 3000 行代码的跨端组件重构，效率提升 30%，并自动生成 600+测试用例。

复杂任务处理能力增强：Claude 的 Agentic 异步开发模式支持自动拆解任务、调试和记忆管理，使端到端项目构建成功率大幅提高，减少人工干预需求。

作为开源转向闭源的主要玩家主打「主动型代理 IDE」（Agentic IDE），依赖 Claude 模型构建技术壁垒，对标 Cursor 和 GitHub Copilot，在接入 Claude 3.5 后：

用户规模激增：2024 年底「ARR 达 1200 万美元」，付费用户增长主要依赖 Claude 模型口碑。

2024 年 3 月 12 日，初创公司 Cognition AI 正式推出全球首个 AI 软件工程师 Devin，宣称其具备端到端独立开发能力

在 SWE-bench 基准测试中，无辅助解决 13.86%的编程问题，远超 Claude-2（4.8%）和 GPT-4（1.74%） 14 。

支持全栈开发、自动部署、BUG 修复及 AI 模型训练 37 。

赢得高盛、花旗、MongoDB 等大客户，客户反馈称可节省数百万美元开发成本。

五个月后估值攀升至「20 亿美元」成为独角兽，我们看看站在 2024 年底 Coding 的主要玩家：

公司/产品

最高估值（2024年底）

备注

Cursor

26亿美元

由Thrive Capital和a16z领投

Windsurf

12.5亿美元

前身为Codeium，由General Catalyst领投

Devin

约20亿美金

商业化定价500美元/月（企业版）

Replit

约30亿美金

2025年7月估值达30亿美元，但2024年底数据未公开

设计模式的诅咒

在形势一片大好的情况下一朵阴云也横在了所有 Code 产品的脸上。

设计模式带来的 Token 消耗增量 。

以笔者公司为例在 2024 年中实际上再以 workflow + loop 的方式构建了一套非常复杂的 code agent 设计。

这套设计在当时，已经能够自己分析一篇文档， 进行自动化测试，然后自主的完成一整个 python 工程，随后打包为 pypi package 以及推送到 git。

但 agent 设计模式的复杂化，使得单一任务的 token 消耗量 1 round / 百万 token 起步。算上实际的迭代轮次。一次任务的 token 消耗日常出现千万 level 的消耗水平。这还是我们自己在任务完成比例不及最高水平的情况下。

我们目光再次再回到 Cursor。

按 Claude Sonnet 3.7 的 API 价格计算（输入 3/百万 token，输出 15/百万 token），单用户日均成本可能在 10−50 区间。

高频用户甚至可达每天$100 以上。对于笔者而言个人体验，在 Claude3.7 时代，极限情况「一天」消耗了「125 美金」的 token。但 cursor 的订阅费谁还记得是多少吗？「20 美金」

而早早的就明白这个道理的 Cognition，Scott 则乖乖的把价格定在了[500 美金/月] or [pay as you go]。

我也统计了市场上 Vibe Coding 的成本情况。

可以看到只要和代码有关，极端的「坏用户」会让整个商业模式瞬间崩塌。按照笔者计算如果我一个月写 22 天代码，会给 cursor 造成「8000 美金」的损失。

但要记住对于 AI 来讲，「事实不可怕」，「趋势才可怕」，这张图里面并没有统计那个 token 黑洞「devin」。

对于复杂任务而言， 如何在「交付质量」和「token 成本」之间平衡才是关键 。而上一代的产品通通在这个角度成为了强弩之末。

AI 时代什么最稀缺呢？各种层面「Attention」is all your need。那么注意力资源是怎么流动的呢？

在 2025 年开年幻方的「DeepSeek」给出了自己的答案。DeepSeek R1 精准卡位 Qwen 发布和春节，迅速引爆了大模型市场。在此之前，马斯克的 XAI 已经开始走上了仙途，20 万卡集群准备大力出奇迹。国内基座模型一片人心惶惶。而 DeepSeek 用 GRPO 算法和一系列深度优化，给所有人上了一课。

而 R1 支持输出完整推理链（如「思考-回答」模板），用户可追溯决策逻辑。效果比肩 O1。

最关键是媒体宣称训练成本仅 550 万美元（行业平均 1/10），这种新闻迅速戳中了市场的 G 点。在算子和推理方面的推理优化也带来了成本的显著降低。

API 定价：输入 tokens 1 元/百万（缓存命中），输出 16 元/百万，成本仅为 OpenAI o1 的 1/20-1/30。

最关键的是「开源」。

遥想在仅仅几个月之前，在 2024 年及更早时期，智谱部分企业级闭源模型（如 GLM-3-Turbo）曾采用定制化商业授权模式，对大型企业客户收取「1200 万人民币」，主要用于私有化部署和技术支持。

现在这个商业模式直接不存在了，随后到了 GLM4.5 时代，全部模型也跟着改为了全面遵循 MIT 开源协议。

同期吵得沸沸扬扬的星际之门，让孙正义变成了「沸羊羊」。

在一夜之间所有代码工具都接入了 DeepSeek R1 作为备选项。

但我们还是需要再次发出灵魂拷问： 「Cursor 每个月问我收多少钱我就愿意了？」

我的心里预期大概是「100 美金」，不知道这个值对于读者来说算高还是低。因为至少「devin」的「500 美金」我在订阅了几个周期之后心理博弈了一番评估之后还是取消了订阅，虽然这个不是一个类别的产品，成本结构也完全不一致。

但是从决策和评估角度而言，我认为「100-200 美金/M」是大多数人对「Vibe Coding」价值认同的极限值。当然数字程序员就另说了，这是另一个维度的交付需求。

那么「趋势到底是什么？」我也统计了过去两三年基础模型的价格趋势。年均 90%的价格降幅其实并没有问题， 但是忽略了一个事实： 「大家都想用最好的模型」 。

不可否认过去两三年 SOTA 模型的价格还是卡在了 10^1 这个水平线上 ，实际上追求顶尖性能的 Code 应用（或者说最具生产力的），就是实际的，妥妥的「成本爆炸」。

这个路径从 GPT4o→claude3.5/3.7/→Gemini 2.5 Pro → claude4 → GPT5 价格从来并未真正的收敛，同时大量的集中流量使得各家的服务性能直线下降，比如 AWS Bedrock claude 4 的服务就在一个短时间内被多次打爆。

从服务质量上谈，模型在上线之后会逐渐经历量化模型性能下降，推理性能提升的 trade off 调整过程。导致模型刚发布好评如潮，一段时间之后就开始降本增笑，尤其是国内的某些厂商，一边降本增笑，一边疯狂投流买量，导致整体口碑迅速崩塌，被边缘化。竞争的马太效应又让这些厂商进入死亡螺旋。

在这个逻辑下我们可以做一个简单的理想化的预测，我们先假定：

当前的 claude4 和 gpt4 是足够未来两年的 code agent 场景使用的模型

大家不再选择更好的模型/或者更好的模型价格也能下降 90%。

设计模式带来的 token 消耗每年只增长 30%（这是在假定现在的设计模式和附带的代码仓库分析技术路径已经收敛，实际上没有。)

那么，情况会是这样：

OK，你也看得出来，这个非常理想化的预测实际上没有什么现实意义。那么古尔丹，代价到底是什么？我们用现实世界的数据再来计算一次。

可以看到完全的偏离，现实的商业失败案例：

Claude Code：$200/月无限制→用户月消耗 100 亿 tokens→成本$25,000→失败回滚

Windsurf：token 消耗过高→倒闭卖资产

Cursor：被迫发布"重要定价更新"

Anthropic Max：$200/月无限制→同样失败

我们设定了 100-200 美金这个区间，和一个正常程序工作者的生产行为带来的 token 成本。但是可以看到大部分的场景里，在当下都没法覆盖这个成本。这一切要回溯到 AI 经济学的根本复杂性：

非线性成本演进：技术进步不等于成本下降

用户行为变化：从节约使用转向无限消耗

能力-成本螺旋：更强能力→更多使用→更高成本

商业模式革命：订阅模式的成立很大比例基于 CPU 服务时代的边际效应带来的收敛。而 英伟达的 4 万亿市值摆在前面，传统订阅模式已经不适用 AI 时代。

而如果我们以最合理的迭代方式，考虑只使用当下最新的 SOTA 基座模型+ 不断进步的 context engineering + 每个时间点的 SOTA 基座模型推理成本相比前一年下降 90%。 可以看到这个收敛和平衡区间基本在 2028 年之后了。除了几个变量要考虑：

AIPC 类似 395MAX 这类芯片支持千亿级别模型本地 TPS100 以上推理。

基础模型推理技术革命，不再依靠量化降低成本。

但这两个变量在我看来，和基座模型厂商的进度，无不需要三年以上时间，那么现在的 Code Agent 从业的目标就很明确了：「带着你的用户，苟到 2028 年别死，将会诞生一个或几个千亿美金。」

随着大模型的技术进展和各家 foundation model 的盈利压力，技术向内，商业化向外从技术上有开始了进一步的扩展。

OpenAI，GoogleGemini，Claude 分别推出了 CLI Code Agent。这种 CodeAgent 以简单的 Agent Loop 实现和更依赖模型本身能力完成长时间的自主工作能力为主要设计目标。

相比显式的 workflow，属于力大砖飞，之前的 workflow 中冗余，以及大量尝试解决模型自身问题的努力，极大程度的被整体覆盖了。

例如，Claude Code 可连续工作 7 小时，自主重构多文件代码库、修复 Bug 并生成提交信息。Gemini CLI 支持 100 万 Token（约 75 万字），可分析整个小型项目代码库。

主要区别如下：

维度

传统代码工具

新一代 Agentic Code CLI

能力范围

代码片段补全

全流程任务执行（编码、调试、部署）

交互模式

被动响应式建议

主动规划与多轮协作

上下文管理

局部文件片段

项目级架构理解 + 超长上下文

集成深度

IDE 插件

开发工具链原生融合

经济模型

订阅制

按量付费/免费+开源策略

不久之后，国产的 Qwen 也 Folk 了 Gemini CLI 项目魔改为了 QwenCode，虽然工程移植的很糙，但是为后续推出 IDE 产品果然搭建了底座。

随后阿里也把自己的 VS Code 衍生项目拿了出来-Qoder。

很明显到了 2025 年中 code agent 开始了第一波缩圈。

不久之后，Windsurf 传出了被 OpenAI 收购的消息。外界一片哗然，Claude 官方也因为此彻底封杀了 Windsurf，产品彻底崩坏。

但背靠 OpenAI 还算是好选择。但定数之后，狗血让所有人猝不及防。

7 月 11 日，OpenAI 宣布收购排他期结束，交易因「与微软的不可调和矛盾」终止。

Windsurf 陷入危机：产品不稳定、合作伙伴撤离、员工士气崩溃。

同日，谷歌 DeepMind 闪电行动，以 24 亿美元达成协议：∙雇佣 CEO Varun Mohan、联合创始人 Douglas Chen 及核心研发团队；∙获得 Windsurf 技术的非独家授权，但放弃股权和控制权。

Windsurf 员工被自家 CEO 当成了狗，这时候我们的老朋友 Scott 又出场了。

早些时间 2025 年 3 月：Cognition 完成由 8VC 领投的融资，估值约 40 亿美元（约合人民币 287 亿元），员工仅 39 人。

有了余粮，Scott 瞬间支棱买下了 Winsurf 的剩余资产，笔者甚至收到了 Scott 的邮件。

收购完成之后，25 年 8 月 15 日，宣布获得近 5 亿美元（约人民币 36 亿元）融资，估值飙升至 98 亿美元。

而「智能体程序员」这个赛道因为交付形态的难度，如果这个产品形态能够在 2028 年之前就收敛，那市场逻辑也将完全不一样，但我个人还是持谨慎态度。当然 devin 的产品机制其实有利于他们朝着这个方向改进。

这个 feature 的主要功能就是在人类和 agent 协作的过程中，自发地抽取「方法论，行为准则」然后通过人类对于这些确认的行为打标，以结构化管理的方式创造「数字分身」。

而不久以后，同样的，大量的产品将会跟进这个 feature。比如知名的某 World First 不如 Genspark：

类似 Knowledge Suggestion 的业务数据闭环，是护城河的核心组成部分，这和设计模式 Agentic UI、WebSim、CLI 是「道」与「术」的区别。

这也是这个阶段的大模型 该服务于哪些人 的一个重要启示。灵魂质问： 抽取普通人的行为准则，这算的过来账吗？

说难听的就是买三万五的相机，花 120 六张的胶卷，记录一个月三千五的吃喝拉撒。

这种意义只存在梦里。那我们看看谁的工作最值钱？谁的认知最值钱？

技术领域

中国市场

美国市场

AI芯片设计

高级工程师：50-150万元/年算法工程师：40-100万元/年平均月薪：2.3万元

高级工程师：15-35万美元/年顶级专家：可达90万美元/年

生物技术制药

药物合成工程师：15.6万元/月研发技术岗：月薪1.4-2.5万元博士综合收入：32万元/年

平均薪酬中位数：20万美元/年薪资增长率：9%顶级企业可达67万美元/年

量子计算

研究员：45-75万元/年顶级研究院年薪：70万元起博雅博士后：20万元/年

量子计算工程师：10-15万美元/年量子物理学家：15.2万美元/年资深研究员：可达25万美元/年

新能源技术

电气工程师：35-55万元/年新能源技工：8千-1.5万元/月智驾工程师供需比仅0.38

清洁能源专家：9.5-13.5万美元/年风电工程师：时薪75美元新能源工程师：12-20万美元/年

金融科技/区块链

区块链高级开发：20-35万元/年区块链研发工程师：30-50万元平均招聘薪酬：1.6万元/月

区块链开发者：10.5-25万美元/年智能合约开发：10.5-25万美元/年Web3高级职位：可达50万美元/年

人工智能通用

博士：35-50万元/年硕士：不低于25万元/年DeepSeek核心工程师：6-9万元/月

初级AI工程师：10-14万美元/年中级AI研究员：18-28万美元/年高级AI科学家：35-60万美元/年顶级专家：超1000万美元/年

在这个体系下我们看到我们的「目标用户」也呼之欲出了， 而「目标用户」和「好用户」又通常不完全重合。

在生产力领域，将来无论是所谓的通用 Agent，还是垂直 Agent，当执行变得廉价的时候，「术」真的不再重要了，重要的是如何获得「道」：找到那群工作足够值钱，认知足够值钱的人，帮他们创造十倍一百倍的价值，和提高十倍一百倍以上的效率。才是我们需要思考的核心。

同时在生成式的世界里，「本」与「真」会成为刚需。一个记录「本」和「真」的画卷才是通向未来的金钥匙。

来源：晚晚的星河日记一点号