标签： AI Agent

最近，MiniMax创始人闫俊杰在一次对话中，提到了一件两年前的往事。当时，他问DeepSeek创始人梁文锋：“你们要不要做AI Coding？”梁文锋回答，不做，因为当时大家的共识是，全中国会写代码的人可能只有100万到200万人，这似乎不是一个足够宽广的市场。闫俊杰接着说，但现在的情况显然已经发生了变化，AI Coding可以让更多普通人拥有生产力。

如果只看今天AI Coding的热度，这似乎是一次错误的市场判断。自GPT-5.6上线，以及Codex与ChatGPT Work进一步融合之后，这两款Agent产品的合计活跃用户在数日内突破了800万，OpenAI CEO Sam Altman还表示，Codex与ChatGPT Work在最近一周的使用量增长了2.5倍。2026年2月，Sam Altman公布Codex活跃用户刚刚超过100万，到了7月，Codex与ChatGPT Work的合计用户已经超过800万，虽然前后两个数字的统计范围并不完全相同，不能简单地理解为Codex用户增长了八倍，但这种增长速度依然十分惊人。

一个原本被认为只有一两百万潜在用户的市场，为什么能够在短时间内容纳数百万用户？最直接的答案，似乎是程序员变多了，但显然不是，全球程序员的数量不可能在几个月内突然增长数倍。真正发生变化的，是AI Coding的用户已经不再只是程序员，它所解决的问题，也正在从“帮助程序员写代码”，逐渐扩展为“帮助更多人使用计算机完成工作”。

一、“市场太小”的判断，在当时并非没有道理

回到两年前，如果把AI Coding理解为一个面向职业程序员的开发工具，那么“市场太小”的判断并不奇怪。那时人们谈论AI Coding，首先想到的还是代码补全、函数生成、代码解释、Bug修复和单元测试，基本的使用方式是，人负责设计和开发软件，AI在旁边提供帮助。用户首先要会编程，需要有开发环境，也需要知道生成的代码应该放在哪里、如何运行，出了问题之后又应该如何修改。

按照这个定义，AI Coding的市场规模确实受到程序员数量的限制，其计算方式也很直接，就是程序员数量乘以工具渗透率，再乘以每个开发者愿意支付的价格。如果中国只有一两百万职业程序员，即使其中相当一部分人愿意为AI工具付费，它仍然是一个相对垂直的开发者工具市场，规模可能不小，但与面向数亿普通用户的消费互联网产品相比，确实不算一个足够宽广的市场。

所以，问题并不在于当时算错了程序员的数量，而是在后来的发展中，AI Coding已经不再按照这个公式增长了。市场中的程序员并没有突然增加，但AI Coding所代表的产品形态发生了变化，过去的市场边界也就随之被打破了。

二、从Coding Assistant到Coding Agent

早期的AI编程产品，本质上是Coding Assistant，也就是编程助手。人知道自己要写什么，AI帮助补全代码；人知道问题大概出在哪里，AI提供修改建议；人仍然是整个开发过程的主要执行者，AI只是提高其中某些环节的效率。即使使用GitHub Copilot，很多时候也是程序员写下一部分代码，再由AI预测后续内容，这与更智能的代码自动补全并没有本质区别。

到了Coding Agent阶段，工作方式开始发生变化。用户不再需要逐行告诉AI代码应该怎么写，而是可以直接提出一个目标，例如增加用户登录功能、分析项目无法启动的原因、重新设计一个网页，或者读取一批数据并生成一个后台查询系统。Agent会自行读取项目文件、理解现有结构、制定计划、修改代码、运行命令和检查结果，在出现错误之后，还会根据错误信息继续调整。

OpenAI在最初发布Codex时，将其定义为可以编写功能、修复Bug、理解代码库并提出Pull Request的软件工程Agent；到了GPT-5.3-Codex发布时，OpenAI对其定位已经变成，不仅能够编写和审查代码，还能够完成开发者和其他专业人士在计算机上进行的各种工作。这个变化并不只是模型能力的提高，也说明Coding Agent的产品定位已经开始从专业开发工具向通用生产力工具扩展。

Coding Assistant与Coding Agent看上去只是自动化程度不同，但其背后其实是人机分工关系的变化。在Coding Assistant阶段，是人写代码，AI提供建议；在Coding Agent阶段，是人描述目标，AI负责执行，人再对过程进行监督，对最终结果进行判断和验收。当AI从辅助输入变成接受任务，它的潜在用户自然也就不再局限于程序员。

三、AI Coding扩大的，不是程序员数量

OpenAI在发布ChatGPT Work时提到，目前每周使用Codex的人已经超过500万，其中超过100万人将其用于软件开发之外的工作。Codex最初是一款面向开发者的Coding Agent，但越来越多分析师、市场人员、运营人员、设计师、研究人员和其他专业人士开始使用它，说明AI Coding的增长并不只是来自程序员使用频率的提高，而是有一批过去根本不会被归类为Coding用户的人，正在进入这个产品。

这些人可能是产品经理，用Agent制作产品原型和内部工具；可能是运营人员，用它清洗数据、处理表格和自动生成报告；可能是市场人员，用它制作落地页、整理营销素材；也可能是创业者，直接将一个想法变成可以运行的最小可行产品。他们未必掌握传统意义上的编程，不知道状态管理、数据库索引、容器部署，也未必能够独立检查复杂的代码问题，但他们知道自己所在行业的问题，知道想要解决什么，也能够判断最终的结果有没有价值。

过去，一个人拥有想法，并不意味着他能够把想法变成产品，中间还隔着需求分析、产品设计、界面设计、软件开发、测试和部署等一系列环节。今天，这条链路正在被Coding Agent压缩，一个了解业务的人，可以先让Agent做出初版，再根据结果不断反馈和修改。即使最终仍然需要专业开发者参与，很多想法也不必一直停留在文档、原型和会议里，而是可以更早地变成一个能够运行、能够被验证的东西。

这也是为什么我认为，AI不一定会让所有人都变成程序员，但它正在让更多人成为“构建者”。过去衡量AI Coding市场规模的问题是，有多少人会写代码；现在这个问题逐渐变成了，有多少人存在需要通过软件解决的问题。前者可能只有几百万或者几千万人，后者则包括大量产品人员、设计师、运营人员、研究人员、创业者，以及几乎所有需要处理数字化工作的知识工作者，这两个市场显然不是一个量级。

四、代码正在退到后台

我自己在开发DoseLoop的过程中，对这种变化有很直接的感受。从最初的产品想法，到功能设计、Flutter开发、落地页制作、隐私政策、商店素材和应用上架，AI工具参与了几乎所有环节。当然，这不能简单地理解为一个完全不懂产品和技术的人，也可以通过一句话做出一个成熟的产品。我有多年的产品和技术经验，知道一个应用需要哪些模块，也知道如何判断功能是否基本正确，AI压缩了大量执行时间，但需求判断、产品取舍、问题定位和最终验收，仍然需要人来完成。

但另一个变化也十分明显，我在使用Codex、Claude Code这类工具时，已经很难把它们单纯看作代码生成器。我会让它读取整个项目、分析问题、修改多个文件、运行测试，也会让它处理文档、整理素材、检查配置和生成脚本，甚至完成一些与传统软件开发关系并不大的工作。从我的角度看，我只是希望完成一件事情，至于这个过程中是否需要写代码、写什么代码、调用什么工具，很多时候已经是Agent内部的执行方式。

这可能正是AI Coding最重要的变化，用户的目标是完成工作，代码只是Agent完成工作的手段。现代知识工作的绝大部分对象，本身已经存在于数字世界中，包括文档、表格、数据库、网页、邮件、浏览器、企业系统、文件夹和各种SaaS服务，而代码恰好是操作这些数字对象最灵活、最通用的方式之一。

当一个用户要求Agent分析一批销售数据，找出最近三个月下降最明显的产品，并生成一份报告时，Agent可能会读取表格、编写数据处理脚本、生成图表，再将结果整理成文档；当用户要求收集十家竞争对手的价格变化，每周生成一次对比时，Agent可能会操作浏览器、调用接口、保存数据并建立自动化任务；当用户要求将一批产品资料做成一个可以搜索的网站时，Agent可能会创建数据库、编写前端页面、部署服务，再检查网站是否能够正常访问。

用户并不关心这些任务背后使用了多少行代码，也不关心使用的是Python、JavaScript还是其他语言，只关心结果有没有完成。就像今天的人使用手机，并不需要理解操作系统、数据库和网络协议一样，未来大部分人使用Coding Agent，也未必会意识到自己正在调用代码。代码当然不会消失，只是会从用户需要掌握的一项专业技能，逐渐变成Agent在后台调用的一种基础设施。

五、为什么是Coding Agent最先发展起来？

既然最终目标是通用生产力，为什么不是普通聊天机器人，而是Codex、Claude Code这类Coding Agent最先向这个方向发展？一个重要原因是，软件开发本身就是非常适合Agent学习、执行和验证的环境。代码能否编译、测试能否通过、页面能否正常打开、接口是否返回正确结果，这些任务大多具有相对明确的反馈，Agent做错了，可以运行程序看到错误，修改之后可以再次测试，一个复杂目标也可以被拆分成文件、命令和一系列可以执行的步骤。

与很多难以判断对错的知识工作相比，软件开发提供了一个相对完整的反馈闭环，包括理解任务、采取行动、观察结果、发现错误和继续修正。OpenAI在介绍自己的Agent-first工程实践时就提到，工程团队的主要工作正在从直接编写代码，逐渐转向设计环境、明确意图，以及建立能够让Agent可靠工作的反馈循环。

因此，Coding不仅是大模型公司选择的一个垂直市场，也是Agent学习如何真正完成任务的理想训练场。最初，Agent学会的是修改代码，接下来又学会操作终端、浏览器、文件、数据库和外部系统，当这些能力逐渐组合在一起，它所能完成的自然就不再只是软件开发。从这个角度看，Coding Agent向通用生产力工具扩展并不是偶然的跨界，代码本身就是Agent连接和控制数字世界的一种通用语言。

六、AI Coding的价值正在从代码变成结果

传统开发工具的价值，通常使用开发效率来衡量，包括少写了多少代码、节省了多少开发时间、修复了多少Bug、完成了多少需求。但当AI Coding开始进入非开发领域后，用户并不会用这些指标评价一个Agent。一个运营人员不会关心Agent为了分析销售数据写了多少行Python，只关心报告是否准确；一个创业者不会关心Agent修改了多少个文件，只关心产品能否上线；一个市场人员也不会关心页面使用了什么前端框架，只关心落地页是否能够正常访问，能不能带来转化。

因此，AI Coding的价值单位也正在发生变化，从代码产出变成工作成果，从开发者席位变成被完成的任务，从“帮助我写”变成“帮我做完”。当这种变化发生之后，Codex和Claude Code所面对的市场，也不再只是代码编辑器或者开发者工具市场，而是开始进入更加广泛的知识工作市场。到那个阶段，“Coding”可能只代表产品的技术来源，而不再代表用户实际使用它的方式，就像计算机最初主要被用于计算，但今天我们并不会把所有使用计算机的人称为计算人员。

Coding Agent最初因为会写代码而受到关注，最终可能因为能够完成工作而被广泛使用。它真正争夺的，不只是程序员每天花在IDE里的几个小时，而是知识工作者处理文档、分析数据、操作软件、查询信息、制作内容和完成各种数字化任务的时间。

七、这并不意味着程序员不再重要

当然，这并不意味着软件开发从此没有门槛，更不意味着专业程序员很快就会消失。Agent降低的是执行门槛，但它没有自动解决所有问题，用户仍然需要知道自己真正想解决什么，需要判断生成的结果是否正确，需要理解哪些风险不可接受，也需要对系统的安全、隐私、性能、成本和长期维护负责。

让Agent做出一个可以运行的页面已经不算困难，但一个可以运行的页面，与一个能够长期稳定服务真实用户的产品，仍然不是一回事。当项目规模扩大，系统之间相互连接，数据和业务变得复杂，专业知识反而会更加重要，只是程序员的工作重心可能会发生改变。过去，程序员的大量时间用于亲自编写和修改代码，未来则可能会花更多时间定义系统边界、设计架构、拆解任务、建立测试、约束Agent，并检查多个Agent产生的结果。

实现正在变得便宜，但判断仍然昂贵；代码生产正在增加，但真正稀缺的能力，可能变成了知道应该做什么、为什么这样做，以及如何确认它确实做对了。对于非程序员也是一样，AI工具可以帮助一个人快速完成以前无法完成的事情，但一个人能否真正使用好AI，仍然取决于他对所在行业和业务的理解，也取决于他的思考、表达、总结和抽象能力。AI可以放大一个人的能力，却不能凭空创造认知、经验和品味。

从这个角度看，Coding Agent并不是简单地消除了程序员与非程序员之间的差异，而是重新划分了人与计算机之间的工作边界。过去，人需要掌握具体的技术语言，才能把一个想法转化为计算机可以执行的指令；现在，越来越多的执行过程可以交给Agent，人则更多地负责提出目标、提供上下文、作出判断和承担责任。

八、AI Coding最大的市场，是不想写代码的人

回到最初的问题，程序员只有一两百万，为什么AI Coding却可以成为一个大市场？因为它真正扩大的，并不是程序员的人数，而是能够借助软件解决问题、创造产品和完成数字化工作的人群。如果AI Coding仍然只是帮助程序员更快地写代码，那么它确实是一个相对垂直的开发者工具市场，其规模最终仍然受到程序员数量的限制。

但当Coding Assistant发展为Coding Agent之后，产品的使用逻辑已经发生了变化。用户不再需要先掌握编程语言，再告诉计算机应该怎样一步步执行，而是可以直接描述自己的目标，由Agent读取文件、操作软件、编写代码、调用工具、检查结果并完成任务。用户使用的虽然仍然是一款拥有Coding基因的产品，但他的目的已经不再是写代码，而是完成一份报告、分析一批数据、制作一个网站、自动化一项流程，或者把一个想法变成可以运行的产品。

这也是为什么AI Coding最大的潜在市场，并不是那些喜欢写代码的人，反而是那些根本不想写代码的人。这些用户并不关心Agent使用了什么编程语言、修改了多少个文件，也不关心背后运行了多少行代码。他们只关心自己提出的问题有没有被解决，想要的结果有没有被交付，原本做不到或者需要协调很多人才能完成的事情，现在是否可以由自己完成。

过去，软件开发工具主要服务于已经掌握技术能力的人，帮助他们提高效率；未来的Coding Agent则可能将这种能力向外扩散，让更多没有接受过专业编程训练的人，也能够直接调用计算机的执行能力。它不会让所有人都成为程序员，却可能让越来越多人成为产品的创造者、流程的设计者和数字工具的构建者。

所以，AI Coding市场的真正变化，并不是职业程序员从一两百万人增长到了八百万人，而是“谁可以使用代码完成工作”这件事情发生了变化。过去，代码是一种需要长期学习的专业技能；现在，代码正在逐渐退到后台，成为Agent理解目标、操作数字世界和完成任务的一种执行手段。

自然语言则开始成为新的操作界面。用户负责说清楚自己想做什么，Agent负责决定应该如何实现。随着Agent能够操作的文件、软件、浏览器、数据库和企业系统越来越多，它所面对的市场也会从开发者工具市场，继续扩展到更加广泛的知识工作和数字生产力市场。

因此，AI Coding的终点，可能并不是让更多人学习怎样写代码，而是让越来越多的人不需要写代码，也能够获得过去只有程序员才拥有的部分能力。

当所有人都可以通过自然语言调用代码时，Coding就不再只是一个职业市场，而会成为整个数字生产力市场的入口。AI Coding最大的市场，也恰恰是那些不想写代码、只想把事情做成的人。