核心总结
导读:当AI能基于“空函数”精准执行任务,当非技术人员可通过自然语言构建应用,开发者是否面临被取代的危机?本文深度解析北京智体纪元科技创始人、Agently.tech负责人莫欣的观点,揭示大模型时代应用开发的底层逻辑与未来生存法则。
智能即代码:从“写逻辑”到“定边界”
颠覆性案例:无代码实现的“空函数”
在分享开场,莫欣展示了一个极具冲击力的示例:一段未包含具体实现逻辑的代码,却能迅速查询“小苏打学名”并返回维基百科链接。
@agent.auto_func
def check_definition_from_question(question: str) -> {...}:
"""Search definition in question from the Internet"""
return
该过程无需编写爬虫或解析脚本。其背后原理是大模型(如DeepSeek)结合搜索工具(Tools),自动完成了意图理解、搜索调用、信息提取及格式化输出的全流程。同理,即便不懂Presto SQL,AI也能依据数据表结构和自然语言问题生成可执行语句。
莫欣指出,这一现象标志着核心范式的转变:智能已成为代码运行时的一部分(In Code At Runtime)。
GenAI开发三大要素:模型、数据与控制
在GenAI应用爆发期,行业往往过度关注模型参数规模,而忽视了关键要素。莫欣强调,构建GenAI应用需聚焦三点:
- 模型:提供基础智能;
- 数据:补充领域知识;
- 控制:决定行为方法。
其中,“智能输出控制”是实现“结果即交付”的关键,却最易被忽视。以Function Calling(函数调用)为例,并非必须依赖特定模型接口,只要构建完整的处理过程,任何模型均可实现。
真正的变革在于智能处理过程的白盒化。开发者需通过代码编排模型,解决以下问题:
- 如何将外部数据有效输入模型?
- 如何精准识别用户意图?
- 如何将模型结果转化为条件分支?
- 如何编排管理复杂的处理流程?
程序员的角色从“硬编码逻辑”转向“构建系统框架”,由大模型负责框架内的意图判断、工具选择与参数生成,开发者则专注于精准控制业务边界。
角色重塑:开发者不会消亡,但必须进化
真相:单次结果不等于持续服务
随着AI降低技术门槛,“人人都是程序员”的论调盛行。然而,莫欣犀利指出:交付单次结果并不等同于提供持续稳定的服务。
非技术人员虽可利用AI快速生成代码或工具,但在面对独立APP发布、商业化变现及高并发场景时,仍需应对云服务管理、系统运维、容错机制、账号体系、支付结算及数据结构设计等专业挑战。
因此,应用的三层级架构(表示层、应用层、数据层)依然稳固,但交互逻辑发生根本变化:从用户适应结构化界面,转变为AI将用户的自然模糊语言转化为精确数据指令。
新范式:从代码编写者到系统编排者
“开发者不会消亡,但必须进行改变。”莫欣强调,程序员的关注点应转移至:
- 为处理过程提供恰当的数据;
- 编排复杂的业务流程;
- 构建高效的信息模型。
未来的超级开发者,将是智能系统的编排者与业务边界的定义者。
框架价值:拥抱GenAI开发心流
为何需要专用开发框架?
“直接调用API”并非最佳实践。由于大模型接口多样、参数格式各异,手写解析将极大降低开发体验。优秀的开发框架能帮助开发者屏蔽琐碎细节,建立GenAI能力意识,聚焦核心业务。
Agently框架的实践启示
以开源框架Agently为例,其展现了高效的开发体验:
- 贴近工程师思维:融合自然语言指令与开发规范,兼顾Prompt灵活性与输出稳定性;
- 自由切换模型与工具:无缝接入各类MCP Server,摆脱特定接口绑定;
- 流畅的工作流迁移:支持可视化工作流向代码迁移,适配复杂级联、递归及动态拼装场景;
- 真实落地能力:可实现从Agent查询数据库日程到自动发送邮件的全流程闭环。
正如莫欣所言:“当工程师真正接受 In Code At Runtime,GenAI能力才能彻底融入业务流程。”
结语:探索AI应用的新边界
从马斯洛需求层次理论视角看,AI浪潮正推动行业从满足基础“生理/安全需求”,迈向追求“社交分享、尊重成长、自我实现”。
AI工具淘汰的不是开发者,而是固守旧范式的从业者。目前,Agently 4正在进行内核重构、IDE提示完善、并发支持及服务化一键部署等升级。在GenAI应用的广阔领域中,探索AI边界之旅才刚刚启程。

