Anthropic发布Claude Code VSCode插件 - 公司于2026年推出了Claude Code的Visual Studio Code插件，标志着其AI编程工具正式进入主流集成开发环境[4] - 该插件使Claude的对话框直接集成在VSCode界面中，交互方式与GitHub Copilot、Cursor等工具一致[9] 插件核心功能与改进 - 插件具备深度代码访问能力，支持引用特定文件或代码行，并提供了模糊匹配功能（例如输入“@auth”可匹配相关文件）[11] - 新增了人工校验机制，用户可以对AI建议的代码修改进行接受（accept）或拒绝（reject），增强了可控性[13] - 保留了“计划模式”（plan mode），允许在编写代码前进行详细的行动计划沟通[13] - 支持通过“@terminal:xxx”的语法引用终端的输出内容[11][12] - 插件已集成Git和模型上下文协议（MCP）能力，并计划未来支持检查点（checkpoints）功能[15] 市场定位与竞争分析 - 此次插件发布被视为公司对标Cursor等现有AI编程工具的重要举措，被描述为“几乎是踩着cursor过河了”[14] - 该产品的推出可能影响用户对竞品会员的付费意愿，有观点认为“可能可以少续费一个会员了”[16]

转自： 新智元 这哪是在造软件？这分明是在堆砌一座随时会崩塌的「数字尸山」。 最讽刺的是，作为AI编程最大的既得利益者，Michael Truell面对自己亲手制造的这头「巨兽」，竟 然流露出了某种恐惧 。 【导读】 这是硅谷近期最大的黑色幽默：Cursor CEO亲拆自家招牌。当「Vibe Coding」变成 一场盲目的狂欢，技术次贷危机的引信已被悄悄点燃。 就在上周，科技圈围观了一场名为奇迹，实为葬礼的闹剧。 Cursor的CEO Michael Truell，这个亲手开启了「对话即编程」时代的男人，做了一个疯狂的压力测 试。 他放出数百个 GPT-5.2智能体 ，在 168小时 里写出了超过 300 万行Rust代码， 目标是复刻人类工业 文明的皇冠——浏览器。 结果呢？ 代码量确实血洗了GitHub，但最终连顺畅地加载出一个谷歌首页都做不到。 他对这种狂欢泼了一盆冷水： 当你闭上眼睛Vibe Coding，本质上是在流沙地基上疯狂堆楼。 这正是当下Vibe Coding最真实的写照： 后端逻辑看似写实、壮观，实则充斥着AI生成的无效循环和 幻觉逻辑； 前端展示则像梗图一样，幼稚且崩坏。 如果你们继续闭 ...

AI+编程行业前景与商业化进展 - AI+编程商业前景广阔，产业推进迅速 [1] - 以Claude、Cursor和GitHub Copilot为代表的AI辅助编程工具已体现出较好的商业化落地效果，相关产品营收快速增长 [1] - AI大模型赋能代码编程和软件开发场景的环节正逐步从编码开发向需求分析、架构设计等环节拓展，带来的效率提升较为明显 [1] 国产AI辅助编程工具发展 - 国产AI辅助编程工具调用主流国产大模型，性价比较高 [1] - 在DeepSeek等国产大模型代码生成能力持续提升的驱动下，其商业化落地也呈现出较好前景 [1] - 若DeepSeek V4在模型能力与成本方面取得进展，有望加速AI大模型相关应用的商业化落地节奏 [1] 软件ETF（515230）概况 - 软件ETF（515230）跟踪的是软件指数（H30202） [1] - 该指数主要覆盖了从事软件开发、销售及服务的企业 [1] - 指数成分股具有高成长性和较强的技术创新能力 [1] - 指数侧重于信息技术行业，以反映软件及相关服务领域的上市公司证券的整体表现与发展趋势 [1]

Three.js 在AI浪潮下的意外崛起 - 核心观点：AI技术浪潮（特别是大模型生成3D内容的需求）直接推动了Three.js用户数据的暴涨，使其从一个有门槛的开发者工具转变为AI时代的核心基建产品[3][5] - Three.js是一款用于在网页上创建3D效果的前端库，在2022年（AI元年）其增长曲线出现垂直起飞[3] - AI生成3D模型、数字人的内容需要展示和交互，Three.js成为网页端绕不开的、统治级的稳定播放器，导致其使用数据暴涨[5] - 该项目由Mr.doob创立并维护了16年，从未接受VC融资，主要依靠社区捐赠和与谷歌的长期合作[7] - 公司并未主动拥抱AI，而是AI的浪潮自然选择了Three.js作为基础设施[9] Tailwind CSS 在AI时代的商业困境 - 核心观点：AI辅助编程的普及反而严重打击了Tailwind CSS的商业模型，导致其官网流量和收入大幅下滑，团队大幅裁员[9][15][20] - Tailwind CSS是一种用于编写网页样式的工具，在AI风口来临后曾是增长最快的开源项目之一[10] - AI（如ChatGPT、Claude、Cursor）在生成网页代码时几乎总是默认使用Tailwind CSS，因为它对AI而言像乐高积木，无需理解设计意图，易于组合生成[11][12][13] - Tailwind CSS几乎成了AI生成UI的唯一语言，甚至被称为“Web生态的标准”[13] - 公司的商业逻辑是：开发者使用免费开源工具，通过查阅官方文档时接触并购买付费组件库[15] - AI的介入导致开发者直接让AI写代码，不再查阅Tailwind文档，致使官网流量暴跌40%，收入仅剩原来的2成（即下跌80%）[15] - 为应对危机，公司团队裁员75%[20] - 创始人Adam表示，商业成功与开源成功成反比，AI虽然让工具无处不在（像空气），但用户不会为其付费，公司生存面临严峻挑战[22]

杨晓峰 华福证券 AI 互联网传媒首席: 然后到了这个到了这个 Cloud Code 这一块，就是等他们把这个最新的 Cloud Code 这 个模型推出来之后，相当于说是大家突然发现，如果用 Cloud Code 来写代码或者写程序 的话。首先他对于整个环境里面那些东西，他的理解是非常完整的。然后就是他写出来代 码，可能你只需要花一些时间去 review 它就可以了，就是你只需要去稍微去判断一下， 说他这个写的对不对，或者说是怎么样就可以了。当然，就是你不需要说自己花很多的这 个精力再去到这个写代码上面去，就这样一个是一个超，就是一个节点，应该说一个节点 就是 AI 它这个能替代你的这部分，就是能替代写代码这个工作的这个超过了，就是你需 要去为它真正所花费的精力、花费的时间，就是确实是变成了一个节省精力的这样一个过 程。 那么这个是他的一个它的一个特征，然后它的主要能力，就是它可以当然它可，首先是最 简单的，它可以跟你对话对吧，然后它可以操作你的这个，操作你选定的这个范围内的这 个文件夹里面的文件。它可以创建或者是修改这些文件。然后，它还可以通过这个 MCP 的方式，就是去控制，比如说像你的这个浏览器，或者 ...

AI对软件工程与就业市场的影响 - 未来从事工程师工作的人数可能会大幅增加，软件工程岗位需求不会变少，只会变得更多，而且规模会比今天大得多 [3][5] - 工程师花在敲代码、调试代码上的时间会明显减少，更多精力会用在让系统替你把事办成上 [3][5] - 在接下来的几年里，会大量使用只为一个人、或者极小群体量身定制的软件，每个人都会不断给自己定制工具 [3][5] AI模型的技术发展与路线 - OpenAI承认在ChatGPT-5系列模型的开发中搞砸了，有意把大部分精力集中在智力、推理和编程能力上，导致写作能力表现不如4.5模型稳定 [11] - 从长远方向看，未来主流一定会是真正高质量的通用型模型，OpenAI希望继续推进下一代模型，让它们在所有维度上都变得非常优秀 [13][14] - 模型学习新技能的速度在接下来的几年里会比人类还要快，目标是模型面对完全陌生的新环境、新工具时，只需解释一次或自行探索后就能稳定可靠地使用 [4][8] AI的成本、速度与商业化应用 - 模型发展进入新阶段，市场除了注重降低成本，也开始要求更快的输出速度，甚至愿意为速度支付更高的价格 [17][19] - OpenAI在压低模型成本上一直做得非常好，模型成本曲线已出现非常明显的下行趋势，有信心将成本打到非常低，让大规模运行Agent在经济成本上站得住脚 [17][19] - AI让创作成本持续暴跌，可以用极低的代价快速试错、验证想法，并建立紧密的反馈回路以筛选好点子 [20] AI对教育与社会的影响 - 在幼儿园阶段，最重要的不是技术，而是通过真实的东西和人来学习交流，因此在搞清楚技术对青少年的长期影响之前，没必要将AI引入幼儿园 [10] - AI很可能成为一种赋权工具，让个人以极低成本做出以前只有大公司或大团队才能做的事，有潜力拉平部分长期存在的经济差距 [23][25] - AI也可能反过来把权力和财富进一步集中到少数人手里，能否缩小经济差距最终取决于如何部署、监管以及配套的政策设计 [25][26] AI安全与风险 - 对2026年AI可能出问题非常紧张，其中最担心的领域是生物安全，当前的限制访问和分类器等封堵式办法可能撑不了多久 [27][29] - AI安全必须从阻止一切发生，转向提高整体抗风险能力的韧性式安全，AI既是问题本身，也是解决方案的一部分 [27] - 如果今年AI发生明显严重的事故，最有可能的领域就是生物安全 [29] AI时代的创业与价值创造 - 创业最难的部分从来不在把产品做出来，而在于让大众真正关注、使用并与其建立连接，AI并未改变这一根本挑战 [30] - AI让软件开发变轻松，但创业的其他环节并未变简单，必须找到真正有差异化的价值突破口，产品才有可能被市场接受 [30] - 在软件能力爆炸的世界里，人类注意力极其稀缺，真正稀缺的是人的注意力与好创意，创业仍需靠持续创造非凡价值 [30]

AI对软件工程与就业的影响 - 未来从事软件工程师工作的人数可能会大幅增加，全球GDP中会有更大一部分通过这种方式被创造出来 [4][7] - AI将显著减少工程师花在敲代码和调试代码上的时间，更多精力将用于让系统完成预期功能 [4][6] - 未来将大量出现为个人或极小群体量身定制的软件，每个人都会不断为自己定制工具 [5][6] AI模型的发展趋势与OpenAI产品路线 - OpenAI承认在ChatGPT-5系列模型的开发中“搞砸”了，因其过度专注于提升智力、推理和编程能力，导致其他方面（如写作能力）表现不稳定 [18][19] - 从长远看，主流将是真正高质量的通用型模型，OpenAI希望下一代模型在所有维度上都变得非常优秀，并相信可以在单一模型中实现 [21][22][23] - 模型学习新技能的速度在未来几年会比人类还要快，并且有望在面对完全陌生的新工具或技术时，仅需一次解释或自行探索后就能稳定可靠地使用 [11][12] AI对教育的影响与态度 - 在幼儿园阶段，最重要的学习方式是跑动、玩耍以及通过真实物品和真人进行交流，因此不仅AI，连电脑本身都不应被引入 [14][15] - 在真正搞清楚技术对青少年的长期影响之前，至少在幼儿园阶段没有必要引入AI [16] AI的成本、速度与商业化瓶颈 - 模型发展进入新阶段，市场关注点不再只是降低成本，对输出速度的要求变得同样重要，用户甚至愿意为更快的速度支付更高价格 [24][26][27] - OpenAI在压低模型成本方面一直做得非常好，成本曲线已呈现明显下行趋势，并有信心将成本降至足以支持大规模运行Agent的经济可行性 [24][28] - AI降低了软件开发成本，但创业最难的部分在于让大众关注、使用并连接产品，根本问题在于人类注意力的极度稀缺 [43][45][46] AI的经济效应与社会影响 - AI很可能带来非常强的通缩效应，因为它能让个人以极低成本完成以往需要大公司或大团队才能完成的事情 [34][36] - AI有潜力拉平长期存在的经济差距（如性别工资差距），但也可能将权力和财富进一步集中到少数人或公司手中，最终效果取决于部署、监管和政策设计 [37][38] AI安全与风险 - 对2026年AI可能出问题感到紧张，最担心的领域是生物安全，当前依赖限制访问和分类器的“封堵式”安全策略难以持续 [39][42] - AI安全必须从阻止一切发生转向提高整体抗风险能力，即建设“韧性式”安全，AI本身既是问题也是解决方案的一部分 [40] AI在创意与科学研究中的应用 - 世界上已存在大量人类生成的垃圾内容，真正的困难在于想出好的新点子，应构建专门帮助人们产生好想法的工具 [29][30][31] - 内部使用的“特殊版本”GPT-5.2模型带来的科学进展已不再是可有可无的水平 [33]

核心观点 - 报告对计算机和汽车行业进行了分析，核心观点是：国产AI大模型性能提升有望推动AI应用商业化落地；汽车行业在经历“量稳价缓”后，展望26年将呈现“价升量稳”的格局 [3] 计算机行业 - 国产AI大模型性能的提升有望推动AI应用的商业化落地 [3] - 以Cursor、GitHub Copilot为代表的AI辅助编程工具已体现出较好的商业化落地效果 [3] - 在DeepSeek等国产AI大模型持续提升代码生成能力的驱使下，SnapDevelop、EasyDevelop等国产AI辅助编程工具商业化落地也呈现出较好的前景 [3] - 若DeepSeek V4在模型能力提升、算力成本下降方面有较好进展，有望加速包括AI辅助编程工具在内的AI大模型相关应用商业化落地的节奏 [3] 汽车行业 - 11-12月乘用车观望需求约150万辆 [3] - 25年12月乘用车渠道库存小幅去化 [3] - 报告以“走出通缩”作为25年年度策略主题，对行业的判断是“量稳价缓”，此判断总体正确，背后逻辑是“监管思路变化+龙头公司战略调整” [3] - 展望26年，对国内行业的判断是“价升量稳”，这与市场一致预期不同，得出此结论的逻辑是：监管思路变化+26年三种场景预判下的风险收益评估+政策韧性对量的支撑 [3]

核心观点 - 大语言模型将代码生成的边际成本压缩至相对于人力成本可忽略不计的水平，软件产业的底层逻辑正在发生根本性变化，竞争壁垒从“编码能力”转向“数据资产” [2][30] - “代码已死”是一个经济学命题，指手动编写代码作为一种稀缺技能的经济价值正在快速衰退，因为AI编程工具使代码生成的供给近乎无限、成本大幅下降 [3][31] 编程范式的经济学演进 - 编程技术的演进史是稀缺资源不断转移的过程：从早期的“机器稀缺”（1950-1970年代），到“人力稀缺”，再到“复用与分发成本”，如今进入“定义稀缺”时代 [4][32] - 在“定义稀缺”时代，AI可根据自然语言描述生成代码，编程范式从“如何实现（How）”转变为“实现什么（What）”，稀缺资源变为清晰定义需求的能力和验证结果正确性的能力 [4][32] - 软件生产的瓶颈从供给侧的技术能力转向了需求侧的业务理解力 [5][33] 软件产业的变化 - 软件生产将“即时化”：企业可能像点外卖一样“即时生成”软件，软件从昂贵的“资产”变成随需应变的“消耗品”，一次性使用将成为常态 [6][34] - 通用软件将“免费化”：当每个人都能低成本生成专属软件时，大量通用软件将被迫免费，成为获取用户的流量入口 [6][34] - 软件的成本结构正趋同于水电等公用事业，即按用量付费的可变成本，但市场仍具有充分竞争性 [6][34] - 当代码不再稀缺，稀缺性转移至专有数据和领域知识 [6][34] - 企业的专有数据具有“俱乐部商品”属性（非竞争性、排他性），由此带来的超额收益称为“垄断租金” [7][35] 软件行业定价模式变革 - 新的盈利点将转向两个方向：一是按结果收费（卖业务成果），二是按算力收费（类似水电费） [9][37] - “按结果付费”面临深刻的经济学难题，即委托代理问题，需要构建新的信任机制（如行业信誉评级、第三方审计）才可能大规模落地 [11][39] - “按算力付费”模式透明、可计量、易于比价，将彻底改变企业IT成本结构，从资本支出变为运营支出 [12][40] 软件工程师的角色与人才结构变化 - 代码自动化后，软件工程师需要“向上走”和“向下走” [8][36] - “向上走”指进入系统工程领域，工作重心从写代码转向设计AI协作架构 [14][42] - “向下走”指深耕数据工程领域，构建高质量的数据管道以确保AI产出质量 [14][42] - 软件行业人才结构将呈现“哑铃型”分布：顶层是AI系统架构师，底层是数据基础设施工程师，中间层（按需求写代码的程序员）面临最大职业冲击 [10][38] AI对特定行业的影响 - **金融业**：AI让复杂量化分析能力民主化，使面向中产阶级的“AI私人银行”服务成为可能，人类财富顾问将更专注于处理非标准化关系和承担受托责任，变得更为稀缺和昂贵 [19][47] - **法律业**：AI将自动化程式化工作（检索、审阅、起草），律所竞争优势将取决于合伙人专业洞察的数字化与杠杆化，资深合伙人指挥AI团队可能产生前所未有的“知识杠杆”，但初级律师的职业入口可能被压缩 [20][48][50] - **医疗业**：AI在诊断等环节已展现出高准确率，但诊疗责任无法转嫁给机器，责任归属不明确（算法开发商、医生、医院）是AI落地医疗的关键制约因素 [23][51] - **教育业**：AI导师将大幅降低标准化知识获取成本，但“育人”功能（人格塑造、创造力培养）高度依赖人际互动且难以被AI替代，将变得越来越昂贵，教育服务将分化为AI提供的低成本知识服务和人类导师提供的高端指导服务 [24][52] 市场格局展望 - 在通用大模型领域，因强大的“数据网络效应”，呈现赢家通吃趋势，由OpenAI、Anthropic、Google等少数玩家主导 [16][44] - 在垂直应用领域，因专有数据分散、监管差异大，难以形成全球统一市场，更可能出现的格局是“细分垄断”，即每个细分赛道由一两家专业玩家主导，全局呈现百花齐放 [16][44] - 对企业的启示是应避开通用赛道，在垂直领域深耕数据壁垒，建立独家数据资产 [17][45] 经济学规律与制度挑战 - AI时代“鲍莫尔成本病”将在数字领域全面爆发：AI可自动化的环节成本大幅下降，必须由人工参与的环节相对成本急剧上升 [13][41] - “真实性”将成为稀缺品并获得巨大溢价，如经过人工审核的数据、有真人背书的分析、可追溯责任的服务 [15][43] - 数据产权的清晰界定与高效交易是上述变革的关键制度前提，但当前数据市场面临产权模糊、交易成本高企、交易市场缺失以及全球隐私保护立法趋紧等挑战 [25][53] - 政策制定者需在保护隐私、促进创新、维护公平竞争间找到平衡，可能的探索方向包括分类确权、建设数据交易基础设施、设立监管沙盒等 [26][54][55]

文章核心观点 - AI在Coding领域的成功已验证了一种由庞大市场规模、自然场景延展能力和产品驱动型GTM模式构成的爆发路径，而Excel具备相同特质且市场规模更大，有望成为下一个迎来爆发的高价值AI垂直领域[1][2] - AI驱动的变革可能从Excel等单一工具扩散至整个Office体系乃至更广泛的企业软件交互方式，最终改变人与软件协作的基本范式[3][4] Coding行业概览 - **GTM模式**：Coding工具的采用主要依靠开发者自下而上的自助式传播，开发者能快速识别优秀工具并拥有采购影响力，使得优秀产品几乎无需投入大量销售和市场资源即可快速推广[5][6][7][8] - **市场规模**：Coding行业公认的总潜在市场规模约为2万亿美元，其中美国、欧洲和其他地区的开发者数量分别为600万、700万和1600万，对应潜在市场分别为9000亿美元、4900亿美元和5600亿美元[10][11] - **市场现状与战略**：已有4家公司年经常性收入超过10亿美元，至少7家公司ARR突破1亿美元[12] - GitHub Copilot预计2026年初ARR超22亿美元，战略是通过Microsoft生态系统实现企业主导[13] - OpenAI Codex预计ARR超10亿美元，战略是成为专用的Agent-native平台[13] - Claude Code预计ARR达11亿美元，仅用6个月达到10亿美元ARR，被视为Agent的先进“推理大脑”[13] - Cursor预计ARR超10亿美元，是最受欢迎的“心流状态”与Agentic多文件编辑工具[13] - Replit ARR为2.53亿美元，在vibe coding领域领先[13] - Lovable ARR为2亿美元，在生成式UI和“创始人无代码”领域高速增长[13] - **行业地位**：Coding不仅是一个终端市场，更是一个切入入口，掌控开发者工作流能对构建其上的所有应用形成杠杆效应[11] Excel与AI结合的潜力分析 - **相似模式**：Excel与Coding相似，具备庞大的TAM、通向大量相邻场景的入口以及可自助式采用的GTM模式[17] - **市场规模**：全球电子表格的月活跃用户规模估计为15–16亿，Excel实际覆盖的用户基础更大，是一个拥有约30亿用户的庞大市场[1][18][22] - Google Workspace拥有超过30亿用户信任和超过1100万付费客户（2025年）[18] - WPS Office全球月活跃设备数达6.32亿（2024年12月），累计付费订阅用户达4170万[19][20] - Microsoft Office历史上有约12亿用户[20] - **市场外延**：软件行业规模约1万亿美元，其中应用软件约占50%，相当一部分本质上是“Excel wrappers”（如Airtable, Smartsheet, CRM等）[23] - 如果AI-native的Excel变得可编程，其市场机会将远超Office产品本身，从电子表格使用扩展至应用程序创建[23] - **GTM与切入点**：金融行业是AI切入Excel的天然起点，原因包括金融从业者人均利润高、付费意愿强、拥有预算审批权以及清晰的ROI[24] - 美国金融服务和保险从业者超过670万人，全球财务职能人员约1.5亿人，占全球电子表格月活用户（约15.5亿）的约10%，构成规模大且高度可变现的初始入口[24] 行业趋势与竞争动态 - **企业布局**：OpenAI和Anthropic都在积极进军电子表格和生产力工作流领域[2] - **产品案例**：Claude Code推出的Excel功能被视为有意识地切入一个长期存在但尚未被AI系统性重构的核心生产力领域[22] - **发展路径**：Coding已证明一个自助式、深度嵌入工作流且作用面广的工具扩张速度可以超过几乎所有其他软件品类，Excel可能是这一打法的下一个版本，且规模更大[24]