当模型吃掉一切：AI 应用的三层生死线
模型能力的进化已经快到一个临界点。很多过去被包装成”产品价值”的东西，其实只是模型能力尚未到位时的临时补丁。补丁迟早被原生能力收编，收编完之后，应用层还剩什么？
这个问题今年变得特别紧迫。Google I/O 2026 上 Gemini 直接给了 2M token 上下文，Anthropic 出了 Claude Code 从命令行接管开发流程，OpenAI 把图像生成做进了原生能力。每一次模型升级都在吃掉一批应用层产品的核心价值。
我想试着回答：模型越来越强的前提下，做 AI 应用的人还能做什么？
一步之遥：什么产品注定被吃
我的判断标准很简单：
任何”模型厂商再走一步就能吃掉你”的产品，都不该做。
三个例子：
Cursor vs Claude Code。 Cursor 把 AI coding 做得很好，但 Anthropic 出了 Claude Code 之后，直接从命令行进入开发者工作流。上游厂商的 token 成本和系统集成深度，中间层产品拼不过。Cursor 得不停往上跑——做 IDE、做协作、做企业版——才能不被追上。
AI 设计工具 vs GPT Image / Claude Design。 一样的问题。OpenAI 和 Anthropic 把图像生成能力原生集成之后，中间层的 AI 设计工具被压得越来越窄。上游能力直接”长”出来了。
浏览器 AI 插件。 本质是 context 收集和理解的中间层——帮模型抓网页内容、整理信息。模型原生支持长上下文 + 多模态之后，这个中间层就没什么存在意义了。
共同模式很明显：产品的核心价值建立在模型当前能力的缺陷上。RAG 有价值是因为上下文窗口短，AI coding 中间件有价值是因为模型还不够好需要 prompt 来补，浏览器插件有价值是因为模型还不能直接上网。
缺陷一补上，价值归零。
三层模型：哪层危险哪层安全
过去两年 AI 应用做的事，按被吃掉的风险可以分三层：
第一层：能力补丁（正在被吃）
Prompt 工程、上下文拼接、RAG、工具调用编排。
这一层被收编得最彻底。Gemini 2.5 Flash 给了 2M token 上下文窗口，大量 RAG 场景直接变成”把文件扔进去就行”。过去靠”更聪明的检索增强”融到钱的公司，现在面对一个尴尬的事实：它们解决的问题，模型自己解决了。
回想一下，到 2025 年，RAG 被文件系统替代了，multi-agent 被一个 subagent tool 替代了。2024 年学到的”懂 AI”，到 2025 年就作废一半。这个速度还在加快。
第二层：工作流封装（一半被收编）
多步骤 Agent 调度、长任务记忆、跨应用状态同步。
比第一层安全一些，因为工作流涉及业务逻辑理解，不是模型单点突破能解决的。但平台层在把通用工作流能力往操作系统和生产力套件里塞。留给垂直产品的空间，是那些需要深度业务理解的专业场景——法律文件审查、医疗影像分析、金融合规检查这种。
第三层：场景与关系（模型吃不动）
用户身份、数据资产、信任关系、协作网络、合规边界。
这一层不是技术问题。模型再强也替代不了”这个企业积累了十年的客户关系”，替代不了”这个平台上沉淀的用户行为数据”，替代不了”这个行业的合规审批流程”。模型短期吃不动，可能永远吃不动。
“懂 AI” 不是护城河
一个我越来越确定的判断：
带着 AI 认知去插入一个陌生领域，和这个领域的人自己装个 Claude Code——谁更快？
领域里的人更快。
逻辑是：
- AI 能力是公共的。Claude Code 装在每个人电脑上，使用门槛趋近于零。
- 领域 know-how 是私域的。你短期内学不会一个行业十年积累的隐性知识。
- 当 AI 变成通用能力，竞争优势回归到谁更懂业务场景。
“懂 AI”作为入场券有用——你需要知道模型能做什么。但”懂 AI”作为护城河不行，会被快速磨平。靠”懂 AI”去插入别人的领域，不可持续。
过去两年，“AI native”是最热的标签。掌握 prompt engineering、理解 LLM 能力边界、能设计 Agent workflow——这些被认为是稀缺技能。但当这些能力被产品化（Claude Code、Cursor、Copilot），人人都能用的时候，差异化就不存在了。
两个判断维度
评估一个 AI 产品能不能活下来，我看两个维度：
维度一：离模型原生能力多远？
做的事是”帮模型补能力”（RAG、prompt 优化、context 管理），产品寿命取决于模型多久能自己补上。以目前半年一代的速度，答案通常是 6-18 个月。
做的事是”在模型能力之上构建场景价值”（用户关系、数据飞轮、合规认证），模型怎么进化都碰不到你。
维度二：有没有网络效应或数据壁垒？
纯技术型 AI 产品（更好的 prompt、更快的推理、更准的 RAG）几乎没有网络效应，用户零成本切换。有用户关系网络的产品（协作平台、社交网络、marketplace）天然抗替代，因为替代成本不是技术性的，是社交性的。
对我们意味着什么
做 AI 应用创业的： 用”一步之遥”标准检验产品。如果 OpenAI / Anthropic / Google 明天发了某个功能，你的产品还有价值吗？答案是”没有”的话，把赌注挪到第三层去。
在大厂做 AI 相关工作的： “懂 AI”技能的半衰期在加速缩短。2024 年学的 RAG 到 2025 年过时，2025 年学的 Agent 编排到 2026 年可能被平台收编。真正值得积累的是”在什么领域用 AI”，不是”怎么用 AI”。领域知识不贬值。
在考虑下一步的： 判断标准不是”这事能不能做成”，而是”这事是不是只有我能做”。如果需要你在某个行业深耕多年的领域知识，而且这些知识不会被模型进化淹没，可能是好方向。如果任何会用 Claude Code 的人都能做，护城河就不存在。
模型在变强，趋势不可逆。但变强不意味着应用层没价值——意味着价值得建立在模型够不到的东西上。用户关系、数据资产、行业合规、场景理解，这些积累速度远慢于模型训练速度，也因此更难被替代。
在模型吃掉一切之前，找到你的位置。
References:
- 哪些能力会被模型快速吸收，哪些价值依然只能由应用产品完成？ — 知乎 (2026.5)
- Google I/O 2026 — Gemini 2.5 Flash 2M token context window