# MuleRun 陈宇森：Claude Code带来Agent创作新范式，未来的软件是日抛式的

> 晚点聊 LateTalk No. 151 精读

- 发布日期：2026-02-12
- 主持：程曼祺 等
- 原节目：https://www.xiaoyuzhoufm.com/episode/698d517c8e1bab265407b6e4
- 网页版：https://latetalk.qiaomu.ai/ep/698d517c8e1bab265407b6e4.html
- 精读字数：约 9796 字（阅读约 22 分钟）

> 本文为 latetalk.qiaomu.ai 基于节目转写的 AI 整理精读，不是逐字稿；引用请注明出处并链接网页版。

2025 年 4 月，陈宇森带着团队做出了一个 Vibe Coding 产品，内测一段时间后他承认：同样的 prompt，在 MuleRun 跑出来的结果和 Lovable、Bolt.new 几乎一样。大家依赖的都是同一个 Claude API，产品能做多好，跟模型能力直接挂钩。他没能做出差异化，于是掉头。

这次掉头最终指向一个更大的假设：Claude Code 是当前最强的通用智能体，当它把造一个 Agent 的门槛压到足够低，大量没有代码能力的人就能把自己的工作流程封装成一个个勤恳的 AI 骡子，再拿到市场上交易。MuleRun 由此变成 Agent 交易平台。2025 年 12 月上线三个月后，陈宇森和主播程曼祺聊了一次；2026 年 1 月上旬 AgentBuilder 内测开启，两人又聊了一次。不到一个月，这家公司的核心产品思路已经改了一次方向。

这期节目还聊了另一条线：一个 33 岁、创业十几年、做过四家公司、成功退出过一次也亲手关过公司的人，怎么解释自己的低谷，以及他反复提到的两个字，用心。

## 从 Vibe Coding 掉头：等一个创作足够简单的时刻 0:02:16

陈宇森 22 岁从浙大毕业就创办了网络安全公司长亭科技，五年后卖给阿里云，之后又做过游戏公司，2024 年底开始筹备 MuleRun。他判断这件事的起点很朴素：2024 年底，Cursor 已经明确找到 PMF，说明在大语言模型智力提升的背景下，Coding 这个应用领域开始产生真正的生产力价值。而编程是桥梁性的工作，AI 能替代或辅助人写代码，很多事情就能由 AI 直接做。

最早的思路是做交易平台，框架中立，你在哪里做的 Agent 都可以来部署、来赚钱。「赚钱是人类生产力大发展的超级前提，它可能是最大公约数。」但平台要成立，前提是供给足够丰富。上线三个月，MuleRun 完成了交易功能，也有一批供给上架，用户增长团队做得不错，注册用户不少，陈宇森却觉得遗憾：**没有看到足够大量的 PMF 发生，问题出在供给的丰富度上。**

他复盘时把原因指向门槛。低代码工具他也考虑过，最后放弃了，理由是「能做低代码的人，本质上是可以 coding 的」。真正让普通人动手的前提是只需要自然语言，不需要知道什么是参数、什么是拖拉拽、什么是循环和条件。一个 HR 知道自己每天的工作流程，一个客服知道自己去哪个系统拿知识、怎么处理退换货，把这些描述清楚，AI 就应该能高准确率地完成任务。这样的任务每天可能有一千个人、一万个人在做，Agent 做得比人高效，剩下的人就愿意花钱让 Agent 干。

这套推演要真正跑通，缺的是一个创作足够简单的拐点。陈宇森说，他们最早做交易平台时等的就是这个点，只是当时不知道它长什么样。Claude Code 出现后，他认为等到了。

## Claude Code 是眼下最强的通用智能体，这是整件事的地基 0:05:00

陈宇森对 2025 年 Coding 赛道格局的判断相当直接：Claude Code 和 OpenAI 的 Codex 在这一年进展很猛，用户数提升很快，而 Cursor、Windsurf、Devin 这些产品在名次上没有发生什么变化。「也没有人在这个一年的赛跑之中，通过自己的某一些设计变得比别人更强。」

更关键的观察来自 Anthropic 自己的博客：Claude Code 最初是作为 Coding Agent 做的，但内部同事拿它看邮件、做各种电脑操作，需求本来就不只在写代码。这让陈宇森意识到，**Claude Code 事实上已经是一个通用智能体，只是大多数人还没意识到。**他提到，这在几个月前还是非共识，现在快成共识了。

在这个认知之上，MuleRun 给自己划了两件事：一是足够好的 Runtime，也就是运行环境；二是足够清晰的 Skills。前者很好理解，不给 Claude Code 一个浏览器，它就没法替你在浏览器里操作，而怎样让浏览器更好地被它操作，里面有工程问题。后者是给 Agent 的知识：要操作 Excel、要操作浏览器、要用某几个软件，这些软件的使用方式放在 Skills 里。普通人只要描述清楚需求、选好 Skills，剩下的交给 Claude Code。

他还提到一个容易被忽略的商业化点：**一个足够好的 prompt 是有商业价值的，只是目前没有被商业化。**Nano Banana 刚火的时候，全网都在做桌面手办图，但要用上它，你得能访问 Gemini 或 Google AI Studio，还得在 Twitter 之类的地方找到那段 prompt。用好搜索引擎本身就是有门槛的技能。于是有人在闲鱼上帮人做，一次收五块钱；MuleRun 上也有创作者做了一个很简单的流程，背后调用那段 prompt，把图发给 Google，拿结果收零点几美元，用户量还不小。

> 「用好搜索引擎的确还是一个有门槛的技能。」

程曼祺补充了一个更生活化的场景：在餐厅吧台吃饭，旁边十八九岁的服务员问她是不是搞 AI 的，说自己在群里跟着一个台湾大哥用 AI 赚钱，帮人 P 头像。陈宇森接过话：早年用 Stable Diffusion 或 Midjourney 生图，那段 prompt 有点像代码，格式不像自然语言，关键词写在哪里效果就不一样，那时候帮人生成卡通猫狗头像，一次也能赚十块钱。他把这类角色叫作 AI 能力和普通人之间的翻译中介。

## 同一波技术变化，N8N、Dify、Coze 走了不同的路 0:23:08

市面上做 Agent 和 Workflow 的玩家不少，陈宇森逐个点评了他们的选择。

N8N 很早就有一个 marketplace，但卖的是代码，陈宇森认为它没有意识到这件事的重复交易价值，长期看也许会意识到。Dify 更专注 to B，在日本和美国市场做得不错，服务的是大公司内部要跑工作流、内部软件不能暴露到外网的安全需求。MuleRun 和 Dify 的团队交流过，希望 Dify 做出来的东西能直接在 MuleRun 上跑起来，几位联合创始人也看好这个方向。

Coze 的情况是，平台上大量产品还是 Chatbot 类，创作工具也长期押注低代码。但陈宇森注意到 Coze 最近一场发布会变化很快，转向了类似 Vibe Coding 的方向：不再拖拉拽，给需求就能做出来。「我觉得他看到了一个我们更 respect 的变化。」不过他点出一个结构性差异：**MuleRun 和 N8N、Dify 算上下游，但 Coze 是封闭生态，在里面编辑好的东西能不能拿到别处部署，他不确定。**以字节的习惯，大概率会把闭环全做掉。

蚂蚁灵光被外界称作高配版马卡龙，陈宇森的看法是生产关系选择不同：自己做自己用，还是自己做别人用。Youware 的林超平选的是后者，但把它理解成一个社交网络；MuleRun 理解成交易市场。他用拍照打比方：智能手机普及之前，拍照要买一台不便宜的数码相机，手机拍照只有记录能力，谈不上美感；当拍照平权之后，照片这个载体长出了 Instagram、Snap 这些不同的产品。Vibe Coding 的产物太新，大家对它的定义还在各自路径上做选择。

「谁不想要一个新时代的 App Store，没有人不想要，但是这个路径选择目前可能大家还不一样。」

## 上线三个月：双边市场的冷启动，和大量 SOP 加少量大模型 0:28:54

MuleRun 正式上线三个月，团队五十人左右。陈宇森说，双边市场最难的是 meeting the middle：没有用户，供给方问凭什么把东西放你这儿跑；没有供给，用户问来你这儿干嘛。他们原本设想的是一些很 niche 的场景，每个场景有一百个 DAU 就够，实际跑下来，有几个场景出现了十个左右的强 DAU 用户，不算多。接下来的策略是两头走：在看见机会的点上深挖，同时继续解决供给丰富度。

关于商品质量，他的标准很硬：交易平台提供给用户的东西，对给定任务的完成率必须高，做一百次错一次可以，做十次错五次就是垃圾商品，要干掉。MuleRun 为此在做比较复杂的 benchmark 和评测系统，持续监控 Agent 是否有效，加上用户评论和反馈，未来甚至要考虑退钱这类复杂机制。这也是他承认交易平台听起来不性感、有大量苦活的地方。

开发方式上，他反复提到大量 SOP 加少量大模型。背后的思想来自那篇《苦涩的教训的边界》：很多事情不该让大模型做，该让代码做，大模型该做的是判断这个问题应该写代码解决，写好代码直接拿结果。**把一大串上下文塞进 prompt 让模型自己算，既不稳定，也浪费宝贵的上下文窗口。**他举了个经典例子：让大模型判断 9.11 和 9.20 谁大，这类问题就该调一段代码，而不是考验模型的幻觉。

官方要不要自己下场做 Agent 填充货架？陈宇森说想做但做不过来。框架中立意味着要兼容各种产品的部署方式，工程量很大。回头看，如果早期花时间做几个看得准的场景，不一定是坏事。但新的创作范式来了，用 Claude Code 加 Skills 这套方法，团队一个月就能上架非常多足够好用的 Agent。

## Skills 详解，以及一个 Skill 交易市场背后的脏活 0:42:21

第二次访谈从 Skills 讲起。陈宇森的解释是，过去做复杂任务要写很长的 prompt，长任务一旦触发上下文压缩，信息就丢了。Skills 的核心是一套分层加载机制：Agent 一开始不会把所有内容读进去，只知道这个 Skill 解决什么问题；遇到类似问题时，先看一眼所有 Skills 的元信息，判断要不要接着读，确定需要才加载。

Skills 大多数是一些文档，有时也带工具：里面可能是一段写好的程序，告诉你遇到问题按这个方法做，甚至直接调这段代码；也可能是一个 API，告诉你读完发现这事不需要大模型自己做，调接口拿结果就行。这和大家早期做 Agent 时 Code RA 的思想一致：**复杂的大量输入，能不交给大模型就不交，因为上下文越长，幻觉越多，智商越低。**

什么时候读哪个 Skill，由模型自己判断。这正是 Agent 和传统软件最核心的区别：传统软件几乎是写死的，大量 if else 和 case，遇到什么问题进什么分支；现实世界的问题没法完美分类，需要大模型在中间做决策。

MuleRun 在 Skills 上做的活比想象中重。GitHub 上能爬到的 Skills 有几万个，同一个任务，比如挑餐厅或把 PDF 转成更好的格式，网上能找到三五个甚至十个，选哪个需要一套评价机制。他们正在做一套可信度较好的 Skills 评测系统，用算法分析哪个 Skill 在同样任务下表现更好。同时还要做安全分析：某个 Skill 里如果写了有问题的东西，你调它的时候，它可能从 Claude Code 的环境里反弹一个 shell 出去，你的电脑就被别人控制了。**一个用起来顺手的 Skill 市场，底下是一整套评测和安全审计。**

官方会优先做浏览器操作方向的优化。陈宇森的理由是，Google 做 ChromeBook 的逻辑就是只要有一个浏览器就是操作系统，今天大量工作发生在浏览器里，能自动帮人完成浏览器里的工作就很有价值。他也强调 Skills 和 Tools 是联合优化的过程，很多通用 Skills 不只是描述性 prompt，还附带真的工具。

## 软件会变成日抛式的，AI 是制造业 0:47:32

程曼祺提到 MuleRun 同事的一个比喻：过去大家用的是大量工业制品，3D 打印带来的变化是，你可以做你和你三五个朋友需要、但没有大规模工业价值的东西。陈宇森很认同。过去软件开发成本高，一个软件至少要服务一千到一万人的共同需求，组织形态因此是集中式的；现在门槛足够低，开发变得分散，可以为一两个人、三五个人的需求做一款软件。

再往前推，他给了一个更激进的判断：**软件未来是日抛式的，代码为了执行特定目的被精确地创建、执行、完成、销毁。**短期到不了那一步，但创建一个没那么多人用、一小部分人每天用得很爽的 Agent，已经很有价值。

程曼祺追问：如果软件日抛，生产一次卖很多次的商业模式还存在吗？陈宇森的回答是，往后看十年，软件公司如果不自我革命，大概率会被 AI 公司全面吃掉。他把 AI 类比成制造业：3D 打印每做一次消耗线材，AI 每做一次消耗 token 和算力。程曼祺顺着说这挺消耗能源，他提到太阳能发电曾经电多到没处用，现在又缺电，这会迫使人类更快去点亮可控核聚变。

token 成本会不会低到让这个特性消失？陈宇森的判断是，价格低说明没有垄断性，有三五家供给的 token 都不错、彼此拉不开显著差距，才会打价格战；只要有一家能力显著强于别人，就不会便宜。**而智能还在快速演化，所以短期内成本不会特别低。**需求端则近乎无限，AI 重塑的是整个社会的劳动力，它是生产力本身，地球上的活干完了还可以去太空找活干。

## Agent Builder：从套壳模型到套壳 Claude Code 0:52:12

2026 年 1 月 16 日，MuleRun 的 AgentBuilder 开始内测。陈宇森先拆了 Agent 的本质：一个可交互的大模型 API，中间构建一个 Agent Loop，因为 Agent 做事不是一次做对的，要反复和大模型交互、拿到结果、加上预设的判断条件再处理；另一个核心是上下文工程，上下文窗口有限，太长模型智商下降严重，必须省着用；再加上 Tools，模型本身不能和外界交互，给它 Playwright 就能操作浏览器，给它 Nano Banana Pro 的 API 就能画图。

通用 Agent 各自选择怎么控制 Agent Loop 和上下文工程，能力高低由此分化。LangChain 这类框架帮你预设了一些实践，你可以在里面调整。而 Claude Code 是 Anthropic 自己把 Agent Loop 和上下文工程做好了的最上层产品，它自己决定循环怎么做、上下文怎么省。陈宇森说，作为一家 2026 年 1 月重新转型出发的公司，没有充分时间从下往上做，一定要找市面上已经比较好的东西。**当年 Manus 出来时大家调侃它是大模型套壳，MuleRun 套得更彻底，是在 Claude Code 这样的基础 Agent 上再做一层。**

他们的增量在三处：Skills 市场做了评测和大量预制，可以一键调用；Runtime 环境持续打磨；再加上云端好用的编辑和架构工具，让普通人定义任务、选择 Skills 和 Runtime，就能构建自己的 Agent。陈宇森承认，从技术角度看，短期做的东西比较浅，但大家会很容易忽略降门槛对一个产品的价值，很容易觉得这个东西没有技术含量，不值得做。

这种认知转变来自他对 DeepSeek 爆红的观察：如果那时你是 OpenAI 的深度用户，会发现 o1 同期做到了类似的事，并不差，但没有破圈。DeepSeek 赢在免费、传播势头、只用 557 万美元训练的说法、中文语料带来的俏皮话，以及把思维链直接展示出来。**技术强大且领先是事实，但那次胜利的核心不在技术本身。**ChatGPT 2025 年三四月用户大规模增长，靠的是生图功能带火的吉卜力风格；Google 去年的增长主要得益于 Nano Banana，而不是 Gemini 能力提升。他的结论是，技术领先性固然重要，但如果只觉得没有技术就什么都做不了，思想就狭隘了，技术背景的人要勇敢去做那些看起来技术深度不大、但用户体验有很大进步的产品。

Anthropic 在 MuleRun 内测同期发布了 Claude Cowork，一个有交互界面的 Agent，同样是在 Claude Code 这个基础 Agent 上包一层。陈宇森说这超乎预料但在预期之内，Anthropic 在 Agent 能力上走在最前沿，你在它网页端提问时，它其实开了一个沙箱在里面干活，只是没塞浏览器进去。不过他认为 Anthropic 一段时间内不会把 Skills 这类能力放进去，从可用到极度易用之间还有空间，不然这些套壳厂全死了。

两者的差异在位置：Cowork 在桌面端，能读你本地的日历、文件、登录凭据；MuleRun 在云端，适合工作与效率场景。陈宇森还提了一个安全上的好处：云端可以只放特定登录凭据，甚至为 Agent 单独创建一套权限严格受控的账号，它只能做相关的事。

## 货架式市场过时了，未来在对话里触发交易 1:01:22

内测几天后，陈宇森看到了很大的希望。过去那套架构要求创作者先用 N8N、LangGraph 做好再上架，流程复杂；现在基础 Agent 和环境都在 MuleRun 受控范围内，上架步骤几乎免去，分享给朋友随时可以，构建几乎全靠自然语言交互。

更重要的变化在产品形态。他把电商入口分了三代：第一代是陈列式货架，选择难度很大；第二代是推荐，以字节为核心；第三代是聊天式，不推荐，通过对话帮你解决一系列问题。**「我们在这个时候做一个 marketplace 是有点儿逆潮流而动。」**东西少还好，辛苦工作攒下一两百个还不错的 Agent，新用户进来两眼一抹黑，点了两个没得到好效果，就拜拜了。

所以 MuleRun 的核心入口要改成对话式：表面看更像一个通用 Agent 或超级 Agent，底下带着生态。你提出的问题触发到某个创作者预制好的 Agent，它已经替你打磨过复杂 prompt，你直接用它就行。货架会退到二级入口，给明确知道自己要什么的人用。

这里有个没想清楚的问题：经济系统。过去上架一个商品、标价售卖很直接，现在用户是被对话引导过来调用某个 Agent 的，贡献怎么计量、收益怎么分配，内部还在讨论，设计好的商业模式很可能被推翻。程曼祺追问，那 Agent 开发工具和交易市场的界限在哪？陈宇森承认这是他们现在没想清楚的问题，核心是该以分享为主还是交易为主。分享不产生交易，有点像社交传播，但又不是社交。

他还反思了节奏：团队在 marketplace 这件事上执着和纠结的时间久了点，没能快速切换到看见的更大机会上，动手慢了。如果几个月前就全力做 Agent Builder，哪怕只做这一件事，可能也成立。

至于通用 Agent 和垂直 Agent 的关系，他用电商打比方：淘宝上有很多品牌，但平台体量肯定超过绝大多数单独品牌；在中国，电商独立站不成立，因为只有平台能拿到足够多的流量，在平台买流量的成本甚至比自己在外面打流量还便宜。他的判断是，大量垂直 AI 供给应该长在平台上。但通用 Agent 和垂直 Agent 始终是两个层面的生态，用户群不同，还涉及 memory：很多人用 ChatGPT 最熟练，因为它大概知道你是什么样的人，换一个就要重新开始。

## 四家公司，一次成功退出，一次亲手关掉 1:15:40

节目后半段回到 12 月的聊天。陈宇森承认，自己有过觉得无所不能的阶段。长亭卖了之后，他同时做了两家公司，一家游戏公司、一家数据安全公司。游戏公司第一个项目就失败了，后来关掉；安全公司还在，团队很棒，产品也不错，但在中国市场，to B 软件很难赚到足够多的钱。他复盘游戏那次：进入一个新行业还是花多点时间去学习。他看了很多游戏设计书，记得一句很经典的话：你做的前十款游戏大概率都是垃圾，所以从今天开始做你的第一款。他们融了比较多的钱，却在第一个项目上笃定自己的判断一定对。「那个时候就不太敬畏自己不懂的东西，觉得自己学东西很快。」

长亭的成功有它的特殊性。蓝莲花战队时期正反馈太多了，国内比赛几乎都是第一，海外也基本是国内最好成绩。他描述了攻防对抗赛的强度：每个队伍维护一台服务器，里面有几个有漏洞的二进制程序，你要逆向分析、找漏洞、写攻击脚本去打别人，同时给自己打补丁，服务还不能停，要持续对外提供正常功能。DEF CON 决赛二十个队伍打五十多个小时，他们现场八个人；有一年美国冠军队在拉斯维加斯包了总统套房，现场八个，楼上八十个。他见过一些明星选手，包括最早破解 iPhone 的那位，搞完那个比赛之后，你会发现计算机行业的天才和非天才之间的差距大到没边儿。

第一段创业几乎没走过下坡路。他记得每天也是八十件头疼的事、两三件开心的事，但看月线图，七年几乎每年至少翻倍。第二段完全相反：开心的事越来越少，八十件糟心的事变成两百件，团队一路走下坡，最后决定关公司。最低谷在 2023 年中下旬，他描述那种状态：重度焦虑，躺床上起不来，严重失眠，反复想是不是自己就是个彻头彻尾的傻逼，怎么能错这么多判断。自我怀疑是彻头彻尾的，会觉得之前全是运气。走下坡路时周围的事也越来越逆风，团队向心力散了，内部矛盾变多，他能感受到核心团队对自己的信任和期待在慢慢减少。

讽刺的是，那正是整个科技界为 ChatGPT 兴奋的时候。他们做游戏，多语言版本以前要外包翻译公司，后来全部丢进 Excel 让 AI 一遍做出来，比外包还好。

怎么走出来的？他提到两个初中同学，知道他状态差，说感觉你最近不太顺，我们过来找你玩，然后去网吧打了两天游戏。这对他很管用，因为从小到大最喜欢的事之一就是和朋友在网吧打游戏。「安慰的话语其实比较千篇一律，那种时候一些陪伴或者一些分心就很重要。」后来他回了阿里，做偏国际化方向的事，看到硅谷公司和阿里海外布局与 AI 的相关性越来越大，决定重新出发。

关公司时账上还有几千万，他跟投资人讲做不下去了。程曼祺问是不是很难开口，他说不用下决心，失败了就是失败了，投资人很感激也很支持，但我非得把剩下那些钱给你花掉也能花，只是我没有状态，翻盘的概率非常低。

## 一定不要在选择题上出错，以及用心 1:32:13

程曼祺问他这次创业有没有给自己定下一定要做和一定不做的事。他的第一条是：**先做能力和认知匹配的事情，而不是被外部条件推着去做的事情。**游戏那次，他最早想好了要做什么，但钱融得多，为了给股东回报、支撑融资体量，去做了一个更大的事，最后输了，而且输得不认，因为那本来不是他真心想做的选择。「你自己真心做的那些选择，输了大家也是认的。」

第二条是用心。他把人分成两类：很多人只把事当一份工作，你给我什么我做什么；只有用心，才会热爱、才会思考、才会做得跟别人不一样。他区分了用心和认真：你可以非常仔细认真地完成任务，但那是机械化的，不用心。他直白地说，自己后来很多失败就是不用心。第一次创业太用心，醒着的时候都在想怎么把事做成；第二次有一些骄傲和傲慢，觉得事情想到这儿就差不多了，当你有这样的心态的时候，这个事儿就不可能成功，因为聪明人很多。

他还提到一些通用的坑：用人不要用错，一定要亲力亲为，不要因为有创业经验就不动手。很多更成功的创业者做第二个事情的时候花的时间不够多，习惯于找两三个能干的人帮我做就好了，但自己不做，失败的概率是极大的。

33 岁重新创业，和 22 岁创办长亭相比，相同的是对事情还有热情，不同的是身体不如当年。跑比赛时每天红眼航班、睡四五个小时还能处理很多事，但那时经常口腔溃疡、小感冒不断、肠胃不好，现在身体状态反而好一些，心态也恢复了。他给 MuleRun 定的下一个里程碑很具体：半年内做出非常简单好用的创作者工具，激活大量没有代码能力的人，让他们能做一个 Agent 解决工作里的问题，把双边市场真正激活。至于更大的成功，他期待的是 out of our expectation 的东西，就像 App Store 早期长出汤姆猫和愤怒的小鸟，不是苹果设定出来的。

对 2026 年，他的判断是应用的大年。整个互联网巨头对 AI 的投入到了巅峰，这个巅峰一定要看到下一个东西。现在大多数人最大的 AI 应用还是 Chatbot，模型更聪明一点，并没有新解决哪些问题。他关心的是能不能出现一家有大模型之后才诞生的新公司，年收入跨过五亿甚至十亿美元的量级，真正把模型能力变成生产力。对模型本身，他期待的不是数学竞赛考得好，而是更好地用工具、更准确地用工具、更高效地用工具，也就是 Coding 和 Agentic 能力的强化，这也是 Kimi 这类公司正在押注的方向。

程曼祺在结尾的连点成线里给了一个总结：Claude Code 带来的机会，一句话是用 Agent 造 Agent，这比用 AI 造大模型更早实现。一旦 Agent 能做 Agent，产品形态就会分化，马卡龙、蚂蚁灵光、Youware、MuleRun 的变化、飞书的案例，都是这个趋势的不同表达。但这个方向还有很大提升空间：Claude Code 的命令行交互对绝大多数人非常难用，Anthropic 亲自下场做了 Claude Cowork，非 Max 用户还要排队，而套壳有很多方向，小团队有机会。

对读者来说，这期节目能带走三层判断。**第一，如果你手里有别人没有的领域知识和重复流程，现在值得认真试一次把它做成 Agent，门槛已经从写代码降到写清楚流程。**第二，如果你在做 AI 应用，供给丰富度和易用性可能比技术深度更决定成败，陈宇森的教训是动手慢了比做得浅更致命。第三，如果你在评估这个赛道，盯住一个信号：谁先做出一个非编程人员也能顺手用起来的 Agent 创作工具，谁就可能在 2026 年拿到那枚果实。