AREX Viewpoint Article
Behind Latent Space: Kill My SaaS, Jev & AI in 2026 | AIEi Shanghai
导读
11月5日至6日，首届AI Engineer中国大会（AIEi Shanghai）在上海举行，这是AI Engineer社区品牌第一次把大会带到中国，swyx（Shawn Wang）此前已在社交平台公布了这一会期。配合大会，Latent Space在开幕前一天（11月4日）发布了《Behind Latent Space》特别节目，由Linkloud的Galen Gao反过来采访swyx。这期节目既是大会前瞻，也把AI Engineer为何值得一场跨洋聚会讲清楚了。
要理解这场大会的分量，得先回到“AI Engineer”这个词本身。swyx在节目中回忆，这个称呼诞生于一次黑客松：一位非技术背景的参会者问他“我能做什么”，让他意识到工程师与非工程师驾驭AI的差距会迅速拉大，因此需要给能写代码、能调用模型的人一个可追求的身份，而不是继续把他们挡在“机器学习研究”的声望体系之外。他强调，成功的关键不是描述职能，而是抓住人们“想成为谁”的身份渴望——公司想招这样的人，开发者想成为这样的人，这个标签最终变成一条可招聘、可赚钱的职业路径。这正是AI Engineer能从一个词长成一场大会的原因。
节目最锋利的部分，是把这种身份落到具体的成本账上。据活动复盘，Kill My SaaS让72支团队用AI代理重建一款每年报价约4.3万美元的活动管理工具Sessionboard；相关播客记录显示，用AI重建版应用的成本约为1000美元token，另加约1万美元的AI相关支出。swyx在节目中说，面对一份4万美元的报价，他干脆悬赏1万美元让人把它完整克隆，最终约五份作品达到他愿意付费的质量，而且都在一周内完成。订阅软件的高昂年费与代理重建的低廉成本并置，构成这场讨论最直接的现实压力。
但节目没有停在“代理能造软件”这一层。Latent Space的节目预告点出关键：代理可以通过参赛门槛检查，可要挑出真正愿意用的软件，仍取决于组织者对自己工作流的判断。swyx进一步区分了“验证合格”与“选出最好”——评委只确认作品是否满足参赛条件，而组织者一开始并不知道自己想要什么，只有在看到大量方案之后，才能重新认识需求并做出选择。他把这种能力称为“品味”：快速、低成本地排除大量可能性，只留下事后看起来显而易见的那几个。生成软件的门槛在下降，做出好产品的判断却没有。
这也解释了大会为什么选在中国。swyx在节目中说，中国在开源模型之外，机器人、创业公司和社区规模都有大量进展，其能量、创造力与决心是西方观众很少接触到的；而直播限制与呈现方式差异，让包括阿里云完整的Qwen路线图在内的内容几乎无人看到，Galen Gao不得不把许多内容翻译给美国观众。AIEi Shanghai因此不只是办一场会，而是把中国生态里未被看见的部分翻译成全球能理解的形式。Latent Space的推文也把本期节目概括为“从一个AI Substack到中国首届AI Engineer大会”，并强调中国builder社区的不同之处。
把这些线索放在一起，这期节目提供的不是一则大会广告，而是一套判断框架：AI Engineer为何是一种身份而非岗位，代理重建软件之后人还剩下什么可做，以及中国的AI能量为何需要一座翻译的桥。对准备关注上海这场两天会议的读者来说，视频给出的不是议程清单，而是进入议程的问题——当生成软件变得廉价，真正稀缺的究竟是模型，还是那个知道该造什么、为谁而造的人？
核心结论
- AI Engineer的成功源于它抓住了身份认同，而非职能描述：swyx明确指出，提出AI Engineer的关键在于给非传统机器学习背景的工程师一个可追求的职业身份，而不是描述具体职能。这个身份标签最终转化为可招聘、可赚钱的职业路径，成为社区聚集和企业招聘的共同目标。
- AI编程代理正在让自建软件成为对传统SaaS的理性替代：Kill My SaaS竞赛以1万美元悬赏克隆一个报价4万美元的软件，收到69份有效作品，其中约5份达到付费质量，且全部在一周内完成。这组数字直接证明，中等复杂度SaaS的订阅成本已经高到足以让自建软件加代理维护成为可行的企业策略。
- 中国AI生态的能量被西方结构性低估，AII Shanghai承担着翻译与传播的桥梁角色：swyx和Galen Gao都认为，中国在开源模型、机器人、社区规模和创业者投入度上都有大量未被全球看到的内容。直播限制和展示方式差异导致中国AI的进展很少被西方观众直接了解，AII Shanghai因此成为打破信息差的关键场景。
- 产品品味是快速排除大量可能性的决策效率，而非事后解释能力：swyx将品味定义为在海量选项中迅速缩小范围，只留下事后看起来明显正确的少数选项。这种能力让团队避免在错误方向上浪费资源，是当前AI产品讨论中最稀缺的决策能力。
- 反大模型崇拜的路线正在兴起：让模型嵌入工作流，而非让工作流围绕模型：Jev和Thinking Machines代表了一种将模型缩小到只做决策或概率估计、并嵌入确定性工作流的路线。这种路线挑战了“更大的模型解决一切”的主流叙事，为AI产品架构提供了另一种可能。
观点拆解
1. AI Engineer 是一个身份标签，而不仅仅是一个岗位描述
-
“AI Engineer”的提出，是为了给非传统机器学习背景的工程师一个可追求的职业身份：swyx 回忆，这个术语诞生于一次黑客松期间。一位非技术背景的女性问他“我能做什么”，他意识到工程师与非工程师在 AI 能力上的差距会急剧拉大，因此需要给那些能编程、能调用模型的工程师一个明确的身份标签，而不是让他们继续被排除在“机器学习研究”的 prestige 体系之外。
“工程师会比非工程师强大得多，因为工程师可以同时控制和编程 100 个 AI 模型。”
“人们犯的错误是，把所有不是机器学习研究的东西都当成没有价值。这其实并不对。你确实需要构建“harnesses”，它不需要高深的数学知识或超算经验；你只需要是一个优秀的软件工程师，并且思想开放，理解如何把 AI 整合进传统代码中。”
-
成功的关键不是描述职能，而是抓住人们“想成为谁”的身份渴望：swyx 认为，当时市场上已经出现了“AI tinkerers”“LLM engineers”“Applied AI engineers”等替代术语，但真正重要的是选择一个人们愿意用来称呼自己的职位名称。他借用 James Clear 关于身份认同的思路：与其在职能或爱好层面与人连接，不如在“你想成为谁”的层面建立认同，这样才能围绕一个身份构建社区。
“公司想招聘这些人，开发者想成为他们。他们想要一个可以用来称呼自己的术语。所以你要做的就是找到合适的术语，最简单的就是“AI Engineer”，把它变成一个领域、一个专业。”
“如果你真的想深入理解一个人或与他建立连接，你不应该在职能层面、也不应该在活动或爱好层面与他连接，而应该在身份层面连接，比如“你是谁？”“你渴望成为什么？”如果你能给他们一条成为更好版本的自己的路径，你就能围绕这一点建立社区。”
-
这个身份标签最终转化为一个可招聘、可赚钱的职业路径：swyx 指出，很多原本不在 AI 领域的人想进入这个行业，而社区能给他们最实际的东西就是一个能带来收入的职位名称。Galen 也确认，如今世界上已经有了大量 AI Engineer，说明这个身份标签已经从社区话语变成了真实的职业现实。
“很多非 AI 领域的人想进入这个行业，那么适合他们的路径是什么？给他们一个能赚钱的职位名称，是的，到那时……”
“所以，是的，现在世界上已经有很多 AI Engineer 了。”
2. 从金融转向技术，核心是从零和博弈转向正和博弈
-
金融是零和博弈，分享信息会降低其价值：swyx 将金融的本质概括为零和博弈：当你知道某个信息并告诉别人时，这个信息的价值就会下降。这解释了为什么金融行业倾向于保密、不承认错误，并维持一种“从不犯错”的表象。
“区别在于金融是零和博弈，对吧？如果我知道某件事并告诉你，那个事实就失去了价值。”
“在金融领域，不，你想假装自己从未犯过错，一切都高度保密。”
-
技术是正和博弈，分享信息会放大其价值：swyx 认为技术领域的大多数事情是正和博弈：分享知识不仅不会削弱自己，反而会放大信息的价值。这种认知让他感到“解放”，也直接支撑了开源、公开演讲和公开构建的行为。
“但在技术领域，大多数事情是正和博弈，如果我知道某件事并告诉你，它的价值反而会增加。”
“这对从金融转向技术的人来说是一种完全不同的模式，非常解放，意味着人们会走上舞台，把自己的工作开源。”
-
正和博弈的认知催生了公开学习、开源和分享错误的文化：swyx 把“Learn in Public”的实践与正和博弈的底层逻辑直接挂钩：技术社区的人愿意分享代码、公开错误，正是因为他们相信分享会带来更大的回报。这种文化与他离开金融后的个人经历高度一致。
“他们分享自己的代码，犯错误，并分享他们犯错的事实。”
“我在工作中感到非常无聊，所以把全部精力投入到工作之外的事情上，显然那件事就起飞了，因为没有其他人在做。”
3. AI 编程代理正在让“为单一公司或个人重建 SaaS”成为现实
-
中等复杂度 SaaS 的订阅成本已经高到足以让自建软件成为理性选择：swyx 以自己运营 AI 工程师大会的账本为例：每年软件订阅支出高达数十万甚至上百万美元，而这些钱本可以成为利润。当企业发现自己在为“糟糕、缓慢、丑陋”的软件付费时，用编程代理自建替代品的动机就不再是技术好奇，而是直接的财务计算。
“我每年在软件订阅上就要支付 30 万，甚至可能 100 万美元，就为了“我要这个、我要那个”才能完成工作。”
“我把钱付给了别人糟糕、缓慢、丑陋的软件，而且它并不完全是我们想要的。”
-
Kill My SaaS 证明：用编程代理可以在极短时间内以远低于订阅价克隆并定制软件：面对一个报价 4 万美元的软件，swyx 选择悬赏 1 万美元让人用编程代理完整克隆，结果收到 69 份有效参赛作品，其中大部分可用，约五份达到他愿意付费的质量，且全部在一周内完成。这组数字直接展示了编程代理在成本、速度和生产可用性上对传统 SaaS 的冲击。
“员工提议支付一个 4 万美元的软件，我说我会付 1 万美元让人把它完整克隆出来。它是开源的，而且正是我们想要的。”
“我们收到了 69 份参赛作品。大部分都是可用的，其中大约五份是我愿意付费的，它们质量很好，而且都是在一周内完成的。”
-
自建软件加代理维护，正在成为“一人公司或单一企业”的可行软件策略：swyx 承认自建软件的维护成本并非为零，但他认为对于中等复杂度的 SaaS——那些不需要 99.999% 可用性的工具——用编程代理进行“自维护”是完全可以接受的。他甚至已经为自己构建了日历、云盘、GitHub、Dropbox 和 Slack 的替代品，并认为这种能力是以前任何企业主都不曾拥有的。
“维护成本不是零，但我们有编程代理。这就是为什么我说的是中等水平的 SaaS——你不是 Salesforce，不是 Google，不是 Amazon，不需要 99.999% 的运行保障。如果宕机一天，没关系，你可以在一天内修好。”
“我真的认为你可以为自己构建软件，为一个人的受众或为一家公司构建。这是可以接受的。而你现在能做到这一点，是以前任何企业主都不曾拥有的。”
4. 竞赛只能验证参赛作品是否合格，真正的选择权仍掌握在知道自己要什么的人手中
-
评委的职责是验证参赛作品是否合格，而不是替组织者选出最优方案：swyx 明确区分了“验证合格”和“选出最佳”这两种判断。Kill My SaaS 的评委只负责确认提交物是否满足基本参赛条件，并不承担在众多方案中挑出最优秀者的任务。这意味着竞赛机制本身只能完成门槛筛选，无法替代组织者做出最终的价值判断。
“评委的角色只是验证你是否提交了一份有效的参赛作品，对吧？你是否合格了？但评委并不是要判断这是否是所有人中最好的。”
-
组织者在看到大量方案之前并不完全清楚自己想要什么，因此无法预先交给 AI 做自动筛选：swyx 指出，竞赛组织者自己一开始也不明确真正需要什么，所以不可能事先设定一个 AI 判断标准来筛选方案。只有在看到大量不同提交之后，组织者才能基于对自身需求的重新认识做出选择。这说明最终决策依赖的是人的需求判断，而非 AI 的自动评估。
“因为我们不知道我们想要什么。所以，我无法为那些我自己都不知道想要什么的东西做一个 AI 判断。但一旦我看到 70 个不同的模型，你显然就会选择那个……”
5. Jev 和 Thinking Machines 代表了一种反“大模型崇拜”的路线：让模型嵌入工作流，而不是让工作流围绕模型
-
Jev 的核心主张是让模型嵌入确定性工作流，而不是让整个产品围绕模型聊天窗口搭建：swyx 指出，当前 LLM 产品的典型失败模式是把模型当作一个附加在传统 SaaS 上的聊天窗口，而 Jev 的路线恰恰相反：缩小模型职责，只让它做决策或概率估计，并嵌入确定性的工作流中。这直接支撑了“反大模型崇拜”的论点，即模型应该服务于工作流，而不是工作流围绕模型。
“Jev 说：“不，模型是为我们工作的，我们不是为模型工作的。”所以我要缩小模型的范围，让它只做一件事，也就是做选择或估计概率，然后把它放进我的确定性工作流里。”
“如果你想想当前 LLM 的失败模式，那就是你有一个传统的大型 SaaS 系统，然后你的语言模型只是一个聊天窗口。”
-
Jev 的非传统背景让他敢于挑战“更大的模型解决一切”的主流叙事：swyx 认为，传统机器学习研究者往往陷入“大模型崇拜”，相信只要把模型做得更大、参数更多就能解决一切。而 Jev 没有斯坦福博士等传统背景，反而能跳出这个框架，提出“更小的模型分布在更多地方”的替代路线。这解释了为什么反大模型崇拜的观点会来自一个非典型背景的实践者。
“很多走传统机器学习研究者路线的人，去名校、写论文、进实验室，他们都追随大模型教派。一切都靠把模型做得更大、训练算力更多、参数更多来解决，对吧？”
“所以这需要一个不是从那个模子里出来的人，才能诚实地说：“其实还有另一条路，是更小的东西分布在各个地方，而不是一个巨大的模型。””
-
“系统一 vs 系统二”的框架让 Jev 的技术路线变得易于传播：swyx 认为 Jev 成功的关键之一，是把复杂的技术选择转化为“系统一 vs 系统二”的认知框架，并用 DOOM 游戏演示证明大语言模型无法完成实时决策任务。这种传播方式让反大模型崇拜的路线更容易被技术社区理解和接受。
“第二，他把它变成了“系统一”和“系统二”的对比，这让沟通变得非常清晰，以至于你可以玩 DOOM 或随便什么游戏，他在发布帖里展示的游戏体验非常清楚地表明，你不可能用大语言模型来做这件事。”
6. 产品品味是低成本快速排除大量可能性，而不是事后解释为什么某个选择是对的
-
品味不是审美玄学，而是快速、低成本地排除大量可能性：swyx 给出了一个可操作的定义：品味是在海量选项中迅速缩小范围，只留下事后看起来明显正确的少数选项。这个定义把品味从“说不清的感觉”转化为一种决策效率能力，尤其适合工程师和创始人理解。
“品味是快速、低成本地缩小大量可能性的能力，最终得到一组事后看起来又好又明显的选项。”
-
真正的品味常常无法被解释，但能明确拒绝那些“显然错误”的选项：swyx 强调，有品味的人不一定要试遍所有选项，而是能直接判断某些选项“明显不行”，即使无法解释原因。这种判断力让团队避免在错误方向上浪费资源，是品味最稀缺的价值所在。
“你可以用蛮力把一千个选项都试一遍，然后找到一个好的。但品味高的人会说：“这些选项明显不行。”我解释不了，但就是明显不行。”
-
iPhone 触摸屏是品味的典型例子：在当时拒绝所有其他看似合理的方案：swyx 用 iPhone 说明，真正的品味不是事后解释为什么某个选择是对的，而是在当时面对大量可行方案时，敢于说“我只要这个，其他都拒绝”。这种决断力让一个选择从众多可能性中脱颖而出，并最终成为行业标准。
“智能手机长期都有键盘，需要乔布斯说：“不，我们要不惜一切代价做出触摸屏和虚拟屏幕，因为它必须看起来像一块完全平整的屏幕。””
“在1990年人们开始拥有智能手机时，你可以做无数种事情，但需要一个品味极高的人说：“这就是我们想要的，其他我都拒绝。””
7. 中国 AI 社区的能量和创造力被西方严重低估，而 AIEi Shanghai 是打破信息差的关键场景
-
中国 AI 的进展远不止开源模型，机器人、创业生态和社区规模同样值得全球关注：swyx 在开场即明确表示，中国在开源模型之外，还在机器人和其他创业公司上取得了值得祝贺的进展。Galen Gao 则用 WaytoAI 的案例说明，中国 AI 社区从 Stable Diffusion 时期就形成了大规模协作学习生态，并成为 ComfyUI 等工具的重要土壤。这说明中国 AI 的能量是系统性的，而非单一赛道现象。
“总的来说，我也想祝贺和肯定中国取得的进展，不仅是在开源模型上，还有机器人以及许多其他创业公司。”
“在那个时候，中国现在最大的 AI 社区 WaytoAI 成立了，由一群有抱负的 Stable Diffusion 技术爱好者创立。他们逐渐邀请更多人公开学习，并在飞书上的在线文档中贡献知识。我认为这个在线社区现在大约有一百万用户一起学习，还有另外几百万人也在共同学习。”
-
中国 AI 社区的能量、创造力和投入度在西方几乎不被看见，信息差是结构性的：swyx 指出，中国的能量、精神、创造力和决心是西方观众很少接触到的，而 DeepSeek 等模型实验室只是其中最显眼的部分。Galen Gao 补充说，中国活动的直播限制和展示方式差异导致其难以获得同等传播，甚至阿里巴巴云展示完整 Qwen 路线图的内容也无人看到。这解释了为什么中国 AI 的全球叙事长期滞后于实际进展。
“我认为中国的能量、精神、创造力和决心，是这里的人很少接触到的。更不用说那些模型实验室，显然像 DeepSeek 和所有其他实验室。所以我认为有很多理由让我们对更多地揭示这些感到兴奋。尤其是中国活动对直播有严格限制，甚至它们的呈现方式也不同于西方观众所偏好的方式。所以它们没有得到同样的传播，对吧？阿里云展示了阿里巴巴的完整路线图，包括 Qwen 模型和所有内容。这里没有人看到。”
“所以我不得不去把所有内容翻译给美国观众。”
-
AII Shanghai 承担着把中国 AI 生态翻译并传播给全球的桥梁角色：swyx 在开场就表达了将 AIE 带到中国的长期愿望，并强调中国有大量进展需要被分享和分发到全球社区。结合 Galen Gao 提到的翻译工作，AII Shanghai 的核心价值不仅是办一场会，而是把中国生态中未被看见的内容转化为全球观众能够理解和接触的形式。
“我一直想把 AIE 带到中国。我认为东西方之间有很多交汇，中国有很多进展需要被分享和分发到全球社区。”
“所以我不得不去把所有内容翻译给美国观众。”
8. 营销不是产品完成后的最后一步，而是应该嵌入产品定义和进入市场策略的起点
-
营销不应是发布前的收尾动作，而应在产品定义之前就介入：Galen Gao 指出，很多工程师和研究者习惯把营销留到最后一晚，等产品全部完成后再请人帮忙修改发布文案，但那时已经没有调整空间。真正有效的做法是在构建产品、确定规格之前就思考如何展示产品、瞄准哪个市场，从而让进入市场策略内嵌于产品本身。
“我认为这里重要的一点是，不要把营销当作最后一步，好像“我已经把一切都做完了”。发布前一晚才来问“你能帮我看看这篇博文、帮我改改吗？”我已经无能为力了，因为你已经把一切都做完了。但如果你在流程早期就引入营销，在构建产品或确定规格之前，比如思考“我们要如何展示这个产品？我们瞄准的是哪一块市场？”那么你从一开始就会拥有内嵌在产品中的进入市场策略。”
-
创始人需要认真回答“客户是谁、痛点是什么、产品如何改善生活”，而不是把营销交给实习生：swyx 批评了一种常见现象：公司把营销部门当作最不重要的部门，交给实习生或年轻员工管理社交媒体。他认为研究者与工程师背景的创始人应当严肃思考目标客户在哪里、他们如何描述自己的问题，以及产品体验后生活会如何变好，这些基础问题往往被忽略。
“公司里最不重要的部门就是营销部门，人们把它交给实习生或某个22岁的年轻人去管社交媒体。不，你要认真对待这些问题：谁会使用这个东西？他们在哪里？他们面临什么问题？他们用什么词来描述自己的问题？在体验你的产品之后，他们的生活会如何变得更好？这些非常简单的事情，大多数来自研究者和工程师背景的创始人从没想过。”
-
Demo 是最强的进入市场手段，因为它“展示而非讲述”：swyx 认为，与其用要点、PDF 或演示文稿说明产品，不如直接展示产品能做什么。他以 Doom 演示为例说明，真正引发讨论的不是发布方，而是那个让人看到前所未有能力的演示。Demo 因此成为有效的进入市场策略，核心原则就是“给我看，不要只告诉我”。
“给我看一些我以前没见过的东西，那时我才会真正关注。我认为演示非常重要。Doom 演示不是 Yugo 发布的，但所有人都在谈论 Doom 演示。演示是一种有效的进入市场手段，而营销的一个基本原则就是“给我看，不要只告诉我”。”
“不要给我要点、PDF 或演示文稿来告诉我所有这些事情，直接给我看。”
总结
AI Engineer的真正力量不在于技术定义，而在于它给了无数非传统背景的工程师一个可以成为的身份。当这个身份与AI编程代理的降本能力结合，传统SaaS的订阅模式开始松动，自建软件成为理性选择。与此同时，中国AI生态的能量正在通过AII Shanghai这样的桥梁被翻译给全球，而产品品味和反大模型崇拜的路线则为下一步的产品创新提供了决策框架。这一切的共同指向是：AI时代的权力正在从模型本身，转移到那些知道如何将模型嵌入工作流、并敢于重新定义软件生产方式的人手中。
信息源
视频来源
- Behind Latent Space: A Rare Look Inside the Pod | AIEi Shanghai：
外部资料
- swyx：
- Latent.Space: AI News & Views：
- Behind Latent Space, ft AIEi Shanghai preview — with swyx…：
- Kill My SaaS: Replacing a $43K Sessionboard with AI Agents：
- Kill My SaaS: we replaced a $43K/yr tool with coding agents：
- Behind Latent Space: Kill My SaaS, Jev & AI in 2026：