#AI时代软件将用完即抛# 我不同意这个观点，AI 时代的软件并不是即用即抛，恰恰相反，是每个人都会根据自己的业务和工作流，利用 AI 开发出独特的适用于自己工作流的软件，这个软件是刚需，高频使用的。

这就像是使用大模型一样，如何使用大模型节省 Token ，如何让自己的 Skill Token 消耗量更少呢？肯定不是在自己的工作流里频繁的使用意图识别，而是在一个工作流或者 Skill 里能尽量工具化的地方工具化，把能确定的逻辑固化成工具调用，把真正需要模型判断的部分留给模型。这样一个 Skill 跑起来，大部分步骤走的是确定性的管道，只在关键节点消耗推理能力，整体 Token 用量自然就下来了。

这个思路放大到整个"个人软件"的层面也一样。你为自己的工作流搭建的软件，本质上就是在不断地把重复出现的判断固化成规则、把规则固化成代码、把代码封装成可复用的模块。每固化一层，你对 AI 的依赖就从"每次都让它重新理解我的意图"变成"让它在一个已经搭好的框架里做最后一步决策"。前者烧钱、慢、不稳定；后者便宜、快、可控。

所以这类软件天然会越用越厚。你用得越多，遇到的边界情况越多，你就会往里面加更多的分支、更多的工具、更多的预处理逻辑。它会长出只有你自己能理解的结构，因为那个结构映射的是你独有的业务上下文。别人拿过去没法直接用，就像别人拿走你的笔记本也读不懂你的速记符号一样。

"用完即抛"的说法把 AI 生成的代码等同于一次性脚本，这忽略了一个事实：人会围绕自己的核心工作流持续投入注意力。你今天让 AI 帮你写了一个处理客户数据的小工具，明天你会让它加一个异常处理，后天你会让它对接另一个数据源。三个月后这个东西已经变成了你业务的基础设施，你不会扔掉它，你会继续迭代它。抛掉的成本太高了，因为里面沉淀的是你对自己业务的理解，这些理解重新生成一遍的代价远大于在现有基础上修补。

真正会被抛掉的是那些没有进入核心工作流的尝试性代码。但这在任何时代都一样，跟 AI 没关系。程序员从来都会写一堆试验性的脚本然后扔掉，留下来的永远是那些解决了真实、反复出现的问题的东西。AI 改变的是生产这些软件的门槛和速度，没有改变"有用的东西会被留下来并持续生长"这个基本规律。

#科技先锋官##How I AI#