正好快圣诞节了,在美国,我周围已经弥漫着放假的气息,这几天正好有点时间,把最近我一直在反复思考一个问题写一写(放心,上一个系列还会写的。。。别催了别催了),主要是我最近越来越清晰地看到了一个趋势:Infra 软件的主要使用者,正在从开发者(人类)迅速转向 AI Agent。
例如数据库,我有直接的体感,在 TiDB Cloud 上,已经观察到一个非常明确的信号:我们每天新创建的 TiDB 集群里,超过 90% 是由 AI Agent 直接创建的,这已经是发生在生产环境里的现实。
持续观察这些 Agent 是如何使用数据库、如何创建资源、如何读写数据、如何试错,我学到了很多,AI 使用方式和人类开发者非常不同,也不断在挑战我们过去对“数据库应该如何被使用”的默认假设。
也正因为如此,我开始尝试从一个更偏本体论的角度重新思考:当基础软件的核心用户不再是人,而是 AI 时,它应该具备哪些本质特征?目前还只是一些阶段性的思考和结论,未必成熟,但我觉得值得先记录下来。
心智模型
第一个要注意的是,当使用者从人类变成 AI ,软件真正暴露给用户的不再是 UI 和 API,而是它背后的心智模型。
LLM 在训练过程中,已经内化了大量隐含的假设和事实约定。其实写代码那么多年,我越来越觉得计算机世界里最根本的东西,在被发明出来之后,其实就很少再发生本质性的变化了。尤其是越靠近底层的部分:文件系统、操作系统、编程语言、进程模型、I/O 抽象。这些东西几十年下来,形态在演进,但核心思想、接口边界,以及背后的假设,变化并不大。
当 AI 在训练过程中接触了海量代码(人类屎山)和工程实践之后,它看到的其实并不是多彩多样的世界,而是大量重复的模式:重复的抽象、重复的轮子、重复的选择、重复的错误修复方式。这些重复一旦足够多,就会沉淀为一种非常强的先验(毕竟人类的本质其实是复读机 LOL)
所以,我的一个结论是:如果你希望设计的是“给 AI Agent 使用的软件”,那你必须尽可能去贴合这些古老、却被一再验证的心智模型。
这些模型并不新,它们往往已经存在了几十年,例如文件系统,Bash Shell,Python,SQL...它们共同的特点是:底层心智模型极其稳定,上层胶水非常灵活。在这些心智模型之上,人类构建了大量胶水代码(我一直觉得真正的 IT 世界其实是由这些胶水组成的)。很多看起来复杂的系统,拆开之后,本质上只是围绕着这些稳定抽象做组合和编排。
从这个角度看,设计给 Agent 使用的软件,并不是去发明一套“全新的正确接口”(这也是我不看好以 LangChain 为代表的一系列新的 Agent 开发框架的原因,因为它太新了,连程序员都懒得学,更何况 AI 了),而是要主动去顺应这些已经被训练进模型里的认知结构。换句话说,Agent 不是在等待一个更聪明强大的系统,而是更喜欢一个“它已经懂的系统”然后用比人类娴熟1000倍的效率写胶水代码扩展它。
好的心智模型的特征是它一定是可扩展的。
以文件系统为例,这是我最近拿来反复思考的对象。无论是 Plan 9 的 9PFS,还是 Linux 的 VFS,本质上都做了一件非常重要的事情:允许你在不破坏原有心智模型的前提下,引入全新的实现。
一个典型的例子是我最近折腾的试验性文件系统 agfs (https://github.com/c4pt0r/agfs),简单来说这是个可插拔的文件系统,你可以实现各种各样稀奇古怪的能力,只要满足文件系统的接口约束就行,一个典型的例子:vectorfs,在 vectorfs 里,文件依然是文件,目录依然是目录,echo、cat、ls、cp -r这些操作一切照旧;但在这个完全没有改变的心智模型之下,vectorfs 的实现偷偷做了很多事:cp 进这个 vectorfs 的文件夹中的文档被自动切分、生成向量、写入 TiDB 的向量索引;grep不再只是字符串匹配,而变成了语义相似度搜索;
$ cp ./docs/* /vectorfs/docs #自动创建索引/上传S3/切分Chunk$ grep -r "What's TiDB?" ./docs #在TiDB的向量索引上搜索…
Linux VFS 也是一样道理,你可以实现一个完全不同语义、完全不同后端的用户态文件系统,但只要它遵循 POSIX 约定,就可以被挂载进现有系统,立刻成为系统的一部分。对上层来说,世界并没有改变;对系统本身来说,它却获得了持续演化的能力。这个在 AI 的时代尤其重要,因为 AI Agent 写代码的速度是人类的几千倍,也就是系统的演进速度是人类的几千倍,如果没有稳定的约束很容易就飞了,但是如果抽象是封闭的,那么又没办法利用这个效率持续演化。
在这个基础上,其实还有一个很自然的推论:软件生态到底还重不重要?语法、协议、这些在 Agent 时代看起来很像旧时代八股文的程序员偏好的东西,到底还值不值得纠结?我的结论是:重要,也不重要。先说“不重要”的那一面。如果你的软件是建立在一个正确的心智模型之下,那么它和主流方案之间,很多时候真的只是语法差别。比如 MySQL 的语法和 Postgres 的语法,比如 MongoDB 和其他一些 NoSQL 数据库之间的选择,这些问题在人类开发者之间经常能吵得头破血流,但从 Agent 的角度看,其实意义不大。Agent 并没有“偏好”。它不会在乎语法优不优雅,也不会在乎社区文化,更不会纠结“哪一个更像正统”。只要接口是稳定的、语义是清楚的,生态的是完备的,网上能找到丰富的文档,它就可以很快适配。这种偏好性的差异,在 Agent 这边会被完全磨平,几乎可以忽略。但这并不意味着生态完全不重要。
它之所以“重要”,并不是因为语法本身,而是因为流行的软件,往往对应着非常经典、非常稳固的心智模型,广泛存在与 LLM 的训练语料中。不管是 MySQL 还是 Postgres,本质上都是关系型数据库,背后都是 SQL 这个模型。而 SQL 本身,就是一个被反复验证过的、极其稳定的抽象,知识从 pg 迁移到 mysql 或者反过来都是很容易的事情。所以在这个大的心智模型框架是正确的前提下,你用 MySQL 还是 Postgres,其实都能做 CRUD,都能保证一致性,也都能被 Agent 理解和使用。语法和生态的差别,更像是方言问题,而不是世界观的差别。所以对我来说,真正重要的不是生态表层的差异,而是你软件背后采用的模型是不是对的、是不是足够稳固。只要这个模型站得住脚,Agent 会自动帮你跨过剩下的那些八股文似的品味之争。但是这也意味着一个悲伤的推论:今天要在范式级别创新是更加困难了,这也是在前面我不看好类似 Langchain 这样的编程框架的原因。
接口设计
如果说前面讨论的是 “Agent 更容易理解什么样的系统”,那接口设计关注的就是另一个问题:Agent 应该如何与你的系统对话。在 Agent 作为用户的时代,一个好的软件接口,至少需要同时满足三个条件:
- 可以被自然语言描述 - 可以被符号逻辑固化 - 并且能够交付确定性的结果。其中如果第二条做得足够好,第三条是自然完成的。
先展开说一下“接口能够被自然语言描述”这一点,我觉得这里的核心其实不是“要不要支持自然语言输入”,而是:你的软件接口本身,是否适合用自然语言来表达意图。
举一个很直观的例子,像 Cloud Code 就主动放弃了传统的图形界面。原因并不复杂,图形界面在很多时候,其实是很难被自然语言准确描述的。你很难用一句话把“点哪里、拖到哪里、选中哪个状态”讲清楚,而一旦脱离了视觉上下文,这套接口对 Agent 来说就几乎是不可见的,而编码绝大多数场景是在符号和语言打交道。
这里背后还有一个更现实的原因:我们今天使用的模型,本质上仍然是语言模型。让模型去理解一段文字,远比让它去理解一张图片或者一套隐含的交互状态要简单和可靠得多。所以,对 Agent 友好的接口设计是:你的系统能力,本身就可以被自然语言清楚地描述出来。
一个常见的反对意见是:自然语言是有歧义的,因此不适合作为严肃系统的接口。但站在 Agent 的视角,这个问题可能需要重新思考。
今天的 LLM,已经非常擅长“猜出我们到底想做什么”。这并不是因为语言突然变得精确了,而是因为模型在训练过程中已经见过了无数类似的意图表达、上下文约束和任务模式。成功率也许不是 100%,但在绝大多数工程场景下,它已经足够高。
例如,在最新的 Claude Code 中,已经开始加入预测你下一步会干啥的功能,我自己的使用经验是,大多数情况下,预测是很准确的。
其实人类在真实世界里完成复杂工作的方式,本身就是高度依赖自然语言的,无论是和同事讨论方案,还是在自己脑子里推演,我们的思考过程就是一连串带有歧义、上下文依赖、不断自我修正的自然语言描述。从这个角度看,自然语言并不是一种不精确的 tradeoff,而是人类解决问题时的原生表示。LLM 模型所做的,只是把这种原本发生在人类之间的推理过程规模化和数字化了。
所以啊,与其过分担心歧义,不如承认一个现实:当底层系统软件的心智模型是对的、接口的语义是稳定的、结果是可验证的时,上层调用者(Agent)的少量歧义并不会成为系统性问题。Agent 可以通过上下文、反馈和反复尝试来消解它(通常不会错得离谱),而不需要一开始就被迫进入一套过度严格的形式体系。
在数据库领域,这一点其实最近已经有了很好的实践,比如 Text-to-SQL。它未必百分之百准确,但它证明了一件事:如果你的系统抽象是对的,那么它的能力天然就适合被语言…