從Vibe Coding到Wish Coding，AI編程迎來C端拐點

機器之心編輯部

最近幾個月，Vibe Coding（氛圍編程）是一大刷屏熱詞。以 Cursor 和 Claude Code 為代表的一批工具，正在將軟件開發效率推向新的高度。

熟悉工程體系的開發者迎來了一場生產力躍遷。他們可以用更少的時間完成更多的工作，甚至以接近「對話式」的方式構建復雜系統。

但這場效率革命，尚未真正屬于大多數人。

即便 AI 能生成成千上萬行代碼，普通用戶依然被 IDE 配置、依賴管理和云端部署這些繁瑣的步驟擋在門外。Vibe Coding 把寫代碼的速度提升了幾個數量級，卻幾乎沒有降低「把代碼變成可用軟件」的門檻 —— 它加速的是編碼，而非交付。

面對這種斷層，行業的技術路線出現了分叉。一條路徑仍在強化「讓程序員寫代碼更快」；而另一條路徑則試圖回答一個更根本的問題：能否跳過代碼，直接交付軟件？

4 月 20 日全新升級的螞蟻靈光 App 正是后一方向上值得關注的樣本，它正試圖通過Wish Coding（意圖編程）重構軟件的生產關系。

所謂 Wish Coding，其本質是將軟件生成的起點從「編寫邏輯」降維到「描述意圖」。在靈光的架構中，傳統的開發環境、編譯器以及部署流程被隱藏了起來。用戶不需要思考實現路徑，只需用自然語言提出想要的功能，系統便會在后臺完成從代碼生成到打包上線的全鏈路，最終交付一個開箱即用的應用實體。

這件事之所以值得嚴肅討論，是它試圖補上的 AI 編程中那段長期缺失的鏈路：讓普通人也能完成從想法到可運行應用的閉環

從代碼生成到軟件交付

真正缺的是哪一層？

過去兩年，AI 編程產品層出不窮，但如果從交付視角看，它們大致仍停留在幾個層級：

• 第一類交付的是代碼片段或工程文件，典型如 Cursor；
• 第二類交付的是可編輯、可預覽的項目環境，代表如 Bolt.new 和 Lovable；
• 第三類開始嘗試提供開發、運行、部署一體化能力，比如 Replit Agent。

這幾類產品都很有價值，但它們大多仍然默認一件事：用戶愿意進入「開發流程」，理解項目結構、處理依賴、調試報錯，并決定如何發布。

對于開發者來說，這并不是問題，甚至正是效率所在；但對于普通用戶來說，這條鏈路中的任意一個環節，都可能成為實際使用中的阻斷點。他們或許可以借助這些工具生成代碼，卻不一定能真正把應用跑起來、用起來。

換言之，前者需要的是「更快地開發」，后者需要的則是「不要開發，直接得到結果」。這是兩個完全不同的設計目標，也對應著完全不同的解題方法。

對此，靈光給出的回答是免運維（Zero DevOps）。代碼編譯、環境打包與部署上線等開發過程對用戶「近乎不可見」。用戶不會看到任何代碼，而是會收到一個即刻可用的最終應用。

要實現這種端到端的實體交付，系統必須解決自然語言固有的模糊性與發散性問題。用戶說的話往往不精確、不完整甚至自相矛盾，如何從中收斂出可執行的軟件？這就引出了靈光底層的核心技術機制：結構化意圖表示層

內容由機器之心解讀，圖片由 AI 合成

當純小白用戶輸入一句充滿跳躍性甚至存在邏輯漏洞的指令時，大模型在后臺的運轉邏輯遠比直接吐出代碼文本要復雜。

靈光的智能體會充當系統架構師的角色。它會先將自然語言表述解析為嚴謹的功能模塊樹和交互流程圖，并在高維度的語義空間中定義好底層的數據字典與模塊間的耦合關系。在確保邏輯閉環完整后，系統才會基于這套中間結構進行代碼的動態組裝。這種模塊化的底層架構設計，可確保生成的應用擁有足夠穩固的骨架。它能夠承受后續多次基于自然語言的修改與重構，有效避免無序代碼堆砌帶來的系統崩潰。

更為有意義的突破在于端側原生運行環境的打通。目前許多 AI 應用生成平臺，受限于瀏覽器沙箱，生成的產物往往只能進行簡單的 DOM（文檔對象模型）操作與頁面渲染。靈光的閃應用則直接下沉到了移動端的原生容器之中，在用戶授權后可以獲取實時 LBS 定位、讀取陀螺儀的傾斜與加速度數據，甚至還能控制震動馬達的反饋頻率與強弱。

實測

一句話能走多遠？

我們也進行了一些實測，舉個例子：讓靈光設計一個類似 SBTI 的「我的靈魂動物」測試。

我們要求系統構建 30 道莫名其妙的選擇題，并在測試結束后輸出包含「憂郁多思的大象」或「愛看笑話的卡皮巴拉」等結果，同時還必須精準渲染出一個包含智力、腦洞力、戲精度等 6 個奇葩維度的六邊形雷達屬性圖。

不到 2 分鐘時間，一個獨立的小程序形態應用直接在對話框中完成了構建與上線。

4 倍速視頻

雖然系統在最初生成時將我們期望的標題「我的靈魂動物」錯誤理解成了「靈魂動物園」，但這微小的瑕疵只需一句簡單的補充指令就能瞬間修復。從絲滑的答題頁面跳轉，到最終雷達圖的渲染生成，底層的交互邏輯相當清晰自洽。

消費級 Coding Agent

賭的不是精致

在體驗靈光的過程中，驚喜與粗糙幾乎同時撲面而來。

比如在實測中，如果用戶讓靈光構建一個 AI 視覺識別工具，它大概率只會交付一個僅具備前端 UI 交互的「模擬器」，并不會真正處理拍攝或上傳的圖片。此外，由于自然語言本身充滿了歧義與發散性，當用戶在多輪對話中輸入了前后自相矛盾的修改指令時，靈光偶爾會陷入邏輯混亂，導致 bug。同時，生成的應用的 UI 依然很生硬，讓人一看就是 AI 做的。

然而，用工業級成品軟件的標準去衡量閃應用，又或者將靈光與專業開發者手中那些追求極致效率的 AI 編程工具對標，本身就是一種錯位的比較。

靈光作為一款面向大眾的消費級 Coding Agent，解決的是一個完全不同的命題：如何在一個完全非結構化的輸入空間中，為毫無技術背景的用戶交付一個功能閉環的可運行系統？

要知道，普通用戶的輸入往往充滿歧義與跳躍，而系統必須同時扮演產品經理、架構師、設計師與程序員的角色。在這個高維度的語義收斂過程中，必然會優先保證功能閉環與即時可用，從而也不得不在視覺設計或某些深層邏輯上做出妥協。

這種粗糙，恰恰是軟件工程從「精英制造」走向「大眾表達」的必經階段。

這與互聯網早期產品的演化路徑高度相似 —— 最初的網頁粗糙、交互混亂，但它們首先做到了「能被訪問」；早期的移動應用性能不穩定，但它們率先完成了「隨時可用」的范式遷移。在每一次技術普及的臨界點上，「可用」永遠優先于「完美」

對于專業開發者而言，一段完美無瑕的底層算法代碼可能價值連城。而對于 99% 毫無編程經驗的普通人，一個哪怕只有及格水平但能夠馬上在手機上點擊運行的完整應用，其釋放的生產力價值遠勝于在沙盒里展示滿分的殘缺代碼片段。

這正是「消費級 Coding Agent」的底層邏輯。只要它生產出的應用能夠穩定運行、即時可用，并且可以被持續修改與迭代，就已經跨過了從 AI 生成代碼到 AI 交付軟件的關鍵門檻。

消費級 Coding Agent 的真正賭注，不在于它當下能生成多精致的應用，而在于它是否打開了一種新的可能性：當試錯成本趨近于零時，普通人也能將自己的意圖變成現實可用的應用。靈光也初步驗證了「從意圖到應用」的鏈路是走得通的。

創造力的大航海時代

正在到來……

靈光這次升級還同步上線了「靈光圈」—— 一個引入了協作與分發能力的 AI 應用的朋友圈，，用戶可以在其中分享自己創建的閃應用，也可以在他人作品的基礎上用自然語言進行接力修改，堪稱意圖的開源社區。

當閃應用開始帶上社交屬性，在社區中流轉并被他人接力修改時，我們窺見了一種全新的軟件自演化模型。

在傳統的軟件工程中，應用的迭代重度依賴于開發團隊的規劃與漫長的發版周期。但在 Wish Coding 構建的協作網絡里，軟件的形態發生了質變，它更像是一種即插即用的數字內容。用戶完全可以為了解決一個具體的微小痛點去瞬間創造一個工具，用完即走，還能將其留在社區中，等待下一個有類似需求的人繼續用自然語言進行接力改造。

在這樣的生態中，軟件的生產與消費邊界開始模糊。用戶既是使用者，也是創造者；應用可以被快速生成、使用、修改與再分發。軟件也開始具備類似內容平臺的演化特征。

當然，必須清醒地看到邊界所在。對于專業工程師而言，復雜系統的構建仍然不可替代。復雜系統、高可靠應用、關鍵基礎設施，短期內仍然離不開嚴肅的軟件工程方法。確定性、可維護性、可測試性、合規性，這些要求并不會因為自然語言生成變得不重要，反而會在更高價值的系統里繼續被放大。

但對于更廣泛的人群，創造數字工具的門檻正在下降。Wish Coding 可能在專業開發之外，開辟一個全新的、此前根本不存在的軟件生產層。在這里，衡量創造力的標準也正從「代碼實現能力」轉向「意圖表達能力」。

從這個意義上看，Wish Coding 讓我們看到了一種可能：當描述一個需求比實現一個需求更難時，軟件工程的瓶頸就從技術能力轉移到了意圖表達能力。我們可能正站在這個轉換的早期。

在代碼生成能力加速平民化的今天，靈光以容忍產品早期粗糙感為代價，蹚出了一條 C 端平權之路。對于絕大多數未曾涉足代碼世界的普通人來說，這個屬于野生創造力的大航海時代，才剛剛拉開序幕。

文中視頻鏈接：https://mp.weixin.qq.com/s/q_tJmpRdHm7bogXHUOFGaA