2025年7月，北京的夏天比往年更热，AI Coding赛道的热度，则比天气更火热。

7月21日晚，字节跳动旗下Trae更新了“Solo模式”，抢先腾讯第二天发布的AI编程助手“CodeBuddy”；紧接着7月23日，阿里通义千问发布代码模型Qwen3-Coder，并基于 Gemini Code 进行二次开发Qwen3-Coder；同日，亚马逊还发布了编程产品Kiro，海内外大厂都瞄上了AI编程赛道。

我在上周六采访AutoCoder创始人宿文之前，曾提前交流过AI编程的激烈现状。对于AutoCoder来说，幸运的是，AutoCoder从2023年底开始全身心投入全栈的AI Coding，早于国内外的大厂。

同时宿文也强调，还是不能和大厂卷辅助编程，卷IDE（Integrated Development Environment，集成开发环境），要走出差异化竞争的路线。

来源：腾讯《AI Coding⾮共识报告》，AutoCoder位于Vibe Coding与异步Coding Agent融合的象限

AI Coding已经成为2025年AI行业最卷的赛道。无论是创业者还是大厂，大模型最直接引发的AI产品海啸，就在编程服务领域。下场玩家不仅要全力奔跑，还要跑出差异化，才能不被淹没，甚至未来有机会成为弄潮儿。

AutoCoder能否在AI Coding领域战胜国内外的一众产品吗？

了解宿文的朋友都知道，他从清华博士毕业，连续创业者，现为AutoCode创始人。

因为有多年科技领域投资的经验，他对创业的思考非常明白，从day one到今天，他的创业主线没变过。『我可以拿出我们第一天创业的 BP ，我还记得我们 CTO 用的很丑的颜色字体，但里面的战略内容、技术支点、架构方向没有大的调整。』

创业一年半以来， AutoCoder在瞬息万变的AI赛道能够坚持了下来，当然也是宿文内心的偏执：复刻个60-80分的Cursor没前途，要做一款全流程的AI Coding产品，说白了推动AI DevTeam（Development Team，意思是人工智能开发团队）的目标实现。

这个目标即使今天来看也不容易，目前全世界没有一款全栈生成产品真正做到80分。

上半年大火的前端生成产品如Lovable等只能说做到了前端80分，但越往后端，架构生成和部署上线等环节，AI都更难解决。

鲸选测试的案例中，实现了大部分的构想，但还是存在一些功能完整性问题，Vibe Coding还有很长的路要进化。

作为初创企业者，宿文非常有野心。团队花一年时间迭代了自己的代码模型，参数不大66B，但专门为“需求到应用”而生，效果不错；相比Trae等通过免费Token推广，AutoCoder第一天就收费，希望像Lovable一样快速商业化；产品直接面向全球化竞争，帮助泛互联网用户群体也能实现产品梦。

不想做‘更快的打字员’，而是要做‘会思考的架构师’，在宿文看来，AutoCoder必须有更大的产能势能，才能在这么多竞品中活下来，形成自己的特色和生存密码。

创业原点："端到端生成"走出差异化

鲸哥：作为连续创业者，您决定做AI Coding这件事时，当时有哪些具体信号触动了您？Cursor的出现，或者Claude发布？

宿文：其实我们2023年底开始的时候，Claude 3.5还没发布，但它母公司Anthropic已经融了很多钱了。我记得那时候最好的模型还是GPT-4。

从整个代码生成赛道来看，我们最早关注到的是Codium，也就是Windsurf。当时微软的Copilot还是这个领域的产品代表，收入已经很大了——我印象是3亿美金还是多少？（GitHub 的年收入20亿美元，Copilot占GitHub营收增长的 40% 以上）很大的数字，但那时候确实还没有Cursor的产品发布。

宿文：我们决定做这个事情，核心的一个原因是，对于大模型的技术能力到底能够率先地支持什么样的产品的判断，能够做严肃的PMF（产品市场匹配）的产品肯定不是情感陪伴类这些，我们认为代码生成可能是唯一能够去验证PMF的领域——它既有明确的评估指标，又能形成数据飞轮。

鲸哥：数据飞轮在初创企业中也非常重要吗？

宿文：对，非常重要，决定了一个初创企业能走多远。很多行业因为大模型不成熟，其实最终用不起来。你看今天千行百业的垂直模型，其实只是挂了知识库，在做搜索、做知识问答，但没有改变行业的工作范式，也没有切入到工作流程中。这带来的隐患是，它并不能够带来健康的数据反馈，从商业化角度看，不在一个很好的闭环里解决行业问题。

无论是面向程序员还是普通用户的产品，他们都会用自己的专业能力去弥补技术和工具的不足。在这个过程中你会发现，得到的数据飞轮会好很多，从商业化上也能够把数据飞轮转起来。核心就是这两个点：一是基础技术足够靠近，二是商业化的数据闭环能够构建。

鲸哥：决定做AI编程这件事后，当时创业环境正在发生变化，您觉得AI创业和之前移动互联网时代有什么不同？

宿文：其实当时就是奔着做事去的。等到2023年底的时候，已经能看到国内机构在模型或产业链早期有不少出手，但市场整体还是偏冷。大家热在大模型、热在具身智能，以及其他政府引导驱动的方向，市场化基金也在跟进。

但从另一个维度看，国内好的AI资产其实很少，团队能力强大的也少。整体上，面向中国资本市场时，一方面市场本身还是偏冷，另一方面优质资产稀缺，这是当时的真实情况，也是当前的。

鲸哥：当时资本更喜欢Fomo（恐惧错失）情绪驱动，还是更看重实现PMF的商业化能力？

宿文：其实都有。有可能这种偏技术主义的会买单，但更多的还是看商业化、看产品。像朱啸虎这样的投资人，在整个行业早期大家看不清楚的时候，各种争论都有。

但整体上来说，还是观望态度大于Fomo情绪。其实Fomo的机构就那么几个，出手的没投中什么，没出手的也没错过什么。这种情况下，需要有团队真正做出结果，大家才会慢慢买单。

鲸哥：为什么不做类似Cursor的代码补齐工具，有个对标的产品资本更熟悉，而是选择端到端生成？

宿文：我们第一天就定了做端到端生成。今天很多AI编程产品形态是用来做辅助，帮程序员做代码补齐，但我们是完整生成一个产品的形态。具体到这款叫AutoCoder的产品，我们核心做了两件事：一是需要自己from scratch（从零）去训练一个基础模型，二是针对大模型时代做适用大模型的软件架构，这样才能最终把这个事情健康地走完。

宿文：代码补齐工具其实依赖IDE生态，最终会陷入和大厂的同质化竞争。现在看这个判断是对的——不到两年时间，独立发展的只有Cursor，其他基本都成了大厂生态的附庸。我们想开辟的是增量市场，而不是在存量市场里内卷。

宿文：这里面就会看到，除了存量的程序员，其实还有很多人的需求没被满足——程序员的需求源头来自于谁？来自产品经理、解决方案专家

、项目精力……一堆的需求方，这些人其实才是真正的增量市场。我们想做的是让这些不懂编程的人也能生成软件，不再受限于人类编程的低效和高成本

产品技术：双支柱自研的核心选择

鲸哥：前后端全流程自动化怎么实现？尤其是后端涉及业务逻辑和架构设计，怎么达到可用状态？

宿文：单纯依赖模型是做不到的，可以严肃地说，把整个应用的底层数据库、后端中间件这些做好，目前模型是完全够不着的。我们做的其实就是围绕模型解决业务逻辑的幻觉问题，同时构建生成式软件架构——有人认为这是Agent架构或Agentic架构，怎么叫都不重要，关键是要两条技术支柱一起实现，单方面都不太好做到。

鲸哥：作为初创公司，做自研大模型成本高吗？

宿文：我们用千万级人民币成本做出了大幅度超越DeepSeek V3级别的效果，靠的是模型架构创新，而不是拼参数量、算力和语料。这才是初创公司该走的路——没法从传统逻辑上PK，必须从更陡峭或收益更大的角度，在结构上做创新。

鲸哥：你们做的算是通用模型还是垂直模型？

宿文：如果你是Pre-train模型，那一定是通用的，不可能训垂直的，那是伪命题。只有在应用的时候，在场景上定向微调、强化，Post-train是垂直领域的，不然也不存在垂直大模型这个概念。

鲸哥：产品上线后的用户数据怎么样？

宿文：因为早期版本迭代很快，每周可能发一个比较大的版本。我们看到的核心数据有两个：一是产品停留时长明显超过同类产品，用户群体相似的情况下，我们可能是头部产品的两倍；二是跳出率，同类产品可能在四五十，我们这边不到20%，16%左右。我们这个阶段重点看的就是这些用户数据。

另外，我们的用户次日留存率也不错，具体数字不方便透露，但比行业平均水平高不少。这说明用户确实在我们产品上找到了价值，而不是随便玩玩。

鲸哥：产品全部调用自研模型吗？

宿文：我们也会调用其他模型API，今天一个产品上线涉及很多节点，有些是我们擅长的，有些是我们不擅长的。但核心效果和数据飞轮必须建立在自己的模型上，慢慢再全部替代第三方。

我们产品同步也在做模型迭代，最新版是5月30号收敛的，中间还有很多其他训练任务。这个过程需要时间，但必须自己掌握核心模型能力，不然永远受制于人。

市场破局：开发非程序员的增量市场

鲸哥：您怎么划分当前的用户市场？

宿文：肯定是围绕用户需求做划分。谁会依赖coding工具解决问题？程序员肯定是其中之一，他们拥抱工具的能力很强，但有个问题——他们能力太强了，很容易迁移，哪个好用就用哪个。不过他们是很好的数据闭环，能提供优质的反馈。

另一类就是非程序员。你不能认为非程序员都要写代码、实现软件，但他们有真实需求——其实就是那些平时指挥程序员做事的人，比如泛化的产品经理、项目经理、交付经理、业务分析师等等，或者叫他们"小白"。但这些"小白"不是真的小白，他们只是在coding或软件工程上不精通，但对业务场景非常熟悉，他们其实没必要去学编程，完全可以用我们这样的工具直接生成软件。

鲸哥：大厂现在竞争得非常激烈，您觉得AutoCoder杀出重围最终要依靠什么？

宿文：其实我们没太感知到所谓的"激烈竞争"。现在大厂的激烈，更多是快速follow海外头部公司的产品策略，比如都去做Cursor类的代码补齐产品。但这种竞争只是同质化补充，不是真正的技术突破。

你要跟上Lovable，也不一定能实现。这种差距不是几个月的问题，而是资源投入方向的问题——你没有在他的优势方向做深度补齐，反而想绕路，结果只会更远。

我们认为真正的竞争激烈，是指在新兴市场技术快速迭代时，突然出现一个新技术把你干死，这才是初创公司该担心的。但目前大厂整体上还是在做（海外到国内）同质化的补充，我们反而没什么压力。

鲸哥：最近Kimi K2直接融入了一些Agent代码，您怎么看这种模型即产品的迭代？

宿文：Kimi K2其实主要还是在优化器上做了点创新，从模型架构上扩充参数量，那个Muon优化器可以，但我们今年年初就在做了，只是说他围绕着开源生态在做，但MOE架构没有任何底层创新，只是在应用层放了点数据和工具。

鲸哥：国内外模型在代码上是什么水平？

宿文：得看从哪个维度。今天很多代码测试已经变成定向刷榜了，跟泛化能力、跟真正的工程级使用关联性不大。你看O1、O3、R1、K2这些刷榜厉害，但真正做代码生成产品的都不会用它们。

宿文：大家真正用脚投票的还是Claude、Grok、GPT-4o，包括DeepSeek V3也有人用，但肯定不是那些刷榜厉害的模型。这些模型在特定场景下可能有用，但通用场景还是不行。

鲸哥：您怎么看国内模型和Claude的差距？

宿文：DeepSeek V3在代码生成上有很大进步，但其他家离Claude还是有差距，尤其是Claude 4之后。这种差距不是榜单上的数字，而是真实用户反馈。

这其实是技术报告和真实场景的差距。很多模型在技术报告里说得很好，但真实用户使用时就会发现各种问题。我们判断模型好坏，还是看真实用户反馈和调研结果。

商业化路径：数据飞轮比融资速度更重要

鲸哥：同为线上编程工具产品，Lovable的 ARR好像达到了8000万美元，你怎么看这件事情

宿文：应该差不多，我估计他的算法应该就过去 30 天收款乘以 12， 或上个月收款乘12，这样的数据还是比较健康的，验证了很多市场对他的质疑，或者对这个赛道的质疑。

其实我们看到它的用户量可能是Github的1/ 10了，这是一个非常好的成绩。

原来大家质疑非程序员的一类群体，在什么样的场景下面去用这样的工具？

今天哪怕 lovable 提供的是偏前端去做原型，再集成一点点后端这种开源组件的方式，那它也印证了其实是有大量的人，可能是非程序人群体去用。

鲸哥：全球化布局的挑战是什么？

宿文：这个赛道上可能有三五十家在做的，包括大大小小大项目。为什么要出海？其实是用户在哪我们就去哪。这类产品的工作语言基本是英语，使用产品的用户其实都有办法拿到全球最好的产品，所以从第一天就是全球竞争。这种竞争反而倒逼产品力提升，不是坏事。

鲸哥：重点先做什么市场？

宿文：英语市场肯定是重点，用户基数大，付费意愿也强。我们产品虽然是global的，但目前主要精力还是在英语市场，等基础打牢了再拓展其他市场。

鲸哥：有规划国内版本吗？

宿文：我们是global产品，国内也能用，而且合规——用的是自己的模型，备案这些都没问题。只是我们是初创公司，率先迭代的场景应该抓哪些用户？其实只要是真实用户都可以，国内程序员和国外程序员没有本质区别。

鲸哥：您觉得未来AI产品会更agent化吗？接下来的产品规划是什么？

宿文：我们研究的重点还是灵活调度编排能力，这方面目前还没有好的架构。今天的动态规划能力还不够，我们在关注也在尝试解决，但具体方向还不方便透露。

未来展望：全球竞争与生态构建

鲸哥：怎么看现在流行的"Vibe coding（氛围编程）？

宿文：这个概念把我们包括在内，其实是为了减少用户心智干扰。我们理解的Vibe coding是要解决生产环境问题，要么从模型上解决，要么从生成式软件架构上解决——这才是核心，而不是做个花哨的界面。

鲸哥：现在市场上Vibe coding用户被激发出来了，这个群体足够大吗？

宿文：非常大。但大家好像倾向于用直接解决问题的工具多一些，玩票性质的少一些。这说明用户是真的有需求，而不是跟风。

鲸哥：最后总结几条经验给创业者吧？

宿文：第一，common sense很重要，但很多人的常识是错的——不要立错误的前提，比如"等下一代模型"就是典型的错误前提；第二，速度不是投流或扩张速度，而是数据飞轮的速度；第三，把智能掌握在自己手里，不要依赖别人的模型。这三条做到了，成功概率会大很多。

宿文：还有一条，创业要做"难而正确的事"。端到端代码生成比代码补齐难，但这是正确的方向。如果只做容易的事，最终会发现没有壁垒，很容易被替代。