Vercel CEO：AI 时代，写代码的人要变成什么

关联

公司 Vercel · fx · v0 · Claude Code

概念 智能体 · 沙箱 · 推理 · vibe coding · 供应链攻击 · 网络安全 · 评估 · 技术债务 · Rust · libheif · DeepSecBench · DeepSec · 程序员应该知道的延迟数字

Vercel 的创始人兼 CEO 来做客。Vercel 靠前端部署工具起家，如今在 AI 基础设施上全面下注。这场访谈信息量很大：

从他的个人编程工作流，到怎么判断一家公司会不会被 AI 甩开，再到一个大多数人还没认真对待的安全隐患。

【背景】这位嘉宾指 Guillermo Rauch，Vercel 创始人兼 CEO。

AI 写代码时代，人的优势在哪？

Guillermo 的判断是：杠杆正在往上移一层。

你不再亲自写每一行代码，而是去编排一组智能体、设计软件工厂、决定把算力和模型花在什么问题上。

但他对人的价值很乐观。原因很简单：买单的终究是人，而人买的从来不只是功能，还有故事、品牌和品味。

他说，我们总以为自己决策很理性，但很多时候「我们买的是故事、氛围、品牌和口味」。

编程也不会像种地那样消失。

他引用了自己一条表现很好的推文：工作时写软件，下班回家写软件放松，还和孩子、妻子一起写。

对很多人来说，写代码是创作媒介，这个需求拿不走——就像没人种地了，但阳台种菜的人反而多了。

新模型发布时，有一个可以捡钱的窗口

他给了一个具体建议：维护一份清单，记下今天所有模型都做不到的事。每次新模型发布，就拿清单去试。

原来做不到的事一旦变成做得到，往往就是一门新生意——某个功能的成本突然降一个数量级，或者某个体验突然变得可能。

另一个被低估的能力是评估。

很多人用模型全凭网上流传的说法：读了某条推文就改了提示词，从没验证过结果是不是真的变好了。

他反问：你有没有一套自己的评估集，帮你在这个每周都有新模型的世界里找方向？

判断一家公司 AI 用得好不好：看修复延迟

他提出了一个很硬的衡量标准：从客户报告一个问题，到这个问题被修好、上线，中间隔多久？

用户在 Reddit 抱怨、打客服电话、发邮件说网络坏了——公司能不能用高质量的智能体响应？能不能自动启动事故调查？

问题明确可修的，能不能自动修掉、自动发布？「那个能在 30 分钟内修好一切的公司，会摧毁要花两天才能修好的公司。」

当然不是所有反馈都能自动化。他举了个例子：

有用户反馈 Vercel 的导航让他困惑，但这条反馈没法直接变成提示词，还得产品负责人跟他来回沟通、要更多视频，再靠人的判断转成产品决策。

反馈越模糊，人越不可或缺。

速度快不等于方向对：迭代要有速度，更要有方向

他区分了两个词：iteration speed 和 iteration velocity。速度是你产出多快——花了多少 token、合了多少个代码请求。

但速度这个词本身不含方向，「你可以一直合并代码请求，一路合并到毁灭」。

一位创业者的例子让他印象深刻：想法不错，但她在同时自建邮件服务和支付网关。

AI 让人觉得自己什么都能做，但正确的做法恰恰相反——挑少数几个你有超额优势的问题，把所有 token 都砸进去。

同时做 20 件事，结果就是 20 件平庸。

还有一个正在发生的现象：很多人发布速度飞快，但打开网站一看是一堆 AI 生成的粗糙产物。

他说，看到这种东西你会自动走神，因为「你能一次生成，我也能一次生成」——没有增值，就没有价值。

他自己的工具：一个 11 兆的小命令行

Vercel 内部不强制规定用什么工具，但他个人的选择很有性格：

他一直是命令行和 NeoVim 用户，所以自然走向了 Claude Code，现在用的是 Vercel Labs 出的命令行工具 fx。

这个工具体现了一种反潮流的哲学：极小、极快。安装包在磁盘上只占 11 兆，启动速度接近一个普通的 shell。

他刻意抵制给工具加界面的诱惑——很多工具一开始又小又快，慢慢膨胀，最后背着一堆插件变得笨重。

更妙的是它同时是一个可以被嵌入其他程序的库。

当年做 v0 产品时，90% 的工程时间花在搭建智能体的运行框架上；如今用这套库，100 行代码就能拼出一个迷你 v0。

他还有个叫智能体探究（agentic inquiry）的习惯：

让智能体去试用 Vercel 的新技术，试着搞坏它、找竞态条件、量延迟，然后让它反过来反思——Vercel 在这个实验里本可以做得更好吗？

工程师还需要懂底层吗？

现在流行一种论调：不用再读代码了，一切交给 AI。他明确反对。

他的立场是中间派：不必逐行读代码，但每次做完一件事，要弄明白刚才发生了什么。

AI 反而让懂底层的人更值钱——如果你从汇编到上层都理解整个技术栈，又擅长用 AI，你就是不可阻挡的。

他喜欢用一张经典表格举例：程序员应该知道的延迟数字。比如一个网络包从加州到荷兰再回来，大约要 150 毫秒。

他甚至拿这个当面试题，很多人会答错一个数量级。为什么有用？

如果 AI 部署的系统页面加载要 1 秒，你至少知道该往哪逼：「再快一点，再快一点。」

被严重低估的炸弹：老代码里的漏洞

这是全场最值得普通读者记住的部分。他指出，人类几十年写下的代码里，潜伏的漏洞数量几乎无法估量。

原因在于：写正常路径的代码很容易，穷举所有边界情况在认知上极其耗费心力，所以人写的代码几乎都没做全。

他讲了 OpenAI 被黑的事：起因是一个叫 libheif 的开源图像编码库，用 C 和 C++ 写的，里面藏着一个远程代码执行漏洞。

这个库嵌在 Slack、Next.js、OpenAI、Discourse 的图像处理流程里——一个小库，波及大半个互联网。

更糟的是，攻防的天平在倾斜。

他们发布的 DeepSecBench 基准显示，有些便宜的小模型找漏洞的效率高得吓人——坏演员也能用它们批量扫描开源代码找漏洞。

他的建议：赶紧自查，并考虑把关键库迁到 Rust 这类内存安全语言。

从笔记本到云端，是必然，但别走极端

智能体搬到云端跑不可避免：代码库太大、本地内存和 CPU 不够、并行需要多个沙箱，而且云端能隔离供应链攻击的伤害范围。

他甚至说，把开发生命周期更多搬进沙箱，理论上可以彻底消灭供应链攻击——因为云端可以严格监控网络流量，恶意软件偷了数据也发不出去。

但他坚持保留拉回本地的选项：有时你就是要在显微镜下看一个程序怎么和系统互动，最低延迟地盯着它。

CLI 的价值也在这里——离金属越近越好。

如果 2026 年从零创业，先想清楚你要讲什么故事

被问到假设自己今天白手起家会怎么做，他的答案不是先选赛道，而是先想：我要向世界讲一个什么故事？

因为今天什么都能做出来，选题反而成了稀缺能力。

他还提醒：AI 并没有让人变闲。实际发生的是人们工作更拼了——投入的是创意、提示词、验证和评估的努力。

所以还是要选一个你真心在乎的问题。然后，「把野心放大 10 倍或 100 倍。

你能触达的人比你想象的多，能做的比你想的快，做得也比你想的好。」

本集带走

• 新模型发布时，拿一份以前做不到的事的清单去试，窗口期里藏着生意机会。
• 衡量公司 AI 化程度的硬指标：从用户报告问题到修复上线的延迟。
• 速度不等于方向，把 token 集中砸在少数有优势的问题上，别同时开 20 条战线。
• 不必逐行读代码，但每次做完要理解发生了什么；懂整个技术栈又会用 AI 的人最值钱。
• 老代码里的安全漏洞几乎无法估量，而便宜的模型正在让批量找漏洞成为可能——这件事大多数人还没当回事。

如果我们把越来越多的开发生命周期迁移到沙箱里，我们就可以根除供应链攻击。
We could eradicate supply chain attacks if we move more and more of this development lifecycle to sandboxes.
—— 嘉宾 · [00:25]

我认为是我们人类保持掌控的能力，我的意思是创意上的掌控，对网络安全风险的掌控，以及最终对如何让智能体为我们工作的掌控。
I think our ability to stay in control as humans and by that I mean creative control, control over the risks on cybersecurity, control over how we make the agents work for us ultimately.
—— 嘉宾 · [00:37]

但很多时候，我们实际上是在为故事、氛围、品牌、风味和品味买单。
But a lot of the time we’re actually buying into the stories and the vibes and the brands and the flavors and the tastes.
—— 嘉宾 · [01:27]

真的会有回报，因为当一个模型发布时，几乎就像人们在探索它的潜在空间，发现什么是可能的。
It really pays off because when a model drops, it’s almost like people are exploring its latent space and discovering what’s possible.
—— 嘉宾 · [06:28]

现在这里面有很多红利，非常讽刺，因为模型如此易用，你只用英语提示它们，然而它们又有一门精通之道。
There’s a lot of alpha right now in which is super ironic because models are so easy to use that you just prompt them in English and yet there’s a mastery to them.
—— 嘉宾 · [07:44]

而模型会乐意在某件没用的事情上花 30 分钟，在某件人类工程师在更大的情境下会直接跳过的小事上。
The model will happily spend 30 minutes on something useless, something small that a human engineer will just skip given the broader circumstance.
—— 嘉宾 · [09:24]

而他们很可能会被这些更自主、更有信念地行动的组织套圈。
And they’re probably going to get lapped by these organizations that are moving more autonomously and with more conviction.
—— 嘉宾 · [11:30]

除非你的可触达市场非常小，否则那种能在 30 分钟内修复一切的商业，将会摧毁那种需要两天的商业。
And unless you have a super small addressable market, it’s like that business that can just fix everything in sub 30 minutes is going to destroy a business that takes two days.
—— 嘉宾 · [16:07]

你可能在不停地 PR、PR、PR、PR，一直 PR 到湮灭。
You could be PRing, PRing, PRing, PRing into oblivion.
—— 嘉宾 · [18:03]

是的，因为如果你同时在做 20 件事，你会在所有这些事情上都很平庸。
Yeah, because if you’re doing 20 things at once, you’re going to be mediocre in all of them.
—— 嘉宾 · [19:26]

还在于文件系统基本上就是你所需要的一切。
It’s also the fact that the file system is basically all you need.
—— 嘉宾 · [28:10]

单单这一点，我认为就是更好的、带引号的「智能体工程」，而不是「去做吧，别犯错，请自动合并，让我们继续堆一座巨大的 slop 山」。
That alone is just, I think, better, quote unquote, agentic engineering than just do it, make no mistakes, please auto-merge and let’s keep building a huge pile of slop.
—— 嘉宾 · [54:13]

我觉得一件会让很多拥抱极端 vibe coding 的人栽跟头的事是：如果我是一家企业，我需要对你的产品的安全画像建立非常强的信心。
I think something that will backfire for a lot of people that are embracing extreme vibe coding is that if I’m an enterprise, I need to build very strong conviction in the security profile of your product.
—— 嘉宾 · [56:49]