# 7.5亿Excel用户对3000万程序员，Wordware创始人赌“文字工匠”时代 > Training Data No. 37 中文精读 - 原标题：From Software Engineers to AI Word Artisans: Filip Kozera of Wordware - 发布日期：2025-03-25 - 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等 - 网页版：https://trainingdata.qiaomu.ai/ep/037-from-software-engineers-to-ai-word-artisans-filip-kozera-of-s3L4tm.html - 精读字数：约 4944 字（阅读约 11 分钟） > 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 全世界有3000万软件工程师，Excel的活跃用户有7.5亿。这两个数字之间25倍的差距，就是Filip Kozera看到的生意。 Kozera是Wordware的联合创始人，研究出身，早年做LSTM，也就是Transformer架构的前身，第一家公司尝试用GPT-2和BERT做全天候听觉记忆设备。最近他上了红杉资本的播客Training Data，讲他现在做的事：一个用英语写程序的编辑器。他和联创Robert从2023年3月就开始公开写怎么搭agent，算是这个领域最早的一批实践者。他的类比很直接，Excel在八十年代把数据分析从工程师手里解放出来，Wordware想对AI做同一件事。 这一集的判断一个接一个：英语会成为LLM的汇编语言，Transformer是新的晶体管，DeepSeek只是一阵热闹，预训练远没撞墙。下面把干货拆开。 ## 英语是新汇编语言，但前提是你有话可说 2023年，前特斯拉AI总监、OpenAI创始成员Andrej Karpathy发过一条流传很广的推文：最热门的新编程语言是英语。主持人Sonya Huang拿这句话开场，问Kozera怎么看。 他的回应比原推文更冷静一步。**英语之于LLM，相当于汇编语言之于计算机**，你确实能用它指挥机器，但依然要讲结构，依然要用上循环、条件判断这些老编程概念，才能让模型真正按你的意图干活。 他还补了一句大实话：就算人人都能用英语编程，也未必人人写得出东西，因为有些人本来就没那么多想说的。 这句话背后是他押上的十年。把结构带进人机协作，是他决定投入下一个十年的问题。难点在于，编程僵硬、确定，模型输出天生模糊，把这两样嫁接在一起，选对交互方式和抽象层级，让人用起来足够简单又能干复杂的事，是整件事最硬的部分。 ## 别叫他no-code，他听了会不自在 采访里有个细节很有意思。主持人把Wordware归进no-code赛道，Kozera当场承认，听到这个称呼他心里会咯噔一下。 他的理由有三层。第一，Wordware的客户至今没人撞到能力天花板，工具里留了代码执行块这个逃生舱，纯自然语言搞不定的环节随时可以补代码。第二，它的文档结构跟代码高度同构，有循环，有条件语句，有流程调用流程，后者其实就是函数调用。第三，也是他反复强调的定位：**未来的“文字工匠”依然在编程，只是他们用极其精确的方式组织英语，让提示词各就各位**。 产品本身不复杂。一个类似IDE的编辑器，用自然语言加编程结构搭agent。Kozera特意划清界限，Wordware不做代码生成，直接做agent。他给agent下的定义也值得记一笔：agent依然是软件，接输入、给输出，只是中间有些环节是模糊的。模糊的环节用自然语言写，确定的环节用编程结构框住。搭好的东西有三个出口：部署成API，给产品或那个AI按钮供血；跑成AI原生的工作流，大脑比几段提示词串起来复杂得多；发布到他们在建的“AI界的GitHub”，让别人fork你的成果，站在彼此的肩膀上。 至于什么人在用，他给的画像是“分析型创作者”，偏技术，职位不低，比如CEO和技术PM。Instacart的一位创始人Max，花了四天在Wordware里打磨自己的想法，省下的是组建一个团队的功夫。产品接下来会往画布方向走，用户描述想法，用o3生成流程初稿，细粒度的编辑能力照样保留。 使用上有个扎心的现实。前两年冒出一批评测软件公司，Kozera跟客户聊下来发现，大部分公司手里根本没有能拿来做评测的数据集，评测这条路第一步就卡住了。他的解法朴素：先在编辑器里快速点上一百次，建立手感。**现阶段最重要的能力，是对什么有效、什么无效长出直觉**。直觉的前提是想清楚目标，这件事比听起来难，他提到有位大客户上门就问，你们能帮我预测天气吗。他哭笑不得，你得先有一份文档，写清要做什么，输入是什么，中间怎么处理，输出长什么样。有客户发明了一个说法：用Wordware之后，创造力的速度变快了。人是边撞上模型的边界边搞明白自己要什么的，比如发现Gemini能吞超大PDF，Claude能吞小一点的，GPT-4干脆读不了PDF。工具逼着人把思路结构化。 ## 品味，人类的最后堡垒 Kozera举了一个假想的例子。如果让George Lucas拿着GPT-7做《星球大战》，他只丢两句“拍一部关于星系战争的电影”，模型自己就能跑起来，但这恰恰是他不想要的。**人真正想传递的是创作意图和品味，两句话给不了**。 他相信品味比很多人想的更值钱。写一封好邮件靠品味，给公司团建选一家对的餐厅也靠品味，他招行政助理时考察的就是这个人做事有没有主见。有人说将来没人有工作，他完全不同意，品味和创造力会是人类最后的堡垒。 机器能不能学会品味？他的回答是能，但那无关紧要。他引用了一项研究：把人放进核磁共振仪，看两幅AI生成的画，并被告知其中一幅出自人类艺术家。当受试者相信作品背后有人的意图时，大脑激活的区域完全不同。他用Suno写歌打比方，随手生成一首歌发给朋友，对方觉得还行；如果那首歌写的是你们一起去霞慕尼滑雪的糗事，笑点和意图都埋在里面，朋友的大脑会给出完全另一种体验。 意图加品味，也是他对下一个十亿开发者的定义。他连头衔都想好了，半开玩笑说希望叫“Wordware工程师”，备选是“文字工匠”。这十亿人需要两样东西：意图，即要发生什么；品味，即想怎么做。剩下的活，会有上千个“知识工人”在底下执行，每个人的体感都像一家大公司的CEO。 说回今天的现实，他给AI的定位是：一个刚毕业的实习生。你得像给实习生布置工作那样，写清楚岗位名称，给它哪些文档和输入，数据源是哪些，期望的输出长什么样。两个坑要特别小心。数据源必须是你信得过的，一句“去网上搜”经常搜回你完全不认同的东西，实习生在错误的地基上盖楼，后面全塌。另外，有些事你就是不敢交给实习生，比如替你回全收件箱的一千封邮件，AI现在也一样。判断标准很简单，**凡是能在一页纸上给实习生讲清楚的工作，今天都可以交给AI**。 十年后的工作长什么样？他观察身边人的方法是问对方每天用什么软件，开会、邮件、PPT、Excel还是代码，因为岗位描述往往虚，软件才是工作的实体。他想象中的形态接近一份文档：你像CEO一样在画布上写下战略和意图，Wordware的copilot帮你把思路结构化，底下成百上千个agent执行。他拿做鞋举例，十年后最好的鞋品牌，卖的是注入了品味和意图的奢侈品，制造这些环节会自动发生，人保留的是跟其他CEO谈合作、判断对方意图、注入自己审美的工作。**人类不想交出去的，是控制权**。 至于十亿人里有多少人真愿意干活，他自己也打了个问号。资源不再稀缺的世界里，多数人可能不想工作，但每个时代都会有“亿万富翁”的等价物，比的是影响力、品味，以及你能不能把自己的资源翻倍放大。主持人补了一句，创造的冲动是刻在人类基因里的，他点头，说他相信人。 ## Lovable做壳，Wordware做心脏 主持人问，Wordware到底服务效率，还是服务创造。Kozera的回答是，现阶段主打生产力，Wordware是产品的“AI心脏”。他们没碰生成式界面，也明确说Lovable很出色，甚至有些客户的项目就是拿Lovable给Wordware的AI心脏包一层壳。 两家公司都喊出“下一个十亿开发者”，分歧在开发者的定义。Lovable眼里的开发，接近今天的SaaS，数据库加仪表盘，他们把界面和数据库一起抓，解锁了大批用例，很多人会基于Lovable做出出色的垂直SaaS。Kozera赌的是另一头：**应用的三件套里，界面、应用逻辑、数据库，他只要把应用逻辑，也就是那个推理引擎，做到极致**。 更深一层的判断是数据。过去的数据库是离散的、结构化的，现在的LLM能直接消化非结构化的模糊数据，你的日常所见、你公司的文档，都成了可计算的“数据库”。他原话的大意是，SaaS还是那个SaaS，只是底下的数据库变模糊了，在这上面干活才是真正让人兴奋的部分。 ## 2D画布装不下套娃式的反思循环 聊到界面，Kozera的观点几乎是在跟行业唱反调。眼下做agent的工具，主流形态是2D画布加积木块。他和Robert搭agent搭了两年，体会是模型越强，提示越难写，中间还出现过“提示词将死”的风潮，他们明确反对，后来行业也转了回来。而一旦想在反思循环里再套一个反思循环，2D画布的维度就不够用了。 他的类比是，把整个Uber应用塞进一张2D画布，结果只能是满屏乱线。代码的伟大之处，恰恰在于能表达极其复杂的系统，同时让人看得懂、改得动。所以Wordware选了文档加IDE的形态。 他把整个行业放在一条时间线上：**Transformer是新的晶体管，模型是新的大型机**。从大型机到几十亿人用上，中间隔着两次跳跃，第一次是苹果带来的桌面GUI，第二次是移动。现在的聊天界面，只是把模型的参数和逻辑裸露出来，还没人找到更好的答案，但他不信聊天就是终点，电影《她》里那种全程语音的交互也不行，语音表达复杂知识工作的效率太低。 他们的领投投资人说过一句狠话，Kozera很认同： > 两句话，刚好够模型把自己吊死。 丢两句描述就让模型自己跑，跑出来的东西往往跟你想要的完全两样，这也是Lovable和Devin们共同的难题。他理想中的界面能跨抽象层缩放：先写一句话跑起来，看哪里不对劲，放大到四句话，看清这一步的输入、处理和输出，继续往下钻，直到五秒钟一个镜头的精度。至于agent该干什么，他拿打车举例：你想让agent判断乘客从哪上车、去哪、接受什么样的价格，这套逻辑在Wordware上搭得出来，只是不用再搭Uber那套界面。你大概不会想通过聊天机器人叫车，点两下屏幕更舒服，但日历里有个行程，系统自动把Waymo订好、订对时间，那就是agent该干的事。 ## 闪电轮：DeepSeek只是一阵热闹 这期节目的闪电轮火力全开，几乎每个回答都带火药味。 谈DeepSeek，他的判断是，大家冲着戏剧性一拥而上，训练便宜不代表之前那些试错没花钱，他甚至猜测对方在实验阶段用上了最好的英伟达卡。他的结论是，半年后没人会记得这件事，无非是多几个开源模型。**模型本身没那么重要，怎么用好当下最强的模型才重要**。 谈预训练撞墙，Ilya等人说过类似的话，他直接反对。模型智能与训练资源呈对数关系，但智能翻倍带来的产出远超翻倍，聪明两倍的人，干活可能是十倍。 谈明年谁家模型最强，他的答案是不知道。OpenAI惯于过度承诺，他刚在YC的AI活动上听过Sam Altman讲o3，画得很美，但他保留了怀疑。他喜欢Anthropic，可刚发布的Gemini 2.0 Pro能一次吞下六千页PDF，让他印象最深。他补了一句，这个领域高度碎片化，用户毫无忠诚度。 日常在用的应用，他报了三个：剪视频用Descript，记会议用Granola，模型里最服Gemini 2.0 Pro。他还惦记着一个品类，有完整个人上下文的AI，当年他第一家公司做的就是用GPT-2和BERT做全天候听觉记忆，他下单Limitless的吊坠已经一年半，至今没收到货。至于谁能做成这件事，他押苹果的AR眼镜，理由有二，苹果有隐私的品牌资产，而且眼镜没电了，戴上五千美元的硬件依然体面。 他给AI从业者的学习清单只有两样：吴恩达的DeepLearning.AI，从底层讲到实操；还有YouTube上的3Blue1Brown，把数学和AI讲得明明白白。 ## 明天就能用的三件事 看完这期，有三件事明天就能上手。 - 给AI的任务先过一遍“实习生测试”：写清岗位、输入、可信的数据源和期望输出，写不清楚的，先别交给AI，问题多半出在你自己没想明白。 - 把提示词当文档写，别当许愿写。带上条件判断和循环的思维，写明中间步骤，丢给模型的两句话越少，它跑偏的概率越大。 - 挑模型按任务来，别讲忠诚度。长PDF找Gemini，别的能力各有各的强项，工具链该混着用。 节目最后，有位面试者问Kozera，十年后你希望自己做成了什么。他的回答是，他想保住人类的创造愿景。他喜欢假期逛手工艺小店，喜欢那种有人投入了意图和手艺的东西。AI把执行的活接走之后，留下来的核心资产只有两样：你知道要什么，以及你知道什么算好。