回归文本

Claude Code + Cowork，会干掉绝大多数的桌面工具型应用。

我已经能够用自然语言在Claude Code 里直接管理docker了，为什么我还要装一个docker 客户端？

我已经能够用自然语言在Cowork 里直接管理文件夹了，我为什么要额外下载一个文件管理工具？

2C端尚且如此，2B端也有类似的问题，Cowork + data + 业务knowledge 就可以给用户提供一个业务数据分析系统了，专业的报表开发人员可以只去花费精力在需要精确数据的报表上。

AI 把整个软件行业的格局都打破了。大量的桌面办公应用软件公司将会倒闭，大量的软件从业人员将被解放出来，大量的企业2B端软件开发需求减少，大量的软件从业人员，将回归到其它行业，成为社会中不可或缺的劳动力。

今天我要讲一个我的爆论，那就是， 软件的黑盒化发挥到极致的ai时代，文件系统+ai，将成为一切app的终极interface。

从linux 说起

为什么linux，unix 操作系统比Windows更为牛逼，那就是linux，unix，都是基于文件管理的，没有复杂的注册表，没有各式各样的bat文件。就是简单，可读的配置文件。

配置文件可读的目的，就是这些信息，需要对用户可读。

ai将迅速解锁所有可见的，可懂的数据价值，从个人，从组织出发，我们有这样一些数据，他们的价值逐渐递减。

比如obsidian上周率先发布了自己的obsidian skills，因为obsidian是在本地储存的文本系统，本地储存的文本系统+ai，将迅速解锁巨大的可能性。

个人

个人产生的许多数据，都能够解锁许多价值，kk的《失控》里甚至提到，你的数据比你更懂你。

个人知识库

• 个人的大量博客
• 灵感
• 微博
• x时间线
• 论坛

个人数据库

• app里的记账信息
• 健康数据
• 订单数据
• 各个软件平台采集的数据

个人数据本地化的意义

以上的数据有些是我们可见可读的，本地可访问的，有些数据呢，可不一定，都是平台对用户刻意隐藏的，比如平台可不愿意让你知道，去年你喝了300杯奶茶。

这里有一个平台和个人的博弈过程，作为一个要control自己一切的人，我更愿意自己掌握这些数据。

回到我们要讨论的问题，软件的黑盒化发挥到极致的ai时代，文件系统+ai，将成为一切app的终极interface

Claude Cowork 一定是向面向普通人的agentic tool 发展的趋势。 Claude Cowork 当前还是一个很简单的形态，可以稍微管理一下文件系统，它的潜能在于将来，可实现的agentic 能力，比如利用报表skill，生成一个我的年度采购视图。

到这个时候，一个能够将数据保存在本地的app，将迅速成为用户的青睐，agentic tool + xx数据，就可以完全顶替所有的分析app。对于真正的用户来说，一个app只需要做好数据采集的动作即可，其它的一切，我能够利用agentic tool + 我的数据而完成。

是的所有的平台都应该要有很大的危机感才对。因为各方面的需求会锐减，最终转移到某个agentic tool上。

数据的all in one interface = agentic tool + data

做数据分析工作的人，将转向最复杂，最专业，最需要准确性的报表工作上，普通的数据分析工作，不复存在。

企业

企业的形态，一定是可筛选的知识库+企业数据。可筛选的目的是，为了减少幻觉，减少不必要的干扰，筛选知识的这件事本身，也应该最终交给ai处理。

当我有准确的上下文作为知识输入，结合数据，企业就能围绕这件事做出非常多有意思的事情，这些事涵盖了大部分企业80%的时间，在做的事。

企业要把知识，数据，代码的关系维护好，是让ai游刃有余的大前提。一切都回归到文本本身，文本的可读性，关联性，由此可见，向量检索，关联性检索的价值还在持续发酵。

知识

一个准确的业务知识库，保持更新迭代的业务知识库，能像文件系统一样，解锁企业巨大的潜力。

如果你的公司有大量的文档，毫无章法的堆叠，分散在每个开发的个人电脑里，那你最好建立一个统一的平台来管理它们。

如果你的公司有大量的文档没有任何实效性，写的内容完全不适用于当前公司的运作状态，那么你最好建立一个淘汰的机制。

随着知识库的作用逐渐放大，很快我们就需要一套非常非常规范的文档规范工作流程，确保ai拿到的知识都是有效，尽量实时的数据。

知识是数据，和代码的入口，没有一个well org 的知识库，你会在ai时代无从下手，ai的提效也跟你无关。

数据

知识->数据的关键在于domain的定义与知识库的关联。

数据本身是哑巴，需要知识库来赋予它语义。比如一个字段叫order_status=3，如果没有知识库告诉ai”3代表已发货”，ai就无法理解这个数据。

企业数据治理的核心工作，将从”建报表”转向”建语义”——确保每个数据表、每个字段都有清晰的业务定义，并与知识库关联。

代码

代码与知识的关联性在于，代码的可读性，代码的方法名，与其所处理的业务逻辑的关联性。

好的代码应该是知识库的延伸。一个叫calculateShippingFee()的方法，应该能在知识库里找到”运费计算规则”的对应文档。当ai需要修改运费逻辑时，它能同时找到规则文档和实现代码。

代码注释、变量命名、文件结构，都是给ai的索引。写代码不再只是给机器执行，更是给ai理解。

回归文本维护的基础

ai拍平了软件业务层，而且随着llm越来越强大，代码的作用会逐渐被扼杀，虽然杀不死，但是也只是很薄弱的一层的存在。代码会逐渐被业务描述的文本所替代，从数据->代码->业务知识，代码的作用逐渐减弱。

高度抽象的代码本身就是一堆if else，如果这些if else能够在文本部分就被描述的很清晰，将来这些工作都该交给ai，交给llm。

那么代码回归了执行，调用，和极为简单的if else。

最终，决定性因素就是

• 知识库的管理
• 代码与知识库的结合度
• 数据与知识库的结合度

这些征兆预示着，ai时代，一切都将回归文本本身的维护，好的文本描述，将发挥比过去更大的价值，比如，文件名，方法名，变量名，数据库字段定义，domain定义等等等等。

平衡

如果做不到一个all in one 的知识库，这部分工作只好让代码来cover，这里的决定因素有很多

• 维护知识库所需要的成本
• llm token 的成本
• 程序员的工作效率
• 程序员的工资

抽象的看，就是知识库（产品经理），代码（程序员），数据（数据工程师）的三者关系的平衡，彼强此弱。

可预见的是，随着ai的普及，token的成本必然下降，所有的资源和解决方案，都会更加倾向ai的解决方案。在我看来，2026年，这个平衡已经被打破了，只是企业是否愿意跟上这个平衡的意愿问题。有意作此事情的公司就在此发力，当token价格继续下降到另一个临界点的时候，他们就能更快的利用ai，创建企业的竞争力。