“AI 会吞掉所有软件”这个说法很有传播力，但技术上不够准确。更可能发生的事情是：软件本体继续存在，软件入口被 AI 重写。

计算器、数据库、编译器、PDF 库、浏览器、CAD、CI、权限系统、ERP 不太会因为 LLM 出现而消失。它们处理的是确定性状态、格式、权限、计算和副作用。LLM 不适合直接替代这些系统，却很适合成为它们上方的意图入口。

从交互史看，GUI 的意义之一，是把人和计算机之间的操作鸿沟压低了。用户不必记住底层命令和数据结构，也能通过窗口、图标、菜单和指针操作复杂系统。Agent 时代出现的是另一道鸿沟：LLM 和传统软件之间的鸿沟。CLI、API、MCP 和 Skills 把这道鸿沟压低了，因为它们把软件能力变成模型能读、能调、能记录、能验证的文本接口。

AI Agent 位于软件入口层而不是替代确定性执行层

确定性系统不会消失

裸模型不是确定性程序。它可以写出计算器代码，但不应该代替计算器执行财务计算；它可以解释 PDF 结构，但不应该靠想象修改 PDF 二进制；它可以生成 SQL，但实际执行、回滚、审计和加锁的仍然是数据库。

这不是模型能力不够强时的临时现象，而是范式边界。真实软件世界需要可复现、可审计、可回滚、可授权。神经网络输出可以生成候选方案，却很难成为这些确定性承诺本身。

Claude Code Skills 的 PDF 示例很能说明问题。一个 PDF skill 会把操作流程写进 SKILL.md，再借助 pypdf、pdfplumber、脚本和参考资料处理文件。实际改 PDF 的不是模型“懂了 PDF”，而是模型调度了确定性工具。

被吞掉的是操作入口

过去使用软件，用户要学习每个系统自己的入口：菜单、按钮、快捷键、API、CLI、配置文件。AI Agent 出现后，入口可以变成自然语言意图。用户说“把这份合同里的付款节点提出来，和发票系统对一下”，Agent 再去调 PDF 解析、合同库、发票 API、权限系统和表格生成器。

flowchart TB
    U[用户意图] --> G[GUI: 人类操作入口]
    U --> A[LLM / Agent: 高阶意图入口]
    G --> S[传统软件]
    A --> C[CLI / API / MCP / Skills]
    C --> B[权限与策略]
    C --> D[数据库]
    C --> E[浏览器 / SaaS]
    C --> F[文件格式库]
    C --> T[CI / 测试 / 部署]
    D --> H[结果与证据]
    E --> H
    F --> H
    T --> H
    H --> A
    A --> U

这和“吞掉软件”不同。软件的能力没有被神经网络吸收，而是被包装成 Agent 可观察、可调用、可组合的技能包。入口层变高阶了，执行层仍然专业化。

GUI 到 CLI：两次桥接

GUI 解决的是人类怎样操作软件。它把命令、文件、窗口状态和应用能力包装成可视化对象，让非程序员也能直接操纵计算机。软件行业过去几十年的很大一部分增长，来自这层交互抽象变得足够自然。

CLI 在 Agent 时代获得了新的意义。对人类来说，CLI 往往不如 GUI 友好；对 LLM 来说，CLI 反而接近理想接口。命令是文本，参数是文本，输出是文本，错误也是文本。调用过程可以被日志记录，结果可以被测试验证，失败可以被重放和回滚。

当 LLM 可以稳定通过 CLI、API、MCP 和 Skills 操作传统软件时，它就不再只是一个聊天框，而会成为一组软件之上的中心节点。用户感知到的可能是一个大型虚拟软件：同一个 Agent 能读合同、查数据库、跑脚本、开浏览器、生成表格、触发 CI。底层能力来自许多传统工具，但组合边界和工作流形状由 LLM 在运行时定义。这个形态可以叫 LLM-defined software。

LLM-defined software 不是把传统软件消灭，而是把传统软件降格为工具层。软件能多大程度上被 LLM 观测、调用、集成、验证，会逐渐影响它能不能进入新的流量入口。

MCP 把入口层标准化

MCP 的意义正在这里。Anthropic 发布 MCP 时，把它描述为连接 AI 应用和外部数据源、工具的开放标准。它不是让模型替代外部系统，而是把外部系统接到模型能调用的协议面上。

这件事会改变软件生态的分工。过去每个应用都争夺用户时间和屏幕入口；未来很多应用会争夺 Agent 的工具入口。一个软件如果能被 Agent 稳定发现、理解、授权、调用、验证，它就能进入新的工作流。不能被调用的软件，可能仍然存在，但会被用户绕开。

Agent Skills 也是同一个趋势。Skill 把一类工作流打包成说明、资源和脚本，让 Agent 在需要时加载。它不像传统插件那样只给人一个按钮，而是给模型一段可执行的程序性记忆。

入口高阶化带来新护城河

未来软件的护城河会从“界面好不好用”部分转向“能不能被智能入口正确使用”。

一个面向人的软件，重点是屏幕布局、交互路径和可发现性。一个面向 Agent 的软件，还要提供机器可读文档、稳定 API、权限边界、审计日志、错误语义、幂等操作、测试沙箱和可逆执行。它要让 Agent 不只是能点按钮，还能知道自己点了什么、为什么点、点错了怎么恢复。

这会产生一种新的产品能力：agent affordance。软件不是只给人用，也要给智能体用。可观察、可调用、可验证、可恢复，会像过去的易用性一样重要。

与 LLM 集成的难易程度，正在成为一种新的分发能力。过去，一个软件要争取搜索入口、应用商店入口、浏览器入口和办公套件入口；未来还要争取 Agent 入口。被模型容易发现、容易理解、容易授权、容易调用的软件，会更自然地出现在用户的复合任务里。

胶水语言从脚本变成 Agent

过去几十年里，胶水语言把软件连接在一起：shell、Python、JavaScript、SQL、HTTP API。它们让人把一个系统的输出接到另一个系统的输入。

LLM 不会替代这些胶水层，反而会站在它们上面。Agent 读懂用户意图，选择哪段脚本、哪个 API、哪个数据库查询、哪个浏览器动作，再把结果合成给用户。它像一个会读写自然语言的高级调度器。

这意味着软件会长期共存。越确定、越专业、越有副作用的软件越不会消失。AI 会吞掉的是“人必须亲自操作这些软件”的部分，而不是软件本身。

风险也集中在入口层

入口层变高阶以后，风险也会集中到这里。Agent 拿到越多系统入口，权限、审计、提示注入、越权调用、错误传播就越重要。把所有软件都接给一个智能入口，不等于可以放弃软件工程纪律。

相反，确定性软件会变成约束 Agent 的地基：权限系统限制它能做什么，schema 限制它能提交什么，测试限制它能合入什么，审计日志记录它做过什么，回滚机制决定它错了以后能不能恢复。

AI 入口越强，底层软件越要硬。

相关文章

参考资料