## 01 触发事件 2025 年，Replit 创始人 Amjad Masad 在 My First Million 播客中给出两个非常具体的数字：Replit Agent 上线首日做到 100 万美元，公司收入在一年内从 250 万美元增长到 2.5 亿美元。 这不是新闻稿口径，而是创始人口播口径。 我没看到这期内容里同步披露审计口径、ARR 定义、一次性收入与经常性收入拆分，所以这里必须先打一个 hedge：这两个数字更像“经营叙事中的关键指标”，不是已经过 S-1 级别校验的财务表。 但即便如此，它仍然值得写。 原因很简单：AI 应用层过去最缺的不是 demo，不是融资，不是“用户数暴涨”，而是能说明真实付费强度的硬信号。Replit 这次给出的至少是一个方向明确的信号——有人在为 agentic coding 直接掏真钱，而且掏得足够快。 首日 100 万美元，不是在说增长黑客有多强，而是在说市场已经接受了“把代码产出外包给模型”的付费心智。 ## 02 这事的真正含义 表面上看，这是“Replit 发布 Agent，商业化成功”。 真正的含义不是产品 launch，而是计费单位正在变化。 过去一代 developer tools 的收费逻辑，大多是 seat、repo、CI minutes、hosting usage。Copilot 一代则把 AI 引进开发流程，但本质还是 productivity SaaS：你为助手付费，不直接为结果付费。 Replit Agent 指向的是另一种模型：用户不是为了 autocomplete 付费，而是为了一个接近“可交付的软件结果”付费。 这才是它在说的事。 如果这个判断成立，那么 AI coding 市场里真正会被定价的，不再只是 model intelligence，而是三层打包后的总交付： 1. 高可用的 model access 2. 面向任务的 orchestration 3. 可立即部署和修改的 runtime / hosting 环境 也就是说，Agent 的商业价值并不只来自模型本身，而来自“模型 + IDE + execution + deployment”一体化链路。问题不在 LLM 会不会写代码，而在谁能把生成、运行、修复、上线压缩成一个连续体验。 这对 token economics 很关键。 因为一旦用户买的是 outcome，而不是聊天次数，厂商就能把底层 token 成本藏进更高毛利的工作流定价里。你可以用更贵的 Sonnet、Gemini、GPT，也可以做 model routing、prompt caching、batching、speculative execution；但用户感知的是“这个应用帮我做成了事”，而不是“这次调用花了多少 input/output token”。 我没在 Replit 内部跑过它的 unit economics，所以不确定它当前毛利是否已经稳态健康。首日 100 万美元也可能包含年付预收、套餐升级、流量峰值转化，未必能直接映射长期 retention。 但至少有一点已经很清楚：应用层只要能拿到 workflow control，就有机会把模型价格战隔离在后台。 这对 OpenAI、Anthropic、Google 都不是小事。 因为基础模型公司想卖更高 ASP，前提是上层应用愿意把 intelligence 溢价传递给最终用户；而 Replit 这样的产品证明，某些垂直场景里，这个传递链条是通的。 ## 03 历史类比 / 结构对照 我想到的类比不是 2022 年 ChatGPT，而是 2014 年后的 AWS。 当年很多人以为 AWS 卖的是便宜算力，后来才发现它卖的是“默认开发路径”。一旦 builder 在 AWS 上开发、部署、监控、扩容，迁移就不再只是价格比较，而是 workflow 与组织习惯的重写。 Replit Agent 现在未必已经是那个量级，但结构相似。 如果只是一个 coding assistant，它的 moat 很薄：模型可替换，UI 可模仿，prompt 也会扩散。 如果它把“写代码”升级成“生成 app 并立刻运行”，那它开始像一个新型 cloud surface。不是先有 repo，再去买云；而是从 prompt 开始，直接得到 app、数据库、deployment 和后续迭代入口。 这是一个很重要的 inflection point。 2007 年 iPhone 改变的是软件分发界面；2014 年 AWS 改变的是软件生产基础设施；2022 年 ChatGPT 改变的是人机接口。而 Replit 这类 agentic builder 产品，可能在尝试改变“软件从想法到上线”的最短路径。 这也是为什么我觉得这件事比一条普通融资新闻、DAU 新闻重要得多。 因为它触到了应用层真正稀缺的东西：distribution 叠加 execution。 模型公司有 intelligence，云厂商有 compute，但真正能抓住 SMB、独立开发者、非传统程序员的，往往是那个最先把“我要一个软件”翻译成“线上有一个软件”的入口。 当然，我可能高估了这种一体化路径的稳定性。历史上也有很多“全栈开发平台”红极一时，最后被更开放的生态拆解。只是今天和十年前不同的地方在于，LLM 让“从零到可用原型”的时间缩短了一个数量级，这会显著放大入口价值。 ## 04 对 AI builder 意味着什么 如果我今天是 AI builder、模型 API 消费者，或者在做 AI coding / AI workflow 产品，这周和这个月会调三件事。 第一，重新定义自己的收费对象。 不要只盯着 seat 定价。 如果你的产品已经在替用户完成一个完整任务，比如生成 landing page、处理 support ticket、做 ETL、写 internal tool，那就应该测试 outcome-based packaging，至少是接近 outcome 的 usage 包。因为一旦你继续按“AI 功能附加费”卖，用户会天然拿你和更便宜的通用模型比较。 而 outcome 包装能把比较对象从“token 单价”切到“完成任务的总时间和总风险”。 第二，把 model routing 当成利润中心，不要当工程细节。 Replit 这类案例背后，最值得同行学习的未必是前台 Agent UI，而是后台怎么把昂贵模型只用在真正需要 intelligence 的节点，把其余步骤交给便宜模型、规则引擎或者缓存命中。 这是 token 网关、AI infra、agent runtime 公司最现实的机会窗口。 尤其对 API 消费者来说，未来 12 个月的胜负手，不是你接了多少模型，而是你能不能把高价值请求分发给最合适的模型，同时把 latency、失败率、成本波动压住。那个真正会被定价的是稳定结果，不是“接了最新模型”。 第三，优先占有 execution layer，而不只是 chat surface。 如果你做的是 AI app，但最终结果还要导出到别的平台运行、托管、协作，你的 switching cost 可能很低。用户今天在你这儿生成，明天就能去别处复制粘贴。 相反，如果你控制了 runtime、数据连接、部署入口、团队协作，你就开始有真正的 moat。这个 moat 不是模型本身，而是工作流沉淀。 我没法确认 Replit 的留存曲线到底有多硬，也没看到它 cohort 数据，所以不敢断言它已经证明了长期胜利。但对 builder 来说，方向已经足够清楚：别再把 AI 只当 feature，要把它包进完整生产链条。 ## 05 反方观点 / 风险 现在最强的反方观点其实很直接：Replit 的数字可能是真的，但我可能把它解释得过头了。 第一种可能，100 万美元首日更多是强 launch、品牌积累和 founder narrative 的结果，不代表可复制的常态转化率。 如果是这样，那么这件事说明的是 Replit 擅长抓住 AI 流量窗口，不一定说明整个 agentic coding 市场已经稳定成立。 第二种可能，2.5 亿这个数字里混入了大量非 Agent 收入、预付费、企业合同或平台其他业务，不足以证明 Agent 单品的 economics。 这点我没法从现有材料里拆开验证，所以判断必须保守。 第三种可能，也是我认为最值得警惕的一点：AI coding 的真实瓶颈也许不是生成，而是维护。 首日让用户做出一个 app 很容易令人兴奋，但一个月后、三个月后，用户是否愿意继续在同一平台迭代、调试、接外部系统、处理安全与权限问题，这才决定留存。 如果后续维护体验不成立，Agent 收入就更像“原型税”，不是 durable revenue。 第四种可能，基础模型价格继续快速下行，上层产品的所谓 moat 被侵蚀。 当 OpenAI、Anthropic、Google、开源模型都把 coding 能力做得更接近，且 IDE、hosting、agent runtime 逐渐标准化，Replit 这样的产品可能会发现自己处在中间层：既没有底层模型定价权，也没有企业级系统集成的深锁定。 那时，今天看起来像 inflection point 的东西，可能只是一个 distribution 高峰。 但即便我错在这里，有一个判断我还是会坚持：相比“某模型 benchmark 提升 3 分”，Replit 这种带着真钱味道的案例，对 AI builder 更有参考价值。 因为行业最终不是按 demo 定价，而是按现金流定价。