Dan Shipper 预测未来几年 SaaS 行业将迎来爆发，但软件的交互范式将发生根本性剧变。

未来的工作将主要在 Codex 或 Claude Code 等 AI 浏览器/Agent 内部完成。用户不再频繁切换各个 SaaS 的 Web 界面，而是直接在 Agent 的环境中通过工具调用（Tools）来驱动底层的 SaaS 服务。

• 工作流正从“在 SaaS 里集成 AI”转向“在 AI 环境中消费 SaaS”。
• 传统的 UI 界面将退居幕后，成为 Agent 执行任务的 API 接口。
• 随着 AI 让普通人类的技能变得廉价，企业的竞争力将取决于对 AI 模型的高效利用和私有数据的深度整合。

这种转变意味着传统的 SaaS 护城河——即“用户粘性来自复杂的 UI 操作习惯”——正在瓦解。如果一个产品无法通过 MCP 或类似的协议被 Agent 完美调用，它在未来的协作流中将变得隐形。

对于软件开发者而言，与其投入大量精力打磨前端 UI，不如将重心转向 API 的稳定性与模型上下文的适配能力。这是一种“解耦”：业务逻辑属于 SaaS，但交互权交给了 AI Agent。

这也解释了为什么 SaaS 股票依然具有巨大的上涨空间。虽然交互入口变了，但企业数据的存储、计算和业务逻辑的闭环依然由 SaaS 服务支撑，只是计费模式可能从按人头订阅转向按 API 调用计费。

微软内部发布通知，将不再为员工支付使用 Anthropic 竞品工具 Claude Code 的费用，要求员工转为使用自家的 CoPilot 内部版本。

这一举动并非禁止使用 AI，而是出于商业竞争与资源成本的考量。作为 OpenAI 的最大出资方，微软必须强制推动内部员工使用基于 GPT 系列模型的自家生态产品。

• 微软不再报销 Claude Code 相关费用，强制推进 CoPilot 普及率。
• 员工被引导至内部定制的 AI 工具，以确保数据安全与生态闭环。
• 此举反映了顶级 AI 公司之间在开发者工具（IDE/CLI）领域的直接交火。

对于普通企业而言，微软的做法是一个预演：未来的 AI 工具选型将不再仅取决于“谁更好用”，而取决于谁能更好地整合进已有的办公/安全合规体系。

这也揭示了 Anthropic 的 Claude Code 给微软带来了巨大的压力。作为一款 CLI 工具，Claude Code 在代码编辑和自动化任务上的表现，显然已经让开发者产生了跨平台的迁移动力。

虽然微软拥有 GitHub Copilot 这一先发优势，但在更高效率的命令行交互 Agent 领域，竞争才刚刚开始。强制性的行政命令能否抵消底层工具的能力差距，依然存疑。

Onyx 是一款在 DeepResearch Bench 上成功超越 Claude 和 ChatGPT 的开源深度研究系统，其核心逻辑极具颠覆性。

• 架构创新：在 DeepResearch Bench 上登顶，表现优于 Claude 和 ChatGPT。
• 反直觉设计：通过剥夺总指挥调节器的搜索权限，强制依靠底层执行者反馈，大幅减少决策噪声。

具体实现上，它通过极致的任务分解与结果验证机制，确保每一项细分研究都能被精确执行。这种“权力下放”的架构目前使其成为了公开可用的最强深度研究员。

如果你正在开发复杂的 Agent 系统，应该尝试降低核心调度器的职责复杂度，将搜索与数据清洗任务彻底封装在子 Agent 中，只让主 Agent 负责逻辑校验和结构化总结。

OpenClaw 是一个专注于极致性能与本地控制的 Agent 编排框架，近期完成了重要的底层依赖重构。

• 依赖项脱水：引入 Photon (WASM/Rust) 模块，使图像处理体积从 140MB 骤降至 2MB。
• Token 效率优化：提供技能分析工具，通过精简语法和说明文档提升上下文利用率。

该项目通过移除 Sharp 和 Jimp 等庞大库，极大提升了本地部署的响应速度。此外，它强调了 Skill 编写的效率：建议开发者在编写技能描述时精简语法，避免加载冗长无效的信息。

开发者可以通过集成 Photon 模块来优化自己的 Agent 视觉处理流程，特别是在资源受限的边缘计算或本地环境中，这种依赖项脱水（Dependency Purge）是提升性能的关键。

Rodin Gen-2.5 是由 Hyper3D 发布的新一代 3D 生成模型，标志着 AI 3D 建模进入了高精度时代。

• 极致精度：全球首个能稳定输出千万级面数 (10M+) 的生成模型，具备工业级几何细节。
• 工作流整合：配合 GPT-image2 可实现从 2D 设计稿到复杂 3D 结构的单次精准生成。

相比于以往模型的杂乱拓扑，Rodin 2.5 在精度和模型结构上实现了质的飞跃，甚至可以直接用于高质量的科普演示或工业渲染。实测显示，其生成的物体具有清晰的层级关系，不再需要繁琐的手动拓扑重构。

该工具非常适合需要快速创建高精度 3D 资产的游戏开发者、科研人员和设计师。用户只需提供高质量 2D 参考图，即可获得具备专业级面数分布的 3D 原始文件。

在处理长周期的 AI Agent 任务时，如何实时监控进展并进行动态干预成为了当前技术研究的重点。

一个有效的工程实践是引入 Goal 目标面板与 /side 侧边指令。这种模式允许用户在不中断当前 Agent 执行流的情况下，开启一个拥有全量上下文的独立对话窗口。通过这种方式，用户可以随时询问进度，而不会破坏主任务的推理链。

• 任务被定义为可编辑的 Goal 状态，支持在运行中暂停、继续或删除。
• 任何对目标的修改将在当前交互回合（Turn）结束后立即生效，确保了任务的原子性。
• 这种交互范式解决了 Agent 执行过程中的“黑盒恐惧”，提升了人机协作的确定性。

从架构上看，这要求 Agent 系统具备状态持久化与上下文快照能力。主任务在后台保持执行，而侧边对话（Side Chat）通过共享内存读取主任务的中间变量。

对于开发者，这意味着在设计 Agent 时，不能再将其视为简单的“输入-输出”模型，而应构建一个具有可观测性的有状态机。每一个复杂的 Goal 都应该被拆解为可追踪的里程碑。

传统的网页自动化往往深陷于不稳定的 DOM 结构，而最新的技术趋势是利用 AI 直接进行网络请求层的逆向工程。

通过将 Claude Code 指向特定网站的 Network 面板记录，Agent 可以分析请求模式、Header 结构和认证逻辑，从而绕过难以通过 DOM 导航的界面，直接编写基于 API 调用而非 UI 模拟的自动化脚本。

• 跳过 DOM 操作：对于动态加载网站，直接调用 API 具有极高的确定性，避免截图识别失败。
• 流量分析与代码生成：利用 Agent 强大的模式识别能力，从 JSON 请求中提取核心逻辑并生成爬虫脚本。
• 提升稳定性：基于协议的自动化显著降低了脚本的维护成本，提高了复杂交互任务的成功率。

这一方法的精髓在于将视觉问题转化为逻辑协议问题。AI 在处理结构化的网络数据包时，比处理非结构化的像素或标签具有更高的鲁棒性。

开发者应该意识到，未来的自动化不再是“模拟人类点击”，而是“模拟开发者调用”。这种模式将显著提高复杂交互任务的执行成功率。