AI 代理重塑开发范式与爆发式增长数据

Supabase 联合创始人兼 CEO Paul Copplestone 指出，AI 正在彻底改变软件构建的门槛与方式。当前 Supabase 拥有 1300万注册用户，每周创建超过 100万个数据库。与去年同期相比，用户规模从约 300万激增至1300万，数据库管理数量从 800万攀升至接近 5000万。这种指数级增长并非偶然，而是源于开发范式的根本性转移：70%的新增活跃度来自 AI 代理（Agents）。Paul Copplestone 强调，今年见证了向代理模式的巨大拐点，“这非常疯狂”。随着 AI 模型能力的提升，传统上需要软件工程师介入的环节正被自动化取代，“让代理想要的东西”成为新的产品构建核心。这种由 AI 驱动的基础设施需求，使得 Supabase 在营收上预计实现 4倍增长，标志着平台已从单纯的服务提供商转变为 AI 生态的关键底座。

从仪表盘到代码优先：适配代理的技术演进

为了适应 AI 代理的需求，Supabase 经历了三个阶段的演变：从仪表盘公司转向 API 公司，最终确立为代码优先（Code-first）公司。Paul Copplestone 解释称，AI 代理更倾向于通过命令行界面（CLI）和代码进行交互，而非图形化操作。“我们非常努力地提供代理真正想要构建的模式，即代码优先。” 此外，成为大语言模型（LLM）中的默认数据库选择也是关键因素。作为开源项目，Supabase 不仅支持自身工具链，还积极维护 PostgreSQL 等生态系统中的知名工具。“我们试图支持现有工具……帮助维持它们，从而蔓延到许多社区。” 这种开放策略不仅赢得了开发者社区的信任，更让 AI 代理能够直接访问源码进行调试和修复。“当出现问题时，它们可以直接查看源代码”，这种透明度对于解决代理遇到的黑盒问题至关重要。

非工程师群体崛起与“构建者”概念的泛化

2026年的显著特征是非软件工程师背景的“构建者（Builders）”大规模涌入。过去，只有具备编程背景的人才能利用 Supabase 构建应用；如今，“传统上不具备软件工程背景的人现在也能在 Supabase 之上构建事物”。这一趋势打破了以往用户增长伴随转化率下降的规律，今年所有指标同步上升。“这有点疯狂……因为模型在构建方面变得如此出色。” Paul Copplestone 分享了一个典型案例：一位刚以超过 10亿美元退出金融科技公司的创始人，虽然本科学习数学且只会写简单的 Ruby 脚本，过去总需依赖工程师实现想法，但现在他利用 AI 工具独立构建复杂的个人项目。“他们不再需要说服任何人……他们正在不断推出想法。” 尽管软件工程师仍占很大比例，但非工程背景构建者的增长速度惊人。“我看不出哪里是天花板”，这种泛化的构建能力正在重塑软件行业的用户结构和增长曲线。

领域专家成为新晋开发者：从技术依赖到自主构建

随着AI辅助编程能力的普及，软件开发的核心门槛发生了根本性转移。过去两年间（2022-2025年），创业圈曾流行一种观点，认为无论做什么项目都必须拥有技术联合创始人（Technical Co-founder）。然而，这种观念正在迅速瓦解。现在的核心痛点不再是“如何构建软件”，而是“知道该构建什么”。拥有特定领域知识的专家（Domain Experts）成为了最理想的开发者群体。他们深知自身行业中的未解难题，无需再说服工程师加入团队或等待外包开发，便能直接动手解决痛点。

这种转变使得许多原本不可能出现的软件得以诞生。例如，一位精通财务平衡表、追踪软件且熟悉银行集成逻辑的专家，能够从零开始编写复杂的金融整合代码。这类高度垂直、针对特定细分市场的软件，在两年前几乎不可能被构建出来。开发者往往专注于通用型工具，而领域专家则能精准切入那些“边缘但高价值”的利基市场。正如讨论中所指出的，过去许多想法因为无法说服工程师投入精力而被搁置，现在这些“知道人们会为此买单”但缺乏技术执行力的群体，终于获得了自主构建的能力。

真实案例：巴西出租车司机的“迷你Uber”与身份重塑

在Supabase的会议现场，出现了一个极具代表性的案例：一位来自巴西、约50岁的出租车司机利用手机构建了一款完整的打车应用，相当于一个“迷你Uber”服务于本地市场。这位用户并非传统意义上的程序员，但他展现了惊人的创造力和执行力。这一案例生动地说明了AI工具如何赋能非技术背景的人群，让他们从传统的蓝领工作者转变为具备开发能力的“构建者（Builders）”。

尽管这位司机具体为何要自建应用的原因尚不明确，但他对能够独立完成这一复杂任务表达了深深的感激。更令人印象深刻的是他的精神状态：尽管年近半百，他却展现出如同青少年般的创业激情与活力。这反映了当前技术变革带来的深层社会影响：在充满不确定性的未来工作图景中，AI工具为那些原本对技术感到迷茫的人提供了新的技能习得路径和机会。这种从“被动接受者”到“主动构建者”的身份转变，不仅解决了具体的业务问题，更带来了巨大的心理满足感和对未来的掌控感。

个人软件崛起：打造超越商业产品的“生活控制塔”

除了面向公众的产品，越来越多的个人开始利用AI构建高度定制化的私人软件。以Supabase联合创始人Paul为例，他近期开发了一款名为“控制塔（Control Tower）”的个人应用。起初他曾认为无需UI和数据库，仅靠Markdown和聊天界面即可管理生活，但很快发现在数据量增加后，数据库和图形用户界面（UI）变得不可或缺。这款应用整合了邮件分类、财务追踪、体重记录及健身数据，实现了个人生活的全方位管理。

Paul指出，这款自研应用在财务功能上至少达到了Mint或Monarch等主流商业产品的同等水平，甚至在某些方面更优。其核心优势在于“个性化上下文（Personalized Context）”。例如，系统能通过识别交易对手方的姓名（如“我的大脑”），自动进行精准分类。这种深度定制是任何通用商业软件无法提供的，因为它不需要考虑其他用户的意见或兼容性。拥有自己的数据库并在此基础上构建应用，而非依赖第三方平台的数据黑盒，正成为一种关键的技术主权意识。通过同步多设备数据并关联日历等信息（如旅行期间体重波动属正常现象），个人AI代理能够提供极具价值的背景洞察，帮助用户更科学地管理健康与生活节奏。

数据主权与架构演进：从大型机到个人数据库时代

这一趋势也引发了对软件架构历史的反思。过去，世界仅由少数几家大公司运营的大型数据库主导；如今，“记录存储（Store of Record）”的价值回归到个人手中。Paul正在将其CRM系统从单一代理中解耦，以便能够灵活挂载不同的AI代理。这种架构选择确保了数据的自主权：用户拥有自己的数据库，并在其上构建所有应用或代理，而不是将数据锁定在别人的数据库中。

这种变化标志着软件开发范式的重大转移。正如Paul所言，这曾是一个“疯狂的想法”，但现在正成为现实。AI不仅降低了构建软件的技术门槛，更重新定义了谁有权定义和解决特定问题。无论是领域专家还是个人用户，他们不再仅仅是软件的使用者，而是成为了自己数字生活的架构师。这种去中心化的构建能力，正在催生一个更加多元、个性化且充满活力的软件生态体系。未来的竞争力将不再仅仅取决于编码能力，更取决于对特定领域问题的深刻理解以及利用AI工具将其转化为解决方案的能力。

个人数据资产的范式转移

过去，构建数据库对普通人而言毫无意义，因为缺乏编程能力使得个人CRM等应用难以落地。但在AI时代，这一逻辑发生了根本性逆转。用户不再需要编写代码即可利用数据库，Supabase通过提供S3兼容的文件存储功能，让用户能随意上传邮件或文件。系统背后的AI代理会自动解析这些非结构化数据，判断其与用户生活的关联性并执行相应操作。所有个人生活数据最终汇聚于单一数据库，涵盖健康、财务和人际关系。这种从“无法理解”到“核心价值”的转变，标志着个人数据资产化的开端。

“一年前我从未想过想要一个个人数据库，因为那没有意义。但现在我认为这是最有价值的东西。”

十亿级数据库的规模挑战与架构分层

Supabase的目标是服务全球每一个能访问AI的人，这意味着数据库数量将呈指数级增长。每周新增一百万个数据库仅是起步，若按ChatGPT 12亿周活跃用户计算，潜在规模可达每月12亿个新数据库。这种量级在数据库领域前所未有。Postgres架构面临巨大压力，单纯依靠与AWS谈判已不足以支撑。为此，Supabase收购了Turso，引入兼容Postgres和SQLite的架构。推出“Superbase Spark”层级，旨在处理轻量级原型工作负载。其核心口号是“从原型到PB级”，确保用户起步体验一致，同时具备向海量数据扩展的能力。

双轨产品策略与AI编码的爆发式增长

面对两端市场，Supabase采取“双轨并行”策略：Multigress向上扩展至PB级企业负载，Turso向下兼容SQLite原型工作。这种同时兼顾两端的做法极具挑战性。内部AI编码采用率从10%飙升至60%，仅用六个月。公司无强制AI政策，完全依赖工程师对模型能力的信任。高强度测试工具成为新标配以验证生成代码的质量。这种转变不仅发生在Supabase，YC生态中的Blacksmith Depot等公司也普遍采用垂直CI方案。工程师从怀疑到信服，是因为模型能力显著提升且能解决实际问题。尽管招聘压力巨大，但AI带来的效率提升使这一过程充满挑战与乐趣。

“我们每周现在发布一百万个数据库……如果所有ChatGPT用户每月都启动一个项目，那就是12亿个数据库。”

Supabase 的三次范式转移：从反直觉到代码优先

Supabase 的发展轨迹清晰地映射了开发者工具市场的演变，经历了三个截然不同的阶段。最初进入 Y Combinator (YC) 时，公司定位为“数据库公司”被视为极度反直觉（contrarian）的选择。当时的市场共识是直接使用 RDS 等云服务商，但创始人观察到即使是专业软件工程师在使用数据库时也面临巨大困难。因此，团队构建了类似 Airtable 的 UI 层覆盖在 Postgres 之上，旨在解决开发者体验（DX）痛点。随后在 2021 年左右，随着客户需要批量创建数据库的需求涌现，公司转向 API 模式。这一决策被证明极具前瞻性，为 2024 年 Bolt、Lovable 等 AI 编程工具基于 Supabase API 进行构建奠定了基础。而到了今年，创始人发现无人再访问 Dashboard，这一现象促使团队发布产品备忘录，强制要求转向“代码优先（code first）”和基础设施即代码（Infrastructure as Code），确保任何在 Dashboard 上存在的功能必须在 CLI 中同步实现。

历史窗口期：Parse、Firebase 与 NoSQL 浪潮的铺垫

Supabase 的成功很大程度上得益于其进入市场的时机，这要归功于 Parse 和 Firebase 等先驱公司铺平的道路。在 2014 年，如果不使用三大云服务商的数据库服务（如 RDS）是“荒谬”的。然而，Parse 和 Firebase 的出现证明了独立数据库公司（legitimate database business）的可行性。创始人指出，当时市场发生了两个关键变化：MongoDB 成功说服大众接受 NoSQL 作为数据存储方案，以及移动互联网的爆发。这些先驱公司不仅展示了无需依赖单一超大规模云厂商的可能性，还通过提供友好的 RESTful API 改善了移动端开发体验。这种历史性的铺垫使得 Supabase 能够在 Postgres 仍被视为“初生（nascent）”且存在扩展限制的时代，通过封装工具层来实现无限扩展。正如创始人所言：> “他们（Parse/Firebase）为我们开辟了道路，让我们能够建立一个合法的数据库业务。”

商业模型：复制 AWS “Day One” 策略与无限扩展逻辑

Supabase 的核心商业战略借鉴了 Heroku 和 AWS 的经验，旨在解决开发者工具从早期采用者向企业级扩展的难题。Heroku 虽然普及了 Postgres，但在应用规模扩大后难以留住用户；而 AWS 的成功在于其“Day One”策略，即吸引初创公司起步并伴随其无限增长。创始人引用了一个关键数据：约 40% 的 AWS 收入来自那些起步于该平台并最终规模化的初创企业。Supabase 认为，说服用户从现有数据库提供商迁移几乎是不可能的任务，因此必须成为用户的“第一天”选择。通过提供极致的开发者体验，确保用户从一开始就产生粘性，从而形成类似 Stripe 的最佳商业模式（best business model）。这种策略的核心在于不追求早期的企业级功能，而是专注于让增长最快的公司“不想离开”，从而在长期内实现价值的无限捕获。

未来挑战：当“每个人都是构建者”时，Day One 如何定义？

随着 AI 编程工具的普及，市场格局发生了根本性变化，“每个人都是构建者”成为新常态。这给 Supabase 带来了新的定义难题：“Day One”的用户是谁？他们使用什么模态（modalities）？如何做出技术选型？ 过去，Day One 明确指向 YC 的初创公司；现在，目标客户群体变得模糊且分散。创始人承认这是一个极具挑战性的问题（tricky questions），因为传统的数据库公司直接面向消费者（DTC）的概念曾被视为“语法错误”。如今，随着零到十甚至更广泛的用户群体涌入开发领域，Supabase 必须重新思考如何为这些非传统开发者提供价值。这种转变不仅关乎技术架构，更涉及对市场细分和用户行为的重新理解。尽管面临定义“第一天”的困难，但创始人坚信，如果这一市场持续扩张，其潜力将是巨大的。> “现在的第一天正在变成……每个人都是构建者。”

双轨业务模式与个人数据资产化

Supabase的业务模型呈现出明显的两极分化：一端是拥有强大Stripe商业模式的早期初创公司，另一端则是直接面向消费者（ToC）或代理人的服务。虽然这些使用场景可能无法像初创企业那样实现爆发式增长，但它们具有极高的用户生命周期价值。例如，为个人理财软件或出租车公司提供底层支持的应用程序，一旦建立连接便可能长期存续。随着用户生活轨迹的延伸和信息的积累，个人数据成为衡量增长的关键指标。这种“产消者”（Prosumer）市场本质上是一个良好的增长向量，因为人们正在收集越来越多的数据并存储在平台上。

个人Agent时代的到来与产品重构

在经历了助理（EA）休假一周后，作者对个人Agent的能力有了深刻认知并产生痴迷。尽管公司口号是“为人类编码者构建”，但实际产品逻辑已转向服务于Agent。作者通过“吃自己的狗粮”（Dogfooding）来验证这一方向：在与AI通话时，仅通过自然语言指令要求修改功能，而刻意不去查看代码或架构细节。这种交互方式模拟了未来人类不再直接干预编码、而是由Agent自主执行任务的场景。

“我现在的直觉是确保我在正确地进行构建或试吃，那就是我不看代码……当我进行这些更改时，我只是想与它交谈并看看它能改变什么。”

这种体验被形容为“来自两年前的科幻电影”，展示了AI在代码生成和修改方面的惊人能力。如果六个月前有人展示这种功能，人们会认为是不可能的。

面向Agent的会议与错误消息工程化

Supabase正在重新思考技术文档和会议的交付形式，甚至提出了“仅面向Agent的虚拟会议”概念。在这种设想中，AI Agent可以自动收听技术发布会（如Supabase Select），提取新功能信息并自行集成到代码库中，而人类开发者无需手动学习所有细节。为了支持这一转变，Supabase对错误消息（Error Messages）进行了深度重构。传统的开发者遇到500错误时往往需要手动搜索解决方案，而面向Agent的错误消息则直接提供修复步骤或文档链接。

赢得AI Agent青睐分为两个阶段：首先是被模型选中，其次是当Agent卡住时不使其流失。因此，必须重新设计原本面向人类的工具链。通过提供明确的修复指令（如“inode已满，请执行此操作”），确保Agent能够自我纠正。这种工程化改造虽然看似简单，却是让智能体在复杂环境中稳定运行的关键。

基于Postgres的Agent评估与Gary案例

Supabase建立了内部和公开的Eval（评估）体系，用于测试不同AI模型在使用Postgres时的表现。通过观察哪些模型能最好地构建应用，公司不仅优化了自身产品，还帮助行业建立了围绕Postgres的开发技能。目前，大部分工程精力已投入到针对特定用例的测试套件构建中，而非单纯的功能开发。

以Gary（Gbrain项目）为例，他最初在Supabase上构建了“Agentic Newsroom”原型。该系统利用RAG（检索增强生成）技术，自动阅读特定主题的新闻文章并尝试综合信息。随后，他将这一研究系统提炼为开源检索工具OpenClaw的一部分。Gary的经历证明了Supabase作为AI应用底层基础设施的灵活性和有效性，从复杂的政策论文分析到通用的新闻聚合，Supabase支撑了多种Agent形态的落地。

从“富士康工厂”到自主协作的范式转移

早期的AI开发模式往往将大型语言模型（LLM）调用视为极其昂贵且充满风险的资源，这种思维类似于富士康工厂中的流水线作业。在这种模式下，开发者对AI持谨慎态度，试图严格控制其边界以防止出错。然而，随着OpenClaw等工具的出现，这种观念发生了根本性转变。AI不再被视为潜在的威胁或需要严密监控的机器，而是被看作聪明且无害的智能体。开发者开始意识到，应当赋予AI更多的数据和能力，让它自主执行任务。这种转变的核心在于信任：既然AI足够智能且没有恶意意图，就应该让它自由地处理信息和执行操作。

在这种新范式中，百万级token的上下文窗口被重新定义为一种惊人的“工作记忆”能力。相比之下，大多数人类只能在大脑中同时保持7加减2个信息单元，而百万token的容量大致相当于三本《哈利·波特》小说的内容。尽管这一记忆能力远超人类，但对于复杂的代理任务而言，它仍然显得有限。在任意给定时刻，将正确的三本书内容全部保留在上下文中仍是一个巨大的挑战。因此，开发者意识到需要一种介于“无限记忆”和“即时上下文”之间的中间层解决方案，以支持更复杂的个人知识管理或企业大脑需求。

构建“G Brain”：向量检索与图数据库的融合

为了解决上下文限制问题，开发者构建了名为“G Brain”的系统。该系统旨在处理海量非结构化数据，例如个人拥有的50万个Markdown文件，涵盖了所有的沟通记录。面对如此庞大的数据量（约30-40GB），传统的向量数据库如Postgres配合PG Vector成为必要的基础设施。G Brain的核心在于结合RAG（检索增强生成）与图数据库，从而从无结构数据中动态创建出结构化信息。这种架构类似于早期Palantir的技术理念，通过图数据库在SQL中轻松实现复杂的关联查询。

“It's like, you I have half a million markdown files on like every communication I've ever had. And so, this thing really does have context on me and everything that I care about.”

在这一架构中，代理不需要一次性加载所有数据，而是可以根据需求检索特定的片段（如两页内容）。当代理需要信息时，它会遍历图结构，执行向量搜索并返回报告加载到上下文中。这种机制不仅提高了检索效率，还使得代理能够更精准地理解数据间的关联。此外，Supabase作为托管Postgres服务，因其强大的自动扩展能力而被选中，能够轻松支持50GB至300GB级别的数据库语料库的快速读写。这种基础设施的成熟使得AI代理能够自我管理系统API和数据结构，实现了高度的自动化。

动态检索与自主优化的评估体系

在技术实现之外，开发者还探索了AI代理的自主优化能力。在一次关于数据库未来的讨论中，有人提出将智能体置于循环中以创建完美的搜索数据结构。如果某项查询需要10秒，可以部署一个智能体循环来寻找或创建新的索引类型，将响应时间缩短至1秒以内。这种动态检索机制在拥有强大代码生成能力的AI出现后将成为现实。开发者利用OpenClaw的生产实例提取追踪数据，构建了包含40个不同类别的“G Brain Evals”评估数据集。

这些评估涵盖了检索效率、成本效益和延迟等多个维度。为了持续改进，开发者引入了类似“船长”（Captains）的概念，类似于Grok机器人的功能。一个智能体负责不断生成新的评估类别，另一个则每日自动研究并尝试提升各项评分。对于失败的实验，系统会生成Markdown文件记录原因并存入评估库。这种机制本质上是一种针对特定用例的原始版“强化学习”（RL），通过自动化循环不断优化检索性能。

“And anything that you tried that didn't work, write a markdown file that, you know, explains why you think it didn't work and then file it away in G brain evals.”

未来展望：抽象化与开源探索

尽管目前开发者需要深入理解评估体系、向量数据库和图结构等底层技术，但这可能只是早期阶段的必要过程。开发者认为我们正处于定义如何使用这些技术的“原始阶段”，目前的实践更多是开源环境下的实验性摸索。随着技术的发展，未来的构建者可能不再需要直接处理这些复杂的评估和数据结构。正如Boris Turney所描绘的未来愿景，用户只需像与朋友交谈一样使用Claude等AI助手，而无需关心背后的评估机制或技术细节。

“I feel like we're so early that, you know, I'm just messing around. And you know, I like doing it in open source... we're literally coming up with the primitives on how to use this stuff right now.”

这种从“手动配置”到“自然交互”的过渡，依赖于开源社区对基础原型的贡献。开发者希望其构建的系统能被他人借鉴和应用，从而推动整个领域向更高级的抽象层发展。最终，AI代理将能够自主管理数据结构和检索逻辑，用户只需关注意图表达。这种转变不仅降低了技术门槛，也释放了AI在个人知识管理和复杂任务处理中的巨大潜力。

自然语言即代码：从域名到成品的极速构建

视频讲述了一个极具代表性的案例，展示了AI编程工具如何将创意瞬间转化为可运行的产品。博主拥有一个名为 openusd.dev 的域名，该名称源于一种文件格式（OpenUSD），由于Stripe和Visa等巨头宣布使用该域名，博主决定将其投入使用。他并没有通过传统的编码流程开发网站，而是通过与AI助手（dot）进行自然语言对话来完成。他先在电脑上与AI交流生态系统的信息架构，随后在睡前通过手机继续交互。

"I was just chatting to it on my computer... And then I like as I was winding down my day, I called it on my phone"

当博主提出对信息架构的不满并请求建议时，AI不仅给出了方案，还在20秒内完成了代码实现。刷新页面后，网站结构清晰、链接正确，甚至自动处理了SEO等繁琐工作。这一过程让博主感受到了一种“瞥见未来”的时刻，他意识到无需深入GitHub或编写大量底层代码，仅通过少量的提示词（prompting），AI就能完成从构思到部署的全过程。这种体验验证了自然语言编程正在成为普通人构建软件的新范式。博主特意以“非专业程序员”的身份测试Supabase，旨在模拟一年后普通用户的体验，从而评估该工具在大众市场的潜力。

能力爆发与人才瓶颈：AI时代的“ unstoppable force meets immovable object ”

当前社会正处于一个奇特的转折点：AI模型的能力呈抛物线式增长，但懂得如何利用这些能力产生社会影响的人数却相对恒定。博主指出，AI研究正在Cloud Coder、Codex等内部循环中快速迭代，从20%进展到80%的效率提升主要发生在此类工具内部。然而，社会缺乏足够多的像Paul这样的人——他们既知道该构建什么，又懂得如何向AI提问。

这种“不可阻挡的力量（模型能力）”与“不可移动的物体（具备影响力的人才数量）”之间的碰撞，构成了当前的核心矛盾。尽管许多人对此感到焦虑甚至偏执，但博主持乐观态度。他真诚地期待AI为更多人带来的未来可能性，特别是对于蓝领工人和长期被技术边缘化的群体。Supabase等平台通过降低技术门槛，激发了大量的创业活动。博主认为2027年将是一个充满活力的时期，前提是保持当前的技术迭代节奏并避免重大黑天鹅事件。这种乐观源于对“赋能个体”的深刻信念，即技术应服务于那些曾经不得不从事繁重劳动的人群。

融资逻辑重构：从烧钱扩张到高效盈利的范式转移

视频深入分析了初创企业融资环境的剧烈变化。目前，垂直SaaS（Vertical SaaS）创始人面临严峻的Series A融资困难。即使拥有500万至1000万美元的年经常性收入（ARR），这在历史上足以保证获得Series A融资，但现在却举步维艰。相比之下，AI和水平SaaS领域的投资依然火热。然而，这种融资寒冬恰逢一个技术红利期：借助AI工具，团队仅需10至15人即可实现2500万甚至5000万美元的ARR。

"you're very profitable at that point... with 15 people, 2 million ARR per head and with 50% margins, you're all making a million a year"

这种人均200万美元ARR、50%利润率的结构，使得每位员工年收入可达100万美元，实现了极高的盈利效率。博主在办公室办公时间（Office Hours）中常遇到那些未能获得融资而感到沮丧的创始人，但他往往建议他们将这一挫折视为“祝福”。过去，初创企业需要筹集1亿美元并雇佣大量人员才能达成3000万美元的营收；如今，无需巨额融资即可实现高盈利和高人均产出。这种变化重新定义了成功的标准：不融资不再是失败的标志，而是高效运营和盈利能力的体现。许多创始人曾将获得投资视为成就的徽章（badge），但现在，不依赖外部资金而实现自给自足和丰厚回报，被视为更伟大的成就。博主对此类高效公司表示羡慕，并认为这是AI时代创业的新常态。

长期主义与适应性：在快速变化中锚定核心品类

面对Supabase如何在每一轮技术浪潮中保持领先的疑问，博主分享了其战略核心：林迪效应（Lindy Effect）。他指出，数据库技术已存在50年，无论AI如何发展，他确信未来仍需要数据库。因此，选择具有极高耐久性的品类至关重要。当一个人将全部职业生涯押注于某项事业时，必须选择那些经得起时间考验的基础设施领域。

"Databases have been around for 50 years... at the end of AI, no matter what, I'm pretty certain they'll be databases"

除了品类选择，快速适应能力是另一关键。Supabase并不试图在所有领域提供完美答案，而是确保自身能比竞争对手更快地适应变化。博主观察到许多开发者工具的发展轨迹：它们通常始于对开发者的专注，随后逐渐转向企业级市场并变得官僚化。Supabase的策略是保持灵活性和对开发者社区的深度连接，避免过早陷入企业化的僵化。这种在快速变化的环境中保持核心品类定力与执行速度的平衡，是其在AI时代持续领先的关键。博主强调，选择值得长期投入的品类并快速迭代，是应对不确定性的最佳策略。

应对快速迭代的战略心态与团队弹性

在软件开发工具迅速演进的背景下，许多传统企业容易陷入停滞并丧失创新热情。相比之下，像 Stripe 这样的公司之所以能保持领先，是因为其创始人始终聚焦于构建软件的新范式。对于致力于服务下一代开发浪潮的团队而言，必须时刻关注未来的技术趋势。当前的技术发展周期极短，变化速度惊人，因此团队的核心竞争力在于极高的适应能力（Super Adaptable）。为了应对这种快节奏，企业需要在内部保留足够的资源容量，以便团队能够迅速调整方向。确保团队拥有快速转型的余力是未来一年战略重点中的关键一环，这比单纯的技术堆砌更为重要。

“吃自己的狗粮”与生态合作的反馈闭环

面对即将到来的下一个技术拐点，团队需要建立更完善的准备机制。首先，内部试用（Dog fooding）被视为最重要的实践之一。通过亲自使用自家或合作伙伴的工具，团队能最直接地暴露出产品缺陷。没有比用户在使用自身工具时遇到阻碍更有效的反馈了。其次，团队尝试与行业内的关键玩家建立合作伙伴关系。这种生态系统策略（Ecosystem play）极具价值，因为它能让团队提前获知合作伙伴的开发动向并获取反馈。尽管在合作中尝试新想法并不总能成功，甚至很多看似酷炫的项目最终会失败（flop），但成功的案例能让团队共同搭乘技术爆发的浪潮。保留内部容量以支持这些高风险尝试，是维持长期竞争力的必要成本。

总结与展望：在不确定性中寻找确定性

访谈的最后，双方就如何在动荡的技术环境中保持敏锐达成了共识。Paul 强调了从初期 Vibe Coding 到 Opus、再到 Co-gen（协同生成）等各个技术拐点中积累的教训。核心观点在于，不要预设下一个创新点会是什么，而要准备好应对它的基础设施。通过内部深度测试和外部生态联动，团队能够在不确定性中捕捉机会。虽然并非所有尝试都能获胜，但只有保持开放和敏捷，才能在技术浪潮中生存并壮大。这种对未来的敬畏与准备，是区分平庸团队与卓越团队的分水岭。

结论

AI代理与低代码工具已根本性重塑软件开发范式，使非技术背景的领域专家及普通用户成为核心构建力量。Supabase通过向代码优先和Agent友好型架构转型，成功捕获了这一红利：其用户规模与数据库创建量呈指数级增长，且70%新增活跃度源自AI代理。这种转变不仅降低了技术门槛，更催生了个人数据资产化与垂直利基市场的爆发。尽管面临海量并发带来的架构压力及“Day One”用户定义模糊等挑战，但凭借对Postgres生态的深耕、双轨产品策略及极高的运营效率（人均高ARR），平台已确立为AI时代的关键基础设施。未来竞争力将取决于对特定领域问题的理解及利用Agent自主解决问题的能力，而非单纯的编码技巧。