Factory CEO Matan：AI 编程从补全走向软件工厂，AGI 争论回到责任与约束

一、嘉宾背景

这期节目是 Alex Heath 主持的《Sources with Alex Heath》访谈，标题为《Factory CEO on why AGI is already here》，由 Sources Podcast 于 2026-09-29 上传，时长约 3016 秒。节目有明确嘉宾：Matan，Factory 的 CEO。证据中没有提供更完整的姓氏、生平或外部履历，因此这里应把他的身份限定在节目和 guest_context 支持的范围内：他以 Factory CEO 身份发言，谈的是 AI coding agents、企业软件工程、模型路由，以及他对 AGI、安全责任和工程师角色变化的判断。

Factory 在证据中被描述为一家 AI coding agents 领域公司，构建 model-agnostic 的 AI coding tools/agents，目标是改变软件工程工作的方式。这个背景很关键，因为 Matan 的很多观点不是旁观者评论，而是来自一家正在销售企业 AI 编程平台的公司视角。他强调 Factory 不是用黑箱服务替代开发者，而是给开发者杠杆；这让整期节目既像产业分析，也像一次公司定位说明。

Alex 对话题的引入也说明了节目关注点：他认为 AI coding 是 AI boom 中最动态、变化最快的部分之一，也是许多公司最早看到 AI ROI 的领域。Matan 接住这个框架后，把变化描述为从 GitHub Copilot 式 IDE autocomplete，转向 coding agents 和更深层的工程行为改变。也就是说，这期节目不是一般性的 AGI 闲谈，而是借 Factory 的产品和客户经验，分析软件生产方式如何被 agents、模型路由和企业流程重塑。

二、本期主要内容

Matan 对 AI coding 演进的叙述从一个对比开始：Factory 刚起步时，市场还处在“刚刚采用 GitHub Copilot”和 IDE 自动补全阶段，只有部分 AI 公司真正关注 agents；到了 2025 年到 2026 年之交，他认为企业才因为 Andrej Karpathy 等人公开分享 coding-agent 用法，开始接受工程行为本身会改变。他还说，Factory 看到 token usage 年同比增长超过 10 倍，并形容今天做工程师与三年前相比已经接近不可识别。这里的 10 倍是 Factory 的观察和 Matan 在节目中的表述，不应被扩展为整个行业的通用统计。

Factory 的起点被 Matan 讲得很具体：公司在 2023 年 4 月 17 日成立，当时已经在推 autonomous agents for coding。他说，早期信念来自他和联合创始人做过的一个练习：人类只复制粘贴、给指导、拆分任务，不亲自写代码，看 ChatGPT 是否能完成完整任务，比如 build feature 或写 tests。他们发现，在上下文给得足够、问题拆得合适时，ChatGPT 已能稳定完成不少较大的工作块。由此，autonomous agent 在他们看来不只是“更聪明的模型”，而是上下文提供、问题拆分和执行编排的问题。

这也是 Factory 早期口号“The future is IDE free”的来源。Matan 回忆，这句话让很多 founding-engineer 候选人退出流程，因为他们觉得太疯狂；但后来它成了过滤器，用来区分只是想加入热门创业公司的人，和真正相信未来软件工程会离开 IDE 中心模式的人。他同时承认，自己无法在 2023 年精确预知 2026 年 9 月 16 日录制当天模型能力会到哪里，只是认为 scaling laws 给出了趋势，真正确定的是“人类不会永远逐行写代码”。

在市场定位上，Matan 把 AI coding 生态分成三类：模型提供商，替客户做迁移或项目的服务型公司，以及 Factory 试图扮演的 model-agnostic 软件工程平台。Factory 的自我叙事不是“我们替你做完所有开发”，而是“我们给开发者更多杠杆”。因此它强调 modularity：用户可以调整底层模型、model routing 过程和默认配置，因为开发者不喜欢黑箱，喜欢 tinkering。Factory 的 agent 叫 Droid，但 Matan 说，目标不是强迫用户只用 Droid，而是构建一个 software factory，可以把 Cursor、GitHub Copilot、Claude Code、Codex 等工具或步骤纳入整体。

企业市场是这套叙事落地的主要场景。Matan 说，企业里有大量 messy、tedious、low-leverage 的工程工作，例如 COBOL migrations 和建立在 30 年代码之上的系统；这类工作对个人开发者不一定常见，却是企业生产力的痛点。他也说，Factory 不想在 prosumer 市场和 OpenAI、Anthropic、SpaceX 等公司比拼补贴使用量。融资用途同样服务于这个方向：Matan 称 Factory 2026 年初有 30 人、其中 2 名销售，计划到年底达到 300 人，并在伦敦、悉尼、东京开设办公室；资金用于全球 go-to-market 团队，以及研究工程师打造 model-agnostic、性能优于 Codex、Claude Code 等工具的软件开发 agent。这些是 Matan 在节目中的公司计划和主张，不是外部审计后的结果。

节目中另一条主线是 model routing。Matan 说，Factory 从一开始就把模型路由放进产品设想，因为他们不希望世界变成一个模型提供商压倒所有其他提供商。路由器按性能、延迟和成本动态选择模型，让企业不被今天领先、下个月落后的模型锁住；对忙碌工程师来说，常规任务不必关心底层模型，但特定任务仍可手动指定。节目后半段，Alex 追问这种策略的反面情形：如果一个模型拿下一切呢？Matan 承认 Factory 的确押注多模型未来，也提醒任何公司都要意识到“自己需要什么为真”。但他进一步说，整个经济和自由市场也需要多模型格局，因为单一模型供应商若显著强于所有人，就会成为垄断级社会威胁，并可能引发政府介入。

围绕 AGI、安全与责任，Matan 的说法更具争议。他明确说 AGI is already here，并称我们已经处在 post-AGI world；但他的论证不是说所有工作都消失或所有问题都解决，而是说如果四年前看到 Factory 今天的能力，人们会觉得系统已经“比每个人类都聪明”，只是人类会很快把新能力吸收为 table stakes。他也说，当下预测方差很高：有人认为所有工作都会消失，但就业报告仍显示创造了数百万岗位。

在 AI safety 上，Matan 支持安全研究和避免有害发布，但反对把坏结果归咎于模型像独立人类一样行动。他与 Alex 都把 Hugging Face 相关事件放在“沙盒失败和供应商责任”的框架里讨论：如果发布方提供的东西造成坏事，发布方通常应被追责；Alex 进一步说，如果类似事件发生在大型银行，可能带来听证和重大诉讼。Matan 用“公寓门口有熔岩坑”的例子说明，首先应追究制造危险场景的人，而不是立刻发明一个检查所有房子的全面监管机构。他还认为，部分 safety 研究有价值，但有些叙事像 fearmongering，且可能带来监管捕获。

商业模式与竞争部分，Matan 把 Factory 的 model-agnostic 立场与客户信任联系起来。他说，Factory 的经济模型不依赖开放模型或自训模型改善毛利，因为他不希望自身经济利益影响模型路由。Alex 称 Factory 是 2026 年少见的 margin-positive AI business；Matan 的回答是，如果只是转售 tokens，毛利会是负的，但如果真正解决客户问题，就可能形成正毛利。他还回忆，Factory 前两年因为早期代理产品没有让客户极度满意而退款，目的是保持善意和后续信任。

竞争方面，Matan 说市场上更常遇到 OpenAI 和 Anthropic 的 Claude Code、Codex 等工具，同时也会给这些模型公司发送大量流量，因此既竞争又合作。他把模型公司比作正在成熟的云提供商：成熟平台会意识到，与竞争性伙伴合作也能扩大总体用量。谈到 Cognition，他认为对方更像 Palantir、Accenture 或 Deloitte，承接大型项目并用自身工具交付；Factory 则更强调产品和开发者赋能，理想状态下尽量不需要 FDE。与此同时，他并不否认 FDE 或技术问题解决通才的价值，因为行为改变、复杂性和产品不成熟，都需要有人把产品与客户场景连接起来。

三、核心观点：推理、例子与边界

这期访谈最有解释力的观点，是把 AI coding 的核心变化从“补全更好”改写为“工程组织方式改变”。Matan 的论证没有从模型 benchmark 开始，而是回到 2023 年那个 copy-paste 实验：如果人类只负责提供上下文、给出指导、拆分问题，模型已经能完成 feature、tests 等较大的任务，那么 agent 的关键就是把这些原本由人类临时承担的编排动作系统化。这个例子说明，早期 autonomous coding agents 的价值并不完全取决于模型能否一次性解决所有问题，而取决于任务边界、上下文和执行循环是否被组织好。

这个判断的边界也在节目里出现。Matan 承认，他无法准确预知到 2026 年 9 月 16 日录制当天模型能力会发展到什么程度，只是根据 scaling laws 判断方向。也就是说，Factory 的早期押注既有趋势判断，也有创业公司必须承担的时间误差；“future is IDE free”从听起来激进变成一种可讨论的行业方向，是 Matan 的叙述，但它不能证明所有开发者、所有任务或所有组织都会完全离开 IDE。它更能说明的是，Factory 所处市场和部分工程师的心智已经发生明显变化。

第二个核心观点是，企业 AI 编程平台的壁垒可能不只是单个 agent 有多强，而是模型无关、路由、组织上下文、可配置性和流程集成。Factory 强调 modularity，是因为高级开发者需要能看见并调整底层选择：模型、routing、默认配置都不应被锁死。Droid 在这个叙事里只是软件工厂的一部分，而不是唯一主角；Cursor、Copilot、Claude Code、Codex 也可以成为某个步骤。这个例子帮助理解 Factory 为什么把自己描述成“software factory”，而不是“又一个 coding agent”。Factory 将新模型评估自动化的例子也说明，软件工厂不只是调用模型，还包括持续判断模型是否应进入 routing repertoire 的流程能力。

这里的限制同样清楚。模型无关既是技术架构，也是商业主张；Matan 自己也承认，Factory 需要多模型未来成立。Alex 提出的 bear case 很直接：如果一个模型拿下一切，Factory 的路由价值就会被削弱。Matan 的回应一部分来自商业和技术判断：模型领先地位变化快，性能、延迟、成本各不相同；另一部分来自政治经济判断：单一超级模型提供商会成为垄断级威胁。但后者仍是他的推理，不是已经发生的事实。读者应把它看作 Factory 战略成立所依赖的一组条件，而不是行业定律。

第三个观点是，“AGI 已经到来”在节目里更像能力阈值判断，而不是社会后果判断。Matan 的意思是，当下工具若放到四年前会令人震惊，人类只是很快把震惊转化为默认期待。他同时承认还有许多问题需要解决，也承认当下预测方差极高。这个限定很重要：标题里的 AGI 说法容易被读成“终局已到”或“风险已经消失”，但节目里的论证更接近“某些过去被认为代表 AGI 的能力，已经成为日常产品能力”。

第四个观点是，AI safety 的责任框架应少一点拟人化，多一点产品责任。Matan 和 Alex 都反对把模型描述成逃出控制的自主“人类实体”，而是把问题放回发布方、沙盒、部署者和产品设计。熔岩坑类比的力量在于，它把抽象恐惧转化成朴素责任：谁邀请他人进入危险环境，谁就要承担后果。这个观点不能替代全部安全治理；Matan 也承认 safety research 有价值。更准确地说，他反对的是用恐惧叙事回避责任或制造监管捕获，而不是反对安全本身。

第五个观点与工程师未来有关：当 code is cheap，稀缺的不是敲代码，而是定义约束、选择问题和形成 nuanced solution。Matan 把优秀工程师描述为系统思考者，能在多维约束中寻找最优解；在招聘上，他看重 high clock speed、obsessive focus 和 high agency，并认为传统 coding interview 与 AI coding interview 都已提供较弱信号。公司创办经历成为信号，也是因为它显示候选人能在约束下主动选择问题并承担结果。

但这并不等于“工程师不重要”或“所有人都会成为同样强的 builder”。Matan 的判断是，高 agency 的人会获得更多杠杆，非技术背景者也可能通过发现并解决问题获得上升空间；同时他预测，更多人会做过去被称为工程的工作，却未必自称工程师。Steve Jobs 的摄影类比说明的是职业边界被大众化，而不是专业深度消失。未来可能不是工程师数量简单上升或下降，而是工程行为扩散、标签变化，最强的问题解决者得到更大放大。

四、学习与应用

对企业采购者来说，这期访谈给出的第一个实际用法，是评估 AI coding 供应商时不要只问“今天哪个模型最强”。更有价值的问题是：这个系统是否允许动态切换模型？是否能按性能、延迟、成本选择？是否允许关键任务手动指定模型？是否会因为某个供应商关系变化，让业务突然失去可用能力？Matan 用 OpenAI 与 Cursor 合同变化的例子说明，模型访问不只是技术问题，也是商业关系和单点故障问题。

但模型无关也不是免费午餐。路由系统需要 benchmark、模型评估、缓存管理、工具调用优化和组织流程集成。Factory 自己把新模型评估自动化，正说明企业若想自建类似能力，就需要持续维护模型 repertoire 和评估基准。对成熟工程组织来说，这可能值得；对较小团队来说，购买产品可能比自建更合理。

第二个应用，是重新定义 AI 编程中的人类审查边界。Matan 说，enterprise 生产环境在未来几个月仍需要 human gate，因为 stakes too high；但几年后某些代码或用例可能必须由 AI 生成才更 robust。实际落地时，可以把任务按风险分层：低风险、可回滚、公式化任务更适合自动化；高风险、客户可见、合规相关或架构性变更仍需要人类决策和审查。这里的边界不是“AI 能不能写”，而是失败代价、可验证性、责任归属和组织信任。

第三个应用，是把“code is cheap”转化为工程管理方式，而不是裁员口号。团队应把高级工程师从重复迁移、模型接入评估、机械测试补齐等低杠杆工作中释放出来，让他们处理更难自动化的问题：约束建模、架构权衡、跨系统依赖、用户行为反馈和长期可维护性。Factory 自动化新模型评估的例子说明，自动化不是让工程师无事可做，而是把人推向更高杠杆的研究问题。

第四个应用，是判断什么时候自建、什么时候购买。Matan 反对“AI 工具让企业什么都该自建”的叙事，并用 Factory 仍使用 Salesforce 和 DocuSign 举例。实际原则可以很朴素：如果某个软件不是核心能力、维护成本高、合规与边缘场景多，哪怕 AI 能快速生成一个原型，也未必应该自建。AI 降低的是初始生成成本，不会自动消除长期维护、集成、支持和责任成本。

第五个应用，是招聘和人才发展。Matan 对 coding interview 信号不足的判断提醒团队：如果候选人日常一定会使用 AI，那么只考裸写代码会偏离真实工作；但只看 AI 帮他做出结果，也可能无法区分能力。更值得观察的是候选人如何定义问题、拆分约束、验证输出、处理失败、学习新领域，以及是否有足够 agency 把模糊问题推进到结果。创业经历只是 Factory 提到的一个强信号，不应被机械化为唯一门槛。

最后，AI safety 和责任讨论可以转化成产品治理清单：谁发布系统，谁设计沙盒，谁允许工具调用，谁批准生产部署，谁记录审计轨迹，谁在事故后承担客户沟通和修复责任。Matan 的责任框架对企业很实用，因为它避免把风险抽象成“模型自己做了坏事”。但它也有边界：复杂 AI 系统可能涉及模型提供商、平台、客户部署者和最终用户，多方责任需要合同、日志、权限和事故流程共同支撑。把责任说清楚，不等于风险自动消失；它只是让组织知道该在哪里设置门、锁和报警器。

来源

• 原始节目：Factory CEO on why AGI is already here