软件应用墓地：那些刚上线就过期的项目
软件应用墓地：那些刚上线就过期的项目
我最近萌生了一个想法：做一个软件应用墓地。
不是为了嘲讽，是为了记录。过去两年，我见过太多项目——包括我自己做的——从立项到上线到失去存在意义，整个生命周期短得离谱。有些项目活了半年，有些只活了三个月，有些甚至在上线之前就已经死了，因为开发过程中模型升级了一次，核心功能直接被模型原生覆盖。
这些项目的开发者不是水平不行。他们的判断在当时是正确的——市场有需求、技术方案可行、用户愿意付费。问题在于"当时"这个词的保质期越来越短。三个月前的正确判断，今天可能已经是错误的。
我想把这些项目记录下来，给每个项目立一块碑。不是为了缅怀，是为了让后来者看到：在 AI 加速迭代的时代，哪些类型的项目是注定短命的，它们的死因是什么，以及这些死因背后有没有共同的规律。
第一排墓碑：AI Wrapper 类应用
生卒年份：2023–2024 死因：被包裹的那层壳，被模型自己长出来了
这是墓地里最大的一片区域。
所谓 AI Wrapper，就是在大模型 API 外面包了一层界面和工作流的应用。最典型的形态是：调用 GPT 的 API，加一个好看的界面，预设一些 Prompt 模板，针对某个场景（写简历、写周报、写小红书文案）做一点定制化，然后作为独立产品售卖。
2023年，这类应用遍地开花。因为当时的模型裸用体验不够好——没有联网、不支持文件上传、上下文窗口很短、多轮对话容易跑偏。Wrapper 的价值在于弥补模型的体验缺陷。
然后 ChatGPT 自己上线了 GPTs、联网搜索、文件分析、图片生成、代码执行。Wrapper 最核心的价值——场景化封装——被平台用一次产品更新直接吃掉了。
墓志铭：你包裹的是模型的缺陷，而缺陷被修复了。
第二排墓碑：Prompt 模板商店
生卒年份：2023–2024 死因：模型越来越聪明，不再需要精心构造的 Prompt
2023年是 Prompt Engineering 的黄金时代。模型的理解力有限，一个精心构造的 Prompt 和一个随手写的 Prompt，输出质量差距巨大。于是出现了一批 Prompt 模板市场——卖的就是那些经过反复调试的、针对特定场景优化过的 Prompt 模板。
有的标价几十美元，有的做成了订阅制。Midjourney 的 Prompt 模板尤其火爆——你花几美元买一组精心构造的描述词，能生成远超自己随手写的图。
然后模型的理解力突飞猛进。GPT-4o、Claude 3.5、到后来的 Claude 4 系列和 GPT-5，你用日常语言就能表达清楚需求，不再需要那些"act as a senior marketing strategist with 20 years of experience"的角色扮演套路。模型的鲁棒性也大幅提升——即便你的 Prompt 不够精确，它也能推断你的真实意图。
精心构造的 Prompt 和随手写的 Prompt 之间的差距从巨大缩小到了微小，Prompt 模板的商业价值随之归零。
墓志铭：你卖的是人和机器之间的翻译服务，但机器学会了直接听人话。
第三排墓碑：AI 工具导航站
生卒年份：2023–2025 死因：工具太多、变化太快，导航本身失去了意义
2023年每周都有上百个新的 AI 工具上线。用户迷失在工具的海洋中，于是 AI 工具导航站应运而生——收录、分类、评测各种 AI 工具，帮用户找到适合自己的那个。
最火的时候，做 AI 工具导航站本身就是一门流量生意。SEO 效果极好，因为每天都有人搜索"best AI tool for X"。有些站点靠广告和推广费月入数万美元。
但这个模式有两个致命问题。第一，工具的更新速度太快，你的收录永远是过时的。今天推荐的工具明天可能就停止运营了，上周还不存在的工具这周可能就是品类最佳。维护一个准确的导航需要的人力成本在不断上升。
第二，更根本的问题是：当主流模型的能力足够强、平台足够整合之后，大多数人不再需要找"专门做 X 的 AI 工具"。你不需要一个专门的 AI 写作工具、一个专门的 AI 翻译工具、一个专门的 AI 数据分析工具——你只需要 Claude 或 ChatGPT。工具的数量在收敛，导航的需求在消失。
墓志铭：你为一千朵花编了目录，但花园最终只剩下了几棵大树。
第四排墓碑：文档解析与知识库问答
生卒年份：2023–2025 死因：模型原生支持了长文档，RAG 的优势被削弱
这一批产品的逻辑是：把用户的文档（PDF、Word、PPT）切成小块，做向量化存储，当用户提问时检索相关片段喂给模型，实现"和你的文档对话"。这就是所谓的 RAG（Retrieval-Augmented Generation）。
2023年，RAG 几乎是刚需。因为当时的模型上下文窗口只有几千到几万 Token，你不可能把一份100页的文档完整塞进去。RAG 提供了一种绕过上下文限制的方案。
然后上下文窗口从8K扩展到128K，再到100万，最近更是在向千万级迈进。当你可以直接把整份文档——甚至整本书——完整地放进上下文时，RAG 的核心优势（绕过上下文限制）就大幅缩水了。
当然 RAG 没有完全死亡。在企业级场景中，涉及海量文档库和实时更新的需求，RAG 仍然有价值。但面向个人用户的"上传文档问答"类产品，已经基本被模型的原生长文档能力替代了。
墓志铭：你建了一座桥来跨越鸿沟，但鸿沟被填平了。
第五排墓碑：会议转录与摘要工具
生卒年份：2020–2025 死因：被内置了
这批产品的生命周期相对长一些，但结局相同。
Otter.ai、Fireflies 等会议转录工具曾经是远程办公的标配——帮你实时转录会议内容、生成摘要、提取待办事项。它们做得不错，确实解决了真问题。
然后 Zoom 内置了 AI 摘要功能。Google Meet 内置了。Microsoft Teams 内置了。所有主流会议平台都把"转录 + 摘要"作为标准功能上线了。
当平台方把你的核心功能作为免费内置功能提供时，独立产品的生存空间就被压缩到了极限。你可以做得比内置功能好一点，但"好一点"不足以让用户为此多安装一个工具、多付一份订阅费。
墓志铭：你是一个优秀的第三方功能，但第一方决定自己做了。
第六排墓碑：低代码 AI 应用搭建平台
生卒年份：2023–2025 死因：代码本身变成了低代码
这类平台的卖点是：不用写代码，通过拖拽和配置就能搭建 AI 应用。面向的是不会编程但想用 AI 做点什么的人群。
逻辑上看，这个需求是存在的。但问题在于，AI 同时也让"写代码"这件事的门槛降到了前所未有的低点。当你可以用自然语言告诉 Claude Code 你想要什么、然后它帮你生成完整的可运行代码时，"低代码平台"的价值定位就变得很尴尬——你做了一个避免写代码的工具，但写代码本身已经不需要被避免了。
用低代码平台搭建的应用受限于平台的预设组件和能力边界。但用 AI 写代码搭建的应用没有这个限制——你可以做任何事情。当"更灵活的选项"和"更受限的选项"的使用门槛趋于一致时，受限的那个就失去了存在的理由。
墓志铭：你降低了写代码的门槛，但 AI 直接把门拆掉了。
第七排墓碑：AI 绘图 Prompt 优化器
生卒年份：2023–2024 死因：图像模型学会了理解人话
早期的图像生成模型（尤其是 Stable Diffusion 和早期 Midjourney）对 Prompt 格式有严格的偏好——你需要用特定的描述词组合、按特定的顺序排列、添加特定的负面提示词，才能得到理想的输出。这催生了一类专门的工具：帮你把自然语言描述转换成模型偏好的 Prompt 格式。
然后 Midjourney v6、DALL-E 3、以及后续的图像模型大幅提升了对自然语言的理解能力。你说"一只橘猫坐在窗台上晒太阳，窗外是下雨的城市"，模型直接就能生成高质量的图。不再需要"orange tabby cat, sitting on windowsill, sunlight, rain outside, cityscape, photorealistic, 8k, cinematic lighting, --ar 16:9"这种咒语。
墓志铭：你是人与机器之间的咒语翻译官，但机器开始听得懂人话了。
墓地的规律
站远一步看这片墓地，你会发现所有墓碑上的死因都指向同一个模式：
这些项目的价值建立在模型的某个缺陷或局限之上。当模型修复了那个缺陷，项目的价值就消失了。
具体来说，有三种典型的死法：
死法一：填补能力缺口型
模型在某方面能力不足（上下文太短、不能联网、不能处理图片），你做了一个产品来填补这个缺口。然后模型把缺口补上了。
这类产品的死亡最突然。你可能投入了大量的工程资源来精心设计缺口的填补方案，结果模型一个版本更新就让你的方案失去了用武之地。而且你没有任何预警——模型供应商不会提前告诉你他们下一个版本打算修复什么。
死法二：降低使用门槛型
模型的裸用体验不好（需要写复杂的 Prompt、需要技术知识来配置），你做了一个产品来降低使用门槛。然后模型自己的易用性提高了，或者有更基础的工具（比如 AI Coding）让原来的门槛不再成为门槛。
这类产品死得稍慢一些，因为"易用性"的改善通常是渐进的。但长期方向是明确的：模型会越来越好用，中间层的价值会持续被压缩。
死法三：被平台方收编型
你做了一个有价值的功能，证明了市场需求。然后平台方（Zoom、Google、Microsoft、OpenAI 自己）看到了这个需求，在自家产品里做了一个内置版本。它做得不一定比你好，但它免费、内置、无需额外安装。
什么类型的项目不在墓地里
值得注意的是，有些项目活了下来，而且活得越来越好。它们有什么共同特征？
第一，价值建立在领域知识上，而非技术执行上。 一个专门服务于某个行业合规审查的 AI 产品，它的核心壁垒不是"调用了什么模型"，而是"理解这个行业的监管逻辑"。模型升级不会让这个壁垒消失，反而会让产品的能力变强——因为底层引擎更好了，但上层的行业理解仍然只有你有。
第二，价值建立在数据网络效应上。 产品在使用过程中积累了大量独有的数据或用户行为模式，这些数据本身构成了壁垒。新来者即便用更好的模型，也没有这些数据的积累。
第三，价值建立在人的信任和关系上。 有些产品的真正资产是围绕它形成的社区、积累的口碑、和特定用户群体之间的信任关系。这些不会因为一次模型升级而消失。
这三条共同指向一个结论：技术执行层面的优势是暂时的，人的判断、数据的积累、信任的沉淀才是持久的。
给还在建项目的人
如果你正在做一个项目，这片墓地的价值在于提供了一组前车之鉴。在投入时间和资源之前，用三个问题检验你的项目：
检验一：你的核心价值是建立在模型的缺陷上，还是建立在你独有的优势上？
如果你的产品本质上是在弥补模型的某个不足，那么你的命运取决于模型供应商的产品路线图——而你看不到这份路线图。这是一个你无法控制的生死风险。
检验二：模型能力翻倍之后，你的产品是更有价值了还是更没价值了？
好的项目应该和模型能力正相关——模型越强，你的产品越好用。而非反相关——模型越强，你的产品越没有存在意义。
检验三：如果明天一个聪明人拿着最新的 AI 从零开始，一周之内能复现你的核心功能吗？
如果答案是"能"，那么你的壁垒是脆弱的。你现在的领先不过是时间差——而时间差在 AI 时代越来越不值钱。
最后
这个墓地还会继续扩大。2026年上线的一些项目，到2027年就会被新的模型能力覆盖。这个循环不会停止，而且会加速。
但墓地的存在不全是坏消息。它教会我们一个简单但重要的道理：
不要把时间投入到会过期的事情上，把时间投入到会增值的事情上。
代码会过期，认知不会。工具会过期，判断力不会。功能会过期，信任不会。
每一块墓碑背后都是真实的时间和精力的投入。尊重这些投入，从中汲取教训，然后去做那些不会被模型下一次升级碾碎的事情。
If you read this far — thank you.
Come tell me what you thought on X.