Replit CEO 馬薩德的路線圖思維：把產品蓋在六個月後的 AI 上，Agent 4 全解構

本文整理自 Y Combinator Startup Podcast 2026 年 4 月播出的單集，主持人專訪 Replit 共同創辦人暨 CEO 阿姆賈德．馬薩德（Amjad Masad）。

{{< youtube kMYeTRqzAfc >}}

---

一個押注式的產品路線圖

每家做 AI 應用的公司都在面對同一個尷尬問題：你的產品要蓋在「現在 AI 能做到什麼」之上，還是「半年後 AI 會能做到什麼」之上？前者保守、可控，但容易在模型一升級時被自己的 codebase 綁死；後者押注、刺激，但每押錯一次就是一整個版本的 sunk cost。馬薩德在最近這集 YC Podcast 上分享了 Replit 過去兩年的選擇：每次新代理人版本都建立在「六個月後的 AI 能力預判」之上。他把這個預判稱作公司最重要的策略資產。

四月剛發的 Agent 4 就是這個押注的最新具象化。它不是一次小升級，而是一次以「下一代模型應該能撐起來的工作流」為前提，整個產品被重塑的版本。理解 Agent 4 的功能清單之前，得先理解馬薩德內部用什麼方法論在排這個路線圖。這篇文章拆三件事：他預判 AI 能力曲線的方法、Agent 4 端出來的四大功能、以及他點名「還沒到位、但會解鎖下一波」的兩個 AI 能力。對任何在做 AI 產品的團隊，這套方法論本身比任何單一功能更值得參考。

「AI 能力一年躍進兩次」：馬薩德的時間軸方法論

馬薩德的核心論點是：自從 2024 年以來，前沿 AI 模型大約每六個月會出現一次重大能力躍進，一年共兩次。這個節奏不是巧合，而是各大實驗室訓練週期、運算資源週期、加上模型架構研究週期的疊加結果。如果你接受這個經驗法則，產品策略的問題就從「模型現在能做什麼」變成「半年後模型會能做什麼」，後者才是值得提前蓋產品基礎建設的地方。

他自己給的時間軸示範特別具體。2024 年中，Anthropic 推出 Claude 3.5 Sonnet，第一次讓「一次生成一大段可執行程式碼」成為可能。在這之前，GPT-3.5 系列那種「寫到一半就懶得繼續」的傾向，讓自動化寫程式只能停留在補完層級。2024 年底，各大實驗室開始展現「長視野推理」的雛形，模型可以在多步驟任務裡保持目標一致性。2025 年初，vibe coding 真正成形，自然語言寫軟體從技術示範走進日常工具。2025 年底，Opus 4.6 帶來「自主性革命」，代理人可以連續無人監督跑數小時，而不是每幾分鐘就需要人類介入修正。

這四個轉折點對 Replit 都不是事後追上，而是事前準備好。馬薩德舉 Agent 3 為例：當他們開始做 Agent 3 時，市場上能讓代理人連續跑數小時的模型還沒出現，但 Replit 已經在重寫底層的容器化基礎建設，讓代理人可以在長時間運行的虛擬機裡自主工作、不會因為連線中斷或 session 過期而失敗。等 Opus 4.6 真的釋出，Replit 是少數幾個立刻能展現「無人監督多小時連續執行」的產品，因為基礎建設早就鋪好了。「我們花了大把時間蓋一個當下還用不到的東西，但等模型對齊上來，我們是現成的。」

這個方法論有一個隱藏的前提：你必須對「下一個躍進是什麼」有強烈的看法。馬薩德在訪談裡承認，這部分七成是基於對前沿實驗室的研究進度判斷、三成是基於自己長期試用 alpha 模型的直覺。他不會公開講具體訊息來源，但反覆強調 Replit 內部會玩到別家還沒釋出的早期模型版本，這是判斷下一波會在哪裡發生的關鍵情報。對沒有這種訪問權限的團隊，他建議的替代方案是「持續玩」：每週至少拿出半天時間試用每一個新發布的模型、每一個新出現的研究 demo，不是當技術新聞看，而是當作預判未來能力曲線的訊號。

Agent 4 解構：四個功能、一個共同前提

理解了上面的方法論，再回頭看 Agent 4 端出來的功能就會發現，這四項加起來其實是同一個假設的不同切面：「下半年的模型，足以同時跑多個自主任務、長時間不中斷、且能在多模態之間無縫切換。」整個 Agent 4 都是在這個假設上設計的。

第一個功能是並行代理人（parallel agents）。以前 Replit 的代理人是單執行緒的，使用者交付一個任務、等代理人做完、再交付下一個。Agent 4 讓多個代理人可以在同一個專案裡並行工作，你可以同時叫一個代理人寫前端、另一個重構後端、第三個寫測試。這聽起來簡單，但背後最難的工程問題是合併衝突解決：當兩個代理人改到同一個檔案，誰的版本算數、怎麼整合。Replit 把這部分自動化，讓使用者不用親自處理 Git 等級的衝突。

第二個功能是非同步設計畫布（asynchronous design canvas）。馬薩德解釋這個功能是為了打破「prompting」這個瓶頸。對非工程師來說，要把腦袋裡模糊的設計想法轉成精準的文字指令是極大的認知負擔。新的畫布讓你可以拖拉元件、加註解、要求「給我這個按鈕的三個變體」，所有這些設計操作都會被翻譯成代理人能理解的指令，由背景代理人實作出來。這個介面選擇直接呼應馬薩德對非開發者市場的判斷：他們的母語是視覺，不是程式碼。

第三個功能是即時多人協作（multiplayer with auto-forked VMs）。這在傳統 IDE 裡很常見，但在代理人世界是新東西。當第二個協作者加入專案，系統會自動 fork 出他自己的虛擬機環境，他在那個 fork 上跟自己的代理人合作，不會干擾原本的主線。要合併時走標準 PR 流程。馬薩德把這個設計形容為「為非工程師設計的 GitHub」，目的不是再造一套版本控制系統，而是讓多個非工程師同時在一個專案裡工作這件事，第一次變得不痛苦。

第四個功能也是最具話題性的：一鍵跨模態部署。一個 prompt 不只能產出 Web App，同一個專案可以一鍵部署到 TestFlight（iOS 測試版）、Android、變成簡報、產出影片素材，全部共用同一個專案的內容脈絡。這個功能背後的工程量極大，每個輸出模態都需要對應的編譯流程、發布管道、平台政策遵循（特別是 Apple 的 TestFlight 簽署）。但馬薩德選擇做這個功能的原因很單純：「使用者腦中的『產品』不只是一個 Web 頁面，是一個完整的存在，包括能下載、能展示、能宣傳。產品就應該長這樣。」

把這四個功能擺在一起看，會發現它們都在押注一個共同前提：模型有足夠能力同時管理多個並發、長時間、跨模態的任務。如果這個前提不成立，並行代理人就會打架、設計畫布就會誤譯指令、多人協作就會合併衝突、跨模態部署就會在某個環節崩掉。Replit 願意把這四個功能同時推出，意味著他們對下半年模型能力的預判有強烈信心。

兩個還沒到位的 AI 解鎖

訪談裡最值得記住的，反而不是 Agent 4 已經做到什麼，而是馬薩德點出的「還沒做到、但會解鎖下一波」的兩個 AI 能力。這份「等待清單」對任何在思考 AI 產品下一步的人來說，都是高密度的訊號。

第一個是電腦使用模型（computer-use models）的成熟。馬薩德對這件事的觀察很有意思：「電腦使用模型奇怪地落後其他能力，比語言落後、甚至比自動駕駛還落後。」直覺上不應該這樣，畢竟我們有海量的螢幕截圖資料、海量的 UI 互動紀錄、訓練資料應該充裕。但實際上目前的電腦使用模型仍然脆弱，操作真實 UI 時錯誤率高、回復能力差。馬薩德推測，過去兩年寫程式代理人之所以發展這麼快，部分原因正是「電腦使用模型不夠好」。很多原本應該由 UI 代理人處理的任務（例如自動化某個 SaaS 的操作流程），業界用「叫代理人去寫 API 調用程式」這條路繞過去了。但這是一條 hack 路徑，真正乾淨的解法還是讓模型直接看著螢幕操作。當電腦使用模型成熟，他預期會再開出一波新的 vibe coding 應用形態。

第二個解鎖更深層：真正的持續學習（continual learning）。今天所有「代理人能記住組織內部慣例」的功能，本質上都是 hack。Replit 自己的解法是讓代理人寫一些 markdown skill 檔到磁碟上，下次再讀進來，這在表面上像學習，本質上是「外掛筆記」。馬薩德形容真正的持續學習是「代理人部署到一家公司之後，會在那家公司內部持續變得更好」，不是對所有客戶共享改進，是專屬於那個組織的、隨時間累積的能力。如果這個能力到位，代理人在企業內的價值會跨越一個量級：今天是「一個能用的工具」，到那時是「一個越用越懂你的同事」。

馬薩德為什麼把這兩件事拿出來談？因為這呼應了他開頭講的方法論：他正在把這兩個尚未到位的能力，當作 Agent 5、Agent 6 的設計前提。他沒有公開承諾時間表，但訪談的字裡行間都在暗示，下一代 Replit 代理人會押注「電腦使用模型 + 真正持續學習」會在 2026 下半年到 2027 年之間到位。如果他押對，下一代產品又會領先別人六個月；押錯，就是又一次的 sunk cost。但這就是這套方法論的本質：你不押注，永遠跟在後面。

我的觀察：給臺灣 AI 產品團隊的一個提醒

聽完馬薩德這套方法論，我心裡浮現的第一個對照組，是臺灣絕大多數 AI 產品團隊目前的設計姿態。這幾年我接觸過不少臺灣的新創、企業內部 AI 團隊、甚至某些大型 SI 的 AI 部門，普遍的設計起點是「現在 GPT/Claude/Gemini 能做什麼」，拿到一個能力清單，然後反向設計產品功能。這個做法的好處是務實、可控、能很快上線；壞處是當下半年新模型釋出，你的產品架構往往沒有對齊新能力的能力，要再吃一輪重寫成本。

馬薩德的方法論直接挑戰這個習慣。他逼產品團隊去做一件不舒服的事：對「半年後模型會變強到什麼程度」做出明確判斷，並且為了這個判斷，現在就投資去蓋還用不到的基礎建設。這對臺灣團隊來說特別不順手，因為臺灣的工程文化偏好「做一個能用的、上線、再改善」，這套思維面對短週期任務很有效，但面對 AI 這種「能力曲線陡峭、每六個月變一次」的場景就會吃虧。

我自己的觀察是，要在臺灣團隊裡導入這種「押注式路線圖」，最大的關鍵不在工程能力，在組織能不能容忍「短期看似浪費」的投入。如果你的老闆每個月看 KPI 看的是「這個月新增功能數」，那團隊就不可能花三個月蓋一個當下沒功能可量的容器化平台。馬薩德的押注之所以做得起來，是因為 Replit 內部對這套方法論有共識，連投資人都接受短期看不到產出的策略性投資。這個共識的建立可能比任何技術判斷都更難複製。

這集訪談留給我最深的啟發，反而是另一個面向：押注式路線圖隱含一個謙卑的姿態，你必須持續承認自己對未來的判斷可能錯，而且願意因應錯誤迅速重來。馬薩德沒有把任何一代 Agent 講成「終局產品」，他講的都是「對應到那個時間點 AI 能力的最佳介面」。這種把產品看成滾動快照、而不是長期資產的世界觀，可能是 AI 時代產品團隊最需要練的一種反射動作。