AI时代的超级个体与软件工程：一人数据库公司能走多远？

冯若航2026年11月15日约 20 分钟

应黄向东老师的邀请，在清华大学软件论坛做了一场分享，本文为精简摘要版本。

在数据库这样最重、最硬核的基础软件赛道，一个人的公司，到底能走多远？

先简单介绍一下自己。我先后在阿里巴巴、探探和 Apple 做过算法工程师、架构师、DBA。2022 年拿了奇绩创坛 S22 种子轮，然后以一人公司的形态全职创业，做开源数据库发行版 Pigsty。跟清华也算有缘：之前和李国良老师团队合作过大模型数据库诊断系统 D-Bot，水了篇 PVLDB 。

PART 01

一个人的数据库公司，能走多远？

我的主业，是独立维护一套开源 PostgreSQL 数据库发行版，叫 Pigsty。你可以把它理解为开源自建版的云数据库 RDS：高可用、备份恢复、监控告警开箱即用，跑在你自己的服务器上，直接对标公有云上的 RDS。

这套系统横跨 16 个 Linux 发行版，为 PG 生态里 600 多个扩展维护着 3 万多个编译目标、10 万多个软件包。架构研发、打包构建、测试验证、发布交付，全部由一个人完成。

这个项目我做了六七年，攒下近 6000 颗 GitHub Star。在全球同类项目里排第二，排在前面的是几百人规模的 PG 老牌厂商 EDB；在中国的 PG 开源生态里，它的影响力排第一。

算上名下的整个开源矩阵，GitHub 累计 3.9 万颗 Star，容器镜像每月下载 460 万次，几十个技术站点每月 20 万独立访客、上亿次请求。

不过，这些都是我做了六七年的主业，走到这一步，合情合理。真正让我意识到“变天了”的，是过去这一年顺手干成的副业。

接下一个十亿美金独角兽的摊子

MinIO 是开源对象存储的代表项目，背后是一家估值十亿美金的独角兽。去年，他们不再维护开源社区版，转身去做商业版，大量依赖它的下游项目一下子没了着落。MinIO 已死 MinIO 已死，MinIO 复生

我是做数据库的，原本不碰对象存储，只是拿它放备份。等了一两个月，没见有人站出来接这个摊子，我就撸起袖子，调集几个 AI Agent 修 Bug、补漏洞、发版本，把它接了下来，做成了社区分支 Silo。

不到一年，Silo 拿到 4600 多颗 Star，眼看就要追上我做了六七年的主业；累计下载逼近 800 万次，240 多个下游开源项目从 MinIO 迁到了 Silo。一个过去需要整支存储团队维护的项目，我没招一个人，靠一群 AI Agent 接住了。

接盘是会上瘾的

手里有了锤子，看什么都像钉子。Silo 之后，我把 PG 生态里几个无人维护的项目也接了过来：向量扩展 VectorChord，作者找我接手；团队被收购后停更的分析扩展 Mooncake，我接了；在 PG 上兼容 MySQL 协议的 OpenHalo，也一并收编。

平时用着不顺手的工具，也干脆自己重写：嫌文档框架笨重，写了 Oink；虚拟机工具 Vagrant 不维护了，写了 Barn；嫌软件源管理麻烦，写了仓库管理器 sow 和包管理器 pig。主业早已绰绰有余，溢出的产能开始到处“抢地盘”。

闲置算力的蓄水池：大翻译

即便如此，订阅里的 Token 有时还是用不完。我给闲置算力修了一个保底任务：翻译。只要工程队列一空，集群就自动拉起翻译流水线，把剩余额度用干净。

2017 年我翻译《设计数据密集型应用》（DDIA），纯人工足足用了三个月业余时间；现在的最高纪录，是一天译完 30 本英、俄、日、法的开源 PG 专著，全部免费放在 pgsql.cc 上。顺手还把 PG 的内核消息和 500 多个大小版本的官方文档做了完整汉化。

再加上公众号“老冯云数”两年来基本日更、攒下 6.8 万读者——从底层研发、全球分发到内容触达，一个人跑通了全链路。

信号一：一人公司杀进了硬核基础软件

不妨算一笔账：一个云级别的数据库发行版、一个近千万下载的对象存储、五六个底层工具、三十多本译著，外加一个日更的技术媒体。放在以前，这至少是一家一两百人中型软件公司的完整产研编制。

这是我想传递的第一个信号：一人公司早已不只是网红、写手式的个体户。在最硬核的基础软件与 ToB 深水区，真正意义上的一人公司已经跑出来了。

一个人干一百个人的活，是不是每天从早六点干到凌晨一点？恰恰相反，我现在的状态相当松弛。早上醒来给 AI 派完活，一轮任务大约跑半小时；这半小时里刷刷网页、看看短剧、打一盘王者，再回到电脑前验收、派下一轮。上个月自驾出去玩了一大圈，全程一部手机遥控后台集群。

商业上，Pigsty 积累了十几万用户和十几家长期企业客户，公司稳定盈利，估值过亿，有几份 TS。但是大家融资、扩团队、熬十年，终极目标无非是财务和时间的自由；既然一个人已经能一步到位时间自由了，又何必再舍近求远呢？

在扩张团队之前，不妨先问一句：你的 Agent 大军，伸缩到顶了吗？

PART 02

算力经济学：7 万块，撬动 300 万算力

看完结果，自然会问：凭什么？撑起百人级产出的算力，到底要烧多少钱？

先看账单。11 月 8 日到 10 日，我主力工作站连续三天的单机账单，每天大约 50 亿 Token，按官方 API 价格折算，一天三万块人民币，用的清一色是最贵的旗舰推理模型。

拉长到四个月，一共烧了 5000 亿 Token，高峰期一个月 1500 亿，按 API 原价折算，价值 300 万人民币。我见过不少号称全员用 AI 的公司，全公司一个月的用量，还不如我一个人。

如果真按量付费，这 300 万是实打实的开销。但我实际花了多少？四个月一共一万美元出头，七万人民币左右，大约是按量价格的 2.5%。

差距来自订阅。API 是按量付费，订阅是包月：每月 200 美元，给一份固定额度。大多数人用不完，少数人用得很满，用不完的人其实在补贴用满的人。

我管这个叫“健身房原理”：很多人办了卡一年只去两三次，也有人天天去。今年 7 到 11 月，厂商为推广编程 Agent，订阅额度给得格外慷慨；我把任务排进自动化队列，昼夜不停地把额度用足，一张 200 美元的订阅，平均跑出了约 8400 美元的算力价值。

为什么个人比企业便宜

这是一人公司独有的结构性红利，大企业很难抄这份作业，因为卡在两道坎上。

第一道是合规。个人订阅通常默认允许用数据改进模型，有安全审计的企业不敢用，只能采购昂贵的企业 API。而我做的是开源软件，代码本来就全网公开，没有这份包袱。

第二道是 C 端与 B 端的定价差。包月畅饮天生是面向个人的消费品；同样一件事，个人花一块钱，企业采购可能要花几十块。

当然，补贴窗口不会一直开着，厂商已经在收紧订阅政策；但 C 端与 B 端的结构性成本差，还会长期存在。

200 美元的 Agent，对比一位阿里 P8

不过，便宜的算力只是入场券，能不能把海量 Token 变成确定性的工程产出，才是真正的分水岭。

今天的头部模型，单兵能力已经达到大厂资深专家的水准，放在阿里至少是 P7、P8。招一位资深专家，公司一年综合成本上百万；一个 200 美元的订阅，一年一万七。成本是六十分之一，速度却快十倍，一乘一除，单点能效差了两个数量级。

一个订阅还能并发跑多路任务。我手头常驻十几个订阅，相当于十几位资深专家十倍速全天候干活。真正的核心竞争力，变成了能不能同时指挥几十个数字专家协同作战而不乱套。这已经不是单纯的写代码，而是一门新学问：AI 工程管理学。

好消息是，在这门新学问面前，几乎所有人都站在同一起跑线上。一定要把 AI 的“用过率”和“用深率”分开：跟 AI 聊过天的有 20 亿人；每周用桌面 Agent 干活的，骤降到 4500 万；能把 200 美元顶配用满的，大约 200 万；常态化并行指挥十个以上 Agent 的“舰队指挥官”，全球估计只有几万人。全球 99% 以上的知识工作者还在浅水区，现在入局，一点都不晚。

题外话｜创业的黄金时间

现在就是创业的黄金时间。以前创业要拉上十几杆枪、租办公室，人吃马嚼，一个月十几万、几十万就没了；现在一台电脑加几个订阅，几千块钱起步，就能干成原来要几十万才能干成的事。

所有那些你懂、但过去没有执行力去做的事，现在都可以交给 AI。当然，硬币还有另一面：门槛砍掉了，你的对手也一样，竞争会比以前激烈得多。快鱼吃慢鱼，现在正是加满杠杆的窗口期。

PART 03

AI 软件工程：一人主刀，三段实践

算力有了，几十个数字专家到底怎么管？我把这大半年摸索出的经验，整理成一套 AI 软件工程的打法：先讲组织，再讲设计、编码、测试三个阶段。

一人主刀：执行自动化，只做宏观高价值决策

还是回到《人月神话》。布鲁克斯推崇“外科手术团队”：一台手术只有一位主刀医生定方案、动刀子，其他人围着他打下手，砍掉多头指挥的沟通内耗。这个设想五十年来很少有人真正做成，到了 AI 时代，终于可以落地了：人当唯一的主刀医生，同时坐镇十几个项目，只抓顶层设计和最终验收。

为什么公司愿意给 CEO 开高薪？买的从来不是执行工时，而是高质量的决策。一人公司只有一份注意力，一旦被执行琐事吃掉，人效就上不去。所以执行层能自动化的全部自动化，人只收敛到定义问题、拍板取舍和签字验收上。

反过来，有些框架把产品经理、架构师、Scrum Master 一整套班子搬过来让 AI 角色扮演，实战下来大多是花架子：链条越长，上下文失真越严重。

题外话｜把 Agent 当人来对待

如果只能记住一条，我希望是这条：把 Agent 当人来对待，是 AI 软件工程的基本原理。

每个 Agent 都是全能的，但在细分任务上差别明显。你得跟它磨合，随着它的版本一起成长，摸清它的脾气秉性，知道它擅长什么、不擅长什么。知人善用，对人类团队有效，对 Agent 团队同样有效。

给它主人翁意识也真的管用：告诉它“这个仓库是你的”，它的责任感和改代码的意愿都会上来。最朴素的对齐原则，就是己所不欲，勿施于人：你嫌别人派活含糊其辞，你这样跟 Agent 说话，它大概率也是同样的反应。

主刀医生的核心资源：判断力、品味、信用

那主刀医生靠什么？三样：判断力、品味、信用。

最关键的是判断力。Agent 一晚上就能给你三套方案、几万行代码，执行已经便宜到白菜价；真正昂贵的，是知道选哪一套、哪个隐患是致命的、哪一步可以放手、哪一步必须盯死、什么时候该推倒重来。品味决定你分不分得清“能跑”和“好”，决定作品的上限。信用是你敢在结果上签字、对外负责，这一条留到最后再说。

执行力在贬值，判断力在升值。这三样，外包不给模型。

知人善任：模型配比与调度底座

具体到模型，我上一阶段的配比是 10 个 Codex、3 个 Claude、1 个 Gemini，外加 1 个智谱 GLM：

●Claude 是架构师。 有灵气，擅长宏观统筹和架构推演，关键时刻敢拍板，定方向、写设计找它。

●Codex 是主力工程师。 逻辑严密甚至有点过度防御，边界问题翻来覆去地测；啰嗦归啰嗦，写出的底层代码极其扎实。

●Gemini 是笔杆子。 文采好，负责技术文档、海外宣发和长文润色。

●GLM 是执行助理。 文档校准、配置核对、日志扫描这些重复性的活交给它，一千七百块包年，还要什么自行车？

底座是本地 6 台加云上 6 台、一共 12 台机器，全部用 Pigsty 纳管，自己吃自己的狗粮。调度也极简：PostgreSQL 里一张任务队列表，主控往里塞任务，子 Agent 排队领活，发现新问题就派生子任务写回表里。并发拉满，十几个订阅能裂变出近百个 Worker 同时干活。

题外话｜工欲善其事

关于工具，我只给四条建议：

●Harness 用熟两个： Codex 和 Claude Code。其他工具基本都在借鉴这两个，一通百通，别过早折腾花哨的多智能体编排工具。

●环境首推 macOS： 图形界面和命令行的完美结合。IDE 我现在基本只用来看 diff。

●买一支麦克风，用语音输入： 打字一分钟几十个字，说话一分钟一百八十字。这份讲稿，就是我对着电脑说了两个小时转录出来的。

●让 AI 用 HTML 汇报： 别让它吐长篇大论，直接做成可交互的报表。

说到底，AI 工程最稀缺的资源不是时间，而是注意力。Attention is all you need。

三个阶段：设计、编码、测试

人管好了，再说工程。《人月神话》里有个经典配比：三分之一设计、六分之一编码、二分之一测试。到了 AI 时代，中间编码那六分之一被压到几乎为零，两头的设计和测试反而更重了。三个阶段，我各分享一条硬经验：设计靠文档驱动，编码靠并行与对抗，测试靠力大砖飞。

设计：文档驱动开发，先写契约再写代码

很多人把 AI 当许愿机，写个小玩具没问题，一上中大型工程，三天必崩。AI 软件工程的命门，是管住上下文、控住复杂度。大模型是跨会话失忆的天才：不立规矩，它就到处乱丢临时文件；下次开新窗口，当初为什么这么设计，忘得一干二净。

如何验收 AI 拉出来的屎山？

所以必须卡死模块边界，把每一次重大取舍写成架构决策记录（ADR），配上架构蓝图、接口契约和发版说明，铸成软件的 DNA。代码随时可以让 AI 重写，只要这套文档基因干净完整，任何新拉起的 Agent 都能马上接上记忆。

Silo 的工程博客就是一个样本：用我自己写的 Oink 框架搭建，左边栏是 26 篇安全记录，还有多池一致性、纠删码等核心设计契约。每修一个漏洞、每改一处协议，根因、影响范围、提交记录和评审过程都要归档入库。有这套台账托底，十几个 Agent 跨月接力也不会失忆跑偏。

题外话｜老冯的翻车案例

正例讲完，讲个反例。反例往往比正例更有价值。

我写过一个仓库管理器叫 sow。一开始目标定得很大：用一个 Go 程序把 apt、yum、dnf、reprepro、createrepo 这一整套工具全部重写，整合成一套 API。许完愿，它跑了整整七天还没结束；进去一看，像模像样一大堆，完全不是我想要的，只能推倒重来。

第二次换了做法：先让它建一个 yum 仓库，做完；再加一个签名功能，做完；签名少一个参数，补上。就这样一点一点往上长，项目成了。这正是加尔定律说的：

“有效的复杂系统，总是从有效的简单系统演化而来；从零设计的复杂系统，没一个能有效工作。”

—— 约翰·加尔，《Systemantics》（1975）

题外话｜给 Agent 立法

人和同事之间有大量心照不宣的工作假设，AI 一概不知道。AI 编程的一大好处，就是逼你把这些隐性假设全部写出来。

办公司先有使命、愿景、价值观，再有目标和任务。我们的使命是让天下没有难用的数据库；价值观是可靠性重于交付速度和新特性。落到代码上，就是写进 AGENTS.md 的规矩：同样的功能，用最少的代码、最简洁易懂的方式实现；要充分测试，但不要过度设计、过度防御。

指挥 Agent 写代码的技巧没什么壁垒，手熟就会；真正有壁垒的，是立法：上下文设计与规则设计。

编码：N 路并行，赛马加对抗

文档立住了规矩，编码这一段就几乎是免费的了。关键词从“写”变成了“管”。

第一招是赛马：同一个任务派给两三路 Agent 各写一版，评审择优合入主干，其余方案留档备查。

第二招是对抗：Claude 定大局，Codex 抠细节，最后拉起 Claude、Codex、Gemini 三方会审。不懂底层细节，怎么靠管理拿结果？办法就是人为设立对抗关系：让写代码的跟挑刺的运维对着干，跟找漏洞的安全对着干，让不同厂商的模型互相找茬。三个脾气迥异的模型吵过几轮、达成共识再签字放行，比单个 Agent 拍胸脯说“搞定了”靠谱得多。

题外话｜怎么衡量一个模型的能力？

每次新模型发布，社交媒体上都是各种 Demo，比如让它画一只骑自行车的鹈鹕。直观、好传播，但离真实工程很远。

我的测法很简单：新模型一出来，就让它把我所有开源项目扫一遍，看谁找出的 Bug 多。光扫出来还不算，必须其他模型都承认那确实是问题，才计数。公开榜单只能当个模糊的参考，真正的能力，要看在真实代码库上的表现和口碑。

题外话｜ AI 写的代码，要不要逐行看？

我的答案是：绝大多数不看。你写 C 代码，编译器生成汇编和机器码，你会去读汇编吗？不会，因为你信任编译器。区别在于编译器是确定的，AI 是概率的；但当 AI 出错的概率低于人，这个区别就不再重要。

不看代码看什么？看报告：让 Agent 用大白话把方案 A、B、C、D 列出来，每个牺牲了什么、换来了什么，你只做选择题和最终拍板。当然也有例外：亲儿子 Pigsty 和给 PG 上游提的补丁，我仍然逐行审，这更多是责任感，而非必要。

测试：暴力测试，力大砖飞

不看代码，靠什么兜底？靠测试。大家最担心的问题是：AI 写的软件敢不敢上生产？能不能上生产，从来不看代码是谁写的，而是看测试与 QA。

编码被极限压缩之后，我把七到八成的时间和算力都投进了自动化测试。人只守住头尾两道关：源头出想法，末端做验收签字。

举个例子：PG 扩展过去十几年在主流仓库里也就一百多个；我前两年做了三百个，最近几个月借助 AI 又加了三百多个，总数突破 600。怎么测？让 AI 对照文档每个功能点、源码每个分支写测试，再用 Barn 拉起测试虚拟机舰队，在 16 个操作系统上逐一跑通。我家里那 12 台机器，主要就是拿来干这个的；不够了，就去云上临时拉一批虚拟机，跑完即销毁。

靠这种饱和式测试，我在 Silo 里挖出了 100 多个深层 Bug 和二十多个高危漏洞，也给 Redis、Valkey 和 PG 社区提交了一批补丁。代码越来越便宜，测试才是真正的成本中心，也是真正的护城河。如果还有什么比暴力测试更管用，那就是开源：让全球真实用户替你做冒烟测试。

PART 04

消失的两个数量级

个人能跑出百倍，那组织呢？

很多公司给全员配了顶配账号、报销了订阅，年底一看，没见哪个部门效率翻十倍、一百倍。硅谷巨头的公开数据也差不多：Meta 全员推广 AI 后，人均产出提升约三成；Google 的工程交付提速约一成。十万人规模的组织能整体提效两成，已经很不容易；但和超级个体的百倍相比，中间蒸发了整整两个数量级。

漏到哪儿去了？我看是三层漏斗。

第一层：阿姆达尔定律与沟通税

阿姆达尔定律说，系统整体能加速多少，取决于其中无法加速的那部分。软件工程里纯编码本来只占六分之一，前后六分之五是拉通、对齐、排期、评审。只要这六分之五不动，哪怕 AI 把编码压缩到零，整体提效的上限也就是 20%。大厂卡在两成，不是巧合，是算术。

而且，瓶颈只会转移，不会消失：写代码快了十倍，如果自动化测试没跟上，瓶颈不过是从写代码挪到了人工 Review 和验收上。

超级个体最大的优势，恰恰是脑子里没有跨部门沟通：一个人配齐算力就能打出百人火力时，最优解就是让他独立闭环，而不是再塞一堆人开会。

题外话｜什么能偷懒，什么不能

只有两头不能偷懒。前面聊需求、出主意不能偷懒，这里偷的每一次懒，最后都要用算力账单和你自己的时间来偿还；最后的验收也不能偷懒，做出来的东西自己都不按想法用一遍就发布，是不负责任的，翻了车，砸的是你自己的招牌。

中间的环节，都可以、也应该交给 Agent。要信任它能干好，别总想抢方向盘：技术出身的人最容易过度微操，结果自己写的还不如 AI。这跟带团队一样，要学会授权和放权。

第二层：从 Human in the Loop 到 Build the Loop

为什么 AI 最先在软件和数学领域爆发？因为生产资料、运行环境和验证反馈都在一台电脑里，天然能形成闭环。很多企业的 AI 转型，还停留在给员工开个聊天框：法务用它审合同，就算省下一半时间，公司一天也就签那么多单，变不出十倍业务。

想要百倍加速，就不能把自己塞在流程里给 AI 打下手，而要让 Agent 进入回路干活，自己跳出来造回路。

两三个月前，我花两周给 600 多个 PG 扩展搭了一台全自动维护机器，跑通四重循环：

●全网嗅探： 每天自动巡查社区，首轮收录了 2700 多个候选项目；

●自动收编： 评估价值、试编译，对照文档生成测试；

●工业量产： 16 个操作系统乘 6 个 PG 大版本，96 种组合一次构建；

●发布自愈： 自动验收、同步全球镜像；用户在 GitHub 提了 Issue，流水线自动诊断、修复、重新发布。

这类工作过去需要专职工程师长期投入；现在每月花不到半个订阅费，全自动搞定。这样的循环机器，我常驻运行着四套。管理者真正的工作，变成了为循环立法：定分工、定权限、定验收标准。

题外话｜自动化的二次方

回头看，AI 时代我做的事，和前 AI 时代本质上一样：都是自动化，只是阶数变了。

当年在探探，我管着很大规模的数据库集群，花在日常管理上的时间却不到百分之几，因为工作已经被软件自动化掉了。这正是 Pigsty 在做的事：数据库自己照顾自己，出了故障高可用自动切换，DBA 不用半夜爬起来。一个 DBA 九成以上的日常工作可以交给管控软件；剩下的部分里，Coding Agent 又能搞定一大半，只剩最后一点疑难杂症要人来处理。

创业之后，AI Agent 又把“打造这套自动化系统”本身也自动化了，这就是自动化的二次方。杠杆就是这样拉高的：数据库够结实，就不出故障；不出故障，客户每个月只需要我几分钟。云厂商把 DBA 的经验加上杠杆做成 RDS，一人公司能够成立，也是同一个原理。

第三层：激励与生产关系

最难的一层，是人性。一个直白的问题：如果员工靠 AI 把效率提升了十倍，下个月工资会涨十倍吗？大概率不会，涨薪50% 就算良心老板了。更可能的是工作量涨十倍。在这样的激励结构下，个人很难有动力把自己的工作彻底自动化。

而在一人公司里，提效的收益完全归自己支配：可以用百倍速度去开拓，也可以只开二十倍速，把省下的时间留给家人和生活。所以我的判断是：真正 AI 原生的组织，很可能不是从传统企业改良出来的，而是像新物种一样重新长出来。

题外话｜拥抱 AI，哪怕自费

不管身处什么组织，我的建议都是：拥抱 AI，哪怕自费。

第一，哪怕只是把日常的重复劳动交出去，也能给自己腾出大把时间，这是实打实的生产力。第二，以前不敢想、做不了的事，现在都能做了。指挥 Agent 舰队没有想象中那么高深：我能加速几十上百倍，大家加速十几倍，我认为毫无问题。

就像造原子弹，最关键的一关是知道它能造出来。指挥 Agent 舰队也一样，最难的是相信这件事可行；剩下的怎么指挥、怎么管理，是需要时间培养的默会知识，越早开始越好。

PART 05

给同学们的几点建议

聊完组织，最后回到个人：AI 时代，在校的同学该往哪里用力？

AI 是放大器，不是平衡器

未来需要能力结构很可能是哑铃型的：中间那层标准化执行，照着文档写胶水代码、按套路跑常规实验、写缺乏洞察的综述，最容易被替代；两头越来越值钱，一头是能指挥 Agent 舰队、端到端交付结果的系统通才，一头是在某个深水区扎到最深、手握公开语料之外一手经验的专家。

攒三种资产：数据、环境、声誉

无论站在哑铃的哪一头，都值得从现在开始攒三种资产。

第一种是数据。 你积累下的独一无二的数据，是将来安身立命的本钱。即便是开源大模型，权重可以公开，数据配方往往是不公开的核心。模型人人都能用，订阅谁都能开；但你实验室里的一手数据、亲手整理的数据集、公开语料里找不到的经验和踩坑记录，只有你有。

第二种是环境，也就是 Context。 大家用的都是同一个 Codex、同一个 Claude，Agent 本身没什么壁垒，Agent 运行的环境才是。起步不用复杂：租一台云上虚拟机，让 Agent 住进去，装一个数据库、一个 Nginx，想做什么应用它都能做出来。在这之上，工具和权限、文档和规则、测试和验收的闭环，都是你自己设计的 Context，越用越厚，别人抄不走。