AI 技术栈差异化定位

判断一：基础设施层难以长期差异化。 Codeium 的原始假设是模型架构会高度异构（CNN/GNN/RNN/LSTM...），代管复杂性有价值；2023 年中一切收敛到 transformer，"所有人跑同样的基础设施"，假设证伪 → 价值上移。应用层则是"非常深的一层"：改善开发者工作流的方式"实际上没有天花板"。

判断二：自研 vs 租用的唯一判据是"你有没有别人没有的位置/数据"。 Windsurf 的分工：

• 规划（planning）：直接用 Sonnet 等 frontier 模型——"我想不出一个连贯的论证说明我们凭什么在纯规划上做到最好"
• 检索（retrieval）：完全自研预训练——因为有独家信号：检索后用户是否接受了代码修改
• 补全/编辑：基于开源模型后训练——因为独家数据：每小时数千万条用户反馈，以及"正在输入中的不完整代码状态"——这种 mid-edit 数据在互联网和 GitHub 上不存在，frontier 模型几乎没见过
• 纪律："不为了自尊去训练模型"——不是自己能做到最好的环节，就用开源或 Anthropic

判断三："too high a plane" 警告。 如果产品只消费极高层的输入（如纯 web 元素），贴着 frontier 模型的抽象面工作，那很难做得比 frontier 模型本身更好——"不如全部直接插 Sonnet"。持续差异化要求能沉到代码/领域的深处（如 1 亿行级企业代码库的理解、分布式索引与排序）。

判断四：界面可能才是价值的瓶颈。 同样的 ML 模型，从受 VSCode 插件 API 限制的 UI 迁到自有 IDE 的定制 UI（Windsurf Tab 内联重构），acceptance rate 直接翻三倍。技术不差但用户拿到的价值很低时，该考虑自建 surface（这是 fork VSCode 的核心依据）。前提认知：AI 写 90%+ 代码后，开发者的主要工作变成 review，需要为 review 重新设计的界面。