立正把 Vibe Coding 看作让人从“问 AI”进入“让 AI 帮我造东西”的一步，它能解决个人单点痛点，但最擅长的是顺利路径：需求清楚、数据简单、用户只有自己⁠1。一旦遇到异常输入、权限、部署或需求迭代，Demo 就开始崩⁠1。所以它的价值不是直接变成产品，而是让你先看到一版真实的东西，从而发现原来的想法哪里不完整——很多正确决定在看到错误版本之前根本不存在⁠2。你做出的东西停在 Demo，通常不是代码写得差，而是跳过了 discovery（通过真实版本弄清该做什么）和 ownership（用户依赖后持续保证正确）这两段⁠2。想提升，可以选一个自己真会长期用的 Demo，让它面对一个你控制不了的真实输入或真实用户，观察哪里先坏、你愿不愿意继续负责。

找需求不是先想一个点子再让 AI 实现，而是先做出能检验的小步，让现实告诉你哪里不对⁠3。立正提到，拿到模糊需求时先拆成能检验的小步，结果不对先找原因而不是换工具再试⁠3。AI 的用法也类似：代码和 token 已经变得很便宜，值得用它们去换昂贵的“真相”——也就是这件事到底该不该做、怎么拆、结果好不好⁠4。配环境、调端口这类费劲但不让人变聪明的“假困难”可以交给 AI，判断和取舍留给自己⁠5。所以“用 AI 干什么”可以这样分：让 AI 承担实现和试错成本，你承担定义问题和判断结果。

关于 SaaS，材料里的区分是：纯逻辑层加界面的应用型 SaaS 可能被 Agent 直接驱动数据库而取代；核心提供推理、知识和判断的 SaaS 不会，因为它卖的不是 UI⁠6。Agent 也不是做完就一劳永逸：模型版本、API、成本、prompt 和 eval 都会变，上线后要持续迁移、调优、修边界情况，所以它更像长期运营而非一次性交付⁠7。这意味着大模型变强会压缩“把界面搭出来”的价值，但不会自动替掉“判断什么行为正确、并为持续正确负责”的部分⁠2。对个人来说，值得积累的是后者。