最近在思考 AI 应用的设计，感觉目前主流的做法大多还是沿用传统思路，在复杂的 UI 表单角落勉强塞进一个对话框。既然现在的大模型已经具备了强大的推理和工具调用能力，我开始设想一种“Built for Agents”的可能性。
为了验证这个想法，我还是开发一个独立开发者三件套之一的记账软件开刀，我把它改造成一个面向 Agent 驱动的底层引擎。
我将底层的接口通过 MCP （ Model Context Protocol ）直接暴露给大模型，让 Agent （比如 OpenClaw 、Hermes 等）取代人类，成为软件的“第一使用者”。在这种纯粹的 Agent-Native 交互范式下跑通了核心链路后，我获得了一种截然不同的体验：
1. 开发者的角色巨变（剥离脏活累活）
很多以前在复杂的业务逻辑和定制化需求（比如账单智能分类、从非标准截图里提取数据、解析不同银行支付宝微信的账单格式），都不需要写代码去实现了，LLM 本身自带的能力直接把这些复杂度消化掉了。作为开发者，唯一要做的就是：提供安全，定义清晰的底层接口和 Schema ，剩下的交给 Agent 。
2. 用户体验的升维
记账的副产品：它变成了一本“生活日记”这也是我意外发掘出来的能力，在实际使用中，Agent 经常会额外提供一些建议，比如：“要不要我给你分析一下这个月份收支？”传统的记账是被动填表，但在这里，我把它当成了日记本。比如我会告诉 Agent：“这周末去大理旅游，住了某某海景酒店花了 800 ，路上汽车加了 300 块钱油，晚上点了个烧烤外卖 120”。Agent 准确地完成了记账，同时也能在对话中获取相关事件的上下文。到了月底，我可以直接问：“这个月汽车加了几次油？”、“旅游吃饭一共花了多少？”。这种从提供数据服务变成了为 Agent 提供上下文，可能是面向 Agent 开发最大的特点。
3. 商业逻辑的重塑（数据取代应用成为壁垒）
SaaS 逻辑转变：开发成本骤降，数据成为核心壁垒。当 AI 几分钟就能生成一个完整的应用原型时，功能本身变得不再那么重要，且复杂的业务流能被 Agent 消化时，我感觉 SaaS 的开发成本和价值正在被剧烈压缩。未来的软件形态，核心粘性可能不再是“功能有多全、界面多好看”，而是“沉淀的数据”。开发者的角色，似乎正在从“为人做前端展示”转向“为 Agent 提供高质量的数据支撑和操作环境”。
4. 交互体验的完全重塑
自然语言成了最高效的指令，我们只负责随口表达“意图”，Agent 负责去调用 MCP 接口完成后续的“结构化归档”。这种零摩擦、甚至带着点“懂你”的交互体验，一旦习惯了，再去面对传统软件里密密麻麻的表单和确认按钮，真的会产生一种强烈的时代割裂感。
注册账号的体验我也修改了，我把账号的注册和授权也封装成了 MCP 接口，用户只要去邮箱检查验证吗，并回复给 Agent 就能完成用户注册和授权登录。（其实 Agent 自己也能去查邮箱读验证码自己填)
欢迎体验
我自己用一段时间用得非常爽，把这个分享出来。如果大家想体验可以按以下的操作配置自己的 Agent 。
npx skills add orchune/personal-finance
安装之后给 Agent 发送 Prompt
这是我第一次使用 Orchune：请按 personal-finance Skill 里 references/setup.md 的指引完成 MCP 服务配置和授权。
我把这个项目上线了 https://orchune.com ，当然也是一个实验性质的项目，目前还是 0 用户，完全自用也没有商业化的计划。不过思路提供给大家参考。
Rickkkkkkk 07-06 20:161楼