在Axios最新的采访中，奥特曼又一次谈起了“点子哥（idea guy）的复仇”。

所谓“点子哥”，指的是那类懂用户、有想法，却缺少技术执行力的人。在很长一段时间里，这个词都带点调侃的意思：不会写代码、没有工程团队，再好的想法也很难真正变成产品。

奥特曼认为AI正在改变这件事，他说：“任何想开公司的人，都像拥有了各个专业领域的天才级员工。”

GPT-6 Astra上线之后，这句话有了一个非常具体的表现：有人开始下载自己根本不会用的Blender。

他们不需要先学建模、记快捷键，甚至不用搞清楚界面上的按钮分别有什么用。直接把软件交给Astra，告诉它自己想要什么，Astra就能把想法实现。

OpenAI在Astra的演示里甚至把这条链路一路推到了3D打印：从一个想法，到Blender建模，再到导出文件、送进打印机，最后得到一个真正可以拿在手里的成品。

专业工具本身没变简单，但现在人们不用先学会它，也能把事儿办成。

踩在Agent的肩膀上

很多人第一次打开Blender，就一个反应：什么鬼。

建模、材质、灯光、摄像机、渲染……每个部分都认识，但凑在一起和天书没什么差别。哪怕只想做个简单的小场景，也得先跟软件死磕半天。

但Astra换了个玩法——你不用学Blender，Agent替你去学。

OpenAI工程师Thomas Ricouard只给Astra提了一个目标：一栋极简住宅，带精致家具与花园，且富有电影质感。Astra随即调用Blender的Python API，自主搭建出了可继续编辑的3D场景，从硬装到软装，一气呵成。每完成一版，它还会自行渲染预览，修正植物穿模、光影及构图等瑕疵。后期扩建完成后，Astra又自主编写了导出导入流程，将整栋房子迁移至Unreal Engine 5，最终做出了一个可供自由探索的实景空间。

在此之前，生成式AI其实已经能做出很像3D的东西。你给它一张参考图，它能吐出一张看起来像是Blender渲出来的房子、角色或者游戏场景；往前一步，也有模型能够直接生成3D资产和代码。

但这和真正使用Blender完全是两码事。

前一种方式，本质上是AI绕过专业软件，直接给你一个结果；Astra展示的则是另一条路径：它会通过API直接进入Blender，建模、改材质、调灯光、看渲染结果，再继续返工。需要的时候，它还会通过computer use进入软件界面检查场景。

Astra发布之后，X上很快冒出了更多实测。

Tom Krcha拿了一张老式蒸汽火车的手绘图交给Astra，让它在Blender里重建。几分钟后，Astra做出了3295个彼此独立、可以继续编辑的对象，给了他一个真正的工程文件。

Krcha甚至可以继续告诉Astra他想要的改进方向，让Astra帮他实现。

猎豹移动董事长兼CEO傅盛，自述完全不懂Blender，也没有什么复杂的需求。他甚至只是把网友的推文连接和截图发给Astra，附加一句“帮我复刻，尽可能还原”，大约40分钟后，一个可以实际进入的3D游戏场景已经基本成型。

在这个过程中，Blender依然是那套复杂的Blender，但用它的人已经不需要再从头啃一遍了。

事实上，在Astra之前已经有人尝试过让Claude操作Blender——通过Python脚本、MCP等方式，模型可以根据自然语言生成代码，再让Blender执行。只是当时这套玩法还带着很明显的“极客实验”痕迹：要自己配置连接、处理报错、来回复制代码，很多时候人还得在旁边盯着。

Astra这次把事情往前拱了一大步，把那些原本零散的步骤包进了一个Agent里。它的发布口号几乎就是冲着这种场景来的：

“Anything you can do on a computer, Astra can do for you. Fast.”

直译就是：凡是你能在电脑上做到的事，Astra都能替你完成，而且很快。

Blender只是其中最直观的一个例子，类似的变化正在更多专业工具里出现。

过去一个人想做3D、做游戏、画工程图、处理复杂表格、搭原型，往往意味着先学会一套对应的软件。而现在，这个顺序正在被Agent打乱。

软件的门槛依然存在，但用户可以踩着Agent跨过去。

X用户@Alpha10six让Astra参与自己的探测车（rover）项目，使用云端CAD软件Onshape设计机械零件。Astra不仅在现有模型里调整轮组和结构件，还为这套工作流自己写了一个定制插件。

在Unreal Engine里，这种变化甚至已经从“替你操作软件”，进一步变成了“替你在软件里长期做项目”。

作为Astra的提前体验用户，Matt Shumer在Astra正式发布前，就让它在Unreal Engine里连续工作了约一周的时间，搭建一个曼哈顿世界。按照他的说法，Astra可以沿着城市一条街一条街地检查和完善场景。

这些案例当然还不能说明专业软件从此不需要学习，真正复杂的建模、工程设计和游戏开发，依然需要经验和判断。

但变化已经非常明显：过去的专业软件既提供能力，也设置门槛；现在，Agent开始接管其中最耗时间的操作层。

不会Blender、不会CAD、不会Unreal，不再自动等于做不了3D、机械设计或者游戏世界。

真正被拉近的，是普通人与专业能力之间的距离。

从“斩杀线”到人人可行

我们在之前的文章里讨论过，Anthropic最擅长的事情之一，就是不断把AI推到传统软件公司的门口。

法务、金融、编程、设计、安全、自动化……Claude每新增一种产品或能力，就意味着一个原本相对独立的专业赛道突然多了一个AI竞争者。

有时候，Anthropic的新产品甚至还远远谈不上成熟，也没有真正替代原有公司的能力。但它只要证明一件事——“这事儿现在AI也能做了”——市场就会先重新给原来的公司定价。

这就是“斩杀线”。

Claude Design是最直观的案例。它出现之后，用户不必先打开Figma，可以直接通过对话生成网页、App原型、营销素材，再进一步交给Claude Code变成代码。就在Claude Design发布当天，Figma股价收跌近7%。

Anthropic做的是一件比较“收敛”的事情：把原来属于专业软件的能力，搬进模型里去。

过去设计要找Figma，写代码要找IDE，做自动化要找专门的软件，而Anthropic不断把这些能力往Claude里收。

但这个方向的短板也很明显。模型要写代码，就得拥有足够强的编程能力；要做设计，就得把审美、布局和前端能力学进去。每进入一个新的专业领域，都意味着模型得先把这个领域学懂。

Astra这次展示的则是另一条相对“扩散”的路径：它不打算自己重新发明一个Blender，也不准备把几十年积累下来的CAD、游戏引擎、3D打印技术全部学进参数里。

它只需要学会使用这些工具。

想做3D，就接上Blender，调用它成熟的建模、材质和渲染系统；想设计机械零件，就进入Onshape；想搭游戏世界，就打开Unreal Engine。专业软件过去几十年的积累，如今可以直接变成Agent的外挂能力。

我们甚至可以认为，Anthropic不断把专业能力从软件里搬进AI，OpenAI开始让AI反过来使用整个软件世界。

对普通人来说，第二种方式有一个非常直接的好处，那就是能力扩张得更快了。

毕竟，一个模型想真正学会所有专业工作几乎不可能，每一个领域背后，都是几十年积累下来的功能、插件、工作流和行业经验。

但如果Agent会用这些工具，它就不需要从头再造一遍。用户也不必等到“AI终于学会了某个行业”，才能够使用这项能力。只要这个行业已经有成熟的软件，Agent就可能先把它接过来。

也就是说，在之前，普通人能用AI做什么很大程度上取决于模型自己会什么；而现在，还可能加上电脑里那些软件会什么。

而且，这两条路对原有软件公司的冲击也不完全一样。相比Anthropic此前直接把专业能力收进Claude、某种程度上绕开原有工具的做法，Astra这条路线在短期内对专业软件“友好”得多。

毕竟，对收费软件来说，用户是自己点鼠标，还是让Agent替自己点鼠标，并没有本质区别——只要软件仍然在工作流里，权限和订阅就仍然有价值。

甚至从这个角度看，Agent还有可能给专业软件带来一批过去根本不会成为用户的人：以前一个人因为不会CAD，压根不会买CAD；现在他可能因为Agent会用，而愿意为这套工具付费。

但麻烦也从这里开始。

当操作软件的主体从人变成Agent，专业软件过去用来留住用户的那套东西，还能继续奏效吗？

是门槛还是护城河

对专业软件来说，门槛和护城河，本来就有部分重叠。

一个人花了五年学会SolidWorks，熟悉了它的快捷键、建模逻辑和工作流，通常不会因为另一款CAD便宜一点，就立刻从头再学一遍。

Adobe也是一样，一个团队用了十年Photoshop、Illustrator、Premiere，积累下来的不只是几个账号，还有模板、插件、文件格式、协作方式，以及每个人已经形成的操作习惯。

软件越复杂，这种沉没成本往往越高。

所以过去的专业软件有一个看起来有些矛盾的特点：难学是门槛，但学会之后，“难学”反而开始替软件锁住用户。

但这套逻辑放在Agent上行不通。

Agent可没有“肌肉记忆”。它不会因为从大学开始就用PS，而对Photoshop产生感情；也不需要因为已经花了三年学会一套CAD，就拒绝重新学习另一套。

只要它同时能掌握十套工具，就完全可能根据不同任务，在它们之间来回切换。

做这个零件，A软件结果最好，就用A；下一个任务B软件更稳定，就换B；但如果C更便宜、接口更开放，用C来做也未尝不可。

于是，当真正操作软件的主体从人变成Agent，专业软件之间原本非常高的迁移成本，就可能开始下降。

当然了，这并不意味着专业人士和普通用户之间的差距会被抹平，Agent也许能让普通用户更容易地做出“像样的东西”，但专业人士更容易把它做对、做好，并且知道什么时候不能直接相信AI。Agent降低的只是工具门槛，并不是专业判断本身。

但对软件来说，操作软件的主体发生了变化，软件的竞争维度也会跟着发生变化。

接口够不够开放，调用顺不顺畅，结果能不能验证，长任务稳不稳定，跨软件传文件麻不麻烦，价格合不合适——这些以前只有开发者和企业集成才需要关心的问题，未来可能直接决定一款软件的使用量。

这些专业软件以前只需要考虑怎么把用户留下，但到了Agent时代，它们可能还得想怎么才能被Agent翻牌子。

有意思的是，最早被Anthropic“斩杀线”吓到的Figma，正在主动向Astra代表的这套逻辑靠近。9月2日，Figma在一篇Coinbase案例中直接提出了一个问题：当主要用户从工程师变成Agent，需要改变什么？

现在Figma已经允许Claude、ChatGPT等Agent通过MCP直接读写Figma画布。某种意义上，它正在主动把自己从“人使用的设计工具”，改造成Agent也能调用的设计能力。

当使用量和用户忠诚不再天然绑在一起，Agent时代，专业软件最大的变化未必是被AI替代。

它们更可能从一种需要人长期学习、形成习惯的工具，逐渐变成一种模型按任务调用的能力模块。