独立开发者 Simon Willison 最近做了一件很小但很有代表性的事：他已经积累了 244 个由 AI 辅助开发的工具，如今让模型读取这些工具的代码，自动识别其中使用的 JavaScript 接口、软件库和网络服务，再生成标签供人查找。这个数字说明，AI 已经把许多人的工作从“写一个工具”推进到“同时维护几百个工具”。
这是什么
Simon Willison 原本想更好地浏览自己的工具收藏。他利用模型剩余额度，要求 AI 使用 tree-sitter（一种把源代码拆成结构化语法树的解析工具）分析每个项目，并在首页按技术类别生成标签云。
核心并不是标签云本身，而是把原本散落在代码里的依赖关系提取成可搜索的信息。以前要找某个项目用了什么接口，只能逐个打开文件；现在可以先按类别缩小范围。这是一种轻量级的代码资产管理方式，适合工具数量快速增长的个人开发者和小团队。
行业怎么看
我们认为，这件事释放出一个清晰信号：AI 编程的下一阶段，不只是提高生成速度，也会接手代码盘点、依赖梳理和知识检索。当开发门槛下降，工具越积越多，“还能不能找到并理解旧工具”就会成为新问题。
但风险同样明确。自动标签依赖代码解析和模型判断，错误分类可能让检索结果失真；而 AI 生成的工具越多，许可证漏洞、重复功能和过期依赖也可能被放大。这个方法目前只展示了一个个人项目，距离可靠的企业级代码资产管理仍有距离。它更像一块值得试用的路标，而不是成熟方案。
对普通人的影响
对企业 IT：企业可以借鉴这种思路，把内部脚本、自动化工具和遗留系统按能力与依赖归档。对工具繁多但缺少文档的团队，价值可能比单纯再生成一个应用更直接。
对个人职场：会用 AI 写工具的人会更容易积累个人生产力系统，但“工具数量”不等于“有效产出”，维护成本也会随之增加。真正稀缺的能力仍包括筛选、验证和持续整合。
对消费市场：AI 应用会从单次问答走向长期使用记录。届时用户期待产品不仅记住对话，还能梳理自己长期积累的内容、代码和工作流，同时给出可解释的分类结果。