Harness 与 Agent 工程 · AI研发与测试工程 · 2026-07-20

写代码从来都不是软件工程的瓶颈!普林斯顿教授:AI越会写,程序员越要会判断,否则AI把代码写完了,程序员还在加班

AI加速编码时代,软件工程师的核心价值正从“怎么写”转向“怎么想”。普林斯顿教授揭示,AI将编码时间压缩后,真正的挑战——需求判断、方案抉择与交付责任——反而更加凸显。

核心内容:

  1. 软件工程的瓶颈并非编码,而是前期的需求决策与后期的交付维护
  2. AI代码代理虽快,但可靠性、一致性等关键问题限制了其在生产环境的全自动应用
  3. 未来开发者的核心工作将转向判断、审查与为复杂决策负责

Writing code was never the bottleneck.

写代码,从来不是软件工程真正的瓶颈。

最近普林斯顿大学教授Arvind Narayanan在ICML 2026上的一场演讲中,提出了一个问题。

当AI越来越能干,未来还有什么工作留给我们?

过去半年,Coding Agent的进步几乎都能在IDE里摸到,速度一天比一天快。

可开发者并没有因此变得清闲。需求还是要理,方案还是要定,AI交回来的代码照样得审。

Narayanan:Agent确实压缩了编码时间,只是编码原本就没有占满整个项目。那些藏在编码前后的工作,现在反而更显眼了。

代码出来更快,项目周期没有跟着缩短

Narayanan把软件工程画成了一块“三明治”:Decide、Execute、Deliver。

Decide:先弄明白客户要什么,需求是否成立,边界在哪里,准备怎么做。

Execute:编码和调试。Coding Agent最擅长压缩的就是这一层。

Deliver:理解改动、做集成、补测试、上线、维护,并且为结果负责。

在他的估算里,Execute原本可能只占三分之一。AI把中间这段加速了,前后的两段并不会自动消失。

演讲引用多篇工程文章:代码生成变快后,行业又重新发现“编码不是瓶颈”

软件工程的Decide-Execute-Deliver结构

拿修Bug来说,Agent很快就能给出一份diff。

可在它动手前,总要有人判断复现路径是不是对的,问题究竟在业务逻辑、数据还是基础设施。改完以后,还得看回归范围、兼容性、监控和回滚。

代码生成得越便宜,团队越容易同时尝试更多方案。方案多了,选择、审查和收尾不会跟着便宜。工作量只是从键盘前移到了判断与交付。

70%的正确率,为什么还不够进生产环境

演讲里还有一组数据,和每个准备把Agent接进流水线的团队都有关。

一个Agent准确率70%,听上去已经能干不少事。但这70%究竟是什么意思?是它在固定的70%任务上每次都做对,还是面对任何任务都有30%的概率突然失败?跑分表里,两者可能得到同一个数字;放进生产环境,差别却大得离谱。

Narayanan的团队把可靠性拆成四件事:一致性、鲁棒性、校准能力和运行安全。换成开发者熟悉的说法,就是:同一任务能不能稳定复现,环境稍微变化会不会失手,模型知不知道自己做错了,以及失败后能不能恢复。

过去两年,Agent能力快速上升,可靠性只提高了约5至10个百分点

Narayanan判断,现阶段协作型Agent仍会比全自动Agent更成功。

这也是为什么“让Agent帮我工作”和“让Agent独自接管工作”不是一回事。前者允许人随时改方向、补上下文、拦下危险操作;后者要求系统在没人盯着的时候依旧稳定。

只要任务牵涉生产数据库、密钥、支付或客户数据,5%的不确定性都可能贵得惊人。

对开发团队来说,落地顺序应该更朴素:先让Agent参与,再谈无人值守。

权限边界、可观测日志、测试门槛、人工审批和回滚路径没有补齐之前,别急着把一次漂亮Demo改名叫自动化。

Agent压缩的,只是软件工程中间那一段

AI擅长的任务,通常有一个共同点:答案容易验证。代码能不能编译,测试过没过,性能有没有提升,都能给出相对清楚的反馈。

麻烦在于,软件项…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/LargeLanguageModel/2026072007638.html