智能体工程 vs 软件工程：计算机系那套课程，还能适应 AI 时代吗？-北京尧图网络

AI 让技术平权了。谁都能靠 prompt搭出一个能跑的东西。但计算机专业的学生花了四年。从编程语言学到算法再到软件工程啃完一整套系统性课程。这套训练在 AI 时代还有必要吗这篇文章带你了解其中的差异。计算机系的课程表还能适应 AI 时代吗过去几十年计算机科学有一条清晰的路径。学语法 → 学算法 → 学系统设计 → 进大厂做软件工程师。同一段代码同样的输入永远得到同样的输出。这条流水线曾经很好用。但它正在断裂。不是因为 AI 替你写代码。是因为写代码这件事意义变了。几十年来软件工程就是给计算机写显式指令。每一步、每个分支、每个边界条件都手动定义。现在不再是把每行逻辑亲手敲进去的人。变成了描述目标、设置约束、验证输出的人。工程精力的投放方向变了。确定性 vs 概率性传统软件工程的根基是确定性。你写if (balance amount) throw new Error(余额不足)。这段逻辑今天跑一百次明天跑一百次行为一致。Bug 可追溯。一个错的条件判断、一个漏的状态转换、一处边界值没处理。你总能沿着调用栈找到它。每一步都是预定义的。LLM 进来之后情况变了。你不再写具体的判断逻辑。你说「如果余额不足告诉用户原因给三种补救选项。」AI 去解释这个目标。它可能今天给三个选项明天给五个。措辞每次不同。正确不是非黑即白。正确是「看起来对」。这些系统不再只执行僵化逻辑。而是解释目标。一旦你把这种概率性输出接上记忆、工具调用、规划和反馈循环。你就不再是调一个模型。而是在管一个 agent。Write Behavior → Shape Behavior编写行为 → 塑造行为从高层次看。传统软件工程里开发者编写行为write behavior。在 agentic engineering 里开发者塑造行为shape behavior。本质是从确定性逻辑转向概率性判断。这个词拆开来看更清楚。Agentic指的是一群 agent 写代码。人类开发者监督和验证输出。Agent 或多 agent 系统迭代子任务时始终保持人在环中human in the loop。Engineering指的是用 agentic 工作流做正经代码生产。需要一定专业水平。不能危及代码质量。两者加在一起AI 负责执行。你负责编排和验证。工程素养没有消失。只是作用的位置变了。一张光谱五个位置AI 编程领域每年都造新词。2024 到 2026就有 AI-assisted coding、vibe coding、agentic coding、agentic engineering。很容易搞混。与其纠结分类不如把它们看成一个光谱。不是从差到好。是按「人类保留多少控制力 vs 系统获得多少自主权」排列阶段谁主导典型场景Traditional SE人写每一行所有逻辑显式定义AI 最多辅助人在架构和决策上完全掌控AI-Assisted Coding人主导AI 辅助Copilot 补全、重构、生成代码片段开发者仍主导整体实现Vibe Coding人描述意图AI 生成自然语言描述意图迭代塑造结果焦点从精确实现转向创意方向和快速实验Agentic CodingAI 自主规划执行系统自主规划任务、使用工具、写代码跑测试、调试失败有限监督下迭代Agentic Engineering人编排监督超越代码生成设计让自主系统推理、协调、评估、动态适应的环境重点这些不是硬性分类。这些术语互相渗透。大多数团队从 vibe coding 起步快速验证想法原型。随着风险和复杂度增加逐步演进到 agentic coding。最终到 agentic engineering。AI 越自主人越重要一个常见误解agentic 系统越强对人的要求越低。正好相反。传统系统故障是可预测的。有 bug顺着调用栈往下追总能定位到某个错误的条件判断、状态转换或实现细节。Agentic 系统不一样。它以概率方式运行。可能看起来完全正确却在表面之下做着有缺陷的决策。幻觉、误解意图、误用工具、生成语法正确但架构糟糕的方案。它不会报一个漂亮的NullPointerException。它悄悄做错了。所以 agentic engineering 的关键技能不是写代码。是两个动作Orchestrate编排定义 agent 能做什么、不能做什么、在什么约束下运行。Verify验证确认 agent 的输出不仅在语法上正确架构、安全、性能上也对。工程瓶颈从「写得不够快」变成了「管得不够严」。这也解释了开发者社区对这个转变的复杂反应。有些人把这当机会。终于可以把时间花在更有思想深度、更有成就感的工作上。另一些人持怀疑态度。这种怀疑有道理。确定性系统的故障方式你熟悉。概率性系统的故障方式你还没习惯。Agentic 系统应该加速开发。不是取代工程专业能力。这或许意味着需要一种新文化。鼓励实验同时保持问责。Vibe Coding 为什么成不了规模Vibe coding 在原型阶段极其高效。描述意图看结果。不满意再描述。极度适合探索。到了规模化生产三个问题暴露无结构。AI 生成的代码没有统一架构约束。每次生成的结果互相不一致。无测试。vibe coding 的工作流天然跳过 Red-Green 循环。你不知道它哪里会挂。无一致性。三个 prompt 生成三次三次实现方式完全不同。维护成本指数上升。这就是 agentic engineering 这个词存在的原因。它强调 engineering 还在。不是要取代软件工程。是扩展一个新的抽象层。Agentic engineering 改变的是工程师把大部分时间花在工程化什么东西上。开发者的下一站如果你在看这个变化有些不安。正常的。确定性系统的故障方式可预测。概率性系统在最不可预测的方式下悄悄出错。但方向很清楚写代码 → 设计代码 → 塑造 AI 行为 → 监督 AI 系统每一层都还在。你只是在往上移。不确定从哪开始从小处开始。在现有工作流里引入一个 AI 辅助工具。观察它哪里帮你、哪里帮倒忙。然后从这里迭代。最重要的一条不要用自动化替代理解和质量。让 AI 写更快不是目的。让 AI 在你的判断和监督下写得更正确才是。小结Agentic Engineering 不是一个 buzzword流行词。它是一个光谱的尽头。从亲手写每一行代码到设计让 AI 写好代码的环境和约束。记住两点光谱思维替代二分法。别问「AI 编程好还是不好」。问「你在光谱的哪个位置」。AI 越自主工程素养越重要。概率性系统的故障比确定性系统更难发现、更难修复。

智能体工程 vs 软件工程：计算机系那套课程，还能适应 AI 时代吗？

相关推荐

如何快速定制暗黑破坏神2角色：开源存档编辑器终极指南

掌握七大Prompt技巧，让AI从玩具变生产力工具

基于RAG与AI Agent构建企业智能知识库：从架构设计到工程实践

更多资讯

psutil 系统监控实战：用 Python 实现 CPU、内存与进程管理

STM32CubeMX配置AD7606串行模式：SPI时序调试与DMA多通道采集实战

BERT实战：20NewsGroups新闻分类的完整流程与避坑指南

PADS Logic器件查找三大实战技巧：库路径直跳、属性筛选与历史追溯

FastLED 平台特定整数类型修复指南：fl::i8/u8/i16/u16/i32/u32 等类型的正确映射与修改规范

知识图谱+GraphRAG：生物制药主数据管理的下一代范式

今日更新

济南做网站多少钱：3个案例拆解，防黑源码下载全攻略

婚恋网站实战案例：避开3个高价坑，省钱50%还能跑赢流量

制作网页比较方便的软件怎么选?一文搞懂避坑指南

本周精选

如何彻底离线使用 Laya-CoreML：Hugging Face 下载、缓存机制与 local_files_only 详解

基于1Panel 部署MySQL MCP 服务：TaoToken 统一 Key 接入与 config.toml 配置实战

崇州园区营销网站建设避坑指南：5大注意事项保备案安全

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？