七台河家具封边胶厂家 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

您想知道的人工智能干货七台河家具封边胶厂家，时间送达

Writingcodewasneverthebottleneck.

写代码，从来不是软件工程真正的瓶颈。

近普林斯顿大学教授ArvindNarayanan在ICML2026上的场演讲中，提出了个问题。

当AI越来越能干，未来还有什么工作留给我们？

过去半年，CodingAgent的进步几乎都能在IDE里摸到，速度天比天快。

可开发者并没有因此变得清闲。需求还是要理，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，现在反而显眼了。

代码出来快，项目周期没有跟着缩短

Narayanan把软件工程画成了块“三明”：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。CodingAgent擅长压缩的就是这层。

Deliver：理解改动、做集成、补测试、上线、维护，并且为结果负责。

在他的估里，Execute原本可能只占三分之。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：代码生成变快后七台河家具封边胶厂家，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、监控和回滚。

代码生成得越便宜，团队越容易同时尝试多案。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

演讲里还有组数据，和每个准备把Agent接进流水线的团队都有关。

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，两者可能得到同个数字；放进生产环境，差别却大得离谱。

Narayanan的团队把可靠拆成四件事：致、鲁棒、校准能力和运行安全。换成开发者熟悉的说法，就是：同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，可靠只提了约5至10个百分点

Narayanan判断，现阶段协作型Agent仍会比全自动Agent成功。

这也是为什么“让Agent帮我工作”和“让Agent自接管工作”不是回事。前者允许人随时改向、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的不确定都可能贵得惊人。

对开发团队来说，落地顺序应该朴素：先让Agent参与，再谈人值守。

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七台河家具封边胶厂家，别急着把次漂亮Demo改名叫自动化。

Agent压缩的，只是软件工程中间那段

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

麻烦在于，软件项目早和晚的决定，经常没有标准答案。客户嘴里那句“做得简单点”到底指什么？该不该为了个大客户改底层抽象？这次重构是还债，还是在制造另笔债？模型虽然能给意见，但它拿不到全部组织背景，也不会替团队承担后果。

于是会出现个反直觉结果：Execute越快，Decide和Deliver越忙。

以前两周只能做个案，现在天能生成五个；以前排不上期，很多争议会自然消失，现在每个想法都有机会变成个能跑的Demo。

团队没有少做决定，只是早面对这些决定。

生产力提10倍，就该少招90程序员？

个很常见的论调：如果Agent让工程师率提10倍，公司以后只需要十分之的人。

Narayanan不认可这句话。

他和作者检查了多起“AI致裁员”的案例，发现相关公司往往先有财务压力，保温护角专用胶把裁员归因于AI便。

层的问题是，软件需求并不是固定的桶水。开发成本降低后，那些过去因为太贵而没做的内部工具、小众和个化软件，反而会被重新提上日程。

“固定工作量谬误”：率提，并不等于社会上的总工作量保持不变。

软件工程路从机器码走到语言、开源框架和云服务，每轮都降低了开发门槛。

程序员没有因为工具强而消失，软件反而钻进了多行业、设备和流程。

CodingAgent会不会带来相同的结果还不能提前下结论七台河家具封边胶厂家，但把“代码写得快”直接换成“岗位按比例减少”，至少漏掉了需求扩张。

Boris把团队拆成五种人，难省掉的是“收尾”

ClaudeCode负责人BorisCherny近也写过组相似的观察。

他把未来产品团队分成五种人：Prototyper、Builder、Sweeper、Grower和Maintainer。

把这五种角放回Narayanan的“三明”，能看到条很清楚的分界：

Agent容易加速Prototyper和Builder手里的Execute；到了Sweeper、Grower和Maintainer，工作开始大量进入Deliver。

AI可以口气生成几千行代码，却不会替团队决定哪些抽象该删，哪个指标才代表产品真的变好，某个兼容包袱能不能冒险拿掉。

生成版的门槛正在下降，把版收拾成长期可用的系统，仍然需要工程判断。

黄仁勋了另笔账：工程师越，公司越想多招

黄仁勋在达沃斯谈AI、生产力与就业。

黄仁勋在GTCTaipei2026的演讲里，也回应了“AI会减少软件岗位”的说法。

他称这种断是“completenonsense”，并拿NVIDIA自己举例：软件工程师的数量还在增加。

他的逻辑很商业：如果名工程师借助AI能产出多有价值的软件，公司不会满足于原来的产出，再顺手裁掉剩下的人。只要新增产出还能换来收入，继续招人就有账可。

Narayanan从劳动经济与软件流程出发，黄仁勋从企业回报出发，两人的论证路径不同，碰到的却是同处：率提之后，工作总量并不会原地不动。

岗位内容会变，招聘结构会变，简单把人数除以生产力倍数，得不到真实答案。

程序员会变成“起重机操作员”

Narayanan用了个很贴切的比喻：未来的知识工作者像起重机操作员。机器负责重活，人负责控制、理解和判断。

这个比喻放到CodingAgent里，并不抽象。程序员的能力清单正在多出几项：

●会拆任务：把目标、上下文、边界、验收条件和风险交代清楚。

●会搭反馈回路：测试、日志、静态检查、能指标都要让Agent读得懂。

●会审结果：看得出“测试通过”背后有没有漏掉业务边界、权限和兼容。

●会管权限：知道哪些命令能自动执行，哪些操作须停下来等人确认。

●会为上线负责：保留diff、审计记录和回滚路径，出了问题能定位，也能收回来。

演讲中的比喻：机器负责认知重活，人仍掌握控制权

这些能力过去也存在，只是在资工程师、TechLead、SRE和产品负责人身上。

Agent把编码速度以后，它们会直接地决定个团队能不能把生成结果变成生产系统。

别把好的学习窗口拿去等失业

有人相信AI很快会替代大部分工作，于是理的动作是趁技能贬值前尽快积累财富；

Narayanan相信，把AI当成放大器，趁现在补那些与模型互补的能力，包括主动、品味和判断。

对开发者来说，这不是句乐观口号。代码会继续变得便宜，责任不会。需求没想明白，Agent只会快地做错；测试和审查不到位，它也会快地把问题送进生产环境。

程序员的工作不会停在“亲手敲出每行代码”。它会向前走到问题定义，向后走到验证、交付和维护。未来谁能把机器的速度真正应用到真实工程中，谁就接近Narayanan说的那种“人与AI共同的智能”。

所以，当Agent又刷新个编码榜单时，不妨少问句“它还要多久替代我”，不妨多想下：如果代码已经不再稀缺，我还能不能把问题选对，把系统交付好，并为后的结果负责？相关词条:罐体保温     塑料挤出设备     钢绞线    超细玻璃棉板    万能胶

奥力斯    pvc管道管件胶批发    联系人：王经理    手机：15226765735（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。