ARTICLE · 1001614
AI时代,重塑软件工程教育的新范式
（写在开学季）
今天是9月1日，新学年开学。当一批批年轻的面孔走进课堂，我总会思考：他们将在一个怎样的时代里学习软件工程？几年前，代码还是他们需要亲手攻克的第一座高山；今天，AI可以在短时间内生成架构、代码与文档，显著降低了软件开发的入门门槛。也恰恰是这种变化，让软件工程教育比以往任何时候都更需要回答一个根本问题：我们究竟要教什么？这篇文章写给刚刚开启新学期的同学们，也写给所有在AI浪潮中重新思考教育未来的同行。
2023年，大模型爆发式增长，软件工程从1.0（以瀑布模型为代表的软件产品开发范式）、2.0（以敏捷/DevOps为代表的SaaS开发范式）迈入3.0时代——软件形态演变为"模型即软件"（SaaM），研发范式转向AI驱动开发范式。
到了2026年，我们已置身智能体时代：16个并行智能体用两周时间完成了十万行C语言编译器，3人团队5个月交付百万行代码。当多个智能体可以自主协作构建系统时，一个尖锐的问题摆在整个教育界面前：AI能迅速生成需求Spec、代码与测试用例等，大学还要教什么？怎么教才有价值？
这个问题之所以值得深入思考，是因为它触及教育的价值边界。近两年，我们通过教学、观摩创新创业大赛与毕业设计时注意到一个现象：借助AI工具，学生能够在较短时间内生成结构完整、表述专业的设计文档与原型方案，不同起点学生的交付物在形式上的差距在缩小。生成与表达成本显著降低，以知识传授为核心的传统教学优势正面临前所未有的挑战。
但被改变的只是教学的形态，而不是教育本身。本文基于自己的思考、研究和教学实践，从软件工程教育面临的挑战出发，系统探讨AI时代人才培养的重塑之道。
一、挑战：育人链路的断裂
AI对软件工程教育的冲击，首先表现为行业变化向教育体系的传导。智能体显著提升了研发效率，同时初级岗位的入门通道也在收窄：初级开发者招聘量自2022年以来下降67%，22—25岁青年群体就业率下降13%（来源：美国几所著名大学针对GPT-4发布后的追踪研究"）；与此同时，63%的初级开发者将AI工具作为"首选项"，把AI当主力而非辅助。两种趋势叠加，构成了教育面临的双重压力——行业在调整初级岗位的结构，学生则需要重新审视对AI的依赖。
更深层的挑战在于传统培养模式的适配性问题。长期以来，软件工程教学依靠"语法教学、代码实操、项目复刻"的训练链路，让学生在反复编码、调试、重构中沉淀计算思维与工程逻辑——这是传统教学重要的育人内核。AI全面赋能后，学生可以较便捷地获得可运行的代码，部分学生因此跳过了自主思考、试错与逻辑打磨的过程，出现"AI依赖型虚假能力"的苗头：作业表现良好，脱离AI后却难以独立排查报错、拆解问题。以实操养思维的育人链路受到冲击。课堂互动方式也面临重新审视——论知识容量，教师难以与持续更新的大模型相比；论响应速度，也未必更快。教师角色的价值需要重新定位。
然而，挑战的本质值得辨析：AI显著降低的是"生成与表达"的成本，而不是"判断与决策"的成本。软件开发瓶颈正在从"写不出代码"的技术实现困难，转向"想不清楚要什么"的需求定义与逻辑构建挑战。AI降低了技术实现的门槛，但对深度思考、逻辑抽象、创新设计的要求，并没有降低，反而更高。AI时代，不进则退，进者无限。
二、新的人才要求：会问、善断、敢当
应对挑战，首先要回答"人才标准"这个根本问题。传统标准以编程语言熟练度、算法解题速度为核心，在AI时代已难以全面反映人才的真实价值。
必须先定义何为能力。能力不是知识库存的数量，而是在未知情境下持续做出高质量决策的内部认知结构。知识会遗忘、技能会过时、工具会更新，但认知结构具有相对的稳定性；它以知识为燃料，却不能被知识所替代。AI能以毫秒级速度检索和呈现知识，人类在"知识库存量"上难以与AI竞争；但认知结构的塑造有其固有的时间过程——正如人的成长无法加速，认知的深化也无法被AI压缩。因此，知识的角色应从教育的"终点"回归为教育的"燃料"，教育重心从"填充知识"转向"以知识训练锻造高阶判断力"。
由此可以推演出AI时代不宜外包的四类认知活动，它们构成人才培养的"能力保护区"。
第一，定义问题。AI擅长空间搜索与组合生成，但"发现值得解决的问题"远比解决一个已知问题重要。提出好问题，是未来工程师的首要能力。
第二，形成判断。当AI在短时间内给出多个方案时，工程的硬核挑战从"生成"转向"判断"：为什么选A不选B？如何在延迟与一致性之间折中？AI降低的是生成成本，无法降低判断成本。成熟工程师的价值在于决策，而非快速敲键盘。
第三，批判性验收。系统出现故障时，AI不会承担后果，最终对系统生命周期负责的仍然是人。软件测试教学的关键洞察也在于此——测试不是让学生"生成更多测试"，而是让学生"做出更好的测试决策"：把AI输出当作假设而非结论，要求证据链闭合、可追溯、可复核、可被反例推翻。
第四，经历失败。AI可以提供顺畅的"正确答案"，但人的认知成长往往来自预测错误与真实失败后的反思。如果教育把所有的失败摩擦都用AI过滤掉，学生得到的可能只是静态的答案，难以形成解决真实问题的能力。
这四类活动落到人才画像上，可以概括为六个关键词：提出好问题、价值判断、批判性验收、洞察复杂系统、工程领导力、责任担当。一句话：AI负责"怎么做"，人类聚焦"为什么做、做什么更好"。
三、培养目标与知识结构：重构而非修补
培养目标需要重新定义：从"培养熟练编码者"转向"培养可靠的决策者"——具备系统思维，在复杂系统中以证据驱动做出决策；具备批判性思维，理性审视AI生成内容、识别潜在缺陷；具备AI协同能力，将AI视为认知伙伴而非替代工具；具备伦理与社会责任意识，让技术服务于人。这些目标并不要求学生更会"写代码"，而是强调：代码只是载体，决策才是能力核心。
知识结构需要系统性调整，方向是"去机械化、重思维化、强工程化"。需要特别说明：课程并未过时，需要调整的是教学方式。没有良好的知识基础，连好问题都难以提出——正是离散数学、数据结构、操作系统这些课程，决定了学生能否发现AI代码中的逻辑漏洞与并发缺陷。调整的要义在于：
基础课程从重代码编写转向重逻辑理解与原理探究，减少机械性、重复性的代码练习，增加原理讲解、逻辑推演、错题分析与代码优化，筑牢计算思维的基础。专业核心课程从重结果复刻转向重工程校验与创新优化，可以引入AI生成的缺陷代码，开展代码校验、漏洞修复、性能优化、架构重构等专项训练，培养甄别AI缺陷、把控质量的能力。同时可考虑增设AI代码审核、提示词工程、智能软件工程、AI伦理等交叉课程模块。
与之配套的是分层分级的AI使用策略：低年级严格限制AI代码生成工具，以离线实操、手写逻辑、思路答辩夯实基础；高年级放开AI工具，重点训练人机协同、需求拆解、架构设计等高阶能力。"先筑基、后协同"，既防止AI滥用，也适配行业的人机协同场景。
四、新的教与学范式：让AI成为认知支架，而非能力替身
范式变革需要回到教育的基本认识：教育塑造的是人的内部认知结构，而不仅是知识库存。因此，教与学的重心应从"传授答案"转向"训练思维"，教育设计从"消除所有困难"转变为"在合适的位置设计合适的摩擦"。本质困难（并发、一致性、性能）应当保留，偶然困难（晦涩的API）可由工具消除，琐碎困难（环境配置）可协作分担，不必要的困难（如背诵陈旧语法）应当舍弃。宾夕法尼亚大学的对照实验提供了参考：使用无护栏AI的学生作业分数较高，但撤走AI后独立能力有所下降；而使用带教学护栏AI Tutor的学生成绩提升且能力无明显倒退。认知卸载可能让作业更好看，却可能弱化独立思考——AI应当是认知支架，而不是认知替代。
教师角色的转型是范式变革的支点。教师不再是知识的唯一来源，而是学习设计者、问题提出者、思维引导者与情境构建者。理想的课堂可以是"师—AI—生"协同：AI承担部分基础答疑与语法排查，教师专注于个性化指导与认知引导。教师的不可替代价值，在于对人的理解——知道学生卡在哪里、何时需要推动。
思维训练围绕"让AI成为陪练而非替身"展开，核心方法是逆向工程学习法。AI擅长最终版本的构建，学习者擅长过程逻辑的重建——学生深入研读AI生成的成果，追问逻辑成因，横向比较多种方案，跳出AI框架用自己的思路重新实现，再复盘思维误区。从"拥有答案"走向"追问答案"，从"先构建"实现"再学习"。与之配套的还有：
深层次追问，借助苏格拉底式AI导师，设定交互上限防止过度依赖，要求学生先提交自己的理解与尝试再提问，交互结束后总结反思，疑难问题自动升级给真人教师；
多智能体对抗，让多个AI代理分别扮演测试分析师、安全测试员、怀疑论批评家、创意生成者，围绕同一问题展开观点碰撞与逻辑辩论，在博弈中锤炼判断力；
反事实推理，转变提问方式，不问"代码做了什么"，而问"如果改变了某个变量，结果会怎样"，在因果链条中锻炼批判性思维；
屏幕录像对比反思，先不借助AI独立完成任务并全程录屏，再在AI辅助下完成同一任务，通过对比两段录像识别自己的思维路径，养成深入思考的习惯。
PBL与做中学在AI时代更具价值，因为它提供了两样AI难以替代的东西：真实约束与责任回路。以软件测试课程为例，我们构建了覆盖全流程的问题驱动教学模式，13个实验贯穿需求评审、单元测试、探索式测试、性能测试、安全测试等关键环节，让学生在真实约束下完成从需求澄清、风险建模、策略设计到执行验证、放行决策的完整闭环。三次里程碑评审（M1策略与追溯矩阵、M2用例设计与反演验证、M3执行分析与放行建议）保证过程可见、决策可溯。教师在其中不是讲解者，而是项目设计者、过程教练、方法示范者与评审裁判——把考核标准提高到"即使全用AI，也需要付出实质努力"的水平。
五、创新实践：把"外包风险"转化为能力训练
范式变革最终要落到日常教学。当前有代表性的创新实践大体沿着五个方向展开。
一是把作业外包风险转化为能力训练任务。与其禁止AI，不如重构作业规则：证据先行，要求学生交付"理由+证据"而非仅答案；所有权声明，标注哪些步骤由AI生成、哪些由学生修改裁决；约束式提示，固定输入模板与输出格式；反事实纠错，提供"看似合理但错误"的AI版本要求发现并修正；迭代闭环，允许生成但必须二次校验。AI使用审计单、缺陷归因记录可以成为作业的组成部分，让学生的决策可追溯、可辩护——学生拥有"测试决策权"，而非外包答案。
二是对抗性任务与红蓝对抗。把系统推到边界条件上检验：设计提示注入、越权调用、越界回答、过度代理等对抗场景，训练学生在不确定与攻击下保持安全边界；分组交叉测试，引入AI生成的极端用例与变异测试，发现Bug越多得分越高、被发现Bug越多得分越低。让AI难以代劳，是考核设计的新方向。
三是"需求编译"式教学。让学生从"写代码"转向"写需求"：用自然语言加半形式化逻辑精确描述系统边界，规划多个智能体之间的分工协作，用严格编写的测试集为AI生成代码设置"护栏"。测试用例不再是事后验证，而是可执行的细化需求，是人与AI对齐意图的反馈环——人类提供高阶意图，AI编译成可运行系统。上海交大IEEE试点班的实践验证了这一范式的可行性：全班12个小组均通过智能体复现了具备核心功能的复杂业务系统。这标志着软件工程教育正在从"代码实现"向"需求编译"迁移。
四是评估体系的重塑。从"结果正确"转向"过程与思维可见"——考核的核心不只是"代码是否跑通"，还包括"提出了哪些有价值的问题"。可采用双通道评分：交付评估看结果与交付物质量，过程评估看方法论、协作与反思；三条证据追溯红线贯穿始终：关键决定可追溯，AI输出可解释可复核，新证据触发策略更新；逆向分析报告、对话质量评估、屏幕录像对比可以成为新的评价载体。
五是个性化学习与AI助教生态。24/7的AI助教提供即时反馈，形成"提交—反馈—改进"的快速学习循环；AI可根据学生能力水平定制学习路径与材料；虚拟实验室与仿真实训让复杂项目在有限时间内成为可能。个性化、即时化、平等化的教育资源，使不同地区的学生都有机会受益，也让因材施教更容易规模化实现。
结语
AI可以协助解决"怎么做"，但"为什么这样做""还有没有更好的方式""这样做会带来什么后果"，仍然需要人类来提出和回答。AI时代真正的问题，不是大学还能不能教学生写代码，而是大学还能不能培养出能够定义问题、做出判断、批判性验收、承担长期责任的人。当AI承担了更多编码实现工作，人类恰好可以把精力投向更高价值的创造性活动——定义问题、构思方案、驾驭AI、做出权衡。
最好的教育，不是教学生使用AI，而是让学生在AI的帮助下提出更好的问题。软件工程教育正处在一个重要的转型期，成功的关键在于：保持开放与好奇，建立持续学习机制，在人机协作中找到人类独特的价值。大模型时代，不进则退，但进者无限。