ARTICLE · 1089073
AI智能体时代,软件工程师的未来何去何从(经验大于能力的时代要到来了)
软件开发的未来，是这样一个世界：AI 模型变得如此聪明、如此快速、如此廉价，以至于我们只需告诉计算机自己想要什么，AI 智能体就会替我们构建、测试并发布。软件工程师的工作将从逐行编写代码，转向构建、检查和改进围绕这些 AI 模型的系统。
接下来，我们会了解软件开发的未来、AI 模型进步的速度、从代码编辑器转向终端后可能出现的下一步，以及操作系统和协议为什么要为 AI 智能体而改变。还会谈到应用如何为每位用户即时生成界面、未来 5 到 10 年哪些技能会受到重视，以及我们今天可以做些什么来保持竞争力。
我们将讨论以下内容：
• 我为什么写这篇文章 • 我们必须想象的世界 • 不到一年时间里，我们已经走了多远 • 从代码编辑器到终端，再到直接交谈 • 面向 AI 智能体的操作系统 • 为每位用户即时生成的界面 • 面向 AI 智能体的新协议 • 未来受到重视的技能 • 为什么经验比以往任何时候都重要 • 我们今天可以做些什么
我反复思考着一个问题：未来 5 到 10 年，软件开发会变成什么样？
最近，我决定分享这些想法，让每个人都能从我对未来的思考中受益。所以，我就写下了这篇文章。
你可以赞同，也可以不同意，这完全取决于你。但我会尽量从逻辑角度思考，并解释每个观点背后的逻辑，让你自己做出判断。
我们必须想象的世界
ChatGPT 、 Claude 和 Gemini 都构建在 AI 模型之上。我们所说的 LLM（大型语言模型），指的就是这种处理语言的模型。
现在，让我们看看这些模型进步得有多快。
就目前的情况而言，大约每六个月，我们就会得到一个感觉上好约 10 倍的模型。因此，一年之内，我们得到的模型感觉上会比一年前的模型好约 100 倍。
目前并没有一张全球统一的评分表可以衡量这一点。但无论我们是凭感觉还是用数字来衡量，都可以认同一个事实：模型每年都变得聪明得多。
因此，当我思考未来时，我想的并不只是好 10 倍或 100 倍的模型。我想象的是 5 到 10 年后的世界，那时模型会好 100,000 倍，甚至更多。没人知道确切数字。
我们必须想象一个模型具备以下特点的世界：
• 非常、非常聪明——远比今天的模型聪明。 • 非常、非常快速——几乎能瞬间给出答案。 • 非常、非常廉价——与今天相比，使用成本几乎可以忽略不计。
请记住这三点。这篇文章中的每一个预测都源于这三点。
不到一年时间里，我们已经走了多远
让我们稍微回到过去。
2025 年底，大多数人都在说，AI 永远不可能自动化编程。
那时，集成开发环境（IDE）里的 AI 主要是在做自动补全。也就是说，我们敲代码时，它会建议接下来的几个词，就像手机键盘在我们输入消息时会建议下一个词一样。
人们还说：“自动补全没什么大不了的，也没帮上我们多少忙。”
现在，拿这和 2026 年的今天相比，时间不过过去了大约 8 到 9 个月。
我们已经从 IDE 转向了终端。终端是一个简单的文本窗口，我们可以在其中输入给计算机的指令。如今，开发者打开终端，用日常英语与 AI 编程智能体交流，而智能体会编写代码、运行代码、找出错误并修复错误。
所以，不到一年时间，AI 就从“建议下一个词”进展到了“编写整个功能”。事情变化的速度就是如此之快。
从代码编辑器到终端，再到直接交谈
现在，下一个重要问题是：终端之后会是什么？
我觉得终端也会消失。
假设我们想为应用添加一个新功能。未来会出现这样一个界面，我们只需说：“我想要这个功能，把它发布给用户。”就这么简单。而且我们也可以通过语音这样表达。
之后，一切都会自动化。系统会足够智能，能够自行完成以下事情：
• 构建功能。 • 找出错误所在。 • 修复错误。 • 一遍又一遍地运行整个循环，检查并改进成果。 • 将最终版本部署到生产环境。
这个“构建、检查、修复、重复”的循环是关键。
注意：就目前而言，这还没有完全实现。有些公司已经能够构建出完整的循环，有些则还不能。这是一个过程，需要时间。但我坚信，未来这一切将实现完全自动化。
因此，发展路径如下：
IDE（自动补全） -> 终端（AI 编程智能体） -> 界面（只需说出我们的需求）由此可见，每向前一步，我们手动编写的代码就更少，表达的意图则更多。
面向 AI 智能体的操作系统
现在，重点来了。我们今天使用的操作系统都是为人类构建的。
这就是它们配备 UI（用户界面）的原因。 UI 就是我们在屏幕上看到并操作的一切：按钮、图标、菜单、窗口等等。它的存在，是为了让人类能够查看屏幕并与计算机交互。
但问题在于：
AI 智能体本身已经是软件。 AI 智能体没有眼睛，无法看见按钮。它不需要图标或窗口。对 AI 智能体来说，完全不需要 UI。
因此，操作系统必须为 AI 智能体而改变。未来将由 AI 智能体来操作它。
而且，这不是在当前操作系统上简单添加一层薄薄的功能就能解决的。我觉得，必须改变底层基础本身。
这种新操作系统会是什么样子？
我觉得，面向智能体的操作系统将以意图为基础。
意图，简单来说就是“我们想要完成什么”。
我们用一个例子来理解。
今天，如果我们想把一个文件发给朋友，就要打开文件夹、找到文件、打开聊天应用、点击附件、选择文件，再点击发送。我们通过逐步点击，告诉计算机该怎么做。
在基于意图的操作系统中，智能体只需表达意图：“把这个文件发给我的朋友。”操作系统就会理解任务并完成它。
简单来说，今天是我们告诉计算机该怎么做；未来则是智能体告诉操作系统要做什么。
智能体将通过 API 和 MCP 与操作系统交互：
因此，操作系统这一侧完全不再需要用户界面。
对此我觉得自己百分之百确定。这必须改变，而且一定会改变。
以上就是面向 AI 智能体的操作系统。现在，让我们看看这会如何改变我们每天使用的应用。
为每位用户即时生成的界面
今天，我们使用的每个应用都需要设计师和开发者花费大量时间来设计、构建并投入生产。即使我们手头有 AI 编程智能体，构建一个功能并将其发布出去仍然要花很多时间。
还有一点值得注意：我们今天使用的应用对所有用户来说都完全一样。同一个应用在我的手机上和你的手机上看起来一模一样。
现在，让我们想想未来。
未来：
• 推理所需的时间会比今天缩短 1000 倍、 10,000 倍，甚至 100,000 倍。我们不知道确切数字，但大致会在这个范围内。 • 与今天相比，推理成本会变得非常、非常低。
因此，既然借助 AI 智能体，我们至少可以比今天快 1000 倍地工作，UI 就能自动即时生成。
也就是说，当我们拥有面向 AI 智能体的基于意图的操作系统时，AI 智能体会在我们需要的确切时刻为我们构建界面，而且还会针对每位用户进行个性化设计。
假设两个人打开同一个购物应用。一个人喜欢大图和简单的按钮；另一个人想要包含价格和评分的详细列表。未来，AI 智能体会即时为他们分别生成不同的界面。
这之所以可行，只因为我们前面提到的三点：
• 模型会变得非常、非常聪明。 • 模型智能的使用成本会变得更低。 • 模型会变得非常、非常快速。
正因如此，未来才能即时生成 UI，而目前还做不到。
面向 AI 智能体的新协议
以上讨论的是界面。现在，让我们再深入一层，看看操作系统之下的部分。
协议是两台计算机彼此通信时遵循的一套规则。就像两个人必须说同一种语言才能互相理解，两台计算机也必须遵循相同的协议。
例如，HTTP 是浏览器与网站通信时使用的协议。这些年来我们见过它的不同版本，例如 HTTP/1.1 、 HTTP/2 和 HTTP/3 。
这些协议是为应用如今及过去与服务器通信的方式而制定的。服务器是一台强大的计算机，它存储数据，并在应用请求时将数据发送给应用。
但 AI 智能体之间会频繁且快速地相互通信。因此，我认为会出现一种全新的协议，用于让 AI 智能体之间实现更快速的通信，而不是沿用我们今天使用的协议。
这需要一些时间。但操作系统一旦改变，位于其下的所有基础层也都会改变。决定软件如何与其他软件通信的那些隐藏规则，必须为 AI 智能体而改变。
现在，是时候了解这对我们软件工程师意味着什么了。
未来受到重视的技能
总的来说，我们必须设想这样一个世界：模型会变得非常、非常聪明、非常、非常快速，而且比今天便宜得多。
在那个世界里，我们围绕模型构建事物的方式将与今天截然不同。
那么，我们会构建什么？答案是：模型周围的一切。
让我们看看我认为未来 5 到 10 年会非常重要、而且如今已经有需求的岗位。
Harness Engineering 与 Agentic Engineering
Harness Engineering 指的是我们围绕模型构建的一切，以便有效地发挥模型的能力。
Harness Engineering = Harness + Engineering
“harness”这个词来自套在马身上的装备。马非常有力量，但如果没有挽具，我们就无法利用这股力量来拉车。挽具能把原始力量转化为有用的工作能力。
同样，模型非常强大。但要让它完成有用的工作，我们必须围绕它构建各种东西：
• 我们为模型编写工具。工具是一小段代码，让模型能够在现实世界中执行某种操作，例如搜索文件或运行测试。 • 我们编写代码，让模型能够有效地使用这些工具。 • 我们决定模型如何规划、采取哪些步骤，以及何时停止。
围绕模型的一切都属于 Harness Engineering。如果我们了解模型的内部工作方式，就能很好地发挥它的能力。
Agentic Engineering 与此非常接近。它关注的是构建能够采取行动并自主完成任务的 AI 智能体。我们还可以构建特定领域的智能体，例如专门用于银行业或医疗保健领域的智能体。
Eval Engineering
归根结底，我们希望发布达到生产级别、且错误数量较少的成果。
这时就轮到 Eval Engineering 登场了。
Eval 是 evaluation（评估）的缩写。 Eval Engineering 指的是在将 AI 的成果投入生产之前，对其进行检查的工作。
可以把它想成老师在公布成绩前批改答题卡。如果 AI 编写了一个功能，Eval Engineering 要回答这样的问题：它正确吗？安全吗？会不会破坏其他东西？
当 AI 智能体构建了大部分软件时，检查它们的工作成果就会成为最重要的工作之一。我认为，Eval Engineering 在未来 5 到 10 年将发挥重要作用。
LLM Inference Engineering
我们已经了解到，推理是模型生成答案时所做的工作。
LLM Inference Engineering 指的是让模型更快速、更廉价地生成答案的工作。
这里有两个重要的概念：
• 成本：我们为从模型那里得到一个答案要花多少钱。 • 延迟：我们要等多久才能得到答案。
我认为，成本和延迟都会比今天降低约 1000 倍。但这不会自动发生，必须有人来完成这项工作。
因此，未来 5 到 10 年乃至更久，这个领域都有大量重要工作要做。我认为，LLM 推理是一件大事，它将在整个十年中发挥作用。
AI 智能体的记忆
另一个重大挑战是 AI 智能体的记忆。
每家公司都有自己的知识库。知识库是公司收集的所有信息：文件、规则、过去的决策、代码等等。
当公司的员工使用 AI 模型时，必须把这些知识纳入模型，才能让答案符合该公司的实际情况。而这些知识库都是私有的，没有哪个公司会把它们开放给其他公司。
假设一名新员工加入了一家公司。第一天，这名员工很聪明，但并不了解公司内部的运作方式。几个月后，这名员工就能记住一切。 AI 智能体也需要这种记忆。
因此，这个领域同样有大量重要工作要做：如何安全、正确地为 AI 智能体提供恰当的记忆。
FDE（前沿部署工程师）
OpenAI 这样的 AI 实验室正在构建许多产品，而且也想把这些产品卖给其他公司。
为此，我们有了 FDE，即 Forward Deployed Engineer（前沿部署工程师）。
FDE 是直接与客户公司合作的工程师，帮助他们理解和使用 AI 产品，以解决实际问题。
简单来说，FDE 是一位技术专家，他会前往客户那里，了解客户的问题，并让 AI 产品为客户发挥作用。
这些都是我认为会有需求的岗位，而且可以说，它们如今已经有需求了。
为什么经验比以往任何时候都重要
当我们拥有知识，合适的工作就会向我们走来。
我从未见过这样的人：他在某个领域拥有真正的专长，该领域也有需求，但他仍然无法在那个领域找到工作。我从未见过这种情况。
如果我们在某个有需求的领域拥有专长，就一定能得到自己应得的工作，也能拿到自己应得的薪水。
如今，我们很多人都是后端开发者或前端开发者。
现在的问题是：“我现在是后端开发者或前端开发者，还能转向这些岗位吗？”
答案是可以。学习这些新技能，并不意味着我们当前的经验就变得毫无用处。事实上，公司需要有经验的开发者，而同时具备这些技能的资深开发者需求非常大。
这是合乎逻辑的。我们以 FDE 岗位为例。
你觉得一个刚刚开始职业生涯的新手，能去一家大公司，向对方解释 OpenAI 销售的 AI 产品吗？这非常困难。
你觉得一个非技术人员能解释那款 AI 产品吗？这非常困难。
但一个同时拥有软件工程和 AI 工程经验、并且理解这些内容的人，完全可以去与客户沟通。这对他来说是成为 FDE 的绝佳机会。
所以，我们现有的经验并没有白费。我们的经验加上这些新技能，是一个非常强大的组合。
我们今天可以做些什么
那么，我们今天可以做些什么？
唯一在我们掌控之中的事情，就是提升自己的技能，也就是学习未来会受到重视的新技能，而且要通过逻辑思考来决定学什么。
在投入精力学习任何主题之前，我们必须问自己：
• 花精力学习这个主题有意义吗？ • 这个主题代表未来吗？ • 我能从中获得最大的收益吗？
先用逻辑思考，然后提升自己的技能。
总的来说，我们需要学习如何快速、准确地构建系统，以便在创纪录的时间内将成果投入生产。为此，我们需要：
• Harness Engineering 和 Agentic Engineering • Eval Engineering • LLM Inference Engineering • AI 智能体的记忆
而对于我们围绕模型所做的一切，我们都必须做到非常、非常出色。
去争取 FDE 岗位，去争取 AI 工程岗位，选择适合自己的方向。但在此之前，先做这样一项练习：思考一下，为了在未来 5 到 10 年保持竞争力，你今天必须做些什么。
我通过阅读、写作以及围绕 AI 领域的发展进行大量实验，让自己跟上最新进展。坦白说，我对未来 5 到 10 年会发生的事感到无比兴奋。
这就是我认为软件开发未来的发展方向。这些事情将定义未来 5 到 10 年的软件工程。
现在是活着的一个非常、非常好的时代，因为我们正在亲眼见证这场转变，而且它正在此刻发生。
目前就到这里。
谢谢