ARTICLE · 1109200
从 Stanford CS146S 看软件工程正在发生的结构性变化
数据说明：本文所有数字均来自两个可查来源 —— Stanford Digital Economy Lab（Brynjolfsson / Chandar / Chen，Canaries in the Coal Mine?，2025-11-13 版，基于 ADP 薪资数据）与 SignalFire《State of Tech Talent Report 2026》（2026-06-22）。SignalFire 是风投机构的行业报告，不是同行评审论文，引用时已标注。CS146S 的周次标题与评分构成来自课程官方页面。
01｜先看看一组数据
2026 年，软件行业出现了一个看起来矛盾的现象。
一边是初级岗位在塌。
SignalFire《State of Tech Talent Report 2026》的数据：大型科技公司的整体招聘比 2019 年低 25%，而新毕业生 / 初级岗位的招聘下降约 65%（早期创业公司约 76%）。
斯坦福数字经济实验室用 ADP 薪资数据做的另一项研究更具体：22–25 岁的软件开发者，2025 年 9 月的就业人数比 2022 年末的峰值下降了近 20%。而同一份研究里，经验更丰富的开发者就业基本稳定。
另一边，大学没有停止教软件工程。
更值得注意的是：Stanford 新一代 Software Engineering 课程 CS146S: The Modern Software Developer，第一周就是「Build Claude Code in 200 lines」，十周终点是「The Software Factory」。
于是问题就变成了：
如果 AI 已经越来越会写代码，为什么还需要软件工程师？
把一次软件交付拆开来看：
AI 最先压低的，是中间那一段 Implementation 的成本, 不是整个 Software Engineering 生命周期。
这件事在一手数据里有一个非常锋利的说法。SignalFire 的报告原文是：
"Junior engineers can slow a team down because the operational bottleneck has moved from writing code to reviewing it."
（初级工程师可能拖慢团队 —— 因为瓶颈已经从「写代码」转移到了「审代码」。）
这句话解释了为什么同一份报告里会出现这样一组数字：
| −25% | |
| −11% | |
工程是受影响最小的职能之一。 而且工程师占大厂全部招聘的比例，从 2019 年的 46% 升到了 55%。 注意这里的因果不是「工程师更值钱了」，而是：别的东西缩得更快。 工程岗本身仍低于 2019 年。
斯坦福那项研究还给出了机制层面的证据：就业下降集中在 AI 会替代（automate）劳动的岗位，而 AI 更多是增强（augment）劳动的岗位，变化不明显。
而且调整主要发生在就业量上，不是薪资上。
所以：
「会写 Python」越来越不构成稀缺能力。
「知道什么时候代码写错了，以及为什么错」仍然是。
03｜来看看Stanford CS146S 的设计
Stanford开了一门很有意思的课程，叫做 The Modern Software Developer。
CS146S 的十周官方标题是：
把这条线读一遍，会发现它其实在回答一个问题：
如果代码越来越由 Agent 生产，工程师的工作会一路退到哪里？
从第 2 周开始，课程讨论的就是 Context、Instructions、Environment、Review、Permissions、Delegation、Governance。
也就是说：
CS146S 并没有取消 Software Engineering。它是在增加新的工程层。
04｜工程师从「写代码」退到了哪里？
这部分是我认为全文最值得讨论的地方。
可以把它看成一条退却路线，一共七个阶段。
第一阶段：Code
我写代码。
第二阶段：Prompt
我告诉 AI 写什么。
第三阶段：Context
我决定 AI 能看到什么。
第四阶段：Specification
我决定什么才算正确。
第五阶段：Evaluation
我决定如何证明它正确。
第六阶段：Governance
我决定它允许做什么、不允许做什么。
第七阶段：System
我设计一套系统，让大量 Agent 可以持续生产软件。
所以：
Prompt Engineering 可能只是过渡层。真正长期存在的是 Software Engineering 的上移。
因为 Prompt 只是第三、第四阶段之间的一个临时接口。真正被重新定价的，是定义正确、验证正确、约束行为这三件事。
这里笔者不想简单回答「要」。
更准确的说法是：编程能力内部正在重新定价。
正在贬值
记 API
背语法
CRUD
简单 Todo 项目
单纯复制教程
只追求「代码能运行」
正在升值
数据结构与计算思维
系统设计
Debug
Testing
Code Review
Security
Observability
Git / GitHub 阅读真实代码库
Specification
Evaluation
Agent orchestration
在 Agent 大量产出代码之后，瓶颈从写代码移到了审代码（这正是 SignalFire 那份报告的原话）。审代码、判断对错、定位失败原因，反而变成了卡点。
于是结论不是「不需要学编程」，而是：
编程教育不能再把「写代码本身」当作终点。
06｜不同的人，训练方式应该怎么变
作为一个既在写代码、又在教编程、同时在拆 Agent 系统的人，我把我认为最实际的四条路径列在这里。
学生
从： Python → Flask → Todo
变成：
Python → Git → 读开源项目 → 用 Agent → Review Agent 的产出 → 写 Evaluation
关键变化是多了一个「审」的环节。只会让 AI 生成，不会判断生成得对不对，训练是不完整的。
初级程序员
从：
变成：
「我能不能让 Agent 稳定地产出 10 倍代码，并且我能判断哪些是对的？」
放大的不是打字速度，是验证能力。
资深工程师
从： 「我会不会被 Agent 替代？」
变成：
「我能不能设计一个 Agent Software Factory？」
家长
未来真正值得训练的，不是孩子能不能比 AI 写得更快，而是当 AI 给出答案的时候，他有没有能力判断这个答案是不是对的。
当生产成本趋近于零，判断成本反而成了主要成本。
AI 正在让「写代码」从软件工程的核心劳动，变成软件生产系统中的一个可调用环节。
当代码越来越便宜，真正昂贵的就不再是「把代码写出来」，而是定义什么应该被写、让 Agent 获得正确上下文、判断结果是否正确，以及让整个系统能够安全地持续运行。