夜雨聆风
本书作者：朱少民 同济大学特聘教授、CCF 杰出会员、国内知名软件工程专家
3年前，我提出了“软件工程3.0”这一概念。
一年前，《软件工程3.0》出版了：新书速递《软件工程3.0：大模型驱动的研发新范式》。
《软件工程3.0》出版后的过去一年，行业最显著的体感是：AI高速生成代码、LLM驱动研发、LLM驱动测试等已然成为研发核心引擎——不只是写得更快，而是能更长时间、更连贯地参与研发链路。
智能体能把自主工作时间从几分钟拉长到几个小时，甚至在工程协作场景下可稳定运行数天。这带来了效率跃迁：研发产能十倍级提升已从设想变为可落地的现实。
但与此同时，过去一年也用一波波“代价样本”提醒我们：速度暴涨并不会自动带来可信交付。正如我在「软件工程的功底」是智能时代生死攸关的要素 一文中强调：
AI编程应用的安全与隐私风险会被规模化放大；
极端压力测试的“代码产出”与“系统可用性”之间存在断层；
AI还能提升攻击自动化能力。
因此，真正需要企业做的不是“多接AI”，而是把软件工程升级到3.0：把AI能力纳入可信生产系统的约束体系中。这才是企业的必选项。
Part.1
从“会写”到“能做”：
软件工程3.0正在把研发链路变长
“软件工程3.0”最重要的认知更新，是把AI视为核心引擎：大模型驱动的软件研发与大模型驱动的运维，把“生成”嵌入研发过程，把“执行”扩展到更长周期。于是，软件开发从“人写代码、机器运行”逐步转向“人+模型+智能体+工具链”的联合生产。
过去一年，这些线索正在把这一点从概念推向事实：
能力拐点：智能体能在较少人工干预下，连续完成端到端研发链路。
范式拐点：从单一助手走向智能体团队协作与工程化机制（SKILL、OpenCode、Hermes自主Agent、Claude Code、OpenAU Codex等，把“通用能力”工程化为“可编排技能”）。
进化拐点：从“做完一次”走向“持续改进”（任务视界变长意味着链路闭环更完整：计划→执行→校验→修复→再迭代）。
当智能体能自主工作几小时甚至数天时，效率提升是直接的；但更深的变化在于：研发链路被拉长了。链路越长，越需要把复杂性管理、约束维护、质量保障从“人脑经验”升级为“系统能力”。否则，高速生成会把复杂性以更快的速度“写进代码库”，把风险以更快的速度扩散出去。
Part.2
效率快速提升 vs 质量深度保障
3.0不是“更快”，而是“更可信地更快”
过去一年，企业最容易踩的坑是把AI当成“提速器”，却没有把软件工程当成“护栏系统”。于是出现一种幻觉：
代码生成更快 ⇒ 软件质量更稳
但事实常常相反：代码看起来更专业、更完整，甚至测试绿了；一旦进入真实环境，关键逻辑、权限边界、并发控制或安全假设可能会在更深层出问题。
我在AiDD峰会演讲中强调，软件工程是在“对抗复杂性的历程”中成长起来的，在大模型时代，软件工程不是被替代，而是在AI进入高速生成时代后，被迫更精密地加固。
因此，软件工程3.0需要同时回答两个问题：
如何让AI持续产出，并且端到端可交付？（效率）
如何让交付在不确定条件下仍然可信？（质量/安全/可演化）
接下来这三个抓手，就是把AI引擎接入“可信生产系统”的工程三段式论证。
Part.3
软件工程3.0的三段式论证：
上下文工程—驾驭工程—知识工程
这里必须先明确概念：软件工程3.0本质是“AI+软件研发”。AI不是配角，而是核心引擎（大模型驱动研发与运维）；但要保证结果是“可信生产系统”，就必须借助工程能力把AI的输出纳入约束、验收与治理。
上下文工程——让AI“生成有依据”，而不是“凭感觉作答”
当AI成为研发引擎，输入就不再只是“背景信息”，而是决定输出可控性的硬约束。
过去人类写代码时，隐含在脑中的需求、边界、质量目标与历史约束往往不需要被形式化；但在软件工程3.0里，模型需要被喂以结构化上下文，否则它生成的不是“你要的工程”，而是“它理解的工程”。
因此，上下文工程要回答三类问题：
我在构建什么？（需求、领域语义、非功能目标）
边界在哪里？（接口约束、架构规则、安全/合规要求、已知限制）
历史承诺是什么？（兼容性假设、已知缺陷与规避策略、演化路线）
这使得智能体可以在较长任务窗口内保持方向一致，减少“短期正确、长期漂移”。简单说：上下文工程控制的是生成的依据质量。
驾驭工程——让AI“生成可验证产物”，而不是“产出不可控结果”
上下文解决的是“生成依据”，但仍不足以保证可信交付。因为大模型输出天然带有不确定性，在AI能连续工作数小时甚至数天的条件下，误差不会停留在一次输出，而可能沿着链路扩散。
所以驾驭工程要做的，是把AI输出纳入工程的“门禁与反馈系统”，核心目标只有一句话：
AI可以非确定，但交付不能非确定。
这通常体现为：环境与工具选择（让任务在正确的执行条件下发生）、意图表达与行动边界（让智能体知道何时该做/不该做）、持续校验与评估闭环（把测试、静态分析、质量指标、规范检查变成链路内生机制），以及失败恢复（回滚、重试、降级、修复策略）。
在大模型不断演化的过程中——从“单点助手”走向“智能体团队协作与工程化机制”的范式拐点：不靠运气，而靠工程系统“驾驭自治”。
知识工程——让智能体“做对原因可复用、决策可追溯”
当多个智能体协作并在更长周期内持续演化时，最大的隐性成本不是“写不出来”，而是：
决策为什么这么做？
组织里有哪些规则与经验？
相同场景是否应当遵循一致策略？
约束是否在不同任务间保持一致？
如果没有知识工程，智能体会在不同任务中反复推理、反复犯错，甚至“越改越不一致”。而知识工程要把组织的知识沉淀成可检索、可引用、可追溯的底座，使“正确做法”变成智能体可调用的工程资产，包括领域规则、架构决策记录、风险地图、测试与验收策略，以及与Spec/SDD联动的依据链。
因此，知识工程控制的是持续改进的决策一致性，让智能体在任务视界拉长时仍能保持“同一工程组织的同一张地图”。
Part.4
从1.0到3.0：软件工程不是被削弱，
而是在AI引擎加速下被层层加固
把前面的三段式放在历史坐标中，读者就能读懂我要强调的第一观点如何落到根处：
软件工程从1.0到3.0，本质使命从未改变：对抗复杂性、追求简单性、保障可信性。
大模型时代并不取消工程，反而让工程的“必要性”更强，因为复杂性会以更高的速度写入系统，而不确定性会以更长的链路扩散。
所以，软件工程3.0不是“放弃工程”，而是让工程能力成为AI高速生成时代的可信基础设施：把上下文变成可控输入、把驾驭变成可验证闭环、把知识变成可复用决策。
Part.5
为什么软件工程3.0会成为企业必选项？
因为“AI自治”正在提高治理难度。
过去企业还能依赖人的最后兜底：看一眼、改一下、试一下。
但当智能体能连续工作几个小时甚至协作推进数天时，企业面临的是“组织级质量系统”的问题：
速度越快，理解债务/技术债务可能累积得越快（Vibe Coding的风险就在这里）。
规模越大，安全与隐私的暴露面越大。
自治越强，失败恢复越需要体系化能力，而不是人工临场纠偏。
因此，“软件工程3.0方法论”不是锦上添花，而是企业把效率兑现为可信产能的前置条件：AI作为引擎负责产出，软件工程作为系统负责可信交付与持续演化。
Part.6
结语：AI带来10倍效率，
软件工程负责把它变成10倍可信
过去一年已经给出最清晰的结论：
智能体能做事、研发链路能拉长、效率能提升；但真正决定企业竞争力的，是能否用软件工程3.0的三段式能力，把AI高速生成纳入可信生产系统。
所以，我把本文标题落成一句“可判断、可执行”的话：
「软件工程3.0方法论」已成为企业的必选项
因为大模型驱动的软件研发效率跃迁越快，复杂性、约束不确定性与质量保障的工程挑战就越不能等。
《软件工程3.0：大模型驱动的研发新范式》
作者：朱少民 王千祥
软件工程3.0时代已经到来！
大模型驱动的软件研发变革，从软件需求到交付，全过程人机协同智能。
中国工程院院士杨善林、蒋昌俊作序推荐。
本书系统地探讨了软件工程从 1.0 到 3.0 的演进历程，深入剖析了软件工程 3.0 的新范式及其核心特征。书中详细介绍了软件工程 3.0 的实施策略和路线图，以及提示工程、RAG、智能体、数据治理、模型工程和安全治理等核心能力的建设。通过对需求分析、架构设计、UI 生成、结对编程、测试智能化和运维监控等关键环节的实践案例分析，全面重塑软件开发生命周期。此外，书中还对软件工程的未来进行了展望，探讨了多模态技术和 AGI（通用人工智能）等对软件研发的深远影响。
本书适合软件研发管理人员（包括研发总经理、技术经理、项目经理、测试经理等）、软件工程师、软件测试工程师，以及对软件工程智能化转型感兴趣的读者阅读参考。
▼点击下方，即可购书
—END—
原创
作者：朱少民
初审：栾传龙
复审：刘鑫
终审：孙英
说说你对软件工程3.0的看法？
