夜雨聆风当AI已能快速生成代码，Agent开始接管调试、测试与部署，编程课和软件工程课还要不要教学生手写代码？是颠覆传统课程，还是守住底层能力、渐进改良？FCES 2026专题论坛汇聚学界、产业界与出版界专家，在四小时的观点交锋中讨论高校教学改革的边界、路径与共识。
7月29日13:30—17:30，第十届CCF未来计算机教育峰会（FCES 2026）“LLM与Agent时代的编程课与软工课怎么改？”专题论坛在重庆举行。论坛由CCF理事、CCF教育工作委员会副主任、哈尔滨工业大学计算学部教授王忠杰担任主席和主持人。浙江大学软件学院院长助理张旭鸿，中关村学院智能创新中心负责人邹欣，哈尔滨工业大学计算学部教授苏小红，AI师傅创始人兼CEO孙志岗，清华大学计算机系教授、致理书院副院长马昱春先后作报告；电子工业出版社副编审章海涛参加Panel讨论。扫描下方二维码，限时免费观看本论坛精彩内容。
从开场到结束，该论坛始终听者云集、气氛热烈。台下聚集了来自不同层次高校的教师、系主任、专业负责人和院长。大家面对的是同一种现实压力：AI已经进入学生作业、课程项目和求职环境，课程显然要改，但究竟改什么、改到多大程度？
论坛现场：四小时始终保持高热度
从“会写”到“会判断”：教育与生产不能混为一谈
王忠杰在开场报告中指出，大模型和Agent带来的并非简单的工具升级，而是人与机器对话方式的又一次抽象跃迁。教育重心需要从“写出每一行代码”上移到意图表达、系统编排和质量审计，但抽象层次越高，越需要有人能够在抽象泄漏时打开黑盒、解释机理、定位问题。
他尤其区分了教育期和工作期。成熟从业者可以把AI当作“智能秘书”，让自己像“CEO”一样设定目标、判断风险并承担责任；但学生仍处于心智和能力形成阶段，AI更适合做“伴学伙伴”。如果把生产端追求效率的模式过早搬进课堂，让AI替学生完成本应亲历的认知任务，学生可能获得了产出，却失去了独立判断力。因此，AI原生项目与无AI能力保护区应当并存：一边训练需求表达、多Agent编排和真实产品交付，一边用算法、数据结构、内存、并发、测试和调试守住系统判断力。
论坛主席、主持人王忠杰作开场报告
《当编译器变成大模型：编程和软工教育正在经历新的抽象跃迁》
五场报告：从“基础不减”到“产品工程”
张旭鸿作“数智时代软件拔尖创新人才培养实践探索”报告，提出“基础不减、内容加厚、实践更重”。程序设计、算法、操作系统、数据库、网络和软件工程等基础仍须保留，同时系统加入大模型、智能体、数据工程和知识工程，并把课程、科研、开源社区、企业项目和毕业设计串成创造链。AI生成内容越多，评价越不能只看最终代码，而要追踪需求分析、设计决策、AI使用、测试验证、风险复盘和团队协作。
张旭鸿作专题报告
《数智时代软件拔尖创新人才培养实践探索》
邹欣从中关村学院的实战培养出发，将当前大学教育的核心挑战概括为重新对齐“教师—AI—学生”的关系：教师设计目标、节奏和评价边界，AI提供生成与反馈，学生承担思考、实践、验证和反思。他提醒教育者不要机械理解“以终为始”。资深架构师可以少写代码、主要指挥AI，不意味着大一学生也应直接模仿这种终局行为。真正的“以终为始”，是倒推终局所需的能力结构，再按认知时序逐步训练。大一黑客松可以让学生“先看到海”，但大学四年不能只让学生借助AI快速产出。生产端可以追求终局效率，教育端必须遵循能力形成的认知时序。
邹欣作专题报告
《实战驱动的敏捷软件工程教育体系》
苏小红介绍了哈尔滨工业大学编程课的重构实践。课程不再局限于“教师讲授、学生敲码、题海训练”，而是以项目驱动、人机协同、过程评价和个性化反馈重写教学流程。在所介绍的几所高校中，这是一条相对激进的改革路径，但其激进不等于取消基础训练。她主张多数高校采用“基础语法手写＋项目开发用AI”的双轨路线：部分任务允许AI进入课堂和考场，基础能力测试则关闭外网、禁止AI辅助。允许AI与保护认知能力并不矛盾，关键是明确何时可以借力、何时必须独立完成，以及学生凭什么证明自己真正学会了。
苏小红作专题报告
《大模型时代的编程课教学范式转型与实践路径》
孙志岗把争论推向另一端。他认为，AI使软件开发的价值重心正在由软件工程转向产品工程。在企业实践中，销售、运营和测试人员已经能够直接借助AI把客户需求做成功能；当代码产量远超人的阅读能力，信任机制也将从逐行阅读更多转向规格、测试、质量指标和风险约束。实现可以交给AI，但“什么才算正确”不能外包。课程因此应加强测试与风险判断、人性洞察、客户沟通、商业理解和AI协作，并让真实用户而非教师单方面检验产品价值。
他并未否认软件工程和底层人才的价值。操作系统、数据库、关键基础设施和高风险系统仍需要深厚的架构与工程能力，只是市场所需人数和分工可能发生变化。其真正挑战的是：手写代码是否还应成为所有人进入软件世界的统一门票？
孙志岗作专题报告
《软件工程已死，产品工程当立》
马昱春则从第一门编程课作出正面回应：可以信赖AI，但必须拥有编程判断力。她把这种判断力拆为问题判断、方案判断、验证判断和元认知判断。第一门课不应只让学生熟悉一门语言，而要建立计算直觉、问题形式化能力和验证本能，使学生能够在脑中理解状态、控制流和数据流，并对任何代码保持“默认可能出错”的审慎。必要的手工训练不是为了把学生长期留在低效率劳动中，而是通过亲手写、亲手错、亲手改，形成代码品味、调试能力和对AI输出的判断标准。
马昱春作专题报告
《AI时代下编程第一门课的改革实践与思考》
颠覆还是改良？高校实践给出了不同答案
论坛呈现出一个值得注意的对照：至少从会上介绍的案例看，浙江大学、清华大学等成熟的计算机和软件工程科班培养尚未发生大规模颠覆式变革，改革主要表现为增加AI内容、改造项目与评价方式；哈尔滨工业大学的编程课实践反而更接近对教学目标、师生角色、课程组织和考核方式的系统重构。
这并不意味着应当给不同学校简单贴上“保守”或“激进”的标签。商业生产需要快速交付、贴近用户、善用工具；大学还承担知识传承、认知训练、基础软件人才储备和长期创新的责任。面向非计算机专业、跨学科学习者和应用型岗位的培养，可以大幅降低手写代码门槛，把问题定义、AI协作、测试验证和产品交付放在前面；面向计算机与软件工程科班、基础软件和科研创新，则需要保留更高强度的算法、系统、程序设计和工程训练。真正需要打破的，或许不是所有人的基础课，而是用同一套深度、同一种节奏、同一个出口培养所有学生的方式。
Panel交锋：不读AI代码之后，人靠什么负责？
在Panel中，嘉宾围绕“AI在批量生产软件，我们还在批量生产什么？”继续交锋。主持人有意把问题推向两极：一端是彻底去除传统编程课，用Vibe Coding、AI协作和产品项目取代；另一端是保留传统编程训练，在其上加入AI工具，继续侧重底层能力。极端设问的目的不是替任何一方站队，而是逼出每条路线的适用对象、风险和边界。
Panel现场：嘉宾围绕“AI在批量生产软件，我们还在批量生产什么？”展开讨论
现场还围绕《Clean Code》作者Robert C. Martin（Uncle Bob）近期“不读任何由Agent编写的代码”，转而为Agent设置单元测试、验收测试、质量指标、突变测试和覆盖率等严苛关卡的表态展开激烈争论。支持者认为，AI生成速度远超人类阅读速度，逐行审查会成为瓶颈；质疑者则指出，测试本身也可能遗漏需求假设、架构退化、安全漏洞和长期可维护性问题。
争论越激烈，一项共识反而越清晰：测试与验证是AI时代不可退让的能力底线，也是现场所有专家共同强调的教学重点。这里的共识不是“测试在所有场景中都可以替代代码审查”，而是代码生成越便宜，定义正确、构造反例、判断测试充分性、审查测试本身就越重要。测试不应再只是课程末尾的一章，而要贯穿问题定义、代码生成、系统集成、产品验收和运行反馈的全过程。
章海涛从出版角度补充道，近年来Vibe Coding等主题教材快速出现，教材选题正从语言、语法和程序设计技巧，延伸到AI协作、项目实践和新的开发范式。但教材不能退化为某一款工具的操作手册，而应从快速变化的实践中提炼稳定、可迁移的知识，把协作规范、测试方法、评价机制和失败经验沉淀下来。
章海涛从出版与教材建设角度分享观察
提问环节，一位刚刚博士毕业、尚未正式开始授课的青年教师问：“究竟应该怎样把AI融入课程？”这个问题代表了许多年轻教师的处境：技术以学期为单位变化，新教学模式尚未形成共识，他们既担心守旧耽误学生，也担心过度激进掏空基础。论坛的价值，正在于把这种迷茫转化为可以讨论、试验、记录和比较的改革问题。
现场观众踊跃提问交流
讨论并未随着论坛结束而停止。会后，孙志岗与邹欣又在论坛微信群中围绕手写训练展开争论。孙志岗追问：大学学习编程的目的，是掌握手工编程，还是最终造出好软件？邹欣则回应，“工具的使用场景”不能替代“能力的习得场景”，软件需求天然不完备，写代码的过程本身就在不断作出设计决策。这场争论把举证责任同时交给了两边：主张颠覆者需要提出可验证的替代性能力训练路径；主张保留者也需要说明，哪些手工训练具有不可替代的认知价值，哪些只是旧工具留下的历史惯性。
没有标准答案，更需要可比较的改革证据
四小时讨论没有消解分歧，却逐渐厘清了真正的问题：争议不在于“用不用AI”，而在于谁来理解、判断并承担责任；不在于成熟工程师将来是否继续手写代码，而在于初学者今天如何获得工程判断力；不在于必须选择颠覆或改良，而在于不同培养目标应当采用怎样的改革强度。
对高校而言，下一步比宣布某条路线胜出更重要的，是开展边界清楚、风险可控的教学试验：明确哪些任务允许或要求使用AI，哪些训练必须由学生独立完成；记录学生如何提问、验证、经历失败并修正；比较不同年级、不同基础和不同课程设计的实际效果。成功经验应当公开，未达预期的尝试也应如实记录。只有把分散探索沉淀为真实、可比较、可复用的证据，高校才能在持续变化的技术环境中逐步形成新的教育共识。
当AI开始批量生产代码，高校真正不能批量复制的，是学生发现问题、作出判断、创造价值并为结果负责的能力。
论坛观点对立与共识示意
更多阅读：
点击“阅读原文”，加入CCF。
