夜雨聆风过去几年，AI 领域有一个变化非常快的赛道——不是图像生成，不是视频生成，甚至不是聊天机器人，而是：Software Engineering。
2021 年，GitHub Copilot 出现时，人们第一次真正感受到：原来 AI 可以坐在程序员旁边，实时帮助写代码。你写下一句函数注释，AI 自动补出几十行代码；你开始输入 def calculate...，AI 似乎已经知道你下一步想做什么。当时我们把这种能力称为 AI Coding。
后来，Cursor 出现了——AI 开始搜索整个项目、理解代码关系、修改多个文件、运行命令、修复 Bug。再后来，Claude Code、Codex 等产品出现——AI 进入 Terminal、操作 Repository、执行测试、使用 Git，开始在一个完整的软件工程环境中工作。于是问题发生了变化：我们不再只问“AI 能不能帮程序员写代码？”而是问：如果 AI 可以自己理解任务、制定计划、修改代码、运行测试、修复错误，那么“写代码”本身，还会不会是软件工程的核心？
这就是今天真正值得讨论的问题。
AI Coding 真的死了吗？我的答案是：没有。但是 AI Coding 正在被更大的概念吞没——Agentic Software Engineering。
这不是一次普通的工具升级，这是一次软件生产方式的范式迁移。
一、真正发生变化的，不是 AI Coding 工具
如果我们只看工具，很容易陷入无休止的比较：Copilot 好不好？Cursor 是不是最强？Claude Code 超过 Cursor 了吗？Codex 又更新了什么？
这些讨论当然有价值，但真正的变化不是：
A 工具 → B 工具 → C 工具
而是：
代码补全 → 代码协作 → 代码 Agent → 工程 Agent → Agentic Software Engineering
换句话说，AI 在软件工程中的工作单位正在不断扩大。
最早：一行代码
后来：一个函数
然后：一个文件
再后来：一个模块
今天：一个完整任务
下一阶段：一个完整的软件系统
这才是我们理解 Copilot、Cursor、Claude Code 和 Codex 最重要的方式——它们代表的是：AI 在软件工程中的责任边界正在不断扩大。
二、第一阶段：Copilot——AI 第一次真正进入 IDE
在 Copilot 之前，AI 当然也可以生成代码——开发者打开聊天窗口，输入问题，AI 生成代码，然后复制、粘贴、运行、修改。但 Copilot 改变了一件非常重要的事：AI 第一次进入了开发者的工作流。
过去：
开发者 → 思考 → 打开浏览器 → 搜索 → 复制代码 → 粘贴 → 修改
Copilot 之后：
开发者 → 表达意图 → AI 实时建议 → Review → Accept / Modify
看起来只是少了几个步骤，但实际发生了一次重要变化：AI 从“外部工具”变成了开发环境的一部分。程序员不再每一次都主动向 AI 提问，AI 开始主动预测“你接下来可能想写什么”。这就是 Copilot 最早的革命性意义——它改变的并不是软件架构，也不是软件工程流程，它首先改变的是代码输入方式。
过去：Human writes code.后来：Human expresses intent, AI proposes code.
因此，第一阶段可以理解为 Code Completion——AI 的主要工作是 Predict → Suggest → Complete，像一个非常快的副驾驶。
但注意：这个阶段有一个非常明显的边界——AI 虽然知道当前代码可能应该怎么写，但并不真正承担这个工程任务最终是否完成。责任仍然完全属于人：人需要找到正确的文件、理解项目、设计架构、修改代码、编译、测试、Debug、Git 提交。
所以 Copilot 时代本质上仍然是 Human-Centered Software Engineering，只是人旁边多了一个非常强的 AI 助手。
（而今天的 GitHub Copilot 本身也已经明显超出了最早的代码补全定位——其官方 Agent Mode 能够根据任务自主判断需要修改哪些文件、提出并执行终端操作，并通过迭代修复问题完成任务。这说明“Copilot”这个产品本身也正在从补全工具向 Agent 能力演进。）
三、Copilot 真正改变了什么？
如果今天回头看，Copilot 最重要的贡献可能不是“帮程序员节省了多少打字时间”，而是它证明了一件事：软件开发可以开始由“代码生成”驱动。
传统软件开发的核心循环是：
Human Thinks → Human Writes → Machine Executes
AI Coding 之后：
Human Thinks → Human Expresses Intent → AI Generates → Machine Executes
这是一个非常重要的变化——因为一旦“自然语言 → 代码”成为可能，下一个问题自然就是：如果 AI 可以生成一行代码，为什么不能生成一个函数？为什么不能生成一个文件？为什么不能修改整个 Repository？为什么不能完成整个软件任务？
这条逻辑链一旦成立，Copilot 时代就只是开始。
四、第二阶段：Cursor——AI 开始理解 Codebase
如果说 Copilot 解决的是“这一段代码怎么写？”，那么 Cursor 代表的变化是“这个项目应该怎么改？”这是两个完全不同的问题。
Copilot 早期的上下文可以理解为：Current Code + Current File + Nearby Context。而 Cursor 以及新一代 Coding Agent 开始进入：
Repository + Multiple Files + Code Relationships + Project Structure + Rules + Tools
这意味着：AI 开始从“代码生成器”向“项目理解者”转变。
举一个简单例子：你现在有一个企业系统，然后告诉 AI：“给整个系统增加 RBAC 权限管理。”如果是传统代码补全工具，你需要自己找到用户模块、数据库模型、API、修改 Token、增加 Role/Permission、修改前端、编写测试……而新一代 Coding Agent 开始尝试完成：
Understand Repository → Find Related Files → Analyze Architecture → Create Plan → Modify Backend → Modify Database → Modify Frontend → Run Tests → Fix Errors
这就是一次非常大的跃迁。Cursor 官方文档现在将其定位为可以理解代码库、规划和构建功能、修复 Bug、运行检查的 coding agent，并提供代码库搜索、文件读取与编辑、Shell 执行、Web 工具和浏览器测试等能力。
所以，我们第一次真正看到：AI 的上下文开始爆炸——我把它称为 Context Explosion。
五、从 Context Window 到 Context Engineering
过去几年，大模型竞争经常讨论 Context Window 有多大——10 万 Token、20 万 Token、100 万 Token……但对于真正的软件工程来说，Context Window 大，并不等于真正理解了软件系统。
一个企业级系统的上下文可能包括：
Source Code + Architecture + Documentation + Database Schema + API Specification + Git History + Issues + Tickets + Logs + Test Results + Business Rules + Security Policies
未来甚至还包括：Cloud + CI/CD + Monitoring + Production Environment。
所以未来真正重要的能力不是“给 AI 更多 Token”，而是 如何把正确的上下文，在正确的时间，提供给正确的 Agent——这就是 Context Engineering。
我们未来越来越可能不是告诉 AI“帮我写一个登录接口”，而是告诉 AI：
这是我们的系统架构，这是认证规范，这是数据库 Schema，这是安全规则，这是 API 标准，这是测试要求——现在请完成这个工程任务。
于是开发者的能力开始发生迁移：过去最重要的是 Code，未来越来越重要的是 Context + Architecture + Constraints + Acceptance Criteria。
Cursor 当前的 Agent 结构也很能说明这个变化：Agent 并非只有一个模型，而是由 Instructions、Tools 和 Model 共同组成，并围绕代码库搜索、文件操作、终端、Web 等工具形成任务执行闭环。
六、第三阶段：Claude Code——AI 走出 IDE，进入 Terminal
我认为 Claude Code 代表了一个非常重要的变化——不是因为“又有一个 AI 可以写代码”，而是因为 Coding Agent 开始脱离 IDE。为什么这很重要？因为真正的软件工程，从来不只发生在代码编辑器里。一个真实开发者一天可能在做：
git clone/npm install/docker compose up/pytest/grep/curl/git diff/git commit
也就是说：软件工程是一个环境，IDE 只是这个环境的一部分。Terminal 才是连接 Code + Build + Test + Git + Docker + Cloud + Tools 的重要接口。因此，当 Agent 开始进入 Terminal，意义远大于“AI 又增加了一个工具”。真正的意义是：AI 开始获得行动能力。
传统 Chatbot：Question → Answer传统 AI Coding：Instruction → Code SuggestionTerminal Agent：
Goal → Think → Plan → Run Command → Observe Result → Modify → Run Again → Verify
这个循环非常重要，因为它第一次让 AI 拥有了 Action → Feedback → Correction 的闭环。例如：
AI writes code → Run test → Test fails → Read error → Modify code → Run again → Test passes
这已经不是一次性生成，而是 Autonomous Loop——Agent 开始能够做错，然后发现自己做错，再尝试修复。这就是 Agent 与传统生成式 AI 最根本的区别之一。
七、Terminal 为什么是 Agent 进入软件工程的关键？
因为如果 AI 只能写代码，它只能是 Code Generator。但如果 AI 可以搜索文件、阅读代码、编辑代码、执行命令、启动服务、运行测试、阅读日志、修改错误、操作 Git——它就开始接近 Software Engineer。这里我要强调：AI 是否拥有工具，决定了它是“回答问题”，还是“执行任务”。所以未来 AI 系统的竞争可能越来越不是“谁的模型参数更多”，而是：
Model + Context + Tools + Environment + Memory + Verification
谁能把这些东西组合起来，谁就可能创造真正可工作的 Agent。Cursor 的产品演进也体现了同样的方向：其 Agent 可调用代码搜索、文件读写、Shell、Web 和浏览器等工具；同时其 Cloud Agents 在隔离虚拟机中拥有 Repository、依赖、网络和完整开发环境，可以构建、测试、验证修改并交付 PR。
八、第四阶段：Codex——从 Coding Agent 走向 Engineering Agent
如果说 Copilot 让 AI 进入 IDE，Cursor 让 AI 开始理解 Repository，Claude Code 让 AI 开始操作软件工程环境——那么下一阶段发生的事情是：AI 开始承担完整工程任务。我们不应该把 Codex 简单理解成“OpenAI 做了一个更强的代码工具”，真正值得关注的是：Agent 的工作边界继续扩大。
过去：Prompt → Code现在越来越像：
Goal → Research → Plan → Implementation → Test → Debug → Review → PR
这时，AI 的单位已经不再是一段代码，而是 Task。例如你告诉 Agent：“为我们的企业知识库增加文档权限管理。”一个真正的 Engineering Agent 理论上需要考虑：
Requirement → Existing Architecture → Authentication → Authorization → Database → API → Frontend → Test → Security → Deployment Impact
它不是“写一个函数”，而是在处理 Engineering Change。这就是我认为“Coding Agent”和“Engineering Agent”最大的区别。
九、真正的变化：从 Human-in-the-Code 到 Human-in-the-Loop
传统开发：
Human → Write → Write → Write → Write
AI Coding：
Human → Write → AI Suggest → Human Accept → Human Continue
Coding Agent：
Human → Assign Task → Agent Executes → Human Reviews
Agentic Software Engineering：
Human → Define Goal → Agent Team → Execute → Test → Review → Human Approval
注意：人没有消失，但人的位置改变了。
过去，人主要在 Code Loop；现在，人越来越向外移动，进入 Goal Loop。过去人不断问“这一行代码怎么写？”；未来人更可能问“这个系统最终应该达到什么目标？”过去人的主要职责是 Implementation；未来越来越多的是 Direction + Architecture + Constraints + Review + Acceptance。
十、所以，AI Coding 到底死了吗？
现在我们可以回答这个问题。我的答案是：AI Coding 没有死。但是，“AI 帮程序员写代码”正在不再是 AI Coding 的终点，它正在被更大的概念吞没——Agentic Software Engineering。
我们可以用下面五个阶段理解整个变化：
这张表非常重要，因为它告诉我们：软件工程的“人机分工”正在重新定义。
十一、未来软件开发的基本单位正在改变
这是我对整个趋势最重要的判断之一。过去，软件开发的基本单位是 Code，后来是 Function，再后来是 Module，现在开始变成 Task，未来可能变成 Outcome。
什么叫 Outcome？例如，过去你告诉开发人员“写一个用户登录接口”——这是 Code Task；后来“完成用户认证模块”——这是 Feature Task；未来“用户必须能够安全地登录系统，并满足企业 SSO 规范”——这开始变成 Outcome。AI 需要自己决定：需要什么代码？需要修改哪些模块？是否需要数据库？是否需要测试？是否需要配置？是否需要修改前端？这就是未来软件工程最大的变化：人越来越描述 What，AI 越来越负责 How。
十二、但是一个巨大的问题出现了
如果 AI 可以一天生成 10 万行代码，真正的问题是什么？不是“AI 能不能生成？”，而是 “AI 生成的代码到底对不对？”
这是未来软件工程真正的核心问题。AI 生成能力越来越强，但 Generation 并不自动意味着 Correctness ，更不意味着 Security 、Maintainability 、Production Reliability 。
因此，我认为未来软件工程的核心瓶颈会从 Code Generation 转移到 Verification。换句话说：生成代码正在越来越容易，验证代码将越来越重要。
未来一个 AI Agent 生成 100 个 Files，修改 5000 行 Lines，人类不可能逐行 Review。怎么办？必须建立新的验证体系：
Unit Test → Integration Test → E2E Test → Static Analysis → Security Scan → Architecture Check → AI Review → Human Approval
所以未来真正强大的不是“一个会生成代码的 Agent”，而是 一个能够生成、测试、验证、修复自己的 Agent 系统。这也是为什么我认为 Evaluation & Verification 会成为未来企业 AI Coding 最重要的基础能力之一。
十三、未来真正的瓶颈：Context + Verification
我认为未来软件工程可以总结成一句话：
Code Generation 越来越便宜，但 Context + Architecture + Verification 越来越昂贵。
因为模型可以很快写代码，但模型不知道：你真正的企业业务规则是什么？你的系统为什么当初这么设计？哪些接口绝对不能修改？哪些数据属于敏感数据？某个 Legacy 模块背后有什么历史原因？
因此未来真正重要的是 Context Engineering——我们需要让 AI 知道：
What is the system?
Why is it designed this way?
What can be changed?
What must never be changed?
What does success mean?
然后 Verification——验证：
Did it work?
Did it break something?
Is it secure?
Does it meet requirements?
所以我认为未来软件工程的核心公式可能变成：
AI Software Engineering = Context Engineering + Agent Execution + Automated Verification + Human Judgment
十四、程序员会被 AI 取代吗？
每一次技术革命都会出现这个问题。今天：AI 会不会取代程序员？我的判断是：AI 首先会取代“程序员工作中的一部分任务”，而不是简单地取代所有程序员。未来最容易发生变化的，是那些高度重复的工作：
Boilerplate 代码
CRUD
API 基础实现
基础测试
简单 Bug 修复
文档生成
代码转换
重构
配置生成
这些工作正在越来越适合 Agent。但与此同时，人类的价值会向上移动——从 Write Code 移动到：
Understand Problem → Design System → Define Architecture → Provide Context → Orchestrate Agents → Evaluate Results → Control Risk
所以未来开发者不应该只问“我会不会被 AI 取代？”，更应该问：“如果 AI 负责越来越多 Implementation，我还能负责什么？”
我的答案是：Developer 正在向 AI Software Architect 演进。
十五、未来开发者的六项核心能力
我认为未来优秀开发者至少需要建立六种能力：
01 Problem Framing（问题定义）AI 可以快速解决问题，但前提是你定义了正确的问题。企业中大量失败的项目不是技术不行，而是一开始就在解决错误的问题。未来人类越来越重要的能力是：What problem should be solved?
02 System Design（系统设计）AI 可以生成代码，但系统为什么要这样拆？数据为什么要这样流动？服务为什么要这样部署？这些仍然需要高层次设计。
03 Context Engineering（上下文工程）这是未来最值得关注的新能力之一。不是简单写 Prompt，而是构建 Architecture Context + Business Context + Code Context + Rules + Constraints + Examples，让 Agent 能够真正理解任务。
04 Agent Orchestration（Agent 编排）未来可能不再只有一个 AI，而是 Architect Agent、Developer Agent、QA Agent、Security Agent、Research Agent、DevOps Agent……人需要决定谁负责什么、谁先做、谁验证、谁可以修改生产环境。
05 Evaluation（评估）未来一个极其重要的问题：你怎么知道 AI 做得对？企业不可能因为“AI 说完成了”就直接上线。必须建立 Evaluation、Benchmark、Test、Guardrail、Acceptance Criteria。
06 Verification（验证）最终，Trust must be engineered。信任不能来自“这个模型很强”，必须来自 Test + Evidence + Review + Traceability。
十六、下一阶段：一个人管理一群 AI 工程师
现在我们可以进一步思考——如果未来 Agent 越来越成熟，软件公司可能变成什么样？
过去：
CEO → CTO → Engineering Manager → Developers → Code
未来可能变成：
Product Owner → AI Engineering Manager → (Architect Agent / Developer Agent / QA Agent / Security Agent / DevOps Agent)
这不是说“一个 Prompt 就可以创建一家软件公司”——现实远没有这么简单。真正的挑战恰恰在于：如何让多个 Agent 稳定协作？
这涉及：Task Decomposition、Shared Context、Memory、Tool Permission、Communication、Conflict Resolution、Evaluation、Human Approval。
所以未来软件团队可能不会简单地变成“没有人”，而是变成 人 + AI Agent Team。人负责 Goal、Strategy、Architecture、Constraints、Risk、Acceptance；Agent 负责 Research、Implementation、Testing、Debugging、Documentation、Operations。
这就是 Agentic Software Engineering。
十七、这也是“AI Software Factory”的真正意义
很多人理解 AI Software Factory 就是“一群 Agent 自动写代码”——我认为这个理解太简单。
真正的 AI Software Factory 应该是：
Business Goal → Requirement → Architecture → Task Decomposition → Agent Execution → Code → Test → Evaluation → Security Check → Human Approval → Deployment → Monitoring → Feedback
形成一个循环：
GOAL → BUILD → VERIFY → DEPLOY → OBSERVE → LEARN → GOAL
过去软件开发更多是 Linear Workflow，未来越来越可能变成 Autonomous Engineering Loop。Cursor 的 Cloud Agents 已经可以在隔离 VM 中获得完整开发环境，执行构建、测试和验证，产生 Artifacts，并将修改推送到分支后交给人类 Review——这正是“生成代码”开始向“闭环工程执行”发展的一个现实例子。
十八、企业为什么不能简单地“给开发人员买 AI 工具”？
今天很多企业的 AI Coding 策略是：买 Copilot，然后让程序员自己用。但未来这可能远远不够。
因为企业真正需要解决的是：
Codebase Context：谁可以访问？
Security：Agent 可以执行什么命令？
Permission：谁批准？
Model Governance：使用哪个模型？
Data Governance：代码是否可以发送到外部？
Evaluation：如何证明 AI 提高了效率？
Audit：Agent 做过什么？
因此企业 AI Coding 最终一定会进入 Enterprise AI Engineering Platform。企业需要的不是一个聊天窗口，而是一套 Model + Repository + Agent + Context + Tools + Security + Evaluation + Governance 体系。这也是为什么我认为：企业 AI Coding 的终局不是“AI IDE”，而可能是 Enterprise Agentic Engineering Platform。
十九、未来企业的软件团队会出现一个新角色
我认为未来可能出现越来越重要的新角色——AI Engineering Manager。
这个角色不一定是传统意义上的 Manager，它的核心职责是：
Define Goals → Design Context → Assign Agents → Set Rules → Control Permissions → Evaluate Output → Accept Delivery
你会发现：未来优秀的软件工程师可能不只是“最会写代码的人”，而是 “最会把人类意图转化为 AI 可执行工程任务的人”。这是一种全新的能力。
二十、所以 AI Coding 真正死掉的是什么？
现在，让我们重新回答标题。AI Coding 已经死了吗？我认为：没有死。死掉的，是一个旧观念——AI Coding = AI 帮人补代码。
今天的 AI Coding 已经开始包括：
Understand → Search → Plan → Edit → Execute → Test → Debug → Review → Deploy
所以，AI Coding 正在成为 Software Engineering 的一部分。最终，AI Coding 可能会逐渐被 Agentic Software Engineering 所替代。这不是名称变化，而是 Responsibility Boundary 的变化——AI 的责任边界正在从 Suggest Code 变成 Complete Task，再变成 Deliver Outcome。
二十一、未来最重要的不是“会不会用 AI 写代码”
而是：
你能不能管理 AI 完成工程？
未来最强的软件工程师可能不是写代码最快的人，而是能够定义正确目标的人。
不是 Prompt 写得最长的人，而是能够构建正确 Context 的人。
不是生成代码最多的人，而是能够建立最强 Verification 体系的人。
不是使用一个 Agent 的人，而是能够让多个 Agent 稳定协作的人。
所以未来软件工程师的成长路径可能是：
Coder → Developer → AI-Augmented Developer → Agent Supervisor → Agent Orchestrator → AI Software Architect
二十二、一个新的软件工程时代已经开始
过去几十年，我们一直在学习如何告诉计算机做什么——我们学习 C、Java、Python、JavaScript、SQL，学习 Syntax、Framework、Algorithm、Architecture。
而现在开始出现新的问题：如何告诉 AI 完成什么。注意，不是“如何让 AI 生成一段代码”，而是“如何让 AI 理解一个目标、一个系统和一组约束，然后自己完成工程任务”。
这是一个完全不同的问题。
过去：Human → Machine Instructions现在：Human Intent → AI Reasoning + Tools → Software未来：Human Goal → Agent Team → Autonomous Engineering → Verified Software
我认为：这才是真正的下一代软件工程。
让我们再回到最开始的问题——AI Coding 已经死了吗？
我的答案是：AI Coding 没有死。但它正在经历一次比我们想象中更深刻的变化。过去，AI 帮助人写代码。今天，AI 开始自己执行 Coding Task。明天，AI 可能参与完整的软件工程。未来，人类负责定义目标，AI 负责执行大量工程工作，软件系统通过自动测试、验证、Review 和人类判断共同完成交付。
所以，真正需要重新学习的，可能不是 Coding，而是 Software Engineering 本身。过去，我们学习如何写代码。今天，我们学习如何让 AI 写代码。明天，我们学习如何让一群 AI 工程师协同完成软件。真正的变化，不是 AI 开始写代码，而是软件工程第一次开始拥有了可以行动的智能体。
📌 AI Enterprise Lab 观点
AI Coding 没有死。AI 正在杀死的是“人肉软件生产线”。
未来的软件生产方式可能是：
Human Intent → Context Engineering → Agentic Engineering → Automated Verification → Human Judgment → Reliable Software
而未来最重要的能力，也许不再只是“你能写多少代码”，而是——你能否让 AI 可靠地完成多少软件工程。
📌 如果这篇文章让你对 AI 工程化有了新的认知，希望你：
【收藏】 —— 方便随时回看这 22 个核心观点，作为团队 AI 转型的参考地图。
【在看/转发】 —— 让你的 CTO 或技术合伙人看到，提前布局 Agentic 团队，而不是只给程序员买 Copilot。
【留言区聊聊】 —— 你们公司现在用到了第几阶段的 AI Agent？卡在了“上下文工程”还是“自动验证”？
🚀 关于 AI 软件工程的深度思考，我们将持续输出。
本文来自 AI Enterprise Lab，专注研究 Agentic Software Engineering 在企业中的落地路径。
👉 如果你想获取完整的《AI Coding 工具演进全景图》高清 PDF，或者加入“AI 软件工程前线”讨论群，欢迎扫描下方二维码 / 点击关注，回复关键词 【AI工程】 即可。
📌 转载需注明出处。本文仅代表当下认知，AI 一天，人间一年，我们下期见。