AI Coding 越强,为什么越需要软件工程?

最近几年，AI Coding 工具的能力进步很快。

从代码补全到 Coding Agent，开发工具已经可以阅读代码库、修改文件、执行命令、运行测试，再根据错误继续修复。“氛围编程”也让更多人可以用自然语言把想法快速变成程序。

代码生成的门槛正在降低，从想法到可交付、可维护软件的工程问题仍然存在。

软件工程是一套受控的信息减熵过程

需求往往混乱、不完整、充满歧义，软件则是可以被计算机执行的结构化结果。软件工程把需求作为输入，通过持续收集、澄清、转换和验证信息，逐步形成目标软件。

上一阶段的输出会成为下一阶段的输入。评审、测试、验收、配置管理、变更管理和运行监控，用于发现输入遗漏、转换偏差和结果缺陷。

CMMI 将过程变得可管理、可度量、可追踪、可改进；敏捷开发通过小步交付和快速反馈，持续修正变化中的需求和实现。这些方法保留了人类对软件信息减熵过程的控制经验。

AI Coding 提高整个流程的运行效率

重复工作存在于需求、设计、开发、测试和项目管理的每一个环节：整理材料、追踪变更、梳理依赖、更新文档、生成代码、构造测试数据、执行回归、分析日志、收集状态和整理风险。

岗位结构与流程结构解耦

人的能力和精力有限，传统组织把需求、架构、开发、测试和运维分配给不同岗位。专业化分工增加了交接环节，并带来信息压缩、理解偏差、等待和返工。

Coding Agent 可以跨越多个环节，也可以根据上下文、权限、并行执行和独立验证的需要，调度多个专项 Agent 和工程工具。岗位的部署方式因此可以改变。

需求理解、约束识别、系统设计、代码实现、结果验证、部署和维护仍然必须完成。一个 Coding Agent 可以在一次任务中完成多个阶段，不能省略每个阶段应该产生的工程结果。

项目管理经验的工程化沉淀

Coding Agent 可以承担信息收集、状态跟踪、结果检查和问题提醒，自动化系统执行测试、构建和发布。

将这些经验沉淀为工作流程、上下文、检查点、验证器、权限边界和异常升级机制，才能让 Coding Agent 低成本、可控地执行软件生产过程。

从氛围编程到工程化交付

氛围编程降低了把想法变成程序的门槛，适合个人工具、原型和快速试验。

使用范围扩大、数据价值上升、需求持续变化、用户增多以后，开发就需要清晰需求、验收标准、模块化设计、版本管理、自动化测试、发布、监控和变更管理。

掌握软件工程的人，能够给 Coding Agent 提供更完整的信息，合理拆分任务，明确验收结果，并控制不应交给 Coding Agent 自行决定的风险。

软件工程 Agent 的完整形态

软件工程 Agent 是在 Coding Agent 之上扩大工作范围，将需求、设计、开发、测试、交付和维护连接起来的 Agent 系统。

它会引导用户明确问题，收集业务背景，识别需求缺失和矛盾，建立验收标准，再根据复杂度和风险选择工程流程。

设计、实现、测试、部署和维护由软件工程 Agent 结合工程工具继续执行，关键决策、风险取舍和最终验收由人确认。

用户看到自然语言对话，系统内部执行完整软件工程流程。软件工程知识由人工经验转化为 Agent 系统的生产能力。

结语：把软件工程经验变成 Agent 能力

LLM 降低语义信息的整理和转换成本，Coding Agent 和工程工具降低流程执行成本。

软件工程、CMMI、敏捷开发和项目管理经验，定义信息如何收集、转换、验证并最终交付为软件。AI Coding 改变这些方法的执行方式，不改变它们要解决的基本问题。