智能体工程 vs 软件工程：计算机系那套课程，还能适应 AI 时代吗？

   AI 让技术平权了。谁都能靠 prompt，搭出一个能跑的东西。但计算机专业的学生，花了四年。从编程语言学到算法，再到软件工程，啃完一整套系统性课程。这套训练，在 AI 时代还有必要吗？这篇文章带你了解其中的差异。 

计算机系的课程表，还能适应 AI 时代吗？

过去几十年，计算机科学有一条清晰的路径。学语法 → 学算法 → 学系统设计 → 进大厂做软件工程师。同一段代码，同样的输入，永远得到同样的输出。这条流水线，曾经很好用。

但它正在断裂。

不是因为 AI 替你写代码。是因为写代码这件事，意义变了。几十年来，软件工程就是给计算机写显式指令。每一步、每个分支、每个边界条件，都手动定义。现在，不再是把每行逻辑亲手敲进去的人。变成了描述目标、设置约束、验证输出的人。工程精力的投放方向，变了。

确定性 vs 概率性

传统软件工程的根基，是确定性。

你写 if (balance < amount) throw new Error('余额不足')。这段逻辑，今天跑一百次，明天跑一百次，行为一致。Bug 可追溯。一个错的条件判断、一个漏的状态转换、一处边界值没处理。你总能沿着调用栈找到它。每一步都是预定义的。

LLM 进来之后，情况变了。

你不再写具体的判断逻辑。你说：「如果余额不足，告诉用户原因，给三种补救选项。」AI 去解释这个目标。它可能今天给三个选项，明天给五个。措辞每次不同。正确不是非黑即白。正确是「看起来对」。这些系统不再只执行僵化逻辑。而是解释目标。

一旦你把这种概率性输出，接上记忆、工具调用、规划和反馈循环。你就不再是调一个模型。而是在管一个 agent。

Write Behavior → Shape Behavior（编写行为 → 塑造行为）

从高层次看。传统软件工程里，开发者编写行为（write behavior）。在 agentic engineering 里，开发者塑造行为（shape behavior）。本质，是从确定性逻辑，转向概率性判断。

这个词拆开来看，更清楚。

Agentic 指的是：一群 agent 写代码。人类开发者监督和验证输出。Agent 或多 agent 系统迭代子任务时，始终保持人在环中（human in the loop）。

Engineering 指的是：用 agentic 工作流做正经代码生产。需要一定专业水平。不能危及代码质量。

两者加在一起：AI 负责执行。你负责编排和验证。工程素养没有消失。只是作用的位置变了。

一张光谱，五个位置

AI 编程领域，每年都造新词。2024 到 2026，就有 AI-assisted coding、vibe coding、agentic coding、agentic engineering。很容易搞混。

与其纠结分类，不如把它们看成一个光谱。不是从差到好。是按「人类保留多少控制力 vs 系统获得多少自主权」排列：

重点：这些不是硬性分类。这些术语互相渗透。大多数团队从 vibe coding 起步，快速验证想法原型。随着风险和复杂度增加，逐步演进到 agentic coding。最终到 agentic engineering。

AI 越自主，人越重要

一个常见误解：agentic 系统越强，对人的要求越低。

正好相反。

传统系统故障是可预测的。有 bug？顺着调用栈往下追，总能定位到某个错误的条件判断、状态转换或实现细节。Agentic 系统不一样。它以概率方式运行。可能看起来完全正确，却在表面之下做着有缺陷的决策。幻觉、误解意图、误用工具、生成语法正确但架构糟糕的方案。它不会报一个漂亮的 NullPointerException。它悄悄做错了。

所以 agentic engineering 的关键技能，不是写代码。是两个动作：

1. Orchestrate（编排）

   ：定义 agent 能做什么、不能做什么、在什么约束下运行。

2. Verify（验证）

   ：确认 agent 的输出，不仅在语法上正确，架构、安全、性能上也对。

工程瓶颈，从「写得不够快」，变成了「管得不够严」。

这也解释了开发者社区对这个转变的复杂反应。有些人把这当机会。终于可以把时间花在更有思想深度、更有成就感的工作上。另一些人持怀疑态度。这种怀疑有道理。确定性系统的故障方式，你熟悉。概率性系统的故障方式，你还没习惯。

Agentic 系统应该加速开发。不是取代工程专业能力。这或许意味着需要一种新文化。鼓励实验，同时保持问责。

Vibe Coding 为什么成不了规模

Vibe coding 在原型阶段极其高效。描述意图，看结果。不满意，再描述。极度适合探索。

到了规模化生产，三个问题暴露：

1. 无结构

   。AI 生成的代码，没有统一架构约束。每次生成的结果，互相不一致。

2. 无测试

   。vibe coding 的工作流，天然跳过 Red-Green 循环。你不知道它哪里会挂。

3. 无一致性

   。三个 prompt 生成三次，三次实现方式完全不同。维护成本指数上升。

这就是 agentic engineering 这个词存在的原因。它强调 engineering 还在。不是要取代软件工程。是扩展一个新的抽象层。Agentic engineering 改变的，是工程师把大部分时间，花在工程化什么东西上。

开发者的下一站

如果你在看这个变化，有些不安。正常的。确定性系统的故障方式可预测。概率性系统，在最不可预测的方式下悄悄出错。

但方向很清楚：

 写代码 → 设计代码 → 塑造 AI 行为 → 监督 AI 系统

每一层都还在。你只是在往上移。

不确定从哪开始？从小处开始。在现有工作流里，引入一个 AI 辅助工具。观察它哪里帮你、哪里帮倒忙。然后从这里迭代。

最重要的一条：不要用自动化替代理解和质量。让 AI 写更快，不是目的。让 AI 在你的判断和监督下写得更正确，才是。

小结

Agentic Engineering 不是一个 buzzword（流行词）。它是一个光谱的尽头。从亲手写每一行代码，到设计让 AI 写好代码的环境和约束。

记住两点：

1. 光谱思维，替代二分法。别问「AI 编程好还是不好」。问「你在光谱的哪个位置」。

2. AI 越自主，工程素养越重要。概率性系统的故障，比确定性系统更难发现、更难修复。