代码已不再珍贵:吴恩达谈Agent时代软件工程新纪律

本文来自微信公众号： 业界良新 ，作者：许良

2026年7月,吴恩达(Andrew Ng)在Hypergrowth Engineering Summit做了一场约30分钟的演讲。如下为整理的他三条最有分量的观点:

• Agentic AI是"当前AI领域最重要的单一趋势",迭代循环是今天智能体系统的心脏";

  
  

• AI辅助对生产级开发提效约30%–50%,对快速原型则是"10倍、甚至更多"——他的工程师一个下午就能做出两年前三名工程师干六个月的原型;

  
  

• 对某类工作负载,"代码不再是有价值的资产"——下周换个技术栈全部重写,也无所谓。

  
  

一、循环,而不是一次写成

吴恩达说,大多数人用大模型的方式,是提示它一次性生成回答——"这就像要求一个人从第一个字写到最后一个字,线性地、一口气写完,不许用退格键、不许停"。人不会这样写出最好的文章,AI也不会,"但即便在这种约束下,AI的表现还是出人意料地好"。

智能体工作流打破了这个约束:先写大纲,需要就搜索,把材料放进上下文,写初稿,再修订——来回多转几圈。"这个多步骤工作流,就是今天智能体系统的核心。"在他看来,接下来大量的工作,是把现有业务流程逐个审视,改造成这样的自动化工作流。

二、新长出来的一层:智能体编排层

AI技术栈正在长出新的一层——智能体编排层(现在叫做Graph Engneering),位于应用与基础模型、云服务之间,让调用多个模型和服务的应用更容易搭。他的结论没变:价值仍在应用层,"这在我看来相当清楚"。

真正值得注意的是切换成本:基础模型之间切换"非常低",他刻意把工作负载架构得便于换模型——"新模型出来,跑一遍评测,两三天就能切过去";而编排层的切换成本高得多,这会给做编排层和用编排层的企业带来新的博弈。

三、原型的10倍红利

编程是这场演讲篇幅最大的部分。针对"AI会自动化编程,所以别学编程"的流行建议,他的回答毫不客气:"我们回头看,会认为这是some of the worst career advice ever(史上最差的职业建议)。"历史一再如此:从打孔带到键盘、从汇编到COBOL、再到IDE和AI辅助,每一次编程变容易,入场的人反而更多——COBOL推广期就有人写论文宣称"编程太容易了,不再需要程序员",结果恰恰相反。他给非工程师的判断更宽:未来任何知识工作者最重要的技能之一,是"把你到底想要什么精确地告诉计算机,让它替你做"。

在营销、法务、财务分析这些岗位上,会"编程"的人正在跑赢不会的——不是亲手写代码,而是指挥AI写。

真正出数字的是他把软件工作一分为二:生产级与遗留代码,AI辅助提效约30%–50%——"很可观,不过说实话这些数字本身我也觉得存疑";而原型不是30%或50%,"更像是1000%、10倍,甚至更多"。原因很直接:原型很少需要与遗留基础设施集成,要求本来就低。于是有了那句出圈的话:"我知道这话不该说,但我经常跟团队讲:去写不安全的代码吧,我不在乎。"——只跑在自己笔记本上的原型,安全性、可靠性、易用性都可以先放下。

原型成本暴跌之后,经济学结论是"多做":18个概念验证快速、廉价地死掉,换来2个真正有价值的,"这是一笔极好的交易"。他对团队的纪律是"move fast and be responsible"(快,且负责):预先划出沙盒环境让工程师在里面放开跑,下行风险被限定,只有看起来有希望的原型才进入安全和可靠性评审。他甚至把"围绕这一点重新架构企业组织"视为当务之急。

四、两门被低估的生意:PDF分析与语音

第二个趋势,他选了"被低估的视觉AI"——不是图像生成,而是图像分析。关键观察是:"我们的企业里数量最庞大、最有价值的图像,其实是PDF文档的图像。"每个人笔记本和数据仓库里堆着的PDF,在算法眼里长期不透明;智能体工作流(把图像翻来覆去地看、解释、再回去看)第一次能进去抽取信息——医疗表单抽患者信息、财报抽成表格、图表读出数据。把文档抽取和编程助手两块"积木"拼起来做发票匹配:数据库记着预期应付65美元、上传的发票是120美元,智能体自动抽取字段并标记不匹配。"这是我的一个工程师用不到半天写出来的。"他说从大企业到"掌握海量文档的国家",需求都在暴涨。

语音栈的产品洞察同样具体:给用户一个大文本框,等于"把写作障碍强加给用户"——很多想法用户写不出来,而"大多数用户口语比写作强,写作是门很难的手艺,对我也是"。

工程上的核心矛盾是延迟与智能的取舍:他的数字分身最初延迟高达9秒,而人类社交习惯期待立刻回应;可对客服这类应用,又不能不查政策就脱口而出"好的,给您全额退款"。他的解法很"人味":人在争取思考时间时会自然地说"这个问题问得好……让我想想"——把这种行为做进系统,就能同时拿到低延迟和高准确率。

五、数据引力正在下降

企业过去的数据精力几乎都在结构化数据——表格、数字、Excel;生成式AI让非结构化数据(文本、图像、视频、音频)的处理能力大涨,数据体系正围绕它重新架构。他给出一个反直觉判断:数据引力在下降。过去数据落在一个云上就会把算力吸过去,在云之间搬一个TB不可想象;但生成式AI工作负载不一样——传1GB数据的云出口流量费约10美分,而用哪怕便宜模型处理1GB要30–40美元,"处理费比传输费贵两个数量级,传输成本几乎无所谓"。那就不介意把数据发到地球另一端处理:更多高度分布式的软件架构会出现,数据包飞到全球找当前最好的服务。这与"新模型→跑评测→两天切换"是同一件事的两面——为可选项而架构。

六、问答:关于"新纪律"的三段话

"vibe coding这个词不幸被叫开了。"被问到编程工具的下一步,他直言:"它让人觉得编程就是跟着感觉走、接受所有改动——不是这样的。AI辅助编程是一项深度智力活动,我写半天到一天,说实话累得不行,因为它很难,需要深思熟虑和技巧。"他称之为"几乎是一门新学科——快速工程(rapid engineering)":从Copilot到Cursor再到高度智能体化的Claude Code,工具的自主程度在提升,但理解架构、把方向盘握在手里,依然关键。

他看不到产品管理被大规模替代。"AI确实能更快做设计,但想清楚做什么、为什么做,仍然非常难。"

最激进的判断留给了代码本身。"我们已经习惯把代码当成很珍贵的资产——工程师花了那么多心血写出来。但对某些工作负载,代码不再是有价值的资产:我半天就能把代码写出来,下周说'要不换个技术栈从头重写一遍'也完全没问题。在达到一定成熟度之前,每周重新架构一遍也行;重设计数据库schema,让AI去做数据迁移——我不在乎,因为干活的不是我,是AI在干。"工程管理的问题随之改变:分清哪些是必须稳定的部分,哪些是已经不再神圣、可以每周扔掉重来的部分。

七、坐标系:演讲背后的"三环"信件

这场演讲与吴恩达6月底发表在The Batch的文章《Three Key Loops for Building Great Software》一脉相承。文章提出构建0到1产品的三个嵌套循环:智能体编码循环(分钟级:智能体写码、自测、迭代到合格)、开发者反馈循环(几十分钟到小时级:开发者调整规格来"驾驶"智能体)、外部反馈循环(小时到周级:朋友试用、alpha测试、生产A/B测试,反哺产品愿景)。

吴恩达文章中的三个关键循环。图:Andrew Ng发布于X

文章里最生动的细节正是第一环的注脚:那个给女儿的打字应用,编码智能体自主工作了约一小时,还多次打开浏览器检查自己的成果,全程无需干预。而他在中间那一环的关键判断,与演讲问答完全同调——人不会被替换,是因为上下文优势:

很多人把这种人类贡献描述为"品味"(taste),但我更愿意把它看作人类的上下文优势——关于用户和产品运行所处的环境,我们比AI系统知道得多得多。……只要人类还知道一些AI不知道的东西,就需要人在回路(human-in-the-loop),把这些知识注入系统。

文章同时预告了工程师的角色扩展:"更多工程师开始扮演部分产品管理的角色",最难的是在"构建"与"获取用户反馈让愿景演化"之间取得平衡——这与演讲里"想清楚做什么、为什么做仍然很难"互为印证。

结语:被重新定价的,不只是代码

把这场演讲的几条线拢在一起看,其实是一次系统性的重新定价:编排层比基础模型更难换,原型比生产代码更值得浪费,人的上下文判断比代码本身更稀缺。

吴恩达给的答案最终收敛成一句话——先分清哪些东西必须稳定,哪些可以随时抛弃。但这句话本身不是答案,只是把问题精确地摆了出来:当写一段代码、跑一次原型的成本趋近于零,一个团队要如何重新学会"什么才值得郑重对待"?这道题他自己也还在摸索,大概每个团队也需要自己去找自己的回答。