想象一下，软件开发曾经就像是用锤子和锯子盖房子。你必须亲手切割每一块木板，钉好每一片瓦片，并手工打磨每一个表面。这很慢，很累，而“难点”仅仅是挥动那把锤子。

现在，想象有人递给你一个神奇的、超高速的机器人，它可以在眨眼之间切割、钉钉子并打磨好一整栋房子。突然间，锤子不再是问题了。问题在于，这个机器人太快了，在你还没画完蓝图时，它就已经盖好了一座豪宅。

这正是当开发者开始使用 SE agent（编写代码的 AI 机器人）时所发生的情况。由研究人员对来自 12 家不同公司 的 20 位建设者 进行访谈，并向另外 80 人 进行问卷调查后发现，虽然机器人让编写代码变得廉价且快速，但并没有让这项工作消失。相反，“瓶颈”（流程中的交通堵塞）只是转移到了道路的其他部分。

以下是研究人员通过一位好奇探险家的语言所发现的内容。

新的七步舞步

论文指出，构建这些 AI agent 不再是一条直线，而是一个包含七个步骤的循环舞步。它不像工厂的流水线那样线性，更像是一款视频游戏，你需要不断重玩关卡以获得更高的分数。

1. 蓝图（需求/Requirements）： 你告诉机器人要做什么。但现在，你必须把指令写得足够清晰，以便人类和机器人都能读懂。
2. 计分卡（评估/Evaluation）： 这是最重要的全新步骤。你不仅仅是在最后检查工作结果；你还要使用一张计分卡在机器人工作时对其进行引导。
3. 燃料（数据/Data）： 你喂给机器人优秀的范例，让它从中学习。
4. 建造（系统构建/System Construction）： 你为机器人挑选一个“大脑”（模型），并在它周围构建一个“护具”（一套带有工具和记忆的盔甲）。
5. 试驾（测试与部署/Testing & Deployment）： 你让机器人运行，看看它是否会崩溃。
6. 反馈环（人类反馈/Human Feedback）： 你观察它的行为，并告诉它：“不，按这种方式做，”或者“是的，做得很好。”
7. 调优（自适应维护/Adaptive Maintenance）： 机器人的大脑可能会从它的创造者那里获得更新，从而改变其思考方式。你必须不断调整你的“护具”以跟上步伐。

伟大的转变：从挥锤者到机器人管理者

研究发现，由于机器人写代码的速度极快，过去那种“编码是难点”的观念已被推翻。研究人员认为，编码从来不是最难的部分，它只是最显眼的部分。

现在，当机器人承担了繁重的体力活，真正的核心工作已转向了评审和评估。

• “氛围编程”（Vibe Coding）效应： 由于机器人构建东西的速度极快，研究员、工程师和经理之间的界限正在模糊。一个人现在可能完成整个工作流程：从构思创意到修复最终的 Bug。
• “黑盒”问题： 研究人员指出，因为机器人是一个“黑盒”（你无法看到它具体的思考过程），所以你不能仅仅信任它。你需要一种严格的**评估驱动开发（Evaluation-Driven Development）**风格。这意味着你在开始之前就要定义成功的规则，并不断检查机器人是在变得更好，还是仅仅变得更快。

六大陷阱（挑战）

即便拥有超高速的机器人，建设者们仍会遇到六个主要的障碍。论文指出，这些都是真实的、棘手的难题，而非微小的故障。

1. 破碎的计分卡： 你如何知道机器人做得好不好？研究人员发现，用于给机器人评分的“测试”经常是破碎的。有时机器人找到了一个比预期更好的方案，但测试却判定为“失败”，因为它还在寻找旧的答案。其他时候，测试本身运行起来成本太高，无法频繁执行。
2. “改动无物，却改变一切”的诅咒： 这是一个诡异的现象。研究人员发现，如果制造机器人大脑的公司更新了模型（即使你没有改动任何代码），你的机器人可能会突然表现得完全不同。昨天还能用的工具，今天可能就失效了，尽管你一行代码都没改。
3. 安全 vs 速度： 建设者们通常承认他们既害怕机器人，又为了赶进度而任由其运行。论文指出，这样做是危险的。有一个团队放任机器人运行，结果它因为忘记了指令，意外删除了用户的家目录。
4. “潜规则”差距： 机器人只能阅读写下来的内容。但在现实生活中，很多知识只是“存在于人们脑海中”的（比如为什么某面墙建得歪歪扭扭）。研究人员发现，机器人无法获取这些“未言明”的知识，从而导致混乱。
5. 理解债（Comprehension Debt）： 这是最大的惊喜。机器人编写代码的速度超过了人类理解的速度。这就像机器人一天之内盖起了一座摩天大楼，而你还在努力理解蓝图。建设者们正在积累他们无法理解的代码“债务”。为了解决这个问题，一些团队开始保存用于“重建代码的指令”，而不是仅仅保存代码本身。
6. 虚假的生产力： 如果你只计算机器人写了多少行代码，看起来每个人都极其高效。但研究人员认为这是一个陷阱。编写一万行没人理解或没人需要的代码并不是“生产力”，那只是“噪音”。

我们有多确定？

研究人员对这些发现非常有信心，因为他们不仅仅是在猜测，而是在进行测量。

• 他们采访了 20 位专家，并对 80 多人 进行了调查。
• 当他们询问调查组是否同意这些发现时，91% 的人认同新的工作流，且有 71% 至 95% 的人认同具体的挑战。
• 他们甚至回到最初的受访者那里进行核实（这一过程称为“成员校验”），专家们表示：“是的，这正是我们正在做的事情。”

核心结论

论文表明，构建 AI agent 并没有让软件工程变得容易，它只是让其变得不同了。所谓的“难点”已经从编写代码转移到了管理机器人、检查其工作，以及确保它不会意外删除整个互联网。

研究人员总结道，随着实现成本变得低廉，瓶颈并不会消失——它们只是发生了转移。构建软件的未来不在于打字更快，而在于成为一个更好的管理者、一个更严格的评判者，以及一个为那些承担重活的机器人提供智慧架构的设计师。