智能体时代的开发者教育与评估

智能体时代的开发者教育与评估

本分析反映了截至2026年7月26日的教育和认证现状。

引言

自主编程智能体正在将软件开发从一个以编写代码为中心的工作，转变为以明确工作、委派任务、监督执行和审查结果为中心的工作。

现代编程智能体能够检查代码库、制定实现计划、修改多个文件、运行测试、响应错误，并提交拉取请求供人工审查。GitHub目前的文档描述了开发者将问题分配给智能体、监控其工作、请求代码审查、提供反馈以及批准或拒绝结果的工作流程。(docs.github.com)

这给教育提出了一个难题：

如果学生可以要求智能体生成一个可运行的程序，那么学生需要理解什么？

答案并非放弃编程基础知识，而是改变这些基础知识的用途。

学生仍然需要理解数据结构、算法、编程语言、系统设计、安全性、测试和调试。然而，他们越来越需要将这些知识应用于：

• 将模糊问题分解为可管理任务
• 编写精确的规范和验收标准
• 向编程智能体提供有用的上下文
• 判断生成的代码是否正确且可维护
• 设计能发现潜在故障的测试
• 审查安全性、隐私性、性能和架构风险
• 协调多个智能体或工具而不失控
• 解释和捍卫技术决策

因此，下一代开发者教育将更少地评估学生编写大量代码的能力，更多地评估学生理解、指导、验证和改进软件系统的能力。

核心转变：从代码生产到工程判断

编程智能体并非简单的更快速的自动补全

传统的编程助手建议一行、一个函数或一小段代码。自主编程智能体则在更大的范围内运作。它们可以跨文件工作、调用开发工具、执行测试、检查文档，并持续完成多个步骤。

这改变了工作单元。开发者的工作流程正日益演变为：

1. 理解用户或业务问题。
2. 定义所需行为。
3. 将工作分解为更小的任务。
4. 将适当的任务分配给智能体。
5. 检查智能体的计划。
6. 让智能体在受控环境中实施。
7. 运行测试和安全检查。
8. 审查结果。
9. 请求修改或修订设计。
10. 批准、合并和监控软件。

跳过规划和审查阶段的人可能仍然可以编写代码，但无法可靠地生产出值得信赖的产品。

原始代码输出的局限性

原始代码生产正成为衡量能力的一个较弱指标，因为智能体可以快速生成大量看似合理的代码。与此同时，智能体在长期软件演进、多文件修改、不明确的需求以及在重复修改中保持行为一致性方面仍然面临挑战。2025年的一项基准研究发现，智能体在独立问题解决任务和更复杂的长期软件演进任务上的表现存在显著差距。(arxiv.org)

这造成了一个重要的教育区别：

• 能生成代码的学生可能并不理解它。
• 能解释、测试、质疑和修复代码的学生展现出更深层的能力。

因此，教育目标应该变为经过验证的软件判断力，而不仅仅是成功的代码生成。

课程如何适应

大学课程正转向理解和验证

ACM、电气电子工程师学会计算机协会和人工智能促进协会发布的《2023年计算机科学课程报告》预计，生成式人工智能将改变编程教育。其指南建议学生需要更注重阅读、理解、验证、编辑、修改、适应和测试代码。它还将问题分解确定为可能变得更重要的领域。(csed.acm.org)

同样的指南提出了一个关键点：即使程序由智能体编写，人类仍需负责判断程序是否正确。这意味着编程教育不能简化为编写提示。学生需要足够的专业知识来评估输出结果。

该报告还预计软件工程教育将发生变化，包括更广泛地使用人工智能进行代码生成、调试、静态分析和代码审查。有效使用这些工具需要更强的设计和代码理解能力，而不是更弱的能力。(csed.acm.org)

认证开始奖励更广泛的工程成果

工程与技术认证委员会当前的计算认证标准已经强调：

• 复杂计算问题的分析
• 计算解决方案的设计与评估
• 专业沟通
• 法律与道德责任
• 安全与隐私
• 计算的社会影响
• 全面项目或实践经验部分 (abet.org)

这些成果非常适合基于智能体的开发环境，因为它们衡量的是判断力和责任，而非键盘敲击次数。

截至2026年7月26日，工程与技术认证委员会针对2026-2027周期提出的修改建议包括新增人工智能项目标准，并要求毕业生能够将人工智能理论、模型和技术应用于复杂问题。这些修改建议仍在等待最终通过，预计将在2026年秋季会议后生效，并于2027-2028审查周期首次应用。(abet.org)

未来方向清晰可见：各项目将需要证明学生能够构建和评估系统，而不仅仅是完成孤立的编程练习。

新课程将智能体使用作为一门工程学科进行教授

近期几所大学的课程展示了这一新兴模式。

马里兰大学2025年关于有效使用人工智能编码助手和智能体的课程涵盖了可调用构建系统、运行测试和修复错误的工具。它还涉及可维护性、架构、应用程序编程接口设计、效率、可扩展性、安全性、持续集成、代码审查、异步智能体和自动化代码审查。(cs.umd.edu)

宾夕法尼亚大学提出了一门专注于人工智能驱动软件开发的大二计算机科学课程。其拟议主题包括编码任务的委托、模块化设计、可扩展测试、风险管理、可重现性、协作和伦理。(seas.upenn.edu)

密歇根大学2026年秋季课程“应用智能体软件工程”则更加明确。它分为三个阶段：

1. 有效使用编程智能体
2. 使用大型语言模型应用程序编程接口构建智能体
3. 设计、评估和部署智能体编排器

该课程采用项目、实验、演示和核查点而非传统考试。它指出评分将奖励理解而非产出，并要求学生解释智能体为何失败以及如何修复周边系统。(eecs498-aase.github.io)

这是一个重大的设计变革。该课程并非教授学生更快地生成代码，而是教他们成为生成代码系统的技术主管。

训练营如何改变

训练营比许多传统课程适应得更快，因为它们的课程与就业需求紧密相连。然而，适应的质量参差不齐。

专用人工智能训练营模式

Le Wagon 目前的人工智能软件开发训练营将全栈开发与人工智能集成相结合。其发布的课程包括人工智能辅助编程、大型语言模型集成、生产部署、检索增强生成和自主人工智能智能体。(lewagon.com)

这种模式将人工智能视为贯穿整个课程的一条主线，而非单一的可选课程。学生需要学习以下两方面：

• 传统软件系统如何运作
• 如何使用人工智能工具构建和操作这些系统

这种结合至关重要。只懂得操作智能体的学习者可能无法识别有缺陷的架构。只懂得传统编程的学习者可能无法适应现代开发工作流程。

“添加人工智能单元”模式

Springboard 的软件工程训练营保留了在网络开发、应用程序编程接口、前端开发、后端开发和全栈项目方面的传统基础，同时增加了专注于提示工程和与生成工具协作的人工智能单元。(springboard.com)

这种模式适用于首先需要扎实编程基础的学习者。它也反映了一个实际情况：许多学生不应一开始就着手构建自主智能体。他们应该首先学习软件如何工作、如何使用版本控制、如何阅读错误消息以及如何测试程序。

缺点是简短的提示工程模块可能过于肤浅。一个严肃的智能体时代课程应该教授的不仅仅是如何请求代码，它还应该教授：

• 如何创建代码库上下文文件
• 如何编写技术规范
• 如何定义任务边界
• 如何限制智能体的权限
• 如何审查智能体计划
• 如何评估生成的测试
• 如何检测安全问题
• 如何比较替代设计
• 如何记录智能体参与情况

训练营学生应关注什么

潜在学生应询问课程是否评估以下方面：

• 学生能否解释他们未亲自编写的代码？
• 学生是否审查并修复有缺陷的智能体输出？
• 测试、安全性和可维护性是否被评分？
• 是否有现场演示或技术答辩？
• 学生是否维护版本控制的项目历史记录？
• 学生是否被教授如何在需要时脱离智能体工作？
• 课程是否教授产品发现和需求分析？
• 特定工具技能是否与持久的工程原则相平衡？

一个宣传“一周内用人工智能构建应用程序”的课程可能非常适合快速原型开发，但这与为专业软件工程做好准备是不同的。

认证如何适应

认证机构正在开发三种主要类型的证书。

特定工具知识认证

微软的 GitHub Copilot 认证评估负责任的使用、Copilot 功能、数据架构、上下文和提示制作、开发者生产力、隐私、内容排除和保障措施。考试有监考，时长一百分钟，可能包含交互式组件。(learn.microsoft.com)

此证书认可有用的职场知识。它可以证明一个人了解如何负责任地使用特定的开发平台。

它的局限性在于与某个产品紧密绑定。一个知道如何操作 GitHub Copilot 的专业人士，可能仍然缺乏分解复杂产品需求、质疑架构选择或审查安全敏感变更的能力。

基于平台的人工智能开发认证

AWS 认证生成式人工智能开发者 – 专业级认证范围更广。其考试指南包括基础模型集成、数据管理、合规性、实施、智能体人工智能解决方案、安全性、治理、测试、故障排除、监控和优化。(docs.aws.amazon.com)

然而，该考试主要是多项选择题和多项回答题。它是一个重要的知识测试，但不能完全证明考生是否能构建、审查或捍卫一个可运行的系统。(aws.amazon.com)

这说明了一个更广泛的问题：知识考试比绩效考试更容易扩展。认证机构可以有效地测试术语和设计原则，但实际能力需要一个候选人必须做出决策并处理失败的环境。

基于实验和项目的证书

微软的应用技能证书提供了一个更有前景的模型。它们要求学习者在基于实验室的评估中完成与实际工作相符的交互式任务。微软将这些证书定位为候选人能够解决真实的云和人工智能挑战，而不仅仅是回忆信息的证据。(learn.microsoft.com)

卡内基梅隆大学的行政教育“智能体人工智能项目”结合了现场教学、指导性实验室、作业、多智能体工作流、评估、防护栏、日志记录、可观测性和一个结业项目。(execonline.cs.cmu.edu)

这些项目与独立的专业认证并非完全相同，但它们展示了证书可能发展的方向：

• 更短的实践评估
• 沙盒开发环境
• 真实的仓库
• 评估和可观测性任务
• 毕业设计系统
• 口头或录制的技术解释
• 负责任工具使用的证据

衡量理解的评估技术

最佳评估策略并非禁止在所有作业中使用智能体。它在智能体能反映专业实践的地方使用智能体，并保留一些活动来衡量独立的理解能力。

1. 规格和分解文档

在编写代码之前，要求学生提交：

• 用户问题
• 功能需求
• 非功能需求
• 假设
• 约束
• 数据结构
• 接口
• 验收标准
• 任务分解
• 已知风险

文档应解释问题为何被分解为特定任务。

这衡量了学生在要求智能体实施问题之前是否理解问题。

2. 智能体规划检查点

要求学生在实施开始前展示智能体提出的计划。学生必须识别：

• 计划中哪些部分是可接受的
• 哪些部分是不完整的
• 哪些假设是不安全的
• 哪些任务需要人工批准
• 应该添加哪些测试

最终成绩应奖励学生判断的质量，而非智能体计划的长度。

3. 代码审查评估

给学生一个由智能体生成的包含故意缺陷的仓库。缺陷可以包括：

• 不正确的边缘情况处理
• 不安全的认证
• 糟糕的错误处理
• 隐藏的性能问题
• 重复逻辑
• 不清晰的接口
• 不足的测试
• 隐私侵犯
• 依赖风险

要求学生完成一份审查报告，其中包含严重级别、证据、建议的修复方案和回归测试。

这比要求学生从头开始创建另一个小型应用程序更接近专业的软件工作。

4. 反向解释和口头答辩

学生应该能够解释：

• 系统做了什么
• 为什么选择了该架构
• 哪些部分是生成的
• 智能体做了哪些假设
• 测试如何证明其正确性
• 还有哪些可能失败
• 接受了哪些权衡

可以单独或以小组形式进行简短的口头答辩。它不需要令人望而生畏。五到十个有针对性的问题通常足以揭示学生是否理解其提交内容。

5. 迁移任务

学生完成智能体辅助项目后，提供一个无法通过简单重复原始提示来解决的新需求。

例如：

• 添加新的数据源
• 改变性能目标
• 支持意外的输入格式
• 移除依赖
• 添加访问控制
• 解释一个失败的测试
• 在不改变其行为的情况下重构模块

学生可以使用智能体，但必须解释计划、验证变更并捍卫结果。

迁移任务衡量学生是掌握了通用方法，还是仅仅记住了成功的交互。

6. 测试设计和对抗性测试

学生的评分应基于其测试的质量，而不仅仅是生成的代码是否通过了提供的测试。

有用的要求包括：

• 编写边界测试
• 创建负面测试
• 测试无效输入
• 测试故障恢复
• 检查性能假设
• 在适当情况下使用基于属性的测试
• 测试安全敏感行为
• 解释哪些部分仍未被测试

关键问题不是“代码是否通过了测试？”，而是“学生是否知道需要测试什么？”

7. 版本历史和过程作品集

项目作品集可以包括：

• 初始规格
• 任务分解
• 智能体计划
• 主要提示或指令
• 提交记录
• 测试结果
• 审查意见
• 失败的方法
• 设计变更
• 最终反思

过程作品集不应成为提交每一行私人对话的要求。一份代表性的记录往往比一份庞大的文本记录更有用。

例如，普林斯顿大学2025年的编程课程允许使用生成式人工智能工具，但要求学生通过代表性摘要而非详尽的文字记录，在 readme 文件中描述其使用情况。(cs.princeton.edu)

8. 结构化同行评审

同行评审将学生从单纯的代码生产者转变为代码评论家。早期研究表明，基于评分标准的同行评估可以在中等准确度下接近教师评估，同时培养评估思维和参与度。(arxiv.org)

学生应被要求用证据来支持他们的评论。“这段代码很糟糕”不是一个评论。“这个函数在一个循环内部执行数据库查询，当集合增长时可能会造成性能问题”才是一个评论。

9. 提示和规范问题

提示问题是编程练习，学生在其中编写自然语言指令，使人工智能系统生成满足规范的代码。这种方法明确地教学生如何向代码生成系统传达计算要求。(arxiv.org)

这可能很有用，但它不应是唯一的评估方法。2026年一项涉及九百多名学生的研究发现，常见错误包括在提示中遗漏重要细节。当生成的代码失败时，学生通常专注于澄清他们的意图，而不是追溯代码或检查测试用例。(arxiv.org)

因此，提示可以揭示分解和沟通能力，但它必须与代码阅读、测试、调试和审查相结合。

评估结构示例

一个实际项目可以采用以下权重：

这种结构仍然奖励可用的产品，但它避免了学生仅仅因为智能体生成了大量代码而获得高分。

智能体辅助课程中的学术诚信

一刀切的禁令和无限制使用均不充分

一刀切的禁令可能适用于特定的基础评估，特别是当学习目标是独立编程实践时。然而，普遍禁令越来越难以执行，并可能阻止学生学习他们在专业工作中将遇到的工具。

无限制使用也不足取。如果学生可以不加解释地提交智能体生成的工作，评估可能衡量的是对工具的访问能力，而非学习成果。

最强有力的方法是明确的、作业层面的政策。

三种有用的政策模式

模式一：禁止使用智能体

适用于：

• 考试
• 基础编程练习
• 个人调试演示
• 核心算法练习
• 旨在衡量独立记忆或实现能力的评估

卡内基梅隆大学的命令式计算原理课程禁止在任何有评分的工作中使用人工智能工具，包括生成解决方案、解释解决方案、格式化代码和生成测试用例。(cs.cmu.edu)

模式二：限制使用智能体

适用于学生可以请求以下帮助的情况：

• 概念解释
• 文档帮助
• 错误信息解读
• 库或应用程序编程接口澄清
• 头脑风暴
• 对学生创建设计的评论
• 轻微重构

卡内基梅隆大学的系统课程允许使用人工智能工具来理解应用程序编程接口、库、框架、提供的代码和错误消息，但禁止请求部分或完整的作业解决方案。(cs.cmu.edu)

模式三：允许使用智能体但需披露

适用于实际的软件工程项目。要求学生披露：

• 使用了哪些工具
• 委派了哪些任务
• 生成的代码是否被复制、修改或重写
• 如何测试输出
• 学生学到了什么
• 设计的哪些部分仍由学生负责

普林斯顿大学的学术诚信指南规定，被允许的人工智能使用仍必须披露，并且将生成的输出冒充为自己的作品或未能披露其使用情况可能构成诚信违规。(scholarlyintegrity.princeton.edu)

哈佛大学教育研究生院也类似地允许澄清、头脑风暴和探索等用途，同时禁止学生提交人工智能生成的课程作业作为自己的作品。它还要求记录允许的使用情况，并警告学生仍需对准确性、隐私、版权和偏见负责。(registrar.gse.harvard.edu)

一份实用的披露声明

课程可以提供一个简单的模板：

我使用 [工具名称] 进行 [规划、调试、代码生成、测试、文档编写或审查]。我委派了 [具体任务]。我审查并修改了输出结果，测试了由此产生的系统，并对提交内容的准确性、安全性和原创性负责。

不应要求学生像披露委派实施一样披露普通的拼写纠正。政策应区分微小的辅助和重大的认知或技术贡献。

隐私与公平访问

机构应提供经批准的工具或替代方案。不应要求学生将机密课程作业、个人信息、未发表的研究或专有代码上传到公共系统。

联合国教科文组织的指南呼吁采用以人为本的方法，解决隐私、安全、公平、包容和机构准备等问题。(unesco.org)

课程还应考虑那些无力承担多种付费工具的学生。公平的课程可以做到：

• 提供共享的机构工具
• 提供本地或开源替代方案
• 设计不依赖于单一供应商的作业
• 评估推理能力而非对最强大模型的访问能力
• 为每个基本学习成果提供非智能体途径

有效整合智能体的实用方法

使用受控代码库

为学生提供一个包含以下内容的仓库：

• 清晰的 readme 文件
• 小型但真实的 codebase
• 自动化测试
• 持续集成工作流
• 已知问题列表
• 样式指南
• 安全检查清单
• 变更日志

这使得智能体的使用可观测，并为学生提供了比空白编程练习更真实的东西。

实施前要求制定计划

学生不应一开始就要求智能体“构建整个应用程序”。要求遵循以下序列：

1. 要求智能体检查仓库。
2. 要求智能体提供架构概述。
3. 要求智能体指出风险和遗漏信息。
4. 编写学生自己的任务计划。
5. 批准一项小型实施任务。
6. 审查结果变更。
7. 在继续之前运行测试。

这教授的是受控委派，而非盲目委派。

使用角色明确的智能体团队

一个简单的编排模式可以包括：

• 规划者： 提出任务分解
• 实施者： 修改代码
• 测试者： 创建并运行测试
• 审查者： 寻找缺陷和风险
• 人工评估者： 批准或拒绝变更

学生应该明白，增加智能体数量并不能自动提高质量。更多的智能体可能导致指令冲突、重复工作、成本增加和责任不清。

教育目标不是构建最大的多智能体系统，而是选择能产生可信结果的最简单工作流程。

内置人工审批关卡

在智能体进行以下操作之前，要求明确批准：

• 更改认证
• 修改数据模式
• 添加依赖
• 访问生产系统
• 更改部署配置
• 删除文件
• 合并拉取请求

这教导学生，自主性必须受到权限和审查的约束。

有意评估失败情况

智能体以有益的方式失败时最具教育意义。教师应包括：

• 模糊的需求
• 冲突的约束
• 不完整的测试
• 安全敏感操作
• 误导性文档
• 不稳定的测试
• 性能限制
• 看起来正确但破坏了其他功能的变更

学生的任务是诊断失败并改进流程。

2026至2031年能力框架

以下框架旨在即使特定工具发生变化，也能保持其有用性。

领域一：技术基础和代码素养

一个称职的开发者能够：

• 阅读不熟悉的代码
• 解释控制流和数据流
• 理解接口和依赖
• 分析算法复杂度
• 使用版本控制
• 不完全依赖智能体进行调试

证据： 代码解释、手动调试任务、设计评审和个人迁移练习。

领域二：问题框架和分解

一个称职的开发者能够：

• 澄清用户目标
• 识别约束和假设
• 区分核心与可选需求
• 将工作分解为可独立测试的任务
• 定义验收标准
• 识别何时任务过于宽泛，无法可靠地委派

证据： 规范、任务图、风险登记册和分解选择的解释。

领域三：智能体指导和上下文工程

一个称职的开发者能够：

• 提供相关的仓库上下文
• 给出精确的指令
• 定义边界和权限
• 选择何时使用智能体，何时不使用
• 比较替代方案
• 在智能体遵循错误解释时进行恢复

证据： 规划检查点、代表性交互记录和现场修订任务。

领域四：验证与审查

一个称职的开发者能够：

• 审查生成的代码
• 设计有意义的测试
• 识别隐藏的假设
• 审查安全和隐私风险
• 评估可维护性
• 解释测试未能证明什么

证据： 代码审查、对抗性测试、缺陷查找练习和口头答辩。

领域五：编排和操作

一个称职的开发者能够：

• 协调规划、实施、测试和审查工具
• 使用检查点和人工审批关卡
• 跟踪成本、时间及工具行为
• 维护可复现的工作流程
• 观察故障并改进系统
• 判断多个智能体是否增加价值

证据： 可运行的编排工作流、日志、评估报告以及成本或性能分析。

领域六：产品和系统设计

一个称职的开发者能够：

• 选择适当的自动化水平
• 设计模块化系统
• 平衡速度、质量、成本和风险
• 将技术决策与用户结果关联起来
• 识别何时简单的非智能体解决方案更优

证据： 产品概要、架构决策记录、原型和以用户为中心的演示。

领域七：负责任的专业实践

一个称职的开发者能够：

• 披露人工智能辅助
• 保护私人和专有信息
• 尊重版权和许可义务
• 识别偏见和可靠性风险
• 沟通不确定性
• 对最终系统承担责任

证据： 披露声明、风险评估、隐私审查和专业演示。

建议的熟练度级别

到2031年，专业证书应能体现通过这些级别的进展，而不仅仅是确认对某个特定软件工具的熟悉程度。

给不同利益相关者的建议

大学

• 在现有课程中加入智能体感知的软件工程模块。
• 保留基础编程和算法。
• 将部分代码生成作业替换为审查和迁移任务。
• 要求学生解释和捍卫重要工作。
• 培训教师掌握智能体工具、评估设计、隐私和诚信政策。
• 构建共享仓库和沙盒环境。

训练营

• 将传统开发和智能体辅助开发结合教学。
• 将测试、架构和安全性作为课程的核心部分。
• 要求提交包含过程记录的作品集项目。
• 增加现场技术演示。
• 教授产品发现和需求编写。
• 避免承诺仅凭提示就能培养出具备就业能力的工程师。

认证机构

• 增加基于实验室的评估使用。
• 纳入代码审查、测试、调试和威胁分析。
• 使用真实的仓库而非孤立的多项选择题。
• 考察与工具无关的判断力。
• 增加简短的口头解释或录制演示。
• 频繁更新内容，同时不使证书依赖于某个供应商的界面。

讲师

• 针对每次评估明确说明允许的范围。
• 围绕预期的学习成果设计作业。
• 为学生提供经批准的工具或等效替代方案。
• 评估过程、推理和验证。
• 将日志作为证据，而非唯一证明。
• 避免将人工智能检测软件作为主要的诚信机制。

学习者和产品创建者

• 学习足够的传统编程知识，以便阅读和质疑生成的代码。
• 从一个小产品开始，而不是一个模糊的大型应用程序。
• 在启动智能体之前编写好规范。
• 一次委派一个问题。
• 审查每一个变更并测试每一个假设。
• 记录重要决策。
• 将智能体视为一个快速的初级合作者，而非一个不容置疑的专家。

下一步的首要任务

对于开始产品创造之旅的人来说，最有用的第一步是：

选择一个小的用户问题，并编写一份一页的规格说明书，然后再要求智能体编写代码。

包括：

• 用户是谁
• 他们有什么问题
• 第一个版本必须做什么
• 它不能做什么
• 三个验收测试
• 一个重要的安全或隐私问题
• 三个小的实施任务

然后要求智能体审查规格并找出遗漏的需求，而不是构建整个产品。

修正规格后，只委派第一个任务。审查提议的计划，检查变更，运行测试，并记录下智能体出错的地方。

这一个练习教授了智能体时代最重要的教训：结果的质量与其说取决于智能体能生成多少代码，不如说取决于人类如何清晰地定义、监督和评估工作。

结论

开发者教育正迈向新的平衡。

学生仍然需要编写代码，尤其是在学习基础概念时。但专业能力将越来越多地通过问题分解、规范、代码理解、审查、测试、编排、产品判断以及自主系统的负责任使用来展现。

最强大的课程不会将编程智能体视为作弊工具或神奇导师。它们会将其视为强大但可能出错的工程工具。学生将学习何时使用它们、如何约束它们、如何评估它们的输出，以及如何对最终系统承担责任。

未来五年最具韧性的开发者将不是能手动编写最多代码或生成最长提示的人。而是那些能将不明确的目标转化为可靠过程、指导多种工具实现该目标、及早发现故障并解释为何最终软件值得信任的人。