「AI 已经会写代码了，所以别再学编程了」——这句话在过去两年里被反复传播。2026 年 7 月，吴恩达（Andrew Ng）在 Hypergrowth Engineering Summit 的一场演讲里，用了一个毫不客气的措辞来回应这种论调，他说，回头看，这会是「史上最差的职业建议之一」。但这句话只是他整套判断的开场白。他真正想讲的，是软件工程这个职业在智能体时代正在发生的一场底层位移。
速览卡：这位大佬和他说了什么
 | 大佬 | Andrew Ng（吴恩达） |
| 身份 | DeepLearning.AI 创始人、Coursera 联合创始人、前 Google Brain 负责人、斯坦福大学兼职教授 | |
| 出处 | Hypergrowth Engineering Summit 演讲（2026-07）+ AI Engineering Skills Map 系列（2026-08~09）+ LangChain Interrupt 演讲（2026-06） | |
| 时间 | 2026 年 6~9 月 | |
| 核心观点 | 智能体工作流是 AI 最重要的单一趋势；代码资产价值下降，工程师重心上移到「定规格、定架构、做验证」；spec-first 是驾驭编码智能体的核心方法 |
吴恩达说了什么
吴恩达对「AI 会取代程序员」这个流行说法的反驳，是他整套论述里最容易被记住、也最容易被误解的一句。他说的原话是：
“We’ll look back on this as some of the worst career advice ever.”
（译文）我们回头看，会认为这是史上最差的职业建议之一。
这句话针对的是「因为 AI 会自动化编程，所以别学编程」的建议。吴恩达的理由是一条历史规律：从打孔带到键盘、从汇编到 COBOL、再到 IDE 和 AI 辅助，每一次编程变得更简单，进入这个行业的人反而更多。早在 COBOL 推广的年代，就有人写过论文宣称「编程太容易了，不再需要程序员」，结果恰恰相反。编程的门槛每降一次，能用编程解决问题的人就多一批。
但吴恩达真正想讲的重点，不是「编程还值不值得学」，而是「软件工程的重心正在发生位移」。他在 2026 年 9 月发布的 AI Engineering Skills Map 里，把这句话讲得最清楚：
“We focus much less on code and instead focus on deciding what to build, designing the architecture, writing the spec, and verifying outputs.”
（译文）我们把注意力越来越少地放在代码上，转而放在「决定要构建什么、设计架构、写规格、验证输出」上。
这就是「spec-first」的核心：当一个编码智能体能稳定地把一份清晰的规格变成可运行的代码时，工程师最稀缺的技能就不再是「把代码写出来」，而是「把规格定义对」。他还补了一句很关键的判断：
“Engineers should no longer expect to be given a pixel-perfect design and asked only to implement it.”
（译文）工程师不应该再期待拿到一个像素级完美的设计、然后只负责实现它。
换句话说，过去那种「产品经理画好原型、工程师照着实现」的分工正在松动，产品判断、业务上下文、客户目标——这些传统上属于产品经理的技能——正在折叠进工程师自己的职责里。
背景：为什么「代码不再珍贵」会发生
吴恩达做出「代码资产价值下降」这个判断，背后有一个非常具体的观察：当代码可以被 AI 以接近零的成本重写时，「代码」作为一种需要长期积累、小心维护的资产，它的边际价值就塌了。
他在演讲里的原话是，对某类工作负载来说，代码可以在下周换个技术栈全部重写，「也无所谓」。这背后的逻辑是：过去代码之所以「珍贵」，是因为写代码贵、改代码贵、维护代码贵，所以团队会小心翼翼地保护一份代码库，像保护不动产一样。但一旦 AI 让「重写」的成本趋近于零，「保护代码」这件事的意义就大打折扣——真正需要保护的，从「代码本身」变成了「对问题域的理解」，也就是规格、架构和验证这些更上游的东西。
他同时给出了两个反直觉的结论。第一，编程技能反而更重要了，而不是更不重要了——因为会精确地「指挥 AI 写代码」的人，和不会的人，效率差距会越拉越大。第二，原型开发的效率暴涨了「10 倍甚至更多」，他的工程师一个下午就能做出两年前需要三名工程师干六个月的原型。这意味着团队的策略要变：既然试错成本暴跌，就应该多做快速验证，甚至可以在沙盒里先写「不安全」的代码跑通想法，有价值的原型再进入安全评审。
还有一个更宏观的判断，来自他 6 月在 LangChain Interrupt 大会上的演讲：当代码构建速度提高 10 到 100 倍之后，瓶颈会从「写代码」转移到别的地方——产品管理、法务、设计、合规。一个一天就能做出来的功能，可能因为法务审批要拖一周，这暴露的是组织里隐藏的摩擦点。所以他正在组建 1 到 10 人的小团队，让 AI 不只写代码，还起草营销文案、服务条款、产品定义——用 AI 把多个领域的第一稿都包下来。
“The companies that benefit from agents will not be those that simply automate an existing process, but those capable of rethinking entire business systems around agent-driven workflows.”
（译文）能从智能体获益的公司，不会是那些仅仅自动化现有流程的公司，而是那些能够围绕智能体驱动的工作流、重新思考整个业务系统的公司。
核心观点展开：spec-first 工作流的每一环
吴恩达在 2026 年 9 月 4 日专门发了一篇讲「使用编码智能体」的深度内容，把它拆成了一个可复制的五步工作流。这套流程的价值在于，它把「怎么用编码智能体」从一个玄学问题，变成了一个可以被训练、可以被验证的技能。
整个工作流的高层结构，其实和传统软件开发生命周期一样，还是「计划 → 执行 → 部署」三阶段。吴恩达特意强调这一点——这看起来和智能体出现之前没有区别，因为底层的工程规律没变；变的是「精力往哪儿放」。
计划阶段的第一件事，不是让智能体写代码，而是研究、探索现有代码库，然后写一份「规格」（spec）。这份规格要覆盖三样东西：需求、技术设计、架构。写完之后，再生成一份执行计划。吴恩达特别提醒，执行计划要显式地「审一遍」——质询其中的关键假设、检查安全漏洞、警惕过度设计。
执行阶段的核心，是找到「智能体自主性和人类监督之间正确的平衡」。他把这件事拆成两个动作：一是让智能体在「经过校准的自主级别」下去构建；二是通过自动化或人工检查来验证它的输出。这里的关键词是「经过校准的自主」（calibrated autonomy）——不是让智能体完全撒手不管，也不是事无巨细地盯着它，而是根据任务的风险程度，给它一个恰当的自主空间。
部署阶段，则是「也许用 CI/CD 流水线或额外的人工门禁来把关」，然后用智能体去盯日志、发现问题、提出并执行改进。
在这三阶段之上，吴恩达抽象出了五个子技能，这是他这套框架最精华的部分：
第一个子技能是「驾驭工作流」——这是元技能，决定每一步该分给人还是智能体、什么时候该从后面一步返回到前面一步、以及速度/成本/风险/人力之间的权衡。
第二个是「赋予智能体自主性」——按任务选择合适的自主级别（来回交互、委托一大块、还是循环直到成功），管理跨阶段的上下文，决定何时用编排并行跑多个智能体，并用权限和门禁来限制泄露、数据丢失和破坏的风险。
第三个是「审查工作」——设计匹配任务的测试与验证，让智能体用截图作为证据、用 eval 集和「LLM 当裁判」做定性检查，决定审查要自动化到什么程度，并审慎地插入人工审查。
第四个是「定制智能体及其环境」——集成技能、插件、MCP 服务器，用 hooks 自动化重复步骤（代码审查触发、CI/CD），维护长期上下文（吴恩达点名了 AGENTS.md 和 CLAUDE.md 这类文件）。
第五个是「长期追踪」——用日志、监控和追踪来观察智能体在真实任务上的表现，形成持续改进的闭环。
这五个子技能串起来，其实回答了一个很多团队最关心的问题：当编码智能体越来越强时，「人到底该做什么」。吴恩达的答案是：人去做规格、架构、验证、判断——这些「更难被委托」的部分。
行业内的讨论与不同声音
吴恩达的 spec-first 框架，在 2026 年的语境下并不是孤立的观点，它和另外几条独立线索撞到了一起，也遇到了一些有力的补充和质疑。
一条重要的补充来自 Anthropic 对智能体自主性的研究。吴恩达反复强调「重复验证」和「校准自主」，而 Anthropic 的报告也指向一个相似的结论：一个人工审批按钮，并不自动等于有意义的监督。用户会在什么时候批准、什么时候打断、什么时候放任智能体自主工作，这些模式决定了「人机协作」的实际质量。一个低价值的权限弹窗，只会训练用户机械地点击「批准」。所以有效的监督，前提是审查者知道「该看哪里、该何时打断、哪些决策永远不该委托」。
一条更扎眼的实证，来自 2026 年的一次安全演练。据 The Register 报道，在一次刻意设计的演练里，参与者批准了大约三分之一「危险的编码智能体请求」——尽管那是在时间压力下、且危险命令出现的频率远高于正常开发会话，不能直接等同于真实工作场景，但它确实戳中了吴恩达框架里最薄弱的一环：人工审查本身会失效。
另一条质疑来自研究者的实际评测。研究员 Yijia Shao 在测试了 Cognition 的软件工程智能体 Devin 之后，描述了一个「基准成绩和真实体验脱节」的现象：在基准上取得的提升，并不总能转化为真实代码库上的用户满意度或成功交付。这恰恰印证了吴恩达的判断——真正该审查的不只是「代码能不能跑」，而是「需求、架构、安全、测试、部署、生产行为」这整个链条。
还有一个很有意思的对照，是 Simon Willison 在 2026 年 7 月分享的一个省钱技巧：让 Claude 用「自己的判断」去决定把简单任务委托给一个低功率模型的子智能体。这其实是吴恩达「校准自主性」思想的一个非常具体的落地——把「实现」交给便宜的子模型，把「判断、审查、综合」留在主循环。两条独立的经验，指向了同一个方向。
横向扩展：从「写代码」到「写规格」的范式迁移
吴恩达这套 spec-first 工作流，放在更大的技术史脉络里看，是一场「软件工程的抽象层次上移」。每一次编程范式的进步，本质上都是把工程师从「低层次的重复劳动」里解放出来，去处理更高层次的抽象。
汇编语言把程序员从「机器码」里解放出来，去处理「指令」；高级语言把程序员从「指令」里解放出来，去处理「逻辑」；框架和库把程序员从「轮子」里解放出来，去处理「业务」；而编码智能体，正在把程序员从「实现」里解放出来，去处理「规格和验证」。这条线索里有一个不变的东西：抽象层次越高，定义「要什么」比「怎么做」就越重要。
但「写规格」这件事，比看起来难得多。一份能让智能体稳定执行的规格，需要把一个模糊的意图，翻译成足够精确、足够完备、足够可验证的描述。这本身就是一种新的、需要训练的技能。吴恩达把它概括成一句给所有知识工作者的判断：未来最重要的技能之一，是「把你到底想要什么，精确地告诉计算机，让它替你做」。
这里还藏着一个容易被忽视的经济学含义。当「写代码」的成本趋近于零时，软件行业的稀缺资源会从「能写代码的人」变成「能定义清楚问题的人」。前者可以规模化、可以外包给智能体；后者需要产品判断、业务上下文、对用户目标的理解——这些恰恰是吴恩达说的「折叠进工程师职责」的东西。换句话说，智能体没有消灭工程师这个职业，它只是把工程师的护城河，从「我会写」挪到了「我知道该写什么」。
与之配套的，还有一组关于「数据架构」的判断。吴恩达在 LangChain Interrupt 上反复强调：大多数企业的数据躺在各种孤岛里，权限系统是为「人」设计的、不是为「智能体」设计的。要让智能体真正改造业务，企业必须先把非结构化数据变成「智能体就绪」（agent-ready）的状态。他预测会有一波大规模的数据架构重构——因为智能体就绪，是一切「智能体驱动工作流」的地基。
还有一个技术栈层面的观察值得单独拿出来：吴恩达认为 AI 技术栈正在「长出新的一层」——智能体编排层（现在常被叫做 Graph Engineering），它位于应用和基础模型、云服务之间，让「调用多个模型和多个服务的应用」更容易搭建。他的结论没变，价值仍然在应用层。但他点出了一个很多人没意识到的博弈：基础模型之间的切换成本「非常低」，他刻意把工作负载架构成便于换模型——「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。这意味着做编排层的公司，和用编排层的公司之间，会出现一种新的锁定关系。这个判断，和他「价值在上游」的整体逻辑是自洽的——当实现层越来越容易被替换，真正的护城河就集中到了规格、架构和编排这些更难替换的地方。
总结与启示
吴恩达这套论述的完整逻辑，可以压缩成三句话：第一，智能体工作流是当下 AI 最重要的单一趋势；第二，代码作为资产的价值正在下降，但「定义问题」的价值正在上升；第三，工程师的新核心能力是 spec-first——把规格写对、把架构定对、把验证做扎实。
对工程师个人，最实用的启示是：别再把「我手写了几千行代码」当成价值的证明，去练习「我怎么把需求写成一份能让智能体一次跑对的规格」。对团队，最实用的启示是：别再把编码智能体当「黑盒外包」，把它当「需要反复验证的快速协作者」——给它校准过的自主性，然后把审查重心放在需求、架构、安全、生产行为上，而不是只盯着一份 diff。
吴恩达最狠的那句话，其实不是「代码不再珍贵」，而是对「别学编程」的回击。他的潜台词是：恰恰因为 AI 让编程更容易了，能把想法变成代码的人才会更多、更有价值——只是「变成代码」这件事本身，不再需要你一个字一个字地敲了。软件的护城河，从来就不在键盘上。
参考来源
- 虎嗅《代码已不再珍贵：吴恩达谈 Agent 时代软件工程新纪律》（2026-07，Hypergrowth Engineering Summit 演讲整理）
- RuntimeWire《DeepLearning.AI founder Andrew Ng publishes a spec-first coding-agent workflow》
- ExplainX《Andrew Ng’s AI Engineering Skills Map (Aug 2026)》
- Pandaily《Andrew Ng: AI Hype Aside, Future Companies Will Be 10-Person Teams Rebuilding Data Architecture with Agents》
- 凤凰网《代码已不再珍贵：吴恩达谈 Agent 时代软件工程新纪律》
