AI 热点

Satya Nadella 谈代码变便宜后软件工程的变化

Pragmatic Engineer更新于 11月16日 22:34

Software engineering after code becomes cheap with Satya Nadella

AI 导读

微软 CEO Satya Nadella 在 The Pragmatic Engineer 播客中讨论代码生成变便宜后软件工程的变化,认为验证 AI 生成代码的正确性仍是难题。他提到 GitHub Copilot 因 IDE 形态在约六个月内被 Claude Code 取代而落后,并建议企业解耦 harness、记忆与模型以避免锁定,同时用本地模型加云端路由的混合智能方案控制 AI 基础设施。他还谈到微软首次向多数软件工程师提供自愿离职方案、初级招聘放缓,以及与 CMU 合作的 PRAISE 导师制项目。

推荐理由

AI 评分 60

微软 CEO 复盘 Copilot 被 Claude Code 反超的过程,并给出验证 AI 生成代码与自建 AI 基础设施的具体思路。

主题

标签

正文 · AI 翻译

The Pragmatic Engineer与Satya Nadella谈代码变便宜后的软件工程1×0:00当前时间:0:00 / 总时长:-1:02:39-1:02:39

与Satya Nadella谈代码变便宜后的软件工程微软CEO Satya Nadella谈AI对软件工程的影响、代码验证、混合云+本地模型,以及工程师的职业发展。Gergely Orosz2026年11月16日

现在可在YouTube、Apple和Spotify上收听和观看。本页顶部有本期节目文字稿,底部有本期节目时间戳。

本期由以下赞助商支持

• turbopuffer——一个极其可扩展、快速且廉价的混合搜索引擎,构建于对象存储之上,被Anthropic、Linear、Ramp等前沿公司以及许多其他公司使用。许多改用turbopuffer的公司将搜索成本削减了50%甚至更多,并获得快得多的结果。去看看。另外,也看看我基于turbopuffer构建的全新升级版The Pragmatic Engineer搜索!

• Linear——对我们开发者来说,一大挑战是要审查的代码量实在太大。Linear Diffs是Linear内部用于审查PR的新功能,所有上下文都集中在一处。它还支持堆叠PR。去看看

• WorkOS——WorkOS构建了Airlock,这是面向AI智能体的授权层。它会根据智能体的意图+你的规则评估每个请求,然后允许、拒绝或将其转交给人工处理。可与Claude Code、Codex和MCP网关配合使用。了解更多

当生成代码变得便宜、而验证代码成为难点时,软件工程会是什么样子?

在科技界,很少有人比Satya Nadella更有资格探讨这个热门话题。微软的CEO以软件工程师的身份开启职业生涯——这在大型科技公司的CEO中很罕见。Satya与我一起讨论微软内部构建软件的方式正在如何变化,以及这对我们软件工程师意味着什么。

我们从微软在2010年代中期拥抱开源,以及公开构建VS Code所获得的经验教训谈起。我问他,微软如何从凭借GitHub Copilot取得早期领先,到不得不追赶Cursor和Claude Code,这揭示了围绕快速改进的模型构建产品意味着什么。

Satya还解释了他所说的“软件工厂”是什么意思,为什么规格说明和验证正变得越来越重要,以及从事Windows操作系统等产品的团队正在如何适应。我们还谈到微软的自愿离职方案、围绕工程职业的AI焦虑,并听到Nadella告诫不要从初级招聘放缓中得出长期结论。

我们还探讨了开放模型和本地模型、为什么公司需要掌控自己的AI基础设施,以及如何围绕能力日益强大的智能体构建防护措施。Satya还为希望在这一变革时期脱颖而出的工程师提供了一些建议——以及为什么他希望花更多时间在构建上。

与Satya对话的要点

我很欣赏Satya的务实与深思——以及他在建议验证一切与LLM相关的事物时有多么务实,不要盲目信任任何事物或任何人(包括供应商或AI模型!)我记下的12个最有趣的要点:

1. 一种新形式的软件工程:团队构建软件工厂以改进工作。Satya提到Azure网络团队,该团队管理500多家光纤网络运营商,最近构建了一个智能体系统来更好地管理电子邮件和流程。如今,他们的运营效率因此大大提高。Satya认为这就是“AI转型”的现实:在继续日常工作的同时,在现有基础上构建软件工厂以改进团队运作方式。

2. GitHub Copilot落后于Claude Code,因为IDE在短短六个月内就淡出了。开发工具深植于微软的DNA,但微软完全没有准备好应对Claude Code以命令行取代IDE概念的做法。Satya承认Anthropic的这一举动让他们措手不及,这也让他明白,当出现非线性的模型跃迁时,使用该模型的产品形态可能迅速改变。他还承认,IDE在短短六个月里“淡出”,而微软在开发工具领域的强项一直是IDE,即VS Code。听起来微软在这里吸取了教训,如今在开发工具上更加灵活,也不再那么执着于过去的形态。

3. “拥有智能”:避免锁定,并将智能体视为内部风险。Satya告诫公司要避免被任何单一模型提供商锁定,确保harness、记忆和模型不相互耦合,以便能轻松更换。他还认为更多公司应考虑使用开放模型,以此保护其核心知识产权(IP)不外泄,并构建私有评估来决定使用和升级哪些模型。他还说,模型很智能但不可靠,所以最好将它们视为“内部风险”,并构建一个单独的系统来验证智能体系统是否按预期工作。

4. 微软正在押注“混合智能”。Satya质疑,既然去年达到前沿水平的模型已经能在笔记本电脑上运行,而上一季度才达到前沿水平的模型已经能在台式机上运行,我们为什么还要依赖云端来提供AI基础设施。他预测“混合智能”这一概念将会流行起来,即在笔记本电脑和台式机上运行本地AI模型,并由一个模型路由器来决定何时使用廉价、“不计费”的本地模型,何时路由到云端更强大、更昂贵的模型。微软正在构建基础设施,以通过其Microsoft AI(MAI)模型和Surface Laptop Ultra产品线来支持这种路由。

5. 代码生成已经变得廉价,但验证仍然困难。Satya透露,他最近一直在深入思考,验证当今生成的代码是否正确有多么具有挑战性。让模型对生成的代码进行“批判”是一种解决方案,但这涉及模型对齐问题,例如模型以不可取的方式达成目标;比如通过删除失败的测试来让测试通过。Satya还认为,我们将开始基于生产轨迹构建更多验证循环,形成一种“递归自我改进”(RSI)。但要做到这一点,模型需要能够验证修复,这意味着我们又回到了验证问题!在这次对话中,我们没有得出任何确定的解决方案,这告诉我,这是一个会让许多工程师持续忙碌的问题领域!

6. 那些自愿离职方案是怎么回事?我直接问Satya,为什么微软最近在公司历史上首次向大多数软件工程师提供自愿离职方案。我还想知道这是否可能意味着未来会裁员。不出所料,他的回答很圆滑,而我更直接的理解是:

大规模转型/重组很可能发生,因为团队规模(许多会变小)和职能都会发生变化,同时会组建许多新的AI相关团队。

内部对新的AI相关岗位(如前置部署工程师)需求很高。

自愿离职方案可以激励那些觉得自己在当前团队“卡住”的工程师(例如,如果做AI相关工作的机会较少)去别处面试,并且在手握offer的情况下离职,拿到较少的“奖金”。Satya承认,即使在微软内部,也并非所有团队都收到了关于变得更加AI原生的通知。受影响的人可以在12月之前接受自愿离职方案,可以合理假设许多人确实正在其他地方面试!

前方有很多变化。我的看法是,任何“前AI”公司都必须重组自身,而不仅仅是微软。至少Satya对此很坦率。

7. 初级招聘放缓的原因是公司正在摸索新的工作方式。我问微软是否在招聘应届毕业生和初级员工,Satya承认这方面有所放缓(许多地方也是如此)。他指出目前正在进行的一个过程是原因所在:

团队规模和角色正在发生内部重组

各团队正在摸索如何构建“软件工厂”,以及如何平衡人力成本/投入与token预算

当这一切都弄清楚后,初级招聘就会恢复

在微软,大多数团队都忙于想出新的工作方式,所以现在不是引入新员工的好时机。Satya预计这个“重组”阶段是暂时的,之后招聘将会恢复。

8. 微软启动了一项面向AI加速开发的“导师制”项目。微软与卡内基梅隆大学合作,推出了PRAISE项目(Preceptorship for AI-accelerated Software Engineering,AI加速软件工程导师制)。这实际上是一个借鉴自护理领域的概念,即新护士与经验丰富的护士配对,以培养实践经验和信心。导师是经验丰富的软件工程师,他们指导“学员”有思考地使用AI工具,同时培养强大的系统思维、品味和判断力。我希望更多公司考虑与教育机构合作开展这类项目;也许这个项目会启发其他工程领导者。

9. 下一个重大工程挑战:在团队和公司内部构建“软件工厂”。Satya认为,每家公司都需要控制自己的AI基础设施——harness、上下文、记忆、模型——而验证生成的代码是一个困难且目前尚未解决的问题。在微软内部,他看到许多团队在构建自己的“软件工厂”,以改善团队和组织运营。随着我们交谈,越来越明显的是,构建软件工厂看来将成为整个行业普遍存在的工程问题,因为这是一个新颖的挑战,没有太多现成的“蓝图”。每个团队和公司的情况都会略有不同。这个领域将会有大量工作要做!

10. “迁移”到AI与迁移到一项新技术相当不同。我们谈到,“迁移”成为“AI原生”感觉类似于一个引入新技术的棕地项目,比如从HTML+JavaScript迁移到React。Satya也察觉到一些不同之处:

所有工具都在变化,而不仅仅是单一技术:运行时、框架以及IDE的概念

当一个新的模型带着新能力发布时,它可能会让现有的配置失效,就像 Opus 4.5 及以上的模型让 IDE 失效一样。

11. Satya 对决策模型非常热情。Satya 很喜欢像“Jev”和微软的“Decision-1”这样的决策模型,认为它们是一种新的原语。他说:“这些决策模型有点像 Excel 宏。电子表格加上宏之后发生的事,也可能发生在把智能作为原语嵌入的代码上。这种原语有一种分布,不需要一次又一次地生成,它是 token 高效的。我认为这正是软件工程依然非常有活力的领域之一。决策模型就像是智能时代的存储过程。”

12. Satya 关于用 AI 取胜的建议:不要再读、再听关于它的内容,开始更多地使用它。他说:

“在播客上说这话很讽刺,但就是‘多做、多学、亲自动手’。亲身去体验它。如果我能改变我‘说’与‘做’的比例,我会的。就是现在。如果只能给一条建议——无论你是职业中期、CEO,还是刚毕业的大学生——那就是你能花越多时间去学习、去加入正在做这件事的团队,就越好,胜过我能想到的任何其他事。”

与本期相关的 The Pragmatic Engineer 深度文章

• AI 将如何改变操作系统?深入解析 Windows

• 面向开发者的 LLM 评估实用指南

• 什么是“循环工程?”

• 什么是推理工程?深度解析

• 什么是前置部署工程师,为什么他们如此抢手?

• 代码审查正在发生什么?

• 在真实世界中构建 MCP 服务器

• 微软正在内部试用 AI 开发工具的未来

时间戳

00:00 开场

02:12 微软的开源转向

04:15 公开构建 VS Code

05:55 Copilot、Cursor 和 Claude Code

09:52 决策引擎

12:32 验证 AI 生成的代码

15:39 软件工厂

20:45 将 AI 引入现有产品

24:06 为什么采用 AI 不同于采用 React

26:29 软件工程师角色的变化

29:25 微软的自愿离职方案

34:05 AI 焦虑与角色变化

36:35 初级招聘

42:36 开放模型

45:39 拥有你自己的 AI 基础设施

51:21 建立对 AI 智能体的信任

53:48 本地模型与混合智能

56:39 微软的模型战略

本期提到的内容:

• 九名工程师,一天内 1,211 个拉取请求:构建 Copilot Cowork 的经验教训,作者 Bas Brekelmans:https://commandline.microsoft.com/how-we-built-copilot-cowork-python-to-rust-migration/

• 微软与 CMU 合作培训早期职业软件工程师:https://s3d.cmu.edu/news/2026/1015-microsoft-cmu-praise.html

• Pi:开源编码智能体与智能体工具包:https://github.com/earendil-works/pi

• 《知识在社会中的运用》,作者 Friedrich A. Hayek:https://www.econlib.org/library/Essays/hykKnw.html

—

制作与营销:Pen Name。

关于本期的讨论

准备好了解更多了吗?

来源

Pragmatic Engineer