跳到正文
The Pragmatic Engineer· Gergely Orosz·· 1 天前AI 评分60

Satya Nadella 谈代码变便宜后的软件工程

Software engineering after code becomes cheap with Satya Nadella

AI 导读

微软 CEO Satya Nadella 在 The Pragmatic Engineer 播客中表示,代码生成变便宜后,验证正确性成为最难的问题,并承认 GitHub Copilot 因 Anthropic 的 Claude Code 转向命令行、IDE 形态在约六个月内淡出而落后。

正文 · AI 翻译

现在就在 YouTube、Apple 和 Spotify 上收听和观看。 本页顶部可查看本期节目文字稿,底部可查看本期节目时间戳。

本期赞助商

• turbopuffer – 一个可扩展性极强、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 等众多前沿公司使用。许多改用 turbopuffer 的公司将搜索成本削减了 50% 或更多,并获得快得多的结果。来看看吧。另外,也欢迎看看我基于 turbopuffer 构建的全新升级版 The Pragmatic Engineer 搜索!

• Linear – 对我们开发者来说,一大挑战就是要审查的代码量实在太大。Linear Diffs 是一项新功能,可在 Linear 内审查 PR,所有上下文都集中在一处。它还支持堆叠 PR。来看看吧

• 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和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

本期内容

当生成代码变得廉价、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 更有资格探讨这一热门话题。微软的 CEO 职业生涯始于软件工程师——这在大型科技公司 CEO 中很罕见。Satya 与我一起讨论微软内部的软件开发方式正在如何变化,以及这对我们软件工程师意味着什么。

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

Satya 还解释了他心目中的“软件工厂”是什么,为什么规格说明和验证正变得越来越重要,以及从事 Windows 操作系统等产品工作的团队正在如何适应。我们还谈到了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。

旁注:我们是在微软长达一天的 Outlook 宕机前几小时于雷德蒙德录制本期节目的,因此没有讨论此事。对那些发问的人:不,我在访问期间没有拔掉任何可能引发那次宕机的线缆 :) 不过,我已经在与微软内部负责此次宕机的团队沟通,并预计会在通讯中提供更详细的后续内容,说明出了什么问题以及我们能从中学到什么。

与 Satya 对话的要点

我很欣赏 Satya 的务实与深思熟虑——以及他在建议对 LLM 相关的一切都要验证、不要盲目信任任何人或任何事物(包括供应商或 AI 模型!)时是多么务实。以下是我记下的 12 个最有趣的要点:

1. 一种新型软件工程:团队构建软件工厂以改进工作。Satya 引用了 Azure 网络团队的例子,该团队管理着 500 多名光纤网络运营商,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,在既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 在短短六个月内就式微了。开发工具深植于微软的 DNA,但微软对 Claude Code 以命令行取代 IDE 概念的做法完全措手不及。Satya 承认 Anthropic 的这一举动让他们始料未及,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 在短短六个月内就“式微”了,而微软在开发工具领域的据点一直是 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,也不再那么固守过去的产品形态。

3. “拥有智能”:避免锁定,并将智能体视为内部风险。Satya 告诫企业要避免被任何单一模型提供商锁定,确保 harness、记忆和模型不被耦合,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。他还表示,模型虽然智能但并不可靠,因此最好将它们视为“内部风险”,并构建一个独立的系统来验证智能体系统是否按预期工作。

4. 微软押注“混合智能”。Satya 质疑,既然去年相当于前沿水平的模型已经能在笔记本电脑上运行,而上一季度才出现的相当于前沿水平的模型已能在台式机上运行,我们为何还要依赖云端来提供 AI 基础设施。他预测“混合智能”的概念将获得关注,即在笔记本电脑和台式机上运行本地 AI 模型,并由模型路由器决定何时使用廉价、“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. 代码生成已变得廉价,但验证仍然困难。Satya 透露,他最近一直在思考,验证当今生成的代码的正确性有多么具有挑战性。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)。但为此,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空间!

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,而我更直接的解读是:

  • 大规模转型/重组很可能发生,因为团队规模和职能将发生变化(许多团队会变小),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,做 AI 相关工作的机会较少)去别处面试,并且手握 offer 离开时只需支付较少的“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 月前接受自愿离职方案,可以合理假设许多人确实在别处面试!

  • 前方有很多变化。我的看法是,任何“前 AI 时代”的公司都将不得不重组自身,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)。他指出当前正在进行的一个过程是原因所在:

  • 内部正在就团队规模和角色进行重组

  • 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

  • 当这一切都理清后,那时初级招聘才会回升

在微软,大多数团队都忙于想出新的工作方式,所以现在不是招新人的好时机。Satya 预计这个“重组”阶段是暂时的,之后招聘会回升。

8. 微软已启动一项面向 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,即 AI 加速软件工程导师制)。这实际上是一个借鉴自护理行业的概念,即让新护士与经验丰富的护士结对,以培养实战经验和信心。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。我希望更多公司能考虑与教育机构合作开展这类项目;也许这个项目能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,每家公司都需要掌控自己的 AI 基础设施——包括运行框架、上下文、记忆和模型——而对生成代码的验证是一个艰巨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”,以改善团队和组织的运营。在我们交谈的过程中,可以明显看出,构建软件工厂将成为整个行业普遍面临的工程问题,因为这是一个全新的挑战,没有太多现成的“蓝图”。每个团队和公司的做法都会略有不同。这个领域将会有大量的工作要做!

10. “迁移”到 AI 与迁移到一项新技术有很大不同。我们讨论了“迁移”成为“AI 原生”的感觉,类似于一个棕地项目引入新技术,比如从 HTML+JavaScript 迁移到 React。Satya 也看到了一些不同之处:

  • 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

  • 当新模型发布并带来新能力时,它可能使现有配置失效,正如 Opus 4.5 及更高版本的模型使 IDE 失效一样。

11. Satya 对决策模型非常热衷。Satya 很喜欢像‘Jev’和微软的‘Decision-1’这样的决策模型作为一种新原语的方式。他说:“这些决策模型有点像 Excel 宏。电子表格加上宏所发生的一切,可以发生在将智能作为原语嵌入的代码上。这种原语具有分布性,不需要一遍又一遍地生成,它是 token 高效的。我认为这是软件工程依然充满活力的领域之一。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:停止阅读和聆听相关内容,开始更多地使用它。他说:

“在播客上说这话有点讽刺,但就是要‘多做、多学、亲自动手’。亲身去体验。如果我能改变自己‘说’与‘做’的比例,我会去改变。就是现在。如果有一条建议——无论你是处于职业生涯中期、是 CEO,还是刚毕业的大学生——那就是你越能花时间去学习、去加入正在实践它的团队,就比我所能想到的任何其他事情都更好。”

与本集相关的 The Pragmatic Engineer 深度文章

• AI 将如何改变操作系统?深入探讨 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?深度探讨

• 什么是 Forward Deployed Engineer,为什么他们如此抢手?

• 代码审查正在发生什么变化?

• 在真实世界中构建 MCP 服务器

• Microsoft 正在内部试用 AI 开发工具的未来

时间戳

00:00 开场

02:12 Microsoft 的开源转向

04:15 在开放环境中构建 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 Microsoft 的自愿离职方案

34:05 AI 焦虑与角色变化

36:35 初级人员招聘

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 Microsoft 的模型策略

59:26 给工程师的建议

1:01:21 收尾要点

参考资料

在哪里找到 Satya Nadella:

• X: https://x.com/satyanadella

• LinkedIn: https://www.linkedin.com/in/satyanadella

• 博客(sn scratchpad):https://snscratchpad.com/

本期节目中提到:

• Visual Studio Code:https://code.visualstudio.com/

• Visual Studio:https://visualstudio.microsoft.com/

• TypeScript:https://www.typescriptlang.org/

• Git:https://git-scm.com/

• Microsoft 收购 GitHub: https://blogs.microsoft.com/blog/2018/10/26/microsoft-completes-github-acquisition

• Linux 上的 SQL Server: https://learn.microsoft.com/en-us/sql/linux/sql-server-linux-overview

• GitHub Copilot: https://github.com/features/copilot

• Cursor: https://cursor.com/

• Claude Code: https://claude.com/product/claude-code

• Diogo Almeida 撰写的 Introducing System One Models & Jev: https://typesafe.ai/blog/introducing-system-one-models-and-jev

• Achint Srivastava 撰写的 Introducing Microsoft-Decision-1: https://commandline.microsoft.com/microsoft-decision-1-model-foundry/

• Bas Brekelmans 撰写的 Nine engineers, 1,211 pull requests in a day: Lessons from building Copilot Cowork: https://commandline.microsoft.com/how-we-built-copilot-cowork-python-to-rust-migration/

• 使用 Copilot 将 GitHub Copilot 运行时迁移到 Rust: https://github.blog/ai-and-ml/generative-ai/migrating-the-github-copilot-runtime-to-rust-using-copilot/

• Rust: https://rust-lang.org/

• PRAISE:当 AI 编写代码时,新开发者将做什么?: https://commandline.microsoft.com/praise-preceptor-ai-accelerated-software-engineering-cmu/

• Microsoft 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

• Amanda Silver: https://azure.microsoft.com/en-us/blog/author/amanda-silver/

• Diogo Almeida: https://typesafe.ai/team

• 从 Copilot 到同事:AI 代理如何改变 Azure 网络运营: https://techcommunity.microsoft.com/blog/appsonazureblog/from-copilots-to-coworkers-how-ai-agents-are-transforming-azure-networking-opera/4519850

• React:https://react.dev/

• Microsoft Foundry: https://azure.microsoft.com/en-us/products/ai-foundry

• 在 Foundry Agent Service 中引入 Microsoft Copilot harness: https://devblogs.microsoft.com/foundry/microsoft-copilot-harness-in-foundry/

• Pi:开源编码代理与代理工具包:https://github.com/earendil-works/pi

• Mark Russinovich: https://markrussinovich.com/about-mark/

• Scott Hanselman:https://www.hanselman.com/

• Dave Cutler: https://news.microsoft.com/features/the-engineers-engineer-computer-industry-luminaries-salute-dave-cutlers-five-decade-long-quest-for-quality/

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

• Microsoft Ignite:https://ignite.microsoft.com/

• Surface Laptop Ultra: https://www.microsoft.com/en-us/surface/devices/surface-laptop-ultra

• 为混合智能构建 Windows: https://blogs.windows.com/windowsexperience/2026/10/07/building-windows-for-hybrid-intelligence/

• GitHub Copilot Fusion:模型路由与编排: https://github.blog/changelog/2026-10-28-route-and-orchestrate-models-with-github-copilot-fusion/

• MAI Code 1.1 Flash: https://microsoft.ai/news/mai-code-1-1-flash-br-better-faster-at-a-quarter-of-the-cost/

• 将本地模型和沙盒工具引入 Windows 和 GitHub Copilot: https://commandline.microsoft.com/local-models-sandboxed-tools-github-windows/

• MAI-Base-2:Microsoft AI 的前沿预训练: https://microsoft.ai/news/frontier-pre-training-at-microsoft-ai/

• Erich Gamma: https://github.com/egamma

• Achint Srivastava: https://commandline.microsoft.com/author/achint-srivastava/

• Bas Brekelmans:https://commandline.microsoft.com/author/bas-brekelmans/

—

制作与营销:Pen Name。

来源:The Pragmatic Engineer · newsletter.pragmaticengineer.com