昂贵能力变成日用品
从个人电脑、互联网、移动支付到大语言模型，从前稀缺的能力迅速变成日常用品。作业、考试和简历上的可见完成度同时贬值，学生陷入“没学会”和“学会了也没差别”两种焦虑（00:00:00–00:20:00）。
Agent 把“做完一件事”变成日用品之后，真正还活着的问题是 Intention、Specification、Implementation 之间的缺口，以及谁对长期结果负责
本文综合：这堂课的前半用装机、配置终端、读论文、修采集卡、填教务，说明许多从前很陡的学习曲线已经被 Agent 压平；后半用同一个 QR Excel specification 的对照，说明“做完”仍可走向可维护架构，或走向不可维护的 slop。两端连起来看，学生焦虑的根不是会不会手写代码。人和模型都在被短时 reward 训练成做题家：作业能交、测试能过、简历能填，但意图到实现的翻译仍然会失败。生成式软件工程要教的，是补上这个缺口，而不是和 Agent 比赛谁先做完。
TL;DR
两分钟读完
这不是工具清单，而是一堂用现场演示把学生焦虑接到软件工程缺口上的开课。
一句话
蒋炎岩主张：古法编程已经死了，Agent 在单任务上无人能敌，但软件工程暂时还没死，因为 Intention、Specification、Implementation 之间的缺口不会被更多 token 自动补上。
- 课程放在 PC、互联网、移动支付到 2022 年 ChatGPT 这条“昂贵能力变成日用品”的线上。学生有两套焦虑：AI 代做课后什么都没学会，或认真学完发现 AI 也会做。课堂展示一份看起来完美、却无 GitHub、无主页、无 preprint 的简历，评为零分（00:00:00–00:20:00）。
- 上课方式是 contents as code：讲义 Markdown 是 source of truth，幻灯片由更强模型扩写。课规包括禁止古法编程、token 自费（演示多用 DeepSeek V3 Flash）、希望按通过或不通过评价，最终看简历上能不能写出可打开的作品（00:12:00–00:29:44）。
- 普通人视角的实操：用自然语言从南大镜像站把 Linux 装到 U 盘并用模拟器验证；配置窗口管理器和终端；把邮件、发票、读论文和长视频做成可复用流程。课堂主张，会用与不会用 Agent 学习的效率可以差十倍到一百倍（00:29:44–00:48:34）。
- 现场 USB 采集卡断开后，Agent 用软件方式重连。浏览器自动化走过教务周历后，路径可以沉淀成脚本。作为 CS 专业人员的例子，统分流水线把 OCR 交给本地模型，把加法交给脚本，并保留人工核对（00:48:34–01:14:40）。
- QR Excel 把文件编成兼容旧版 Excel 公式的二维码动画。无监管生成也能“完成任务”，但出现硬编码 Base64 和不可维护代码。课堂对照的成功路径是先做对 Python 和 Excel 都友好的中间语言，再分别验证后生成（01:14:40–01:28:00）。
- 软件工程的缺口在三个空间之间。模型靠猜去补，因为后训练奖励尽快做完。产品已经 slop 之后再砸 token，被类比为《人月神话》里往失败项目加人。收束问题是：保研时为什么招你，而不是买一个 200 美元的 Claude Max（01:28:00–01:40:00）。
THE ARGUMENT
整期内容的一条主线
整堂课可以收成一条从能力日用品化到工程缺口的链：
单任务完成变成廉价
有了可调用工具的 Agent loop 之后，装机、配环境、填网页、消化长视频都可以用自然语言交付。上限变成想象力和能不能感知模型边界，而不是先不先手写配置文件（00:29:44–01:05:10）。
做完不等于可维护
把同一条 QR Excel specification 丢给模型，可以跑很久并宣布完成，却走出硬编码和不可维护实现。教务系统多年加字段、加功能，被用作同一类失败的大型例子（01:14:40–01:28:00）。
人要补的是三个空间之间的缺口
Intention、Specification、Implementation 之间会放大很小的需求偏差。生成式软件工程要阻止模型乱猜，又要利用它从 A 到 B 的能力；人需要设计验证、卡住坏方向，并对长期结果负责（01:28:00–01:40:00）。
DEEP DIVE
内容提炼
以下按官方章节和课堂推进顺序组织，并分开观察、主张和预测。专有名词以转写为准，公开引用前应回听音频。
0100:00:00–00:20:00
交叉路口：能力日用品化、两套焦虑和零分简历
蒋炎岩从 1975 年 Altair、ICQ/OICQ、移动支付二维码讲到 2022 年 ChatGPT，把历史写成“把昂贵能力变成日用品”。在这个交叉路口，他决定开一门以 vibe coding 为主的软件工程课，核心问题是怎样让软件不失败，并试着建立驾驭人工智能的能力。
- 第一种焦虑：老师用模型出题、学生用模型做作业，闭环里只有学生没被训练；操作系统作业也可以丢给编码 Agent 直接实现。
- 第二种焦虑：一直听课、交作业，毕业时发现学会的东西模型都会做。
- 课堂展示一份 AI 处理过隐私的简历：看起来有 CCF 列表论文和在投记录，但没有 GitHub、个人主页或 preprint，被评为没有额外信息的零分简历。
- 他希望这门课带回编码的乐趣，做出能让简历可区分的东西；对部分评审场景，他甚至把“有一篇发表论文”说成可能的减分项。
在 Agent 能交作业之后，可检查的完成度不再能把人分开；缺的是能打开、能追问的作品。
0200:12:00–00:29:44
课程形态：contents as code、禁止古法编程、token 自费
这门课按案例松散组织。想挑战讲法的人来线下；只想获取知识的人被建议既不必到课也不必看直播，因为课后会把录像切回可维护材料。讲义 Markdown 是 source of truth，播放稿里添油加醋的部分由更强模型生成。
- 幻灯片工作流包括 make slides skill、多个不同 personality 的 subagent，以及用另一个模型做盲评；课堂称图片全部生成。
- 课后 review 即兴表演，把录像切片重新接回 code，目标是让课程可以被别人定制和维护。
- 课规包括禁止古法编程、token 自费。演示除幻灯片外多用 DeepSeek V3 Flash；有付费 token 被说成上课前提，有困难可联系老师。
- 他希望用通过或不通过评价，但教务反馈专业选修课通常不是这种形式。建议项目包括宿舍常开机器上的邮件管理系统；最终仍看简历上能写出哪些设计、实现和链接。
这门课把自己也当成软件：先约束模型做什么，再把现场表演沉淀回可维护的 source。
0300:20:00–00:29:44
使用者视角：next token、ReAct Agent，以及尚未释放的能力
课不讲训练细节。大语言模型被说成学到的概率分布：在很长的上下文后面继续预测下一个 token。有了推理，并让模型输出调用程序的特殊 token 之后，结果回到 loop 里，Agent 就可以自己试。
- 2023 年 GPT-4 用“闭眼向山扔石头、听哪些方向弹回”给五岁孩子解释扫描电镜，课堂称这个比方后来核对是对的。
- GPT-4 时代用一条 prompt 给编译器找大量 bug 的工作，被说成在更强模型里变成一句话。
- 去年操作系统课上 Agent 经常做不完就停；今年已经能用。终端里的 Sway、eza、fd 等配置被说成一句自然语言加便宜模型完成。
- 蒋认为 next-token prediction 效率低，Diffusion 式语言模型和可回改的上下文仍在研究。他明确说不能预测哪条路线胜出，但可以预见世界会变得很不一样。
这门课站在使用者一边：先承认模型是概率机器，再把可调用工具的 loop 当成已经能用、但还远未用尽的能力。
0400:29:44–00:40:00
实操一：自然语言装机，人只带模型做它现在做不到的事
实操从“现在就开始用、随时问它”开始。Agent.md 让教学辅助 Agent 知道这门课；想象力被说成上限。第一个完整例子是课堂 U 盘系统：从 mirrors.nju.edu.cn 取 Fedora 镜像装到 U 盘，并用模拟器验证可以登录。
- 点睛之笔是用模拟器验证，而不是只看安装命令是否跑完；用户名、密码和 tiling window manager 也用自然语言交付。
- 不会用快捷键时，让模型根据当前系统生成文档；课堂称终端和 Neovim 的配置文件一眼都没看。
- 主张：今天更需要感知模型能做什么、能做到什么程度，然后带它做更大的、它还做不到的事。没有这个能力就被淘汰，是个人观点。
- Agent 压平了终端配置这类陡峭学习曲线，还可以解释为什么这样改。伴随的危险是：先搞出来再复盘，得到的理解可能和更好的理解有差距，差距能否补上未知。
装机仙人被一句话取代，靠的不是不再需要知识，而是把验证写进交付条件。
0500:40:00–00:48:34
把邮件、书、论文和长视频收进同一套学习机器
第二条线是日常事务和学习输入。邮件 skill 按历史回信写草稿、归档发票；用系统提醒触发打印，课上收到“发票已打印”的通知。读书从《人月神话》和 Ousterhout 的软件设计讲起，但阅读过程已经变成和 Agent 对话。
- 读论文的方法是：把人类已有知识当作已知，把十二页里最少的新意剥出来，再拿原文和分层摘要继续问。
- 做幻灯片时用多个 personality 讨论到收敛，课堂称为算力换智力。
- 给一个 BV 号生成图文时间轴，在画面变化足够大时截图当 ground truth，再按自己的记忆去掉已经知道的部分，用几分钟看完约两小时视频。
- 主张：会用和不会用 Agent 学习的人，效率可以差十倍到一百倍；若所有简历看起来一样，真正拉开差距的是你看不见的那种学习速度。更吓人的内容被留到下一课。
个人 Agent 的价值不在单次问答，而在把输入、记忆和输出连成可加速的闭环。
0600:48:34–01:05:10
现场修采集卡，并用浏览器把教务路径沉淀成脚本
课间后 USB 采集卡断开。一句 reconnect 之后，DeepSeek V3 Flash 用课堂称为“软件方式拔插”的 Linux 操作恢复视频。蒋据此说：空白 Agent 环境加上该模型的 API key，普通人立刻能做刚才那些事；但 Agent 还有插件和 skill 生态。
- 下一步被说成用插件把浏览器和电脑管起来。Chrome 被称作软件工程奇迹之一，代码量甚至远超内核；DevTools 让普通人也能带着登录状态去驱网页。
- 现场让模型不要读课程仓库，只用任意 AI slop 填空的教学周历。便宜模型先不听指令，课堂称更强模型会遵循得更好；它最终找到可点击的路径。
- 走过一次的 session 可以变成记忆和确定性脚本，也就是自动选课、抢课系统的雏形。
- skill 可以像 Unix 管道一样组合。RSS、B 站、arXiv、Hacker News 一类信息源可以进处理系统，形成飞轮。个人 Agent 产品被说成还不是终极形态；自动记忆也可能记住不该记的东西。
能力边界不在会不会点一次网页，而在能否把偶然走通的路径变成可复用的脚本和 skill。
0701:05:10–01:14:40
CS 视角：统分流水线把识别、计算和责任分开
如果只用 Agent 交操作系统作业，是小看了它。一般人容易提出 Agent 做不好的需求；CS 训练的是把需求编译成可复用的代码或 skill，并知道界限在哪里。例子是改完卷以后的统分。
- 流程：俯视摄像头对固定位置拍照，回车后离线识别姓名、学号和小分；第二阶段反序播报，人工核对 OCR，总分由脚本计算而不是让大模型做加法。
- 分数汇总到教务 Excel 模板后再抽样检查。课堂强调要对每一个学生负责，所以不信任 OCR，也不把算术交给会幻觉的模型。
- 本地可用约 27B 的通义千问和 Ollama，目的是降低人和 Agent 同步的代价。
- 他判断：把“一百四十张已改好的卷子帮我统分”直接交给最强模型，也到不了这么快收敛的方案。人和 AI 还需要共建；同时他赌有一天模型能感知这一切并给出更完整的方案。
专业判断首先是决定哪一步可以生成、哪一步必须确定执行、哪一步必须人看过。
0801:14:40–01:28:00
QR Excel：同一条需求可以做出动画，也可以做出 slop
软件工程段落从一个受控环境思想实验开始：数据能进不能出，不能跑不信任程序，只能远程截屏。课堂演示用 Excel 2019 之前就兼容的公式，把任意字符串编成带帧号的二维码动画；拍下每一帧就能把数据带出。
- 这是合法公式，不是安装额外程序。课堂还提到用鼠标抖动当比特、把远程桌面做成虚拟网卡，用来说明 CS 学生知道需要哪些组件，就可以让 Agent 写出来。
- 普通人侧被收成：学习、信息闭环、Computer Use / Browser Use，以及 everything is code。课堂提到和同学做的 Y5：自然语言打出真实物体。
- 随后转向失败：产品是系统工程，前端后端交互运营任一环做不好就会直接失败。教务系统多年为校区等字段打补丁，被用作需求缺口放大的例子。
- 对照实验：GPT-5.6 把需求扩大成对任意输入都要正确，违背“先做最简单、不会失败的东西”。Gemini 一次思考约 25 分钟、输出超过默认限制，无监管跑约 6 小时才结束；DeepSeek 用 Python 算好 Base64 贴进公式，输入变了编码不会变。两者最后都能交差，生成的都是不可维护代码。
Agent 完成任务的能力和它交出可维护软件的能力，已经不是同一件事。
0901:22:00–01:36:00
中间语言、三个空间，以及往 slop 上砸 token
课堂对照的成功路径是少量 prompt 加上架构：先设计对 Python 和 Excel 都友好的中间语言，用 XOR、concat 一类原语分别验证计算和公式翻译，最后再生成。硬编码版本只是挪一下工作区，就要修很久。
- 三个空间：Intention 是脑子里想要什么，例如做一个能把数据带出的 Excel，或做一个国民级应用；Specification 是功能、约束和界面要求；Implementation 是仍可彼此不同的具体实现。软件工程要补的是这些空间之间的缺口。
- 今天模型用猜来补缺口。后训练在任务做完、测试通过时给奖励，于是倾向立即上手、尽快完成。这和人先熟悉实现空间、再补全规格的学习顺序不一样。
- 《人月神话》的论断被平移过来：软件已经开始失败时，再加人只会更失败；AI 已经开始产生 slop 时，再砸 token 也会在失败物上继续修补，直到付不起为止。
- 需求端的小变化会像杠杆一样在实现端放大。程序分析、自动测试等研究被放回这个大图里：它们重要，但只覆盖从代码检查是否满足 spec 或 intention 的局部。
生成式软件工程不是让模型多写一会，而是先决定在哪个空间里停下来验证。
1001:32:00–01:40:00
做题家训练还在，软件工程暂时没死，课也可能很快过时
教育体系把人训练成解决分钟级题目：考场上五分钟做不完的题通常不会出现。这和 Agent 的短时 reward 同类，而 Agent 有更多数据和更明确的反馈。若没有足够好奇去看清产品如何做出来，人在长程问题上会输给 Agent。
- 软件工程失败的定义没有变：Intention 到 Specification 到 Implementation 的翻译错了。要么做出来的不是想要的，要么实现不满足正确性或性能。
- 课堂观察：面对 Excel 问题，当前各家模型都不会先去设计 DSL，尽管它们有足够智能把问题做干净。第一反应仍是做题家。工程品味被认为还没被训练出来，但也可能被训练出来。
- 预测：这门课现在讲的内容，可能在三个月后或学期结束前就不再成立。GPT-5.6 给 QR 和教务系统的设计被评价为一定会失败。
- 收束：古法编程已经死了；Agent 在单个任务上无人能敌；软件工程暂时还没有死。保研时要接住的问题是为什么招你，而不是买一个 200 美元的 Claude Max。课堂转述的好答案大意是：找到值得解决的问题，把未知拆成便宜实验，用证据让坏方向停下，并对长期结果负责；同时观察是，说出这个答案的模型自己做不到。
人目前还能回答“为什么招我”，是因为长期责任和品味还没有被短时 reward 训练出来；这不是稳定优势。
OPEN QUESTIONS
尚未解决的张力
课堂自己留下了几处没有用证据收住的拉力，值得和演示分开看。
先交付再理解，理解会不会永远落后
用 Agent 先把东西做出来，再回头复盘，学习效率可以高出很多VS这样得到的理解可能和更好的理解有差距，差距能否补上未知
蒋把这条危险说了出来，但课堂没有给出对照：同一批学生按“先搭积木”和“先交付再复盘”分别学完之后，在新问题上的迁移能力有何差别。十倍到一百倍说的是消化已有材料的速度，不能直接当成对概念掌握的测量。
禁止古法编程，机试和 GPA 仍在奖励手写
本课禁止古法编程，希望撕开体系的一个口子，让简历上出现可展示项目VS保研机试、刷题和 GPA 仍要求学生在小黑屋里手写，并且还得去 overfitting 考试
讲者承认从上而下改变体系很难，也承认分数仍然是走到简历那一步的门票。课规和学生真实激励因此是分开的。若本课按通过或不通过评价、又不能限制模型档位，项目质量差异可能更多反映 token 预算而不是工程判断。
便宜模型适合上课，但演示成功依赖讲者的先验
DeepSeek V3 Flash 足够便宜、课上更快，除幻灯片外的演示都用它VS填教务时它不听指令；更强模型被说成遵循得更好
U 盘安装里的模拟器验证、统分里不让模型做加法、QR Excel 的中间语言，都来自讲者已经知道正确路径。把这些成功直接外推到“空白环境和一句自然语言就够了”，会低估 specification 和验证是谁写的。模型档位、是否值守、是否先有架构，在课堂里被混在同一条“Agent 很强”的叙事中。
完成任务已经很强，可维护架构却仍要人先想到
无监管的长时运行也能把 QR Excel 做完，说明 Agent 的任务完成能力很强VS做完的是硬编码 slop；成功版本来自先设计中间语言，而不是模型自发选择这条路
对照实验的模型次数和失败模式是课堂口述，转写里的名称和数字未经逐词核对。更关键的是因果：可维护结果出现在人已经把编译器式基础设施写进 prompt 之后。这能支持“今天还需要生成式软件工程”，还不能支持“模型没有能力找到好设计”，只能支持“默认采样找不到”。
人要对长期负责，但这个分工可能很快被训练掉
人目前还能做模型不愿做的事：不扩大需求、设计 DSL、用证据停下坏方向、对长期结果负责VS讲者同时确信，模型见过好设计，既然能解决细碎逻辑和数学，也可能学会品味；课可能在学期内过时
这是明确的预测，没有时间表，也没有说明什么样的后训练会把“尽快做完”改成“先选可维护架构”。GPT-5.6 能说出保研问题的好答案却做不到，是课堂观察，不是对所有模型、所有任务的测量。把它当成稳定的人机分工，和讲者自己的危机感是冲突的。
SO WHAT
可执行启示
把课堂演示收成可以立刻做的动作，而不是再鼓励一次“拥抱 AI”。
ST
这门课的学生
- 今天就写一份 Agent.md，问它是谁、为什么知道这门课，并开始用它做本课项目；不要只用它交其他课的作业。
- 自备付费 token。课堂建议的量级是 DeepSeek 充值约 100 元，并利用低价时段；若确实没有预算，按课堂说法联系老师，而不是停在免费额度里旁观。
- 按建议做一个可长期跑着的作品，例如宿舍常开机器上的邮件管理服务：能收指定邮箱的信、能回复、能把设计、实现和链接写进简历。
- 本课作业禁止古法编程交差。机试和 GPA 仍按原体系准备，不要把两套激励混成“这门课可以不练基本功，其他课也可以不练判断”。
CS
用 Agent 做项目的 CS 学生
- 动手前先写清 Intention 和最小 Specification：什么算做完、什么故意不做、用什么证据验收。不要把“任意输入都要正确”这类扩大需求交给模型自己猜。
- 把必须正确的步骤从生成模型里拆出去。识别可以交给 OCR，算术、编码和汇总用脚本；人至少抽查一次原始证据。
- 对会改、会活下去的软件，先设计能在一种语言里执行、再翻译到目标平台的中间表示，并分别验证。不要在已经 slop 的仓库上靠继续加 token 修补。
- 走过一次的浏览器或系统操作，立刻沉淀成脚本或 skill；把信息源接到可重复的处理流程上，而不是每次从聊天框从头来。
TE
带实验课或项目课的老师
- 把讲义当作 source of truth，课后用录像把即兴部分切回可维护材料；不要让直播本身成为唯一版本。
- 评分看 Intention 到 Specification 的选择、验证证据和失败复盘，而不是看谁用了更强模型、谁先把界面点亮。
- 若必须演示便宜模型，把“值守、先验、验证”写进教案，避免学生以为空白环境和一句 prompt 就等于课堂结果。
CHAPTERS
节目时间轴
时间点来自官方章节；正文主题在这些段落内部展开。
课程简介
实操 (1)
视频恢复—实操 (2)
实操 (3)
软件工程
一句话带走
古法编程已经死了；Agent 在单任务上无人能敌；软件工程暂时还没死。要接住的问题是：为什么招你，而不是买一个 200 美元的 Claude Max。
方法与限制：本页基于对中文课堂录音的 AI 自动语音识别（ASR）整理，不是人工逐词校对稿。转写模型为 doubao-seed-2-0-lite-260428，按约 20 分钟切片识别后再由编辑按主题重组。课堂为中文即兴讲授，夹杂现场演示、英文术语和幻灯片生成内容；专有名词（模型名、产品名、网站、命令）、数字、断句和说话人换行可能有误，例如转写中的 Pie、OpenClaw/OpenCloud、GM 5.3、GPT 5.6 so、Cloud Code 等均未对照音频逐词确认。官方章节时间戳用于时间轴；主题中的更细时间范围结合章节与切片边界估计。insight 是编辑综合，不是讲者原句。公开引用任何短句或术语前，应回到对应时间点听原始音频。
查看逐字稿