4 月 26 日消息，据科技媒体 The Decoder 今天报道，查尔姆斯理工大学、沃尔沃集团研究团队最近在一篇论文指出，AI 智能体并不会让软件工程师失业。反而还可以通过“半可信执行栈”扩展工作范围。
据报道，研究团队首先提出了一个由六环组成的“半可信执行栈”（semi-executable stack）模型，将传统代码向外延伸，触达欧盟 AI 法案等社会因素。
论文中的“半可信执行栈”由六个环组成：经典代码、提示词和自然语言规范、智能体工作流编排、控制系统、运营组织逻辑、社会与制度适配。
目前，软件工程师主要在经典代码（注：第一环）、提示词（第二环）工作；而智能体工作流（第三环）、安全围栏（第四环）和决策流程（第五环）正在成为高优先级工程对象；社会制度适配（第六环）则决定 AI 的实际执行。
研究者认为，目前 AI 智能体最大的漏洞集中在第五环和第六环，人们已经写了几十年代码，但 AI 决策、制度适配等宏观流程仍然缺失，大多数研究仍然集中在修复错误、测试 AI 等。
学者表示，AI 不需要拥有顶尖人类学者的水平，只需要够用就行。大量部署 AI 带来的价值高于部分顶级专家。
此外，研究人员并没有忽视 AI 的“幻觉”问题，他们认为这更凸显了测试、监控的必要。人类在未来仍存在价值。
经典老调重弹，真正写过生产级AI集成的都知道问题在哪。论文里这个"半可信执行栈"模型看着挺唬人，但第六环的"社会制度适配"根本就是个黑箱，欧盟法案随时变，今天合规明天可能就踩线。我团队去年就卡在这个环节，光法务评估就花了三个月，AI生成的代码再漂亮也得打回来重写。说到底是研究环境和现实脱节了，学术界总爱画大饼。
刚转行做前端三个月，看到这个"提示词和自然语言规范"是第二环，有点困惑。是不是以后我们写需求文档的方式要彻底变了？我不太确定现在该学些什么才不会被淘汰，有没有过来人给指条路？
论文写得挺漂亮，但实际我同事已经被优化了三个，工作边界拓展个寂寞
先把你们项目的单元测试覆盖率提到80%以上再谈AI接管吧，基础都没打好。
上周用Copilot生成了一段数据库连接池配置，本来以为省事了，结果半夜报警，连接泄漏。排查才发现AI没考虑我们特定的超时重试机制。具体操作：1. 在prompt里明确写出所有边界条件和异常处理要求；2. 生成的代码必须走完整的测试用例，尤其是压力测试；3. 关键配置项手动复核一遍。不能完全相信它。
笑死，又来这种帖子了，每次都是“不会失业”“拓展边界”，然后隔壁组裁员名额下来第一个砍的就是基础开发岗。建议小编下次直接贴培训班广告，更实在。
这个“半可信执行栈”的图里，把“社会与制度适配”放在最外环，这个定位很有意思。想追问一下研究者，如果不同国家的制度要求冲突（比如欧盟的AI法案和某国的数据本地化要求），这个模型建议的适配优先级是什么？是设计时就做多套逻辑，还是运行时动态切换？论文里有更具体的案例讨论吗？
让我想起了去年做的一个物联网项目，当时想用AI智能体优化设备指令下发策略。我们卡在了论文里说的第五环“决策流程”上，AI给出的节能策略在模拟环境里跑分很高，但一到真实工厂环境，遇到网络抖动、老旧设备协议不标准等问题，决策就完全乱套了。最后还是工程师靠经验写死了几套降级方案。感觉现在AI离处理这种现实世界的混乱和不确定性还差得远，学者们说得轻松，真落地掉层皮。
我已经感觉边界扩了 现在不写代码就盯着prompt调一天
Copilot不知道自定义重试机制是常态，得提示词带上
配置类代码踩重试机制坑太典型，AI不清楚你的业务约束，必须人工兜底。
