2026年10月24日下午，由中国计算机学会（CCF）主办、YOCSEF哈尔滨学术委员会组织的专题论坛《从“生成”到“生产”：AI编程会带来新的“技术债”吗？》在中国计算机大会（CNCC 2026）期间于成都举行。随着代码生成能力快速提升，AI编程如何在真实研发流程中兼顾当下效率与长期质量，成为亟待解决的问题。本次论坛邀请学术界与产业界专家，围绕AI编程生产能力的边界、持续演化系统中的长期自主，以及人机协同下的可信交付三大议题展开交流，探讨AI编程从代码生成走向工程生产的条件与路径。

论坛由YOCSEF哈尔滨学术秘书哈尔滨工业大学朱庆福与哈尔滨工业大学（深圳）教授高翠芸共同担任执行主席。论坛邀请到北京大学教授金芝、复旦大学教授彭鑫、阿里巴巴资深技术专家谢吉宝、哈尔滨工业大学教授车万翔、北京航空航天大学副教授杨健作为引导发言嘉宾，还邀请了YOCSEF成都2020-2021主席西南交通大学教授滕飞参与思辨交流，还包括来自成都信息工程大学、电子科技大学、哈尔滨工程大学的老师与学生等60余位代表共同参与本次论坛。YOCSEF哈尔滨主席哈尔滨工程大学王勇作YOCSEF文化介绍。

引导发言环节，嘉宾们结合需求工程、复杂系统、组织协作、运行环境与能力演进等方面的研究和实践，为后续思辨提供了具体的问题与探索路径。

引导嘉宾金芝在《让AI编程可控》的报告中，将关注点从代码是否正确推进到软件是否真正满足现实需求。她指出，AI编程的一项重要风险是正确实现了错误的需求。当代码智能体进入软件持续演化过程，自动修改代码及其支撑的软件能力时，需要明确哪些任务可以自主执行，哪些环节必须受到约束与确认。她强调，智能体的自主性越强，需求工程越不能缺位。AI编程应从提示直接生成代码走向需求、规约、编码、验证的过程，将现实世界的约束、技术能力、任务粒度以及社会价值纳入软件构建与部署。

引导嘉宾彭鑫以《复杂系统视角下的软件智能化开发机遇与挑战》为题，用“小马过河”说明AI编程的效果受项目复杂度、开发模式及使用者经验等因素影响。他指出，复杂企业软件在长期演化中积累了大量历史决策、隐性依赖和业务约束，许多关键知识并不直接体现在代码中。评价AI编程的生产能力，需要综合考察人的干预程度、系统复杂性及长期持续修改的效果，不能仅看代码生成比例和代码行数。他提出，通过架构设计、模块拆分、重构解耦和技术债清理提高系统的可理解性，并介绍了代码数字孪生的思路，通过持续维护需求、设计与代码之间的映射，为智能体和开发者提供随系统演进的知识与上下文。

引导嘉宾谢吉宝在《AI Coding的下一次分工：从编程助手到数字员工》的报告中，将AI编程从单次代码生成扩展到研发任务的持续推进，强调数字员工应在明确的身份、权限和工作环境中承担职责，交付可验收的结果。他结合购物车故障案例，说明保留软件演化历史与工程知识的重要性。针对审查压力，他提出由人工把握架构与模块变更，让智能体辅助检查规则、异常和边界条件，并在提交修复时提供根因、影响范围及测试结果等证据。他还介绍了数字员工持续扫描代码库、识别架构约束偏离的探索，以便及时发现和处理问题。同时，评价AI的价值应综合计入审核、上下文补充、人工接管与返工成本，关注完整任务的净收益。

引导嘉宾车万翔围绕《智能体训练新基建：代码运行环境自动构建》，介绍代码智能体通过环境交互和后训练持续提升能力的路径。他将环境概括为执行器与验证器：前者让智能体的动作真正运行，后者判断执行结果并提供反馈。语言与工具链差异、历史依赖漂移、服务初始化和测试链路的复杂性，使环境构建成为大规模训练的重要瓶颈。报告结合MEnvAgent和CVE-Factory等工作，介绍面向软件工程任务与漏洞复现的环境自动构建方法。他强调，可运行、可复现、可验证的环境，是获得有效训练反馈的基础；将复杂任务拆解为能够验证的任务，并配备测试用例与明确验收条件，有助于扩大AI能够可靠处理的问题范围。

引导嘉宾杨健在《自进化代码大模型》的报告中，介绍代码模型从生成答案走向完成研发任务的研究探索。围绕底层计算算子优化、模型后训练与智能体机制改进，他讨论了如何把代码生成、实际执行、效果评测和策略调整连接起来，使执行过程中的经验服务于后续迭代。报告同时关注改进的有效性与泛化能力。在所介绍的Harness RSI研究中，基础模型权重保持冻结，智能体尝试改进执行流程、工具调用、观察处理及上下文管理等机制。评测分数上涨本身不足以说明已经实现自我改进，候选变更需要经过验证，其收益还应能延伸到未参与改进过程的任务。持续进化因而需要真实运行环境、可靠反馈和明确的验证约束共同支撑。

随后，论坛进入思辨环节。引导发言嘉宾与现场参会者结合研究进展和实际研发经验，围绕三大核心议题展开讨论。

思辨点1：AI编程生产能力的边界如何界定？

现场与会者围绕智能体的职责约束、适用任务与能力深度、不同场景下的错误代价等问题进行思辨，讨论如何将模型能力转化为可以检验的工程边界。

讨论观点主要集中在以下方面：

1. 明确任务边界，确定AI可以自主做什么。将需求落实为清晰的职责、上下文和执行范围，明确自主执行与人工确认的分工，并设置可检查的验收要求。

2. 评估能力深度，判断AI能够做到什么程度。结合任务类型、难度和系统复杂度评估模型能力，避免以代码补全、测试生成等局部任务的成功，推断其具备复杂研发任务的整体处理能力。

3. 检验生产条件，判断自主执行的风险是否可控。综合考虑错误代价、结果验证和人工接管能力，确定可接受的自主程度；敏感或关键系统应采用更严格的验证与干预机制。

思辨点2：在能力边界之内，如何适配持续演化的系统约束，实现长期自主？

围绕智能体能否在持续演化的复杂系统中长期自主工作，讨论主要聚焦知识如何积累、智能体能否独立完成整体规划，以及如何评价人的前期贡献。

讨论观点主要集中在以下方面：

1. 持续更新系统知识，使智能体适应系统演化。沉淀业务规则、历史决策与隐性依赖，让上下文和记忆随系统变化更新，同时防止信息累积造成不同实现之间的混淆。

2. 明确规划与执行的分工，通过分层协作应对复杂性。大型系统可以探索模块拆分与多智能体协作，但需要明确架构设计、任务分解和全局协调由谁承担，不能将按既定步骤执行等同于独立规划。

3. 将人工投入纳入评价，检验长期自主的实际程度。综合考察专家预先拆解、持续纠偏和人工接管的投入，判断智能体是否减少了对人的依赖。知识积累能否转化为稳定的长期自主能力，仍需持续实践验证。

思辨点3：在能力边界之外，如何协调自主生成加速与人工审查有限之间的矛盾，保障可信交付？

现场与会者围绕工程责任、意图对齐、结果验证与组织协作等问题进行交流，探讨如何在代码生成加速的同时，建立可检查、可验收的交付过程。

讨论观点主要集中在以下方面：

1. 明确交付标准与责任，建立可信交付的前提。将功能、质量、成本和安全要求转化为具体的验收标准，明确责任主体。引入数字员工后，研发负责人仍需对交付结果负责。

2. 将意图对齐前置，减少末端审查与返工。在执行前澄清真实需求、业务目标和约束，使智能体围绕正确的问题开展工作，降低需求偏差在后续环节累积的风险。

3. 以工程验证形成可信依据，审慎使用多模型评审。智能体行为应可观测、可验证，代码产出应经过测试与验收，并提供可追溯的证据。多模型交叉评审可以辅助判断，但共同偏差可能导致一致错误，不能替代实际验证。

最后，YOCSEF哈尔滨2025-2026主席哈尔滨工程大学玄世昌对论坛作总结与展望。他指出，本次论坛紧扣AI编程这一前沿热点，围绕能力边界、长期自主与可信交付展开了充分讨论，为AI助力软件研发提供了有益思考。未来应将视野从单一团队拓展到跨组织协作，关注多家单位联合调试中的问题定位、原因分析与处置经验沉淀，探索AI如何支撑大型项目中的知识共享与协同开发，推动相关研究在复杂工程场景中持续深化。