（今天是元宵节，采用喜庆风格，并祝大家阖家团圆、万事顺心）
在技术洪流奔涌的时代，每一次范式跃迁都伴随着旧秩序的瓦解与新哲学的诞生。2001年，敏捷宣言如一股清流，涤荡了瀑布模型的沉紸，它那看似朴素的12条原则，最终塑造了软件工程2.0的辉煌。
（我之前讲课的一张slide）
今天，随着大模型与智能体技术的爆炸式发展，我们正站在软件工程3.0（SE3.0）的黎明。
这不是一次简单的技术升级，而是一场核心价值观的重塑。人机关系、软件本质、工程方法，无不面临着前所未有的挑战与机遇。我们的“软件工程3.0宣言”已明确了新时代的四大价值高地。而这“SE3.0 十大开发原则”，正是对宣言的深度解码与操作化展开。它们并非空泛的理论，而是历经近三年实践、观察与思考后，对以下核心问题的回答。
根植于宣言：每条原则都必须能回溯到SE 3.0价值观的至少一条。
有科学支撑：每条原则背后都有信息论、控制论、复杂性科学或学习理论的坚实依据。
超越敏捷：它们继承了SE 2.0的精华，但又在LLM与智能体时代完成了范式升级。
指导实践选择：它们不是口号，而是对研发团队在面对AI浪潮时，具体“应该做什么”和“不应该做什么”的清晰指引。
这十条原则，并非孤立存在，它们环环相扣，形成一个自我演进的完整系统。
全景：十大原则体系概览
在软件工程3.0时代，软件研发的起点发生了根本性转移。它不再是模糊的需求文档，更不是直接的代码编写，而是清晰、精确的业务意图。这个意图，必须且只能被转化为可执行、可验证的验收标准（AC/AT），并以此作为整个研发系统不可更改的“宪法”。
为什么强调“意图优先”？传统软件开发中，需求文档的模糊性是万恶之源。一句“系统应快速响应”，在产品经理、开发工程师和用户心中可能是截然不同的图景，这种信息熵极高的状态，导致了大量的返工与误解。敏捷方法论试图通过“拥抱变化”来应对这种模糊，但其成本往往居高不下，且价值判断滞后。
SE 3.0则选择了更根本的路径：在变化发生之前，将意图极致地精确化。我们不再满足于文字描述，而是要求将业务目标、风险边界与价值标准转化为Gherkin格式的可执行验收测试。例如，“当用户账户余额不足时，系统应提示支付失败并返回特定错误码，同时确保余额和订单状态不变”。这个AC以机器可理解的粒度，排除了所有歧义，成为构建智能体（Builder Agent）构建代码的蓝图，也成为验证智能体（Verification Agent）验证质量的唯一准绳。
从信息论视角，这就是将高熵的模糊需求，转化为低熵的精确指令，降低了整个系统的信息不确定性。
从控制论视角，可执行AC充当了精确的“误差信号”。传统的“客户不满意”是滞后且模糊的反馈；而AC未通过，则是即时、精准、量化的反馈，能够驱动系统快速自校正。
由此，“意图优先，验收为纲”重构了价值的定义方式——它将价值的判断从“交付后才知道”提前至“开发前就已形式化”，确保了AI系统与人类意图的根本性对齐。
软件工程3.0时代的人机关系，绝非简单的“AI辅助人”或“AI取代人”，而是一种基于深度分工、优势互补的“人机共生”关系。人类将从“代码的构建者”升级为“价值的甄选者、意图的引领者与结果的验证者”，而AI则承担“怎么做”的主体工作。
这种分工源于对各自核心能力的深刻洞察。
人类擅长于价值判断、伦理决策、复杂业务理解、创新性构思以及对不确定性的战略权衡。我们定义“Why”（为什么做）和“What”（做什么），设定宏观目标、风险边界与价值标准。
AI则擅长于规模化执行、模式识别、穷举试错、快速迭代以及基于海量数据的推理。它负责高效实现和提案，解决“How”（怎么做）的问题。
由此，研发团队将呈现明显的“哑铃型”结构：人类专家在两端——产品、架构和QA专家在前端定义清晰的业务意图和验收标准；在后端对AI的产出进行最终的仲裁和价值判断。而中间的工作，即从意图到代码的生成、测试、优化，将主要由AI Agent自主执行。这是一种“人在环路”（Human-in-the-loop）的升级版，更准确地说是“人在环外”（Human-out-of-the-loop）的部分与“人在环内”关键点结合。
这种分布式认知模式，使得认知不再局限于人脑，而是分布在“人类意图 + AI执行 + 知识图谱记忆”的整体系统中。它最大限度地释放了人类的创造力与判断力，同时也借力AI的效率与规模，实现了人机协同的价值创造。关键在于，任何涉及伦理、安全、法律或重大商业战略的决策，最终裁定权必须牢牢掌握在人类手中，避免将价值判断能力机械化。
在大模型时代，人类的核心价值和生产力已从“解决问题”转移到“设计意图”和“提出高价值问题”。这要求研发人员具备将业务目标、约束和验证标准系统化为清晰、精准意图的能力，并以战略性问题引领AI探索最优解。
这是一个根本的价值观转变。当一位工程师只说“优化缓存性能”时，AI的输出往往平庸；当他说“系统有1000万活用户，读写比99:1，热点数据占20%的数据集但承载80%流量，单机内存限制4GB，缓存失效可接受5分钟”时，AI能给出多层缓存+LRU+预热的深层设计。
差异在于意图设计的深度和问题提出的层次。好的意图设计包含：背景（Why这个问题重要）、约束（What的边界）、期望（How的输出形式）、验证（How to verify）。一个高质量的意图（或提示词），如同一个精妙的查询，能以最小的交互代价，将LLM的巨大潜能聚焦到最符合期望的输出空间。它极大地降低了AI“猜测”人类真实需求的工作量，从而提升了效率和准确性。
高价值问题则体现在不同层面：从基础的“执行任务问题”到“需求澄清问题”，再到“架构决策问题”，乃至最高层次的“战略意图问题”。人类的关键能力在于能够基于对业务、技术和环境的深刻理解，提出高价值的问题，从而驱动AI去探索、去实现、去优化。这种能力，需要的是批判性思维、系统性思考以及对“未知”的敏锐洞察，而这些正是当前AI尚无法完全替代的人类智慧。
“意图设计为本，高价值问题驱动”并非天马行空的灵感，而是可以被工程化的。它代表了SE 3.0时代，研发人员核心生产力的重新定义。
（原则四：数据先行，知识持续沉淀）
在软件工程3.0时代，业务数据和研发过程数据是LLM能力与组织智能的基石。真正的竞争壁垒，不再是拥有何种大模型（因为模型终将趋于通用化或成为基础设施），而在于企业私有、高质量的领域数据和持续结构化沉淀的知识。
“数据先行”不仅仅是收集数据，更强调数据的质量与结构化。正如相关研究得出的结论，“相对模型规模，数据质量对模型输出结果的影响更大”。一个经过精心标注、结构化、提炼的7B垂直代码大模型，其生成能力可能远超一个泛用性但缺乏领域知识的70B通用大模型 。这揭示了一个深刻的竞争逻辑：模型是共享的，但领域数据和团队知识是独有且私有的。
知识的持续沉淀，是构建组织“心智生产力”的根本保障。它包括四个层次的跃迁：从L1原始数据（代码库、Bug报告、测试记录），到L2结构化知识（领域知识图谱、架构知识图谱、质量基因库），再到L3经验模式（编码规范、Prompt模板库），最终实现L4的进化沉淀——博弈产物自动回流，驱动知识图谱自动更新。这个过程如同构建组织的“外部大脑”，它不仅是AI理解、推理和决策的基础，更是组织持续学习和进化的核心资产。
没有高质量的私有数据和结构化知识，AI的应用将如无源之水、无本之木，无法真正发挥其在特定业务场景下的独特价值。因此，SE 3.0的核心任务之一，就是将散落在各处的个体经验显性化、结构化，并使其成为AI可理解、可推理、可复用的智能资产。
SE 3.0的流程哲学是：以最小化的流程设计，换取最大化的反馈密度；一切能被自动化的反馈闭环，都应该被自动化。这是一种从SE 1.0“重流程”到SE 2.0“轻流程”，再到SE 3.0“无流程胜有流程”的演进。
传统的软件工程，流程往往沉重而繁琐，试图通过规定每一个步骤来确保质量，结果往往是效率低下和僵化。敏捷削减了流程，但反馈闭环仍大量依赖人工，使得反馈频率难以突破周级别。
SE 3.0则将反馈闭环的执行主体从人类迁移到AI Agent，将反馈频率从天/周级提升至分钟级。控制论原理表明，反馈闭环的质量，不取决于流程文档有多详尽，而取决于：反馈速度（越快越好）、反馈精度（越精准越好）、反馈可靠性（越可信越好）。
在SE 3.0中，意图定义后，AC被自动生成，构建智能体立即根据AC生成代码，验证智能体立即进行验证。若有偏差，系统会立即反馈并驱动修正，这个循环在极短时间内完成。CI/CD管道被升级为Agentic DevOps，测试生成、代码评审、缺陷修复均由Agent自动执行。
这意味着我们不再需要大量的人工会议来同步信息、人工审批来推动流程。流程的简洁度成为效率的前提：能用一条AC描述的，就不需要一页流程规定。人类的介入点聚焦于高价值的意图定义和最终仲裁，而繁琐的执行与高频反馈则完全自动化。
在软件工程3.0中，大模型绝不仅仅是辅助编码的“编程助手”，它应该被集成到需求→设计→开发→测试→运维的全生命周期。孤立的单点应用无法释放LLM的真正价值，只有全链路集成才能产生指数级的效率倍增。
很多团队尝试将LLM应用于单一环节，例如代码生成，效果虽有提升，但往往不显著。其根本原因在于：上下文的连续性是LLM质量的倍增器。当需求分析Agent的输出（形式化AC）直接作为架构设计Agent的输入时，后者不需要重新理解需求，而是站在更高的信息基础上做设计。当架构文档又直接成为构建Agent的输入时，它
不需要自己猜测设计意图。每一阶段的输出都是下一阶段的高质量输入，形成完整的上下文信息流，避免了传统开发中大量的“信息重复输入”和“信息断层”。
这避免了传统开发中大量的“信息重复输入”和“信息断层”。每个阶段的LLM都在前一阶段输出的高质量基础上工作，极大地减少了误解、返工和沟通成本。平台工程在这里扮演了关键角色，它为LLM提供了打通各阶段数字化上下文的基础设施。
模型驱动全生命周期，意味着我们不再是“用AI工具”，而是将AI视为一个持续运转的智能引擎，贯穿于软件价值流的每一个环节。它能实现从需求分析、验收标准生成、架构设计、代码生成、测试用例生成、文档自动生成，直至运维告警分析的全方位智能化，让整个研发过程的效率获得乘数级的提升。
软件质量在AI自动生成代码的时代，绝不能再依赖于“自审自查”，而必须通过异构的构建者（Builder Agent）与验证者（Verification Agent）之间的真实对抗来涌现。使用不同底座模型，是保证这种博弈有效性的工程必要条件。
这条原则是SE 3.0相对于SE 2.0最具革命性的创新之一。传统的质量保障依赖测试工程师发现缺陷。但在AI大规模生成代码的背景下，如果生成代码的AI和测试代码的AI使用相同的模型底座，其结果将是灾难性的。这如同生成对抗网络（GAN）中Generator和Discriminator出现“模式崩溃”——两者共享相同的认知盲区，形成“共谋”而非真实的对抗。AI的系统性偏差将无法被发现，质量保障形同虚设。
因此，“异构”是不可妥协的工程底线：例如，让Claude 4.6作为Builder生成代码，而用Gemini Pro 3.1作为验证者进行测试。由于它们基于不同的训练数据、架构和推理模式，其认知差异会产生真实的对抗。验证智能体没有“项目进度压力”，没有“社会关系顾虑”，它的唯一目标就是竭尽所能找到问题。正是这种你来我往、永无止境的博弈，使得质量不再是被动地“检查出来”，而是从主动的对抗中被“锻造出来”。
这种系统层面的智能工业化质保范式，通过持续的内部竞争与“算法诚实”，确保在海量生成中实现高水平的质量内建，它是智能系统实现卓越的关键。
在软件工程3.0中，可执行的验收测试（AT）是软件系统唯一可信的“活文档”。程序代码，只是这个AC的编译产物；而传统的静态文档，则沦为AC的噪声副产品。
这条原则将行为驱动开发（BDD）和验收测试驱动开发（ATDD）推向了极致。在过去，需求文档、设计文档、测试文档与代码之间，总存在着难以弥合的鸿沟，导致文档过时、信息不同步、维护成本高昂。SE 2.0试图削减文档，但核心知识仍隐藏在代码和人脑中，难以追溯意图。
SE 3.0的解决方案是：让AC同时具备“文档”和“程序”的双重身份。Gherkin格式的AT，以人类可读的语言描述业务行为，同时又可以直接运行验证系统功能。它具有三重含义：
可执行性：不再仅仅描述系统“应该做什么”，而是能够直接运行，验证系统是否真的“做到了”。
自维护性：当系统行为发生变化时，AT将作为变化的标准，自动暴露不一致性，强制开发者更新。
可追溯性：每个AT都明确链接到一个业务意图，形成从业务价值到代码实现的完整追溯链。
这意味着，代码注释、API文档、架构文档等将由LLM从代码库自动生成，与代码始终同步，无需人工维护。而唯一的“真相”来源，就是那些能够被持续运行的AC。这彻底颠覆了“文档驱动开发”的范式，拥抱了“意图驱动、验收为纲”的核心理念，实现了“意图即程序”的终极表达。
在软件工程3.0中，可产生代码的LLM/AI模型本身成为核心资产，而非其产出的代码。我们需要将模型进行资产化管理，并确保其能力的持续学习与演进，以适应不断变化的业务和技术环境。
“可产生代码的模型 胜于 程序代码”这一宣言，意味着模型不再仅仅是开发过程中的工具，而是组织智能的具象化载体和核心竞争力的体现。如同管理重要的代码库一样，模型资产也需要精心的管理和维护。这包括模型的版本控制、性能监控、安全性评估、可解释性分析、伦理合规性审查以及持续的微调和更新。
模型的资产化管理，要求组织建立一套全面的模型治理体系。例如，在代码生成、代码补全、测试用例生成等过程中，选择合适的模型至关重要，而这些模型的能力并非一成不变，需要通过持续的数据投喂和学习来实现进化。一个未经有效管理的模型，可能随着时间推移，其性能衰减、偏见加剧，甚至引入安全漏洞。
因此，SE 3.0强调将模型视为一个“活”的、有生命周期的资产。通过MLOps（机器学习运维）实践，确保模型的持续部署、监控和再训练，使其能力与业务需求同步发展。这种对模型本身的重视和投资，是确保AI驱动的软件研发系统能够持续提供高价值、高可靠性产出的关键。
软件工程3.0系统并非一个被“执行”的固定流程，而是一个被“培育”的持续自适应系统（Complex Adaptive System, CAS）。每一次博弈、每一次交付、每一次失败的经验，都必须自动回流，使整个系统的下一轮起点高于上一轮。这意味着：组织不是被动地使用工具，而是主动地与智能系统共同进化。
“越用越聪明”并非口号，而是通过一套精巧的机制实现的：
微观层面：Builder Agent的代码被Breaker Agent发现缺陷后，不仅缺陷得到修复，其背后的“Bug模式”也会被提炼并沉淀到质量基因库。下一轮Builder在生成代码时，将自动规避这些已知模式。
中观层面：项目结束后，有效的架构决策、高效的提示词模板、复用的领域知识，都会结构化地沉淀到团队的知识图谱中。下一个项目启动时，这些智能资产将被自动调用，避免重复造轮子。
宏观层面：跨项目的知识图谱共享，使得一个团队的经验能迅速赋能整个组织，共同构建起一个强大的“AI软件工程大脑”。
这种持续自适应系统具备“反脆弱”特性——每次失败（缺陷被发现）都不仅仅是“修复Bug”，更是“提炼Bug模式”，从而使系统变得更强大。它通过多样性（异构模型）、自组织（博弈规则）、涌现（质量从对抗涌现）等CAS设计原则，实现了在局部交互中产生全局秩序，使组织在AI浪潮中获得持续的竞争优势。SE 3.0的最终目标，就是构建一个能够自我学习、自我进化、生生不息的智能软件工厂。
结语：原则即信仰，实践见真章
2001年敏捷宣言的12条开发原则，在当时被很多人认为是“理想化”的口号，但最终证明它们是软件工程最重要的思想遗产。如今，软件工程3.0的十大原则，同样站在一个新范式的起点。它们并非对敏捷的否定，而是在LLM与智能体时代，对永恒工程哲学的全新诠释。
这些原则，描绘了一幅人机共创、智能驱动的未来图景：人类依然是价值的定义者，AI是价值的实现者；意图依然是起点，质量依然是目标。但从意图到质量的路径，已经被根本性地重构。
这十条原则，既是对我们过往实践的总结，更是对未来数年SE 3.0探索的行动指南。它们是我们的信仰，指引着我们穿越前所未有的技术变革，去构建更智能、更高效、更具韧性的软件未来。
-
觉得内容有用，欢迎点赞、在看、转发。 -
我每周二四晚上 8:36 准时更新，记得关注，不错过每一篇干货。