专访微软 CEO 纳德拉:当代码生成变廉价后的软件工程变革
Software engineering after code becomes cheap with Satya Nadella
微软 CEO Satya Nadella 在接受专访时探讨了 AI 极大降低代码生成门槛后软件工程的演进方向。他指出当前核心挑战已转向代码正确性验证,并承认 Claude Code 让命令行工具在六个月内冲击了传统 IDE 的主导地位。此外,微软正推进端侧与云端协同的混合智能架构,而初级工程师招聘放缓主要源于团队正在探索人机配比与软件工厂模式。
纳德拉剖析了代码生成廉价后验证成本与形态更迭的挑战,为工程团队规划 AI 工具链与组织转型提供了第一视角考量。
欢迎在 YouTube、Apple 和 Spotify 上收听并观看本期节目。页面顶部附有本期完整文字记录,底部配有时间戳导航。
本期赞助商

• turbopuffer——一款基于对象存储构建的混合搜索引擎,具备极强的扩展性,不仅速度飞快而且成本极低,Anthropic、Linear、Ramp 等众多前沿公司都在使用。许多改用 turbopuffer 的公司搜索开销降低了 50% 甚至更多,而且搜索速度大幅提升。了解详情。另外,也欢迎体验我基于 turbopuffer 搭建的全新 The Pragmatic Engineer 搜索功能!
• Linear——对开发者来说,海量的代码审查往往是一大痛点。Linear Diffs 是 Linear 推出的全新 PR 审查功能,把所有上下文集中在一处,还支持堆叠式 PR。立即体验
• WorkOS——WorkOS 打造了专为 AI 智能体设计的鉴权层 Airlock。它会结合智能体的意图与你设定的规则来评估每一个请求,并据此放行、拒绝或转交人工处理。支持 Claude Code、Codex 和 MCP 网关。了解更多
本期内容
当生成代码的成本大幅降低、验证代码反而成为真正的难点时,软件工程会变成什么样?
在科技界,恐怕很少有人比 Satya Nadella 更适合聊这个热门话题了。这位微软 CEO 最早就是软件工程师出身——这在大型科技巨头的掌舵者中相当罕见。本期节目中,Satya 与我共同探讨了微软在软件开发模式上的转变,以及这种转变对广大软件工程师意味着什么。
我们的对话从微软在 2010 年代中期全面拥抱开源、以及以开源方式打造 VS Code 的经验教训讲起。我向他提问:微软凭借 GitHub Copilot 建立起先发优势后,为何后来不得不去追赶 Cursor 和 Claude Code?这背后又揭示了围绕飞速迭代的模型打造产品时怎样的规律?
Satya 还解释了他眼中的“软件工厂”究竟意味着什么,为什么规范说明和验证正变得愈发关键,以及 Windows 操作系统等产品团队正在如何适应这一变化。此外,我们还聊到了微软的自愿离职方案,以及 AI 给工程师职业生涯带来的焦虑;Nadella 也提醒大家,不要仅凭初级岗位招聘放缓就过早下长远结论。
我们还探讨了开源与本地模型、企业掌握自身 AI 基础设施掌控权的重要性,以及如何为能力日益增强的智能体建立安全防线。Satya 还为希望在这一变革期脱颖而出的工程师提出了建议,并分享了自己为什么希望能把更多时间花在亲手构建产品上。
补充说明:我们在雷德蒙德录制这期节目仅仅几个小时后,微软 Outlook 就发生了长达一整天的宕机故障,所以节目中并没有讨论此事。针对那些跑来问我的人:放心,我参观的时候可没拔掉哪根网线导致宕机 :) 不过,我已经在与微软内部负责这次故障的团队沟通,后续会在通讯(newsletter)中带来更详细的跟进报道,分析具体原因以及我们能从中吸取哪些教训。
与 Satya 对话的核心要点
萨提亚的务实与深思熟虑令人印象深刻——尤其是他非常实际地建议,对大语言模型相关的一切都要去核实,切勿盲目相信任何事物或任何人(包括供应商甚至 AI 模型本身!)。我整理了他分享中最值得关注的 12 点干货:
1. 一种全新的软件工程形态:团队自主搭建“软件工厂”来改进工作。萨提亚以 Azure 网络团队为例:该团队管理着 500 多家光纤网络运营商,最近他们构建了一个智能体系统来更好地处理邮件和各类流程,运营效率因此大幅提升。萨提亚认为,这才是“AI 转型”的真实样貌:无需推倒重来,而是在日常业务正常运转的同时,在存量体系中打造软件工厂,不断优化团队的运作方式。
2. GitHub Copilot 之所以落后于 Claude Code,是因为 IDE 在短短半年内就淡出了舞台。开发者工具深植于微软的基因,但对于 Claude Code 抛弃 IDE 转向命令行的做法,微软完全始料未及。萨提亚坦言,Anthropic 的这一举动让他们措手不及;这也让他意识到,当模型能力发生非线性跃升时,其使用形态的演变往往极其迅速。他还承认,仅仅花了六个月,IDE 就“逐渐淡出”了,而微软此前在开发工具领域的护城河正是以 VS Code 为代表的 IDE。显然,微软从中吸取了教训,如今在开发工具方面反应更加敏捷,不再执念于过去的产品形态。
3. “掌控智能主权”:避免厂商绑定,并将智能体视为内部风险。萨提亚告诫各家企业,要避免被任何单一模型提供商套牢,关键在于确保调度框架、记忆机制和模型本身互相解耦,以便随时灵活替换。他还认为,更多企业应考虑使用开源模型,以防核心知识产权外泄,并建立自己的私有评测体系来决定选用或升级哪些模型。同时他提到,模型虽然聪明却并不完全可靠,因此最好将其视为“内部风险”,并构建一套独立的系统来验证智能体系统的行为是否符合预期。
4. 微软正在押注“混合智能”。萨提亚提出疑问:既然去年相当于前沿水平的模型现在已经能在笔记本上运行,而上一季度同级别水平的模型也能在台式机上跑起来,我们为什么还要完全依赖云端作为 AI 基础设施?他预测,“混合智能”的概念将会受到追捧:笔记本和台式机运行本地 AI 模型,再由一个模型路由器负责调度——平时调用廉价、不按量计费的本地模型,必要时再路由到云端性能更强、但也更昂贵的模型。微软正通过旗下的 Microsoft AI(MAI)模型和 Surface Laptop Ultra 产品线,搭建支持这种路由调度能力的基础设施。
5. 代码生成已经变得很便宜,但验证依然很难。Satya 透露,他最近一直在思考如何验证当前 AI 生成代码的正确性,这确实极具挑战。让模型对生成的代码进行“审查”(critique)是一种解决方案,但又会牵扯出模型对齐问题——比如模型可能会用投机取巧的方式达成目标,像直接删掉失败的测试用例来让测试通过。Satya 还认为,行业将开始基于生产环境的调用链路(trace)构建更多验证循环,形成某种“递归自我提升”(RSI)。但要做到这一点,模型必须有能力验证修复方案,这就又绕回了验证难题!在这次对话中,我们并没能得出明确的答案,这说明该领域足够让大批工程师忙上好一阵子!
6. 微软为什么会推出自愿离职方案?我直截了当地问 Satya,微软为何会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(voluntary exit offers),我还想知道这是否预示着未来的裁员。不出所料,他的回答相当圆滑,而我的直白解读如下:
大规模的业务转型和重组势在必行,因为各团队的规模(许多会缩编)和职能都将发生变化,同时还会组建大量与 AI 挂钩的新团队。
公司内部对前置部署工程师(forward-deployed engineer)等新型 AI 相关岗位的需求非常旺盛。
自愿离职方案能推动那些觉得自己“被困”在现有团队里的工程师(例如做 AI 业务的机会较少)去外面面试;一旦拿到外部 offer,他们就能领一笔数额较小的“离职补偿金”走人。Satya 坦言,哪怕在微软内部,也不是所有团队都领会了向“AI 原生”转型的精神。受影响的员工在 12 月之前都可以选择接受自愿离职,可以想见,不少人确实已经在看外面的机会了!
未来还会有巨大变动。在我看来,不仅是微软,任何一家“前 AI 时代”的公司都必须重构自身。至少 Satya 对此坦诚相告。
7. 初级岗位招聘放缓,是因为各家公司都在摸索全新的工作方式。我问微软目前是否还在招聘应届生和初级工程师,Satya 承认相关招聘确实放缓了(很多公司也是如此)。他指出,出现这种情况是因为目前正在经历这样一个过程:
内部正在就团队规模与岗位职能进行重组;
各团队正在探索如何打造“软件工厂”,以及如何在人力成本/精力与 token 预算之间取得平衡;
只有把这些问题理顺,初级岗位的招聘才会重新回暖;
在微软,大多数团队都在忙着建立全新的工作流程,因此眼下并不是招新人的好时机。Satya 预计这种“重组”阶段只是暂时的,度过之后招聘就会恢复正常。
8. 微软推出了面向 AI 加速开发的“带教计划”。微软与卡内基梅隆大学合作推出了 PRAISE 项目(面向 AI 加速软件工程的带教计划,Preceptorship for AI-accelerated Software Engineering)。这种“带教制”其实借用了护理学的概念——由经验丰富的资深护士带着新手,帮助他们积累实战经验并建立信心。在项目中,资深软件工程师作为导师,指导学员审慎、合理地使用 AI 工具,同时培养扎实的系统思维、审美与判断力。我希望有更多企业能考虑与教育机构开展此类合作;也许这个项目能给其他工程管理者带来启发。
9. 下一个重大工程挑战:在团队和企业内部构建“软件工厂”。Satya 认为,每家企业都必须掌控自己的 AI 基础设施——包括测试运行框架、上下文、记忆和模型;而对生成代码的验证,则是一个目前尚未解决的棘手难题。在微软内部,他看到许多团队正在打造自己的“软件工厂”,以改善团队和组织的运转。随着交流的深入,我们越发清楚地看到,打造软件工厂很可能会成为全行业普遍面临的工程难题,因为这是一项缺乏现成“蓝图”的新挑战,而且每家团队和企业的情况都各有不同。在这个领域,未来还有大量工作要做!
10. 转型“拥抱”AI 与迁移到一项新技术大不相同。我们讨论了转型成为“AI 原生”感觉很像在已有旧系统(brownfield)中引入新技术,比如从 HTML+JavaScript 迁移到 React。但 Satya 认为两者存在一些关键差异:
不单单是某一项技术在变,所有的工具都在经历变革:从运行时、框架到 IDE 的概念都在变。
当具备全新能力的新模型发布时,可能会直接颠覆现有的开发体系,就像 Opus 4.5 及更高版本的模型对传统 IDE 带来的颠覆一样。
11. Satya 对决策模型充满热情。在 Satya 看来,像“Jev”和微软的“Decision-1”这样的决策模型是一种全新的基础原语。他说:“这些决策模型有点像 Excel 宏。宏曾经给电子表格带来的变革,同样可以发生在代码领域——通过将智能作为基础原语嵌入其中。这种原语具备某种确定分布,不需要反复重新生成,而且非常节省 token。我认为在这样的地方,软件工程依然展现出旺盛的生命力。决策模型就像是智能时代的存储过程。”
12. Satya 谈如何在 AI 时代胜出:少看少听,多去动手用。他说:
“在播客里说这个可能有点讽刺,但确实是‘多做、多学、多动手’。要亲自去体验。如果能调整我‘说’和‘做’的比例,我肯定会多做少说。现在就是关键时刻。如果要给一条建议——无论你处于职业中期、身为 CEO 还是刚毕业的大学生——那就是尽可能多花时间去学,加入正在一线实干的团队,这比我能想到的任何其他事情都要有效。”
本期相关的 The Pragmatic Engineer 深度解析
时间轴
00:00 开场
02:12 微软拥抱开源的转向
04:15 开源构建 VS Code
05:55 Copilot、Cursor 与 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 为什么引入 AI 不同于当年引入 React
26:29 软件工程师角色的演变
29:25 微软的自愿离职方案
34:05 AI 焦虑与角色转变
36:35 初级工程师招聘
42:36 开源模型
45:39 掌控自有的 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 微软的模型策略
59:26 给工程师的建议
1:01:21 结语与核心收获
参考资料
关注 Satya Nadella:
• X: https://x.com/satyanadella
• LinkedIn: https://www.linkedin.com/in/satyanadella
• 博客(sn scratchpad):https://snscratchpad.com/
本期节目提及内容:
• Visual Studio Code:https://code.visualstudio.com/
• Visual Studio:https://visualstudio.microsoft.com/
• TypeScript:https://www.typescriptlang.org/
• Git:https://git-scm.com/
• 微软收购 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 所著《System One 模型与 Jev 介绍》: https://typesafe.ai/blog/introducing-system-one-models-and-jev
• Achint Srivastava 所著《Microsoft-Decision-1 介绍》: https://commandline.microsoft.com/microsoft-decision-1-model-foundry/
• Bas Brekelmans 所著《9 名工程师,1 天 1211 个 PR:构建 Copilot Cowork 的经验启示》: https://commandline.microsoft.com/how-we-built-copilot-cowork-python-to-rust-migration/
• 借助 Copilot 将 GitHub Copilot 运行时迁移至 Rust: https://github.blog/ai-and-ml/generative-ai/migrating-the-github-copilot-runtime-to-rust-using-copilot/
• Rust:https://rust-lang.org/
• PRAISE 项目:当 AI 代劳写代码,新手开发者该何去何从?: https://commandline.microsoft.com/praise-preceptor-ai-accelerated-software-engineering-cmu/
• 微软携手卡内基梅隆大学培养职场新人软件工程师: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 智能体如何重塑 Azure 网络运维: 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
• 介绍 Foundry Agent Service 中的 Microsoft Copilot harness: https://devblogs.microsoft.com/foundry/microsoft-copilot-harness-in-foundry/
• Pi:开源编程智能体与智能体工具包:https://github.com/earendil-works/pi
• Mark Russinovich: https://markrussinovich.com/about-mark/
• Scott Hanselman:https://www.hanselman.com/
• 《知识在社会中的运用》,Friedrich A. Hayek 著: 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
• 构建面向混合智能的 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/
• 为 Windows 和 GitHub Copilot 引入本地模型与沙箱化工具: 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/
—
由 Pen Name 负责制作与营销。
来源:The Pragmatic Engineer (Gergely Orosz) · newsletter.pragmaticengineer.com