AI 智能体、工程师就业与软件的未来：Augment、NEAR 和 Modular 的观点

Matthew Berman 和 Nick Wentz 在 2026 年 3 月 6 日的 The Future Live 中先讨论 AI 新闻，随后邀请 Augment Code、NEAR Protocol 和 Modular 的嘉宾。对话聚焦编程智能体、个人智能体、软件基础设施，以及 AI 对工程岗位尚不确定的影响。

Wentz 首先介绍 OpenAI 在 ChatGPT、API 和 Codex 中发布的 GPT-5.4。Berman 认为它把通用知识和推理与此前由不同模型承担的编程能力结合起来。他说初步测试结果不错，但仍在摸索它的优缺点。

两位主持人讨论，用一个模型同时处理编程、工具使用和通用任务，是否能让企业和知识工作者更容易选择。Wentz 引述 OpenAI 报告的相对于 GPT-5.2 的事实错误降幅：单条主张层面降低 33%，回答层面降低 18%。这些数字针对 OpenAI 评估的提示词，并不保证每项任务都准确。

Berman 表示，幻觉仍是实际问题，用户仍需检查结果。对于发布时间是否意在转移公众对 OpenAI 负面新闻的注意，他认为任何答案都只是猜测；模型发布需要长期准备。

接下来，主持人讨论 Apple 相对低调的 AI 基础设施投入方式。Berman 提出，芯片改进和更小的模型可能带来混合未来：部分任务在个人设备上运行，最困难的工作交给大型云端模型。他强调这还是正在思考的想法，并非确定预测。

Wentz 认为，Apple 的现有设备，包括耳机，可能成为有价值的语音 AI 界面。Berman 提出反面观点：如果对强大云端推理的需求增长超过本地设备进步的速度，Apple 可能继续依赖外部合作伙伴。主持人还讨论了收购是否有帮助，但没有声称任何具体交易正在计划中。

第一位嘉宾是 Augment Code 工程副总裁 Vinay Perneti。他说 Augment 最初关注如何向 AI 系统提供相关代码库上下文，如今为专业工程团队构建智能体。他的愿景是由小型工程师团队协调更大的智能体团队。

Perneti 介绍 Augment 的测试版产品 Intent：它尝试围绕期望结果和智能体团队组织工作，而非围绕传统 IDE。Berman 问，如果开发者越来越少逐行阅读代码会怎样；Perneti 回答说，架构、设计原则和验证因此变得更加重要。

Berman 质疑编译器的类比：与确定性的编译步骤不同，同一指令交给不同模型可能产生不同代码。Perneti 同意验证至关重要，并表示 Intent 包含一个验证智能体，用于比较实现结果与开发者意图。他说更严密的验证仍在研究，问题尚未解决。

被问及 Augment 实际如何验证工作时，Perneti 提到单元测试、系统测试、CI/CD、金丝雀发布和可用于回滚的功能开关。他的团队还使用分层规格：人先就系统设计和组件需求达成一致，再用智能体细化实现规格、检查结果，然后进入流水线。

Wentz 问，组织如何转向智能体优先的工作流，同时不忽视对人的影响。Perneti 说，寒假后他发现资深工程师越来越多地把代码交给智能体，并开始涉足此前可能不会接触的代码区域。他将此视为自己公司实践发生变化的证据，而非对所有工程团队的测量。

Perneti 表示智能体仍不完美，但他预测随着能力提升，它们能够完成持续时间长得多的任务。他转述一位 Anthropic 研究人员的预测：到 2026 年底，智能体能够完成的任务时长将达到现在的十倍；这是预测，并非既定结果。这种可能性引发了对岗位、审查和避免交付低质量成果的棘手问题。

在一次工程团队活动中，Augment 举办黑客松，要求参与者使用智能体而不是自己写代码。主题是如何大幅提升智能体、团队或个人的效率。Perneti 说，团队做出了大量成果，也表达了不确定、挫折和恐惧，以及好奇和创造力等复杂情绪。

Perneti 没有拿出一套现成的管理手册，而是让团队找出需要的新工具和人类行为变化。团队提议改进智能体指令和技能，并将规格作为一等协调方式。他认为，这次活动为大家共同摸索转型留出了空间。

Berman 再次追问审查瓶颈：如果智能体产生的代码多到人类无法全部检查，团队如何理解自己交付的内容？Perneti 说，Augment 正在调整代码审查产品，让智能体标出需要人工关注的部分。他提出先让智能体审查 80% 的代码，未来人工审查比例可能降至 1%–2%；这些都是目标，并非经过验证的安全结果。

谈到招聘，Perneti 表示 Augment 曾短暂停止招聘，重新思考 AI 原生工程师应具备什么能力，并计划恢复招聘。他强调架构、产品判断、用户同理心和理解结果的重要性，而不只是统计代码行数。一个无人使用的功能应该促使团队调查用户问题，不能仅因为上线就算成功。

被追问暂停招聘是否意味着公司无需增加员工也能增长时，Perneti 再次表示公司打算恢复招聘。他说变化太快，难以为年底人数目标提供可靠依据，因此公司正在重新评估招聘标准，而不是假定旧流程仍然适用。

Perneti 对比了 2025 年被放弃的年度计划与 2026 年的方法：保持长期愿景，同时以大约三个月为执行规划周期。他承认存在不确定性；Berman 也指出，不同工程领导者的回答差异很大，从积极招聘到停止招聘都有。

被问及人们如何理解指数增长时，Perneti 讲述了每天翻倍的米粒故事。初期增加看似容易承受，但持续翻倍很快就会产生巨大的数字。他用这个故事说明自己认为编程智能体能力变化之快，组织很难及时理解。

Perneti 将工程团队近期采用智能体的情况视为快速变化的信号，并预测小型人类团队将协调大量智能体编写生产软件。他离开后，主持人谈到业界的焦虑，以及非工程师通过智能体工具获得构建软件的能力。

第二位嘉宾是 NEAR Protocol 联合创始人、论文《Attention Is All You Need》共同作者 Illia Polosukhin。他设想，未来的个人智能体将维护用户利益，并与其他智能体及企业发生经济互动。NEAR 的方案结合个人 AI 层与用于协调和交易的中立协议。

Polosukhin 将项目追溯至 2017 年：他离开 Google 后开始研究教机器写代码。他说，最初的 AI 项目相对于当时的计算资源而言太早，团队后来转向区块链基础设施，再回到 AI。他用一个简化说法概括：AI 是前端，区块链是后端。

Berman 认为区块链可能帮助智能体交易，减少对传统支付中人工审批流程的依赖。Polosukhin 则认为商业不仅是转移资金：交易方还要发现彼此、协商结果、使用托管并解决争议。这是他提出的架构，并不能证明智能体交易必须使用区块链。

Polosukhin 介绍 NEAR 基于意图的方法：用户指定期望结果，由交易对手或智能体完成。他列举的例子包括货币兑换、货运、网站构建和营销活动，并表示系统包含争议解决流程。他称相关金融基础设施已处理 130 亿美元；这是公司方面的数字，对话中没有提供独立审计结果。

Berman 询问加密货币因诈骗而形成的声誉，以及一些 AI 社区不愿与之接触的原因。Polosukhin 承认无许可系统也为犯罪创造了机会，用户需要经验才能识别骗局。他认为，优质产品应该让底层技术不那么显眼，就像普通市场背后的基础设施一样。

被问及这种声誉是否影响采用和招聘时，Polosukhin 说 NEAR 受益于兼具 AI 和区块链专长。他提到推理、智能体托管和保密计算工作，认为两者能够发挥互补作用。这些是他对自家组织方法的描述，并非对该商业模式的普遍验证。

主持人问他共同撰写 Transformer 论文时有何感受。Polosukhin 回忆，他曾在 Google 从事问答研究，当时循环模型处理文本的速度可能太慢，无法满足生产搜索场景的要求。团队希望利用并行计算，并建立输入各部分之间的联系。

他用电影《降临》类比并行处理序列，然后将注意力描述为在多层中关联词语及其上下文的机制。这个比较用于帮助理解：实际 Transformer 系统架构各异，生成过程仍可能是顺序进行的。

Polosukhin 说，最初的想法经过多次实验才达到当时的领先水平，而且那时有许多架构正在竞争。团队看到了显著进步，但无法立即预见后来全部影响。他离开去追求机器编程，并认为自己相对于可用计算资源而言走得有些早。

Berman 转向 IronClaw 及其与 OpenClaw 的关系。Polosukhin 预测，智能体运行框架可能成为类似新操作系统的一层，并认为浏览器和应用可能消失。他将 IronClaw 定位为受到新兴个人智能体工作流启发、关注安全的框架；现有界面消失是他的预测。

Polosukhin 表示，IronClaw 采用纵深防御、隔离的 WebAssembly 工具、提示注入与数据外泄检测，以及凭据控制。他描述了限制秘密何时可以使用的策略检查，以及相互隔离的子智能体。这些是项目开发者对设计的主张，不能证明系统免受攻击。

他指出，项目当时启动仅数周，仍有大量工作要做，开源贡献者正在增加功能。主持人询问普通用户是否会在本地运行智能体和语言模型。Polosukhin 预计许多人会更喜欢托管服务，而爱好者会继续用自己的硬件进行实验。

Polosukhin 称 NEAR 的保密托管旨在提供持续在线的服务，同时隔离对数据和推理的访问。他建议采用混合方式：本地模型处理一些较简单任务，远程模型处理其他任务。他对隐私的保证属于服务商主张，实际安全性取决于实现、配置和信任边界。

他举出的个人例子包括早间新闻摘要、汇总 GitHub 变更生成更新日志，以及准备社交媒体帖子草稿。即使笔记本电脑合上，托管智能体也能继续运行这些例行任务。他认为，在本地和远程资源之间顺畅切换对这类助手很有用。

Polosukhin 说，他的智能体还帮助汇总多个 NEAR 相关组织的目标、瓶颈、风险和待做决定。他可以把摘要放入共享文档，将其当作参谋长来使用。他还介绍了同时指导多个编程子智能体开发不同功能。

访谈结束后，主持人讨论 Polosukhin 关于浏览器的预测。Berman 说，浏览器控制仍是他自己的智能体配置中令人沮丧的障碍；许多消费者任务需要浏览网站，而发布者可能抵制自动访问。Wentz 预计工具会改进，但这仍是未来的可能性。

最后一位嘉宾是 Modular 首席执行官 Chris Lattner，他创建了 LLVM 并参与开发 Swift。被要求解释 LLVM 时，他称它让软件能面向不同处理器运行，而无需每位开发者都处理每种芯片的细节。他说，这个平台除了用于语言编译器，还用于图形和数据库优化。

Lattner 介绍 LLVM 如何从他的硕士研究成长为开放平台。硬件厂商和其他公司即便在商业上相互竞争，也可以合作建设共享基础设施。他认为，社区以及支持多种架构的能力是其广泛采用的重要因素。

他回忆自己于 2005 年加入 Apple，当时公司希望在从 PowerPC 转向 Intel 的同时获得更强的编译器和开发工具。Apple 允许这个起源于大学的项目保持开源；Lattner 一方面满足 Apple 的需求，一方面建设能够支持其他人的社区。后来，他帮助开发了支持公司芯片转型和首款 64 位手机的软件。

Lattner 认为，如今 AI 市场的硬件碎片化与早年的情况相似。许多公司制造各有所长的加速器，但开发者使用不同厂商的硬件仍需要做大量工作。他说，Modular 的目标是提供软件、编译器和语言工具，让 AI 工作负载更容易跨硬件厂商部署。

他认为，简单的兼容层或短期冲刺无法解决整个问题：性能和开发体验需要贯穿整个技术栈的工作。他拿 Swift 作比较，认为更好的工具能让更多人参与应用开发；Modular 则希望让更多开发者接触底层加速计算，同时为客户提供更多硬件选择。

被问及 AI 为什么引发这么多焦虑时，Lattner 说，厂商的夸大宣传和对技术一概否定都会遮蔽实际情况。他把 AI 看作解决具体问题的工具。他预计软件数量和生产率会增加，但提醒人们，关于最终就业影响的判断需要证据和时间。

Lattner 表示，Modular 当时有 170 多名员工，正在招聘编译器、系统、性能和推理方面的人才。公司正与先进研究机构合作，云平台处于测试阶段；他当时预计 8 月全面开放，这是访谈时的预测，并非对后来发布的确认。

谈到客户需求，Lattner 表示，组织希望获得可靠推理、良好的性能和总体拥有成本，同时能够在不同芯片上分配工作负载。他用总拥有成本改善 40% 的例子说明潜在节省，并非声称每种部署都能取得这一普遍实测结果。

被问到 Modular 想招聘什么样的工程师时，Lattner 说公司同时考虑初级和资深候选人，并重视学习意愿。他认为，指导智能体的工程师必须像管理者一样思考目标、协作和长期架构，而不只是考虑生成的代码。

Lattner 认为，刚毕业的人可能更快适应工具，而经验丰富的工程师会带来其他优势。他区分了底层系统及性能工作与快速构建网页应用原型的工作，并指出代码生成只是软件的一部分：理解产品、架构和协作仍不可或缺。

Berman 指出，不同公司有的招聘初级工程师，有的暂停招聘，还有的偏向资深人员。Lattner 说，不同企业面临不同约束；他个人认为，一些领导者可能会用 AI 叙事为其他原因做出的决定辩护。他偏好平衡的团队，将经验丰富的人与渴望学习的人结合起来。

话题转向软件股票下跌，以及使用智能体克隆现有产品部分功能的可能性。Lattner 说，代码只是企业的一部分：数据、客户关系和支持服务同样重要。更快的实现可能加速实验，但股价波动本身并不能证明软件企业已经消失。

Berman 问，软件是否会收敛成记录系统之上的智能体层。Lattner 不认为这一判断适用于所有情况：他将智能体视为适合某些工作流的新增类别，而非所有界面或设备的替代品。他敦促组织把技术与真实客户需求联系起来，而不是仅仅因为流行就采用。

主持人感谢 Lattner，最后回顾了嘉宾对工程文化和招聘的不同看法。关于就业走向和智能体可靠性，对话并未给出定论，但展示了公司已经在以多么不同的方式应对转型。