---
source: arxiv
url: https://arxiv.org/abs/2604.27230v1
published_at: '2026-04-29T21:55:45'
authors:
- Chandra N. Sekharan
- George K. Thiruvathukal
topics:
- cs-education
- ai-assisted-coding
- software-engineering
- systems-engineering
- agent-orchestration
- llm-verification
relevance_score: 0.71
run_id: materialize-outputs
language_code: zh-CN
---

# Now's the Time: Computer Science Must Evolve to Emphasize Software and Systems Engineering with Artificial Intelligence (AI)

## Summary
## 摘要
这篇立场论文主张，计算机科学学位应把编程、数据结构和算法作为构建和检查 AI 赋能系统的基础，而不是作为职业教育的最终目标。

## 问题
- AI 代码助手现在能处理许多常规编码任务，所以毕业生需要系统设计、验证、部署、成本控制、安全和人工监督方面的技能。
- 现有的计算机科学课程常常训练学生实现孤立代码和标准数据结构，但雇主需要的是能交付、扩展、保障安全并维护系统的工程师。
- 基于 LLM 的系统即使 API 保持稳定，模型更新后行为也可能改变，所以语义回归测试和运行监控很重要。

## 方法
- 论文建议把核心计算机科学主题重新定义为更大规模的软件和 AI 系统中的设计原语。
- 论文呼吁把更多课程时间放在架构、智能体编排、领域集成、可靠性、可观测性、云成本、安全、伦理和生产交付上。
- 论文建议用真实用户、云预算、CI/CD 流水线、监控、架构文档、安全审查和事后复盘来组织毕业设计。
- 论文把 LLM 视为可替换但行为不稳定的组件，所以学生应学习行为回归测试、影子部署，以及 API 层之上的显式检查。

## 结果
- 论文没有报告新的实验、数据集、基准或测量得到的模型结果。
- 论文引用 Gartner 的说法：几年内，大多数企业软件工程师会每天使用 AI 代码助手，但摘要没有给出具体比例。
- 论文引用 McKinsey & Company 2025 年的研究，称如果把 AI 嵌入产品开发生命周期，生产率、上市时间、客户体验和软件质量可提升数十个百分点。
- 论文引用 Stanford Digital Economy Lab 的研究，报告 22–25 岁、处于 AI 暴露岗位的早期职业劳动者就业相对下降，其中包括软件开发，主要调整方式是减少招聘。
- 论文最明确的具体主张是课程设置：计算机科学项目应把 AI 赋能系统工程、验证、部署和所有权设为核心要求，而不是选修课。

## Problem

## Approach

## Results

## Link
- [https://arxiv.org/abs/2604.27230v1](https://arxiv.org/abs/2604.27230v1)