Coding With AI: From a Reflection on Industrial Practices to Future Computer Science and Software Engineering Education
作者: Hung-Fu Chang, MohammadShokrolah Shirazi, Lizhou Cao, Supannika Koolmanojwong Mobasser
分类: cs.SE, cs.AI
发布日期: 2025-12-30
备注: 21 pages, 5 figures
💡 一句话要点
基于行业实践反思，探讨AI编码对计算机科学与软件工程教育的未来影响
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: AI编码 大型语言模型 软件开发 计算机教育 软件工程教育 行业实践 定性分析
📋 核心要点
- 现有研究缺乏对工业界LLM编码工具使用情况的深入分析，未能充分揭示其对软件开发工作流和教育的潜在影响。
- 该研究通过分析从业者分享的经验，对比传统编程与AI辅助编程的差异，识别新兴风险，并总结演变的工作流程。
- 研究结果强调了AI编码带来的生产力提升和入门门槛降低，同时也指出了代码质量、安全和教育准备等方面的挑战。
📝 摘要（中文）
大型语言模型（LLMs）的最新进展为软件开发引入了新的范式，包括氛围编码、AI辅助编码和代理编码，从根本上改变了软件的设计、实现和维护方式。以往的研究主要关注个体层面或教育环境下的AI编码，而对行业从业者的视角探索不足。本文通过调查LLM编码工具在专业实践中的使用情况、相关问题和风险，以及开发工作流程的转变来填补这一空白，并特别关注对计算教育的影响。我们对2024年末至2025年间发布的57个精选YouTube视频进行了定性分析，捕捉从业者分享的反思和经验。经过过滤和质量评估，对选定的来源进行分析，以比较基于LLM的编程和传统编程，识别新兴风险，并描述不断发展的工作流程。我们的发现揭示了AI编码实践的定义、显著的生产力提升和降低的入门门槛。从业者还报告了开发瓶颈向代码审查的转移，以及对代码质量、可维护性、安全漏洞、伦理问题、基础问题解决能力削弱以及入门级工程师准备不足的担忧。基于这些见解，我们讨论了对计算机科学和软件工程教育的影响，并主张课程转向问题解决、架构思维、代码审查和早期整合LLM工具的基于项目的学习。本研究提供了基于行业视角的AI编码，并为使教育实践与快速发展的专业现实保持一致提供了指导。
🔬 方法详解
问题定义：论文旨在解决当前对工业界AI编码实践理解不足的问题，特别是大型语言模型（LLMs）如何影响软件开发工作流程以及对计算机科学和软件工程教育的潜在影响。现有研究主要集中在个人或教育环境，缺乏对行业从业者视角的深入探索，未能充分揭示AI编码的实际应用、风险和挑战。
核心思路：论文的核心思路是通过对行业从业者经验的定性分析，了解LLM编码工具在专业实践中的使用情况，识别新兴风险和挑战，并探讨这些变化对计算机科学和软件工程教育的影响。通过分析从业者的反思和经验，可以更全面地了解AI编码的实际应用和潜在问题，从而为教育改革提供指导。
技术框架：研究采用定性分析方法，主要包括以下几个阶段：1) 数据收集：从YouTube上收集2024年末至2025年间发布的与AI编码相关的视频，这些视频由行业从业者分享经验和见解。2) 数据过滤和质量评估：对收集到的视频进行筛选，确保其质量和相关性。3) 数据分析：对选定的视频进行内容分析，识别AI编码实践的定义、生产力提升、风险和挑战，以及工作流程的演变。4) 结果总结和讨论：基于分析结果，讨论AI编码对计算机科学和软件工程教育的影响，并提出相应的教育改革建议。
关键创新：该研究的关键创新在于其行业视角的定性分析，通过直接分析从业者的经验和见解，更真实地反映了AI编码的实际应用和潜在问题。与以往主要关注个人或教育环境的研究不同，该研究更注重行业实践，从而为教育改革提供了更具实践指导意义的建议。
关键设计：研究的关键设计在于其数据收集和分析方法。通过选择YouTube视频作为数据来源，可以获取大量从业者的真实经验和见解。同时，采用定性分析方法，可以深入挖掘数据中的信息，识别新兴风险和挑战，并总结工作流程的演变。研究没有涉及具体的参数设置、损失函数或网络结构，因为其重点在于对行业实践的定性分析。
🖼️ 关键图片
📊 实验亮点
研究发现，AI编码显著提高了生产力并降低了入门门槛。然而，代码审查成为新的瓶颈，同时从业者对代码质量、可维护性、安全漏洞和伦理问题表示担忧。研究还强调了基础问题解决能力削弱以及入门级工程师准备不足的问题。
🎯 应用场景
该研究成果可应用于计算机科学和软件工程教育领域，指导课程改革，使教育内容与快速发展的行业实践保持一致。通过整合LLM工具、强调问题解决能力和代码审查，可以更好地培养适应未来软件开发需求的工程师。此外，该研究也为企业提供了参考，帮助他们更好地理解和应用AI编码工具。
📄 摘要（原文）
Recent advances in large language models (LLMs) have introduced new paradigms in software development, including vibe coding, AI-assisted coding, and agentic coding, fundamentally reshaping how software is designed, implemented, and maintained. Prior research has primarily examined AI-based coding at the individual level or in educational settings, leaving industrial practitioners' perspectives underexplored. This paper addresses this gap by investigating how LLM coding tools are used in professional practice, the associated concerns and risks, and the resulting transformations in development workflows, with particular attention to implications for computing education. We conducted a qualitative analysis of 57 curated YouTube videos published between late 2024 and 2025, capturing reflections and experiences shared by practitioners. Following a filtering and quality assessment process, the selected sources were analyzed to compare LLM-based and traditional programming, identify emerging risks, and characterize evolving workflows. Our findings reveal definitions of AI-based coding practices, notable productivity gains, and lowered barriers to entry. Practitioners also report a shift in development bottlenecks toward code review and concerns regarding code quality, maintainability, security vulnerabilities, ethical issues, erosion of foundational problem-solving skills, and insufficient preparation of entry-level engineers. Building on these insights, we discuss implications for computer science and software engineering education and argue for curricular shifts toward problem-solving, architectural thinking, code review, and early project-based learning that integrates LLM tools. This study offers an industry-grounded perspective on AI-based coding and provides guidance for aligning educational practices with rapidly evolving professional realities.