Agent 时代,嵌入式软件工程师何去何从

ROBOT@qwh 2026-10-01 阅读:14 评论:0
过去半年,身边做嵌入式的朋友聊得最多的一句话是:Agent 是不是要来抢饭碗了。这种担心有来源。以前要花一周写的寄存器配置代码,现在把数据手册丢给 Agent,几分钟就能出一版能跑的外设初始化。协议解析、状态机骨架、单元测试,这些占掉大量时...

嵌入式电路板与芯片

过去半年,身边做嵌入式的朋友聊得最多的一句话是:Agent 是不是要来抢饭碗了。

这种担心有来源。以前要花一周写的寄存器配置代码,现在把数据手册丢给 Agent,几分钟就能出一版能跑的外设初始化。协议解析、状态机骨架、单元测试,这些占掉大量时间的活,它完成得相当可观。

但把镜头拉近,事情没那么简单。

被交出去的,是"确定性"的活

Agent 擅长的,是把明确规则翻译成代码。数据手册第几页、外设时钟怎么配、中断优先级怎么排——只要信息完整、目标清晰,它做得比人快,也比人稳。这类活会加速贬值:纯翻译型的移植、重复度高的驱动模板、照抄参考手册的功能实现。把本事押在"手快"上,价值会被稀释。

但嵌入式有一道门槛,Agent 一时半会跨不过去:它看不见硬件。

开发代码与屏幕

板子有没有上电、示波器上的波形对不对、时序差了几纳秒、高低温下这颗芯片会不会飘——这些信息在目标环境里,不在训练数据里。Agent 能给你一份逻辑自洽的方案,却没法告诉你它在这块具体板子上会不会死机。软硬件交界那一层,还是得靠人蹲在工位上一根线一根线地试。

更值钱的,是定义问题和兜底的能力

写代码本身变廉价之后,两件事明显升值。

一是把模糊需求翻译成可执行规格。 客户说"这个设备要更省电",Agent 没法直接干活。你得拆成:休眠电流压到多少、唤醒延迟控制在几毫秒、要不要牺牲响应速度换续航。规格定得越准,Agent 产出的代码越可用。定规格,就是替整个系统做取舍。

二是为结果负责。 代码是 Agent 写的,但产品烧进去炸了,责任还是工程师的。能不能一眼看出"这段初始化少了电压校准",比会写代码更要紧——总不能等它在客户现场出问题。

工程师焊接调试电路

角色正在从"执行者"往"决策者"挪:执行被自动化,判断被凸显。

现在可以做的几件事

主动用起来。 拿 Agent 跑一遍手头最枯燥的驱动移植,看看它哪里行、哪里不行。摸清边界的人,才有资格谈分工。

往纵深走。 越靠近硬件、越靠近实时性和可靠性,越难被替代。RTOS 内核、低功耗设计、EMC、功能安全,这些经验门槛高,Agent 短期内给不了等价答案。

守住工程判断。 Agent 给的东西,先验证再采用。

工具换了几轮,判断力没换

这二十年,嵌入式工程师从汇编换到 C,从裸机换到 RTOS。每次工具升级都有人喊失业,但留下来的,是把工具用到极致、同时守住工程判断的人。

Agent 把一部分"写"的动作直接拿走了,拿不走的是:对硬件的理解、对风险的敬畏,以及在信息不全时做决策的胆量。这些最难被量化和复制。

与其焦虑饭碗会不会被端走,不如先想清楚:哪些活是 Agent 干得更好的,哪些是离了你不行的。把前者交出去,把后者做深。

答案不在 Agent 手里,在你自己的判断里。


*本文为原创观点,图片来自 Pexels 免费图库(Pexels License,可免费用于商业用途)。*

版权声明

本文仅代表作者观点,不代表本网站立场。
本文系作者授权本网站发表,未经许可,不得转载。

发表评论
热门文章
  • 康普顿未来智慧农场

    康普顿未来智慧农场
    康普顿未来农场,使用更少的水和1%的土地,即可实现与产统农业相同产量....
  • 一种自动确定计算机游戏状态中可能动作的方法

    一种自动确定计算机游戏状态中可能动作的方法
    由于手动彻底测试视频游戏软件非常困难,因此需要拥有能够自动探索不同游戏功能的人工智能代理。此类代理的关键要求是玩家动作的模型,代理可以使用该模型来确定不同游戏状态下的可能动作集,以及对代理策略选择的游戏执行选定的动作。目前使用的典型游戏引擎不提供这样的动作模型,导致现有的工作要么需要人工手动定义动作模型,要么不精确地猜测可能的动作。在我们的工作中,我们通过为游戏中存在的用户输入处理逻辑开发最先进的分析方法来演示程序分析如何有效解决该问题,该分析可以使用离散动作空间自动建模游戏...
  • 拆解 OpenAI 的新董事会

    拆解 OpenAI 的新董事会
    在人工智能和技术领域掀起波澜的惊人事件中,人工智能领域的领先实体 OpenAI 最近的领导地位发生了重大转变。以萨姆·奥尔特曼 (Sam Altman) 戏剧性地重返首席执行官职位以及随之而来的董事会改组为标志,这些变化代表了该组织的关键时刻。OpenAI 以其在人工智能研究和开发方面的开创性工作而闻名,包括广泛认可的 ChatGPT 和 DALL-E 模型,站在人工智能进步的最前沿。因此,董事会的重组不仅仅是人员的变动,还标志着人工智能领域最具影响力的组织之一的方向、优先事...
  • HierSpeech++:通过零样本语音合成新架构

    HierSpeech++:通过零样本语音合成新架构
    基于大语言模型(LLM)的语音合成已广泛应用于零样本语音合成中。然而,它们需要大规模数据,并且具有与以前的自回归语音模型相同的局限性,包括推理速度慢和缺乏鲁棒性。本文提出了 HierSpeech++,一种快速、强大的零样本语音合成器,用于文本到语音(TTS)和语音转换(VC)。我们验证了分层语音合成框架可以显着提高合成语音的鲁棒性和表现力。此外,即使在零样本语音合成场景中,我们也显着提高了合成语音的自然度和说话人相似度。对于文本到语音,我们采用文本到向量框架,该框架根据文本表...
  • 使用众包反馈来帮助训练机器人

    使用众包反馈来帮助训练机器人
    为了教人工智能代理一项新任务,比如如何打开厨房柜子,研究人员经常使用强化学习——这是一种试错过程,在该过程中,代理会因采取更接近目标的行动而获得奖励。在许多情况下,人类专家必须仔细设计奖励函数,这是一种激励机制,赋予代理人探索的动力。当智能体探索并尝试不同的动作时,人类专家必须迭代地更新奖励函数。这可能非常耗时、效率低下,并且难以扩展,尤其是当任务复杂且涉及许多步骤时。来自麻省理工学院、哈佛大学和华盛顿大学的研究人员开发了一种新的强化学习方法,该方法不依赖于专门设计的奖励函数...