笔言:事情始于一种模糊。

那段时间，我频繁地用自然语言与AI对话生成代码。每次描述完需求，看着代码流水般涌出，我都感到一种难以名状的异样。不是惊喜，也不是恐惧，而是一种更微妙的感受——仿佛我的思维被某种东西触碰了，又仿佛我在触碰某种东西时，自己也在悄然改变。

这种感觉像是水面的涟漪，抓不住，却挥之不去。它潜伏在日常工作的间隙，在等待AI生成的几秒钟里，在审查代码时那片刻的出神中。我问自己：这还是编程吗？如果我还是那个“程序员”，我的工作究竟从什么时候开始，从“写”变成了“说”？从“构建”变成了“引导”？

起初我以为这只是个人的矫情。工具进步而已，何必大惊小怪。可这种感觉太顽固了，它一次次地浮现，逼迫我去正视。我开始留意周围人的反应：有人在惊叹AI的效率，有人在担忧被取代，有人在高喊“提示词工程师”的新风口。但鲜有人谈论那种我感受到的——人与工具之间那条正在模糊的边界。

正是这种沉默，让我不安。如果一场变革正在重塑我们最核心的智力活动，而我们只谈论它的技术参数，我们会不会错失更重要的东西？会不会等到尘埃落定，才惊觉自己早已身在另一个世界？

于是我想写点什么。不是为了给出答案——我哪有那个本事。而是为了把那模糊的感觉固定下来，给它一个形状，一个名字，让它从混沌的直觉变成可以讨论的对象。哪怕只是把它摆在那里，让别人说“哦，原来你也感觉到了”，也是好的。

这便有了你即将读到的文字。它是一次思想的试航，一场概念的冒险。我借用了哲学的工具，试图凿开技术表象的硬壳，窥见内里涌动的暗流。我知道这注定是片面的、暂时的——任何身处变革之中的言说都难逃此命。但倘若它能引发更多的追问、更深的思考，那这趟冒险便不算白费。

窗外天色渐暗，电脑屏幕的光映在玻璃上，我看见自己的脸，也看见代码在流动。那一刻我忽然想起博尔赫斯的一句话：“也许 universal history 就是几个隐喻的历史。” 那么，编程的历史，或许也是几个隐喻的历史：从“指令”到“协作”，从“建造”到“涌现”，从“工具”到“他者”。

我们正处在隐喻转换的当口。至于这将通向何方，我并不知道。但我愿意在踏入未知之前，留下这一行字：

这里曾有人感到过模糊，并试图将它照亮。

2026年春 于天河

---

从指令到协作：语言驱动AI编程的范式转变研究

摘要

随着大语言模型在代码生成领域的深度应用，自然语言正从程序开发的辅助工具演变为核心交互媒介，这一转变引发了编程范式的根本性变革。本研究从技术哲学视角出发，综合运用丹尼特的 mechanistic functionalism、弗洛里迪的信息哲学以及唯识宗认知理论，系统分析语言驱动AI编程所带来的范式转变本质。研究发现，这一转变体现为三重核心特征的嬗变：人机关系从“机械对话”走向“意图协作”、知识形态从“明确知识”走向“缄默知识”、创造本质从“理性构建”走向“对话涌现”。在此基础上，本文进一步探讨了由此引发的三大核心论题：错误谱系的认识论断裂、“黑箱”问题的现象学困境以及创造性归属的哲学争议。研究表明，语言指导AI编程并非简单的工具升级，而是人机认知分工的深刻重构——人类将执行层面的认知外包给机器，从而更专注于意图定义与价值判断。这一转变对计算机教育、软件开发实践以及人机关系的未来走向具有深远影响。

关键词：编程范式；大语言模型；人机协作；技术哲学；认知分工

一、引言

1.1 研究背景与问题提出

2022年ChatGPT发布以来，大语言模型（Large Language Models, LLMs）技术迅速渗透至软件开发的各个层面。从GitHub Copilot到Cursor，从Code Llama到DeepSeek-Coder，基于自然语言的代码生成工具正在重塑程序员的日常工作方式。北京航空航天大学团队联合近30家机构发布的综述指出，软件开发正经历从“手动编码”到“AI辅助协作”的演化，开发者越来越习惯于用自然语言表达意图，由模型完成更大比例的实现。

这一变化引发了笔者的核心追问：当程序员用自然语言而非编程语言指导AI生成代码时，编程的本质是否发生了根本性变化？如果变化存在，其哲学意涵是什么？这是一个纯粹的效率问题，还是触及了人与技术关系的深层重构？

1.2 研究意义

从理论层面看，编程范式的研究长期局限于计算机科学内部，技术哲学的介入有助于揭示工具变革背后的人类认知重塑过程。上海交通大学刘鹏飞团队提出的“Software 3.5”概念指出，随着大模型具备深度推理能力，人类首次能够与AI进行真正的思维层面交流，智能不再孤立存在于单一个体，而是在交互中涌现。这一判断亟需哲学层面的系统性论证。

从实践层面看，理解范式转变的本质有助于重新定位程序员的核心能力、重构计算机教育体系，并为AI时代的知识生产规范提供理论依据。Chang等人的研究指出，AI辅助编程带来了生产力提升的同时，也引发了对代码质量、安全漏洞、基础问题解决能力弱化的担忧。对这些问题的回应需要建立在深刻的理论反思之上。

1.3 研究方法与理论框架

本研究采用概念分析与跨学科理论综合的方法。主要理论资源包括：丹尼特（Dennett）的 mechanistic functionalism，用以理解人类认知与机器计算的本质差异；弗洛里迪（Floridi）的信息哲学，用以分析人机交互的认识论意涵；以及中国哲学传统中的唯识宗认知理论，用以探讨创造性归属的本体论根源。这种多元理论框架的选择，源于对语言驱动编程这一现象的复杂性认识——它既是技术问题，也是认知问题，更是哲学问题。

二、文献综述

2.1 编程范式演化的技术叙事

对编程范式演化的技术史梳理，已有较为成熟的研究框架。北航团队的综述将开发方式划分为三个阶段：手工编写代码的“手动编程时代”、通过数据训练让机器学习参数的“数据驱动时代”、以及用自然语言描述需求让AI理解执行的“意图驱动时代”。这一划分清晰呈现了抽象层次不断提升的趋势。

北京大学李戈团队对代码生成智能体的综述进一步指出，AI在软件开发中的角色正从“辅助性的帮手”进化为“能独立思考和行动的伙伴”，其特征体现为自主性、任务范围的广泛性以及工程实践性的增强。研究将未来范式概括为“人→智能体→结果”的新模式，即人类开发者的角色从软件的“构建者”上升为最终结果的“提供者”。

2.2 软件范式演进的代表性理论

安德烈·卡帕西（Andrej Karpathy）提出的“Software 3.0”概念将自然语言编程视为继手工编程（1.0）和神经网络编程（2.0）之后的第三阶段。然而，刘鹏飞团队认为这一概念在2024年9月之后已显“过时”，其核心困境在于将AI视为“高级工具”，延续了“智能是单体属性”的传统认知。该团队提出的“Software 3.5”概念强调“交互即智能”，主张人机双方的智慧在实时交互中涌现和放大，产生单独任何一方都无法达到的效果。

这一理论转向值得重视：它将研究焦点从“工具能力”转向“协作模式”，从“单体智能”转向“交互智能”，为理解语言驱动编程的范式转变提供了重要概念工具。

2.3 现有研究的哲学维度考察

从哲学视角审视AI代码生成的学术工作尚处于起步阶段。Chang等人的研究考察了AI编码实践对计算机教育的启示，关注生产力提升与基础能力弱化之间的张力。Chen的论文《Architectures of Error》则从认识论角度区分了人类代码生成与AI代码生成的不同错误来源，前者源于认知局限，后者源于随机统计。这是少数直接触及AI编程哲学本质的研究。

网络社会研究所的讨论引入了“静默编辑”（quiet editor）概念，指称算法对知识生产和人类思维的隐性调节。这一概念触及了AI作为认知基础设施的本质——它不仅是工具，更是人类思维的外延和调节者。

然而，现有研究在以下方面仍存在不足：一是缺乏对语言驱动编程所引发的范式转变的系统性哲学分析；二是对转变本质的刻画多停留在描述层面，缺乏理论深度的阐释；三是尚未将这一问题置于人机认知分工重构的宏观框架中加以考察。本研究试图填补这一空白。

三、理论框架：认知分工与智能涌现

3.1 从笛卡尔到丹尼特：人机认知的哲学考察

理解语言驱动编程的范式转变，首先需要澄清人类认知与机器认知的本质差异。笛卡尔的身心二元论为现代主体性哲学奠定了基础，但这一框架难以适用于人机协作的新型认知形态。

丹尼特的 mechanistic functionalism 提供了一个更有解释力的框架。在他看来，心智并非神秘的实体，而是由一系列功能机制组成的系统。人类认知的特点在于意识的统一性和自我感，而机器认知的特点在于功能的模块化和可组合性。Chen在应用这一框架分析AI代码生成时指出，人类认知与AI认知的本质差异可以通过它们对错误的共同脆弱性来考察，但这种表面的相似性掩盖了根本不同的因果起源——“人类-认知的”与“人工-随机的”。

这一区分至关重要：当人类程序员犯错，通常源于注意力分散、知识局限或逻辑谬误；当AI生成的代码出错，则源于训练数据的偏差、概率分布的不确定性或上下文理解的局限。两者的错误谱系不同，这意味着对错误的诊断和修正策略也应有所不同。

3.2 弗洛里迪的信息哲学与“翻译层”概念

弗洛里迪的信息哲学将信息视为构成实在的基本维度，将智能系统理解为信息处理实体。在这一框架下，人与AI的交互可以被理解为不同信息处理范式之间的翻译过程。

PMC上的一篇哲学论文提出了“宇宙智能”（cosmogenic intelligence）概念，将AI视为两个领域之间的翻译器：一方面是“无声的逻辑”——模式、结构、变换；另一方面是“人类符号世界”。该文指出：“AI可以处理海量数据流，检测我们看不见的模式，并将其总结成人类可读的输出。它在我们无法倾听的地方倾听，在我们无法看见的地方观察，然后带着我们可以解读的近似值返回。”

这一“翻译层”概念深刻揭示了语言在AI编程中的新角色：语言不再是编程的媒介本身，而是人类与机器认知之间的“界面”。人类通过语言表达意图，AI将其“翻译”为可执行的代码；AI将计算过程的输出“翻译”为人类可理解的自然语言反馈。这种双向翻译构成了人机协作的基础。

3.3 唯识宗八识理论对创造性来源的启示

理解语言驱动编程所带来的创造性归属问题，需要超越西方哲学传统，引入东方思想的资源。上海市协力律师事务所张玲娜的文章引入佛教唯识宗“八识”理论，为分析AI与人类创作的根本区别提供了独特视角。

唯识宗将心识分为八个层次：前五识对应感官知觉；第六识“意识”负责逻辑分析、概念生成——这是AI可以高度模拟的部分；第七识“末那识”是自我意识的根源，产生“我执”、身份认同、情感好恶；第八识“阿赖耶识”储存无始以来的“种子”，构成个人的深层倾向和文化无意识。后两者是AI完全不具备的部分。

这一理论框架揭示：人类创作的“独创性”根源于末那识的“我执”——一种基于个人生命轨迹的、带有情感色彩的独特视角。当人类用语言指导AI编程时，语言中携带的是来自末那识的意图、情感和价值判断，而AI的作用是高效地模拟和组合这些由“我执”驱动的指令。这一区分为理解创造性归属问题提供了本体论基础。

四、语言驱动编程的范式转变本质

基于上述理论框架，本节将系统分析语言驱动AI编程所引发的范式转变本质。这一转变体现为三重核心特征的嬗变。

4.1 人机关系的颠倒：从“机械对话”到“意图协作”

传统编程是一种单向的指令过程：程序员必须用机器能精确理解的语言，通过严密的逻辑将“意图”翻译成“指令”。机器是被动的执行者，错误通常源于程序员的逻辑漏洞。这是一种“人→机”的单向控制关系。

语言驱动编程则彻底颠倒了这一关系。程序员使用模糊、充满歧义的自然语言，AI则充当了一个拥有世界知识的“阅读理解者”和“代码生成者”。北航团队的综述指出：“过去我们通过代码描述需求，而现在的趋势正在转变——开发者更习惯于用自然语言表达意图，由模型完成更大比例的实现”。

这意味着：

• 旧范式：人用机器的思维方式思考，将意图翻译为指令
• 新范式：机器（AI）用人的思维方式理解，将意图翻译为代码

刘鹏飞团队将这种新型关系称为“认知协作”——AI不再是黑盒工具，而是透明的思维伙伴，用户可以在AI思考的任何节点进行干预，提供战略指导或纠正方向。这种关系的颠倒，意味着“编程”正在从一种“建造”活动演变为一种“策展”活动——程序员更像是在众多AI生成的方案中做出选择，而非亲手构建每一行代码。

4.2 知识形态的转变：从“明确知识”到“缄默知识”

波兰尼（Michael Polanyi）提出“我们知道的远比能说出来的多”，区分了“明确知识”（articulated knowledge）与“缄默知识”（tacit knowledge）。传统编程要求将所有的知识显性化，写成无歧义的代码——这是明确知识的主导形态。

语言驱动编程则调用模型内化的“缄默知识”。代码大语言模型的训练语料不仅包括GitHub代码，还包括Issue讨论、StackOverflow问答、API文档等资源，这些共同构成了模型的“软件世界知识”。当程序员说“做一个好看的登录界面”时，AI调用的是“好看”背后蕴含的布局美学、色彩心理学和用户体验惯例——这些知识从未被明确写出，但已被模型从海量人类实践中习得。

这一转变导致编程的“知识封装层级”发生飞跃。程序员不再需要事无巨细地写出每一行代码，而是通过描述“做什么”，调用AI庞大的知识库去完成“怎么做”。这是一种从“外显编码”到“内隐调用”的转变。

4.3 创造本质的嬗变：从“理性构建”到“对话涌现”

在传统范式中，软件是“理性构建”的产物。程序员在编码之前已在头脑中形成完整的设计蓝图，编码过程是将蓝图翻译为代码的过程。这是一种“设计→实现”的线性路径。

语言驱动编程则呈现出“对话涌现”的特征。程序员通过语言输入一个“场”（prompt），AI基于概率生成代码片段；程序员根据生成结果提出新的要求或修正，AI再次回应。代码的最终形态是人与AI在对话中共同探索出来的，而非预先完全设计好的。刘鹏飞团队将这种模式概括为“交互即智能”——智能并非孤立存在于单一个体，而是在人类与AI的不断交互合作中涌现。

北京大学团队的综述也指出，未来的范式将是“人→智能体→结果”——智能体系统封装了整个问题解决流程，人类只需在更高的抽象层次上描述意图，而智能体系统自主完成从编码到交付的全过程。这是一种从“构建”到“涌现”、从“线性设计”到“对话生成”的根本转变。

4.4 问题域的迁移：从“如何解决”到“如何描述”

上述转变共同导致编程核心技能的迁移。传统编程的核心技能包括：逻辑推理、算法设计、语法熟练度、调试能力。语言驱动编程时代的核心技能则转向：

• 问题定义能力：将模糊需求转化为清晰、可执行的指令
• 抽象描述能力：用自然语言精确表达意图，涵盖边界条件和例外情况
• 批判性思维：识别AI生成代码中的潜在错误、安全漏洞和逻辑缺陷
• 策展选择能力：在多个可行方案中做出符合项目目标的判断

Chang等人的研究指出，实践中已观察到AI辅助编程带来的新瓶颈——代码审查负担加重，以及对代码质量、可维护性、安全漏洞的担忧。这印证了核心技能迁移的判断：程序员不再需要从头构建每一行代码，但需要更强的判断力来审查和整合AI生成的内容。

维特根斯坦说：“语言的界限就是世界的界限。”在语言驱动编程时代，这句话获得了新的意涵：程序员能做出多复杂的软件，不再仅仅取决于写代码的能力，更取决于能否用语言清晰地界定问题、分解任务、识别错误。

五、核心论题：范式转变引发的哲学争议

语言驱动编程的范式转变并非单向进步，它带来了一系列深刻的哲学争议，需要审慎分析。

5.1 错误谱系的认识论断裂

Chen的《Architectures of Error》提出了一个关键问题：当人类和AI同样会犯错时，这些错误的“架构”是否相同？其结论是否定的。

人类错误的根源在于认知局限：注意力有限、记忆易错、逻辑推理可能出现漏洞。AI错误的根源在于统计本质：训练数据的偏差、概率分布的不确定性、上下文窗口的限制、对真实世界理解的缺失。

这一认识论断裂具有实践意涵：

• 对错误的诊断需要不同的框架：人类错误可以通过反思和逻辑检查来发现，AI错误需要通过对数据分布和模型局限的理解来预判
• 对错误的修正需要不同的策略：人类错误可以通过学习和训练减少，AI错误需要通过提示工程、检索增强、多轮迭代等方法缓解
• 责任归属面临挑战：当AI生成的代码包含安全漏洞导致损失时，责任在开发者（未尽审查义务）、模型提供者（算法缺陷）还是双方？

5.2 “黑箱”问题的现象学困境

大语言模型的决策过程对用户而言是不可见的“黑箱”。网络社会研究所的讨论指出：“人工智能作为一个‘黑箱’，对知识生产和人类思维做了什么？” 这一问题在编程领域尤为突出。

当AI生成一段代码，程序员可以检查代码本身，但无法了解AI的“思考过程”：它为何选择这种实现方式？它考虑了哪些可能的替代方案？它基于哪些上下文信息做出决策？这种不可见性带来了“现象学困境”——程序员无法形成对AI的准确心智模型，难以建立恰当的信任度。

CopilotLens等研究尝试通过设计可解释的交互界面来缓解这一问题，让AI的“思考过程”对用户透明。但根本性的哲学问题依然存在：如果人类无法理解AI生成代码的完整推理过程，我们是否将系统的控制权交给了不可知的黑箱？

莱姆（Stanislaw Lem）在1960年代预言的“诺斯底机器”概念在此具有先见之明：知识生产可能与以隐秘方式运作的机器绑定，科学方法论需要被重新解释。在编程领域，这意味着我们可能需要接受一种新的知识形态——我们无法完全理解所使用工具的工作机制，但仍需对其输出负责。

5.3 创造性归属的哲学争议

当软件的核心创意来自于人类模糊的提示，而实现细节由AI完成，那么“作者”是谁？这一问题触及创造性归属的哲学根基。

唯识宗理论提供了一个分析框架：AI的作用在于高效模拟和组合由人类“末那识”驱动的指令。人类提供的是基于“我执”的意图、情感和价值判断——例如“一只在午后的旧书店窗台上打盹的橘猫，氛围孤独又温暖，电影质感”——其中蕴含了审美偏好、情感体验、记忆情境。AI的作用是完美拟合这些风格、组合这些意象，最终输出仿佛承载了人类情感的代码或图像。

这意味着：AIGC中所蕴含的“独创性”，其根源在于人类“末那识”的附着，而非AI自身的“我执”。提示词工程的本质是“人类用户将其‘我执’与‘种子’附着到AI这一工具上的过程”。

重庆科技学院的研究从法学视角提出“表达控制路径”概念，认为判断独创性的关键应从“操作行为”转向“表达路径中的实质控制力”。这一判断呼应了上述哲学分析：在语言驱动编程中，人类对最终结果的贡献体现在对表达路径的持续控制和主导，而非对每个操作步骤的直接执行。

然而，当AI的生成能力不断增强，当模型能够基于极少的人类提示自动扩展出复杂的实现，人类“实质控制力”的边界在哪里？这是亟待深入研究的开放问题。

六、案例分析：范式转变的实践表征

6.1 “氛围编码”（Vibe Coding）现象解析

Chang等人的研究引入了一个新兴概念——“氛围编码”（vibe coding）。这一概念指称一种新型编程实践：开发者不再逐行编写代码，而是通过描述“氛围”或“感觉”让AI生成代码，然后根据“感觉”调整提示，直至获得满意的结果。

“氛围编码”体现了范式转变的多个特征：

• 语言驱动：开发者用模糊的、感性的语言表达意图，而非精确的规格说明
• 对话生成：代码在人与AI的多轮对话中逐步成形，而非一次性设计完成
• 直觉判断：开发者依赖直觉评估AI输出，而非严格的逻辑审查
• 涌现创造：最终产品是人与AI协作涌现的结果，难以归因于单一方

Chang等人的研究发现，实践者报告了显著的生产力提升和入门门槛降低，但也表达了对代码质量、可维护性和基础问题解决能力弱化的担忧。这印证了范式转变的双刃剑效应。

6.2 代码智能体（Code Agent）的自主性考察

北京大学团队的综述将代码生成智能体定义为“以LLM作为‘大脑’，通过构建自主规划、行动、观察与迭代优化的能力，模拟人类程序员‘分析需求、编写代码、运行测试、修复错误’的完整工作流”。

这种智能体的核心特征在于自主性：它能够主动管理并执行从需求到实现的开发工作流，而非被动地等待人类指令。这使得开发者的角色相应从“代码编写者”转为“任务定义者、过程监督者与成果审查者”。

多智能体系统的出现进一步放大了这一趋势：不同智能体分别承担需求分析、代码生成、测试验证、代码重构等角色，形成“虚拟开发团队”。开发者在这一系统中的角色是团队管理者，而非具体执行者。

这一发展印证了本文的核心论点：人机认知分工正在发生深刻重构——人类专注于意图定义、价值判断和过程监督，机器承担执行层面的认知工作。

七、结语与展望

7.1 研究结论

本文从技术哲学视角出发，系统分析了语言驱动AI编程所引发的范式转变本质。研究得出以下主要结论：

第一，语言驱动AI编程确实引发了编程范式的根本性转变，其本质是人机认知分工的深刻重构。人类将执行层面的认知外包给机器，从而更专注于意图定义和价值判断。

第二，这一转变体现为三重核心特征的嬗变：人机关系从“机械对话”走向“意图协作”、知识形态从“明确知识”走向“缄默知识”、创造本质从“理性构建”走向“对话涌现”。

第三，范式转变引发了三大核心论题：错误谱系的认识论断裂、“黑箱”问题的现象学困境、创造性归属的哲学争议。这些论题需要跨学科的持续研究。

第四，语言在编程中的角色发生了根本转变：从“编程的媒介”转变为“人机认知的翻译层”。程序员的核心能力从“如何解决”转向“如何描述”，从“逻辑构建”转向“意图表达”。

7.2 对计算机教育的启示

范式转变对计算机教育提出了新的要求。Chang等人的研究指出，需要调整课程体系以适应新的开发实践，包括加强问题解决能力、架构思维、代码审查训练，以及将LLM工具整合进早期项目式学习中。

具体而言，未来的计算机教育可能需要：

• 强化问题定义和需求分析能力
• 培养批判性审查AI生成代码的能力
• 训练学生理解AI的认知局限和错误模式
• 将提示工程作为基础技能纳入课程
• 强调伦理意识和责任归属的反思

7.3 未来研究展望

本研究仅是初步探索，未来可在以下方向深入：

一是实证研究层面：追踪程序员在语言驱动编程实践中的行为模式、认知负荷和技能演化，为理论分析提供经验支撑。

二是跨文化比较层面：不同语言和文化背景下的提示词实践是否存在差异？东方思想传统（如本文引入的唯识宗理论）能否为理解人机协作提供独特视角？

三是规范建构层面：如何建立适应新范式的人机协作规范？如何界定责任归属？如何设计可解释、可问责的AI编程系统？

四是哲学反思层面：当机器越来越多地参与知识生产，“智能”的定义是否需要重新审视？语言在认知中的角色是否正在发生变化？

正如网络社会研究所的讨论所言：“我们真正需要不安的，并不是思想来源于外部或存在非人的因素，而是那些被提示给我们的思想的质量”。语言驱动AI编程带来的范式转变已成定局，关键问题在于：我们能否在拥抱效率提升的同时，保持对思想质量的警觉、对创造本质的反思、对人类价值的坚守。

---

参考文献

[1] 北京航空航天大学团队. From Code Foundation Models to Agents and Applications. arXiv:2511.18538, 2025.

[2] Chen, J. Architectures of Error: A Philosophical Inquiry into AI and Human Code Generation. arXiv:2505.19353, 2025.

[3] Cosmogenic intelligence: The silent power. Biomaterials Translational, 6(3):230-231, 2025.

[4] 刘鹏飞团队. Karpathy提的“软件3.0”已过时，交互即智能才是未来. 上海交通大学, 2025.

[5] 张玲娜. AI没有“末那识”：试论“我执”与作品独创性的关系. 上海市协力律师事务所, 2025.

[6] Chang, H.F., et al. Coding With AI: From a Reflection on Industrial Practices to Future Computer Science and Software Engineering Education. arXiv:2512.23982, 2025.

[7] Moore, S., Konior, B. 机器决策并非最终：质疑“静默的编辑者”. 第十届网络社会年会, 2025.

[8] Ye, R., et al. Beyond Autocomplete: Designing CopilotLens Towards Transparent and Explainable AI Coding Agents. arXiv:2506.20062, 2025.

[9] 尹嵩淇, 周奕辰. “直接产生”标准的教义学重构与 AIGC 作者身份认定研究. 重庆科技学院学报社科版, 2025(6):99-113.

[10] 李戈团队. 基于大语言模型智能体的代码生成综述. 北京大学, 2025.