2025 年，软件工程的核心不再只是代码本身，而是运行时的可控性与成本治理，这一转变正重塑行业的底层逻辑。
回顾 2025 年，我越来越清晰地意识到：这一年并不是“代码不重要了”，而是 工程的价值坐标发生了整体迁移。如果说过去十多年软件工程围绕的是代码质量、架构演进与交付效率，那么从 2025 年起，决定系统成败的重心正在转向——运行时是否可控，以及成本是否可治理。
这并非一句口号，而是我在这一年里反复被现实验证过的结论。
我的 2025：从“平台工程”到“运行时问题”
在年度回顾中，我记录了一个明显变化：我花在“如何写好一个系统”的时间在减少，而花在“如何把系统跑稳、跑久、跑得起”的时间在增加。
这种关注点的迁移，是云原生十年积累后的自然延伸。
下面这张时间线图展示了我近几年关注点的变化：
当 AI 工作负载真正进入业务场景后，工程师面临的核心问题也随之转变：
- 推理、训练、评测是否在抢同一池算力
- GPU 利用率是否长期低于预期
- 成本是否随着并发线性失控
- 系统是否具备失败隔离与回放能力
这些问题，已经超出了代码层面的范畴。
行业共识正在形成：AI 改写的是工程重心
2025 年，行业逐渐形成共识：AI 正在重写软件工程。但真正的变化，并不发生在 IDE 或补全速度上，而是体现在 工程复杂性的迁移。
过去，复杂性主要集中在代码与接口，问题主要靠抽象、重构与测试解决。
而现在，复杂性转移到了运行时、资源与成本层面，问题必须通过调度、隔离、观测与治理来应对。
这也是为什么同样的 AI 工具：
- 对初级工程师是“加速器”
- 对资深工程师却是“放大镜”
AI 工具会放大你是否真正理解系统在生产环境中如何运行。
为什么“成本”成为第一性原理
在传统云原生系统中，CPU 利用率低往往只是效率问题；而在 AI 系统中，GPU 利用率低往往是现金流问题。
2025 年，我反复遇到如下场景：
- 资源“看起来不够”，但利用率却并不高
- 为了解决排队问题不断扩容，反而推高单位成本
- 系统缺乏明确的预算与配额边界，最终只能靠限流止血
这些现象的根本原因，并非模型选择，而是 缺乏一套面向 AI 工作负载的运行时与成本控制面。
下方流程图直观展示了 GPU 资源与成本压力的循环关系：
工程问题，最终会以成本的形式暴露出来。
Agent 兴起，但真正的难题在运行时
2025 年，Agent（智能体，Agent, Intelligent Agent）成为显学；2026 年，它将进入“能不能跑”的阶段。
Agent 的挑战从来不在“是否聪明”，而在于：
- 是否有清晰的权限与数据边界
- 是否运行在可隔离的执行环境中
- 是否可以被观测、评估与回放
- 是否受到明确的成本与预算约束
这些能力，构成了我在这一年里不断尝试梳理的 Agentic Runtime（智能体运行时，Agentic Runtime） 轮廓。
下方流程图展示了 Agentic Runtime 的核心能力层次：
没有运行时，Agent 只是 Demo；没有成本约束，Agent 只是风险放大器。
2026 展望：工程的“地基”重新变得重要
展望 2026，我保持谨慎但乐观。
我不认为未来属于“最会写 Prompt 的人”，而更可能属于：
- 理解运行时边界的人
- 能把算力当作受限资源治理的人
- 能把 AI 系统当作长期运行系统来设计的人
从 2025 年起，软件工程不再以代码为中心，而是以 运行时与成本为中心。这不是工程的退化，而是一次回归：回到对系统整体负责，对真实世界约束负责。
对我个人而言，这既是年度总结，也是接下来几年持续投入的方向。
总结
2025 年，软件工程的重心已从代码本身转向运行时与成本治理。AI 与 Agent 的普及并未削弱工程价值，而是将复杂性推向了更高层次。未来，理解运行时、治理算力与成本，将成为工程师新的核心竞争力。希望这份年度回顾，能为同行带来一些启发与思考。