智能体编程本质上是机器学习过程：工程师设定优化目标与搜索空间约束（如规范和测试），编码智能体通过迭代优化生成代码库。生成的代码应被视为黑箱模型，其行为与泛化能力需通过实证评估来管理，如同对待神经网络权重。这意味着机器学习中的经典问题，如对规范的过拟合、无法泛化的“聪明汉斯”式捷径、数据泄露和概念漂移等，都将出现在智能体编程中。作者进一步提出，未来需要寻找类似Keras的高级抽象工具，以最低认知开销来引导代码库的“训练”。