正在加载文章内容，请稍候。
吴恩达发布了《AI 工程技能地图》，为开发者和雇主指出在当前 AI 时代最重要的技能。 他归纳了四大核心技能：构建和部署 AI 应用、软件工程基础、使用编码智能体、以及定义和推动产品开发。 他强调这些技能需结合统计评估、工程权衡、代理治理和持续学习，从而在快速变化的环境中负责任地交付产品。
✍️ 写下你的想法，自由记录即可。如果没有灵感，试着回答上方的费曼输出问题。
登录后可保存笔记、高亮、划线和批注。
精准输入
AI 让今天的软件开发方式与 2022 年显著不同，也制造了大量新项目与工作机会。但在充满噪声和炒作的信息环境里，开发者真正值得学习什么？吴恩达团队分析超过一万条招聘信息，访谈 AI 专家、招聘经理与招聘人员，并结合问卷和线上数据，提炼出四项最重要的 AI 工程技能。
我很高兴发布《AI 工程技能地图》。AI 让我们今天构建软件的方式与 2022 年大不相同，拥有相应技能的人也因此面对许多令人兴奋的项目和工作机会。但围绕 AI 的信息环境噪声巨大、充满炒作，最有价值的学习内容究竟是什么？我的团队一直在综合整理一张 AI 工程技能地图，希望帮助开发者确定学习优先级，也帮助雇主招聘真正有技能的开发者。
我们分析了超过 10,000 条招聘信息，进行了数十次针对 AI 专家、招聘经理和招聘人员的结构化访谈，通过问卷收集数据，并综合其他线上资料。由此得到四项最重要的 AI 工程技能：
可以把这个过程非正式地理解为：在由职位信息与专家访谈构成的海量数据集上做聚类，从而识别今天以及不久将来最重要的技能。
这里说的是“AI 工程技能”，而不是“AI 工程师”这一职位。前者范围更广。今天所有开发者都应知道如何使用云服务，尽管只有一小部分人的职称是“云工程师”。同理，全栈工程师、数据工程师、DevOps 工程师、机器学习工程师，当然也包括 AI 工程师，都会需要 AI 工程技能。
AI 应用和非 AI 应用的关键区别，在于前者的输出不可预测。向大语言模型发出提示时，你不知道会得到什么；训练深度学习算法时，也不知道它对新样本会做出什么预测。传统软件的行为则相对可预测。
擅长构建和部署 AI 应用的人，既理解大语言模型、上下文工程、检索增强生成（RAG）、智能体工作流、机器学习和深度学习等基本构件，也知道如何用统计技术测量、引导和治理 AI 系统，使其行为更可预测。其中一项核心能力，是严谨地推动评估与错误分析循环。
深入理解软件如何工作，会显著提高构建效率。软件工程必须在成本、可扩展性、可靠性、速度等因素之间权衡，安全与隐私还会增加新的复杂度。
理解基础，首先让你看见“有哪些权衡真实存在”，继而在技术栈选择、系统架构、数据存储与测试等问题上做出更好的决定。它也会带来远好于缺乏经验者“凭感觉编程”的结果。后者不知道编码智能体正在替自己做哪些取舍，往往也不知道应当提供什么上下文，于是智能体很容易做出糟糕选择。掌握软件工程的精确语言，才能有效引导编码智能体完成合理权衡。
高效使用智能体编码，已经是每位开发者的关键技能。具备这项能力的人，对智能体的工作方式有正确心智模型，理解其局限并知道如何绕开；他们能迅速引导智能体，判断何时介入、何时放手，从而构建稳健软件，又不浪费过多时间或 token。
这要求你管理编码智能体的上下文，在规划与执行之间做取舍，并通过验证器或评估帮助智能体自主闭环。你还要知道怎样使用清晰规格——以及何时不值得写规格——如何编排多个协作智能体，并避开让智能体误伤生产数据库等风险。
智能体编码变化极快，因此熟练使用它，不只意味着掌握前沿实践，还要建立持续试用新工具的日常机制，随着最佳实践变化不断演进自己的工作流。
面对清晰规格，编码智能体正越来越擅长按要求交付。因此，工程师的工作开始转向决定规格里究竟应该有什么。工程师不能再期待拿到像素级完整设计，只负责把它实现；有效的 AI 工程要求产品判断力，也要求理解商业环境和客户目标，从而参与塑造并推动产品本身。
AI 还让你有机会承担比过去更多的所有权和主动性。你可以主动识别有价值的问题与机会，并以负责任的方式执行。把握这项机会，需要知道如何推动项目，例如什么时候应迅速构建最小可行产品交给用户测试，什么时候应放慢速度，以更长时间谨慎构建。
所有这些技能之下，都有持续学习的心态。AI 仍在迅速变化，我们必须持续学习、演进能力，并采用不断出现的新最佳实践。
DeepLearning.AI 的主要工作，就是帮助开发者获得这些 AI 工程技能。关于四项技能，我还会继续展开，并在后续文章中分享更详细的技能地图。看着 AI 工程正在前往的方向，我对我们所有人将能构建的东西无比兴奋，也希望你能在这个未来扮演令人兴奋的角色。
吴恩达先用招聘数据、专家访谈与问卷说明技能地图的证据基础，再把“AI 工程技能”定义为所有开发者都需要的通用能力。正文依次展开四层：用统计评估管理 AI 的不确定输出，以软件基础看见工程权衡，正确管理与验证编码智能体，以及把工程角色向产品定义和项目推动上游移动；最后用持续学习把四项能力连成一个会随工具与最佳实践不断更新的体系。
费曼输出
