meng shao (@shao__meng) “吴恩达老师分享「AI Engineering 技能图谱」 @DeepLearningAI 团队分析了超过 1 万份” — TopicDigg

吴恩达老师分享「AI Engineering 技能图谱」 @DeepLearningAI 团队分析了超过 1 万份 JD，并对 AI 专家、招聘经理和猎头进行了数十次结构化访谈，结合调查问卷和网络数据，得出「AI Engineering 四个核心技能」。 1. 构建与部署 AI 应用 AI 应用与传统软件的根本区别在于输出的不可预测性——你无法预知 LLM 会返回什么，也无法预知模型在新样本上的预测。 因此核心能力不只是掌握 LLM、上下文工程、RAG、智能体工作流、深度学习这些构件，更在于用统计方法去度量、引导和治理 AI 系统，其中最关键的是"纪律严明的评估与错误分析闭环"。 2. 软件工程基本功 工程的本质是在成本、可扩展性、可靠性、速度、安全、隐私之间做权衡。只有理解底层原理，你才看得见权衡的存在。 一个尖锐的现实：不懂基本功的开发者做 "vibe coding"，往往不知道给编程智能体提供什么上下文，也就无法察觉智能体正在替自己做糟糕的架构决策。 基本功的价值从"亲手写代码"转移到了"用精确的工程语言驾驭智能体"。 3. 使用编程智能体 这已成为每个开发者的必备技能，包括： · 对智能体能力与局限的准确心智模型，知道何时干预、何时放手 · 管理智能体的上下文，在规划与执行之间做权衡 · 提供验证器或评估机制，让智能体自主闭环 · 编写清晰的规格说明（以及判断何时不必写） · 编排多个智能体协同工作 · 规避高风险操作（如智能体误操作生产数据库） · 由于该领域快速演进，还需建立持续尝试新工具、迭代工作流的习惯 4. 塑造构建方向 当智能体越来越擅长"按规格交付"，工程师的价值重心就上移到"决定规格里该写什么"。 这意味着：工程师不能再等着拿到像素级完美的设计稿只做实现，而需要具备产品 Sense、商业上下文和客户目标的理解，参与定义做什么。同时要把握节奏——知道何时快速做 MVP 验证用户，何时放慢脚步精心构建。