The AI Engineering Skills Map
文章目录
原文地址：https://x.com/AndrewYNg/status/2088302050706686198
我很高兴分享《AI Engineering Skills Map》。AI 让我们今天构建软件的方式与 2022 年相比有了本质差别，任何能把握这次变化的人，都有大量值得期待的项目和职业机会。面对围绕 AI 的喧闹与噪音，最值得优先学习的技能到底是什么？我和团队在持续梳理，希望帮助开发者（1）明确该学什么；（2）帮助雇主识别真正有能力的开发者。
我们基于 1 万多条岗位信息、与 AI 专家、招聘负责人与猎头的数十次结构化访谈、问卷调查数据，以及其他公开在线数据进行分析，提炼出当下最重要的四类 AI 工程技能：
- 构建与部署 AI 应用
- 软件工程基础
- 使用编程代理（Coding Agents）
- 参与“定义产品”而非只做实现
可以把这个过程粗略理解为：我们先在大规模岗位数据和专家访谈样本上做聚类，找到当前和近期都最重要的技能，而不是只看“当下热词”。
我这里说的是“AI Engineering 技能”，而不是“AI Engineer 角色”。AI 工程是更宽泛的能力域。今天所有开发者都应该懂得和云相关的工作，且“Cloud engineer”并不是每个懂它的人都叫那个头衔。类似地，不论是全栈、数据、DevOps、机器学习还是 AI 工程师，都需要 AI 工程技能。
1. 构建与部署 AI 应用
AI 应用与传统软件应用最大的差别在于：AI 输出不可完全预测。你给 LLM 提示后，不知道它会返回什么；你训练一个模型后，也不知道它在新样本上的预测会怎样。传统软件通常更可预测。
真正擅长这项能力的人，要理解 AI 的基础组成（如 LLM、上下文工程、RAG、agentic 工作流、机器学习与深度学习），并且懂得用统计方法持续做评估、误差分析和治理，让系统行为更可控。一个核心能力是建立纪律化的评估和错误闭环。
2. 软件工程基础
当你真正理解软件如何工作，才能更高效地构建系统。软件开发本质是不断在成本、扩展性、可靠性、速度等目标之间权衡，安全与隐私又会让复杂度进一步上升。
懂软件基础就能识别“到底有哪些 trade-off”。这会帮助你做出更好的决策：如何选技术栈、怎么设计架构、怎么设计存储、如何测试等等。它也远比“凭感觉”出方案更可靠，因为你知道该给 coding agent 提供怎样的上下文。不了解这些的人，很容易让模型做出看似省事、实际不理想的选择。
3. 使用编程代理
会用 agentic coding 已经成为每个开发者都必须具备的技能。具备这项能力，意味着你有一套关于代理行为的心智模型：你知道它的边界和限制，也知道如何与它配合。你可以在“该干预多少”与“该放手”之间快速切换，既不浪费太多时间和 token，也不让结果失控。
这要求你会管理代理上下文，会在“规划与执行”之间做取舍，会让代理闭环迭代（提供 verifier / eval），会写清晰的规范，也会知道什么时候不需要复杂规范。你还要会编排多个代理协作，并避开它们可能造成的生产问题（比如误操作数据库）。由于 agentic coding 变化很快，真正有用的是持续更新工作流、不断试新工具的能力。
4. 参与塑造产品（Shaping the build）
在有明确目标的前提下，coding agent 执行能力在快速提升。工程师的工作重心正转移到“要做什么”而不只是“按图实现什么”。这要求工程师有产品意识、理解业务背景和用户目标，能参与定义并推动建设方向。
AI 也赋予我们更大的主导权。我们能更快发现机会并负责任地落地。要抓住这个机会，就要具备推动项目推进的能力：知道什么时候快跑一个 MVP 去验证，什么时候放慢节奏、把事做得更稳妥。
持续学习是底层能力
AI 的变化速度非常快，底层要求是一种持续学习的心态。我们都需要持续更新技能、吸收新实践，把不断出现的新工具和方法内化进自己的工作方式。
DeepLearning.AI 的核心目标一直是帮助开发者建立这些 AI 工程能力。后续我会把这四类能力分别展开写清楚，并给出更完整的 AI Engineering Skills Map。看到 AI Engineering 的发展方向，我对大家能共同构建的未来充满期待，希望你能在其中发挥创造力，走进一个更有影响力的角色。