AI 应用与非 AI 应用的关键区别:前者输出不可预测——prompt 一个 LLM 不知道会返回什么;训练一个深度学习算法不知道它对新样本会预测什么。传统软件行为则更可预测。

① 构建与部署 AI 应用

AI 应用与非 AI 应用的关键区别:前者输出不可预测——prompt 一个 LLM 不知道会返回什么;训练一个深度学习算法不知道它对新样本会预测什么。传统软件行为则更可预测。

掌握者理解 AI 的构建块(LLM、上下文工程、RAG、agentic workflow、机器学习与深度学习),更重要的是会用统计技术来度量、引导、治理 AI 系统,使其行为更可预测。

核心技能:驱动有纪律的 evals 和错误分析循环。

② 软件工程基础

深入理解软件如何工作,才能更高效地构建。工程软件需要在成本、可扩展性、可靠性、速度等之间做权衡,安全与隐私又增加了复杂度。

理解软件基础 → 才能识别存在哪些权衡 → 在选技术栈、设计系统架构、设计数据存储、测试等环节做出更好决策。

对比 vibe coding:不懂权衡的开发者给 Coding Agent 的上下文就是错的,Agent 做出的权衡往往很差。

理解软件基础让你用软件工程的精确语言去引导 Coding Agent,做出好的权衡。

③ 使用 Coding Agents

高效使用 agentic coding 现在是每个开发者的关键技能。掌握者有一个好的 Agent 心智模型:理解局限、知道怎么绕过、能快速引导——知道何时介入、何时放手,构建健壮软件而不浪费过多时间和 token。

需要:

  • 管理 Coding Agent 的上下文
  • 在规划与执行之间做权衡
  • 提供 verifiers 或 evals 帮 Agent 自主闭环
  • 知道何时需要清晰的 spec、何时不必费心写
  • 编排多个 Agent 协同
  • 避开陷阱(如 Agent 搞坏生产数据库)

因为 agentic coding 演进很快,熟练使用意味着既掌握前沿实践,又有持续尝试新工具、随最佳实践变化演进工作流的例行习惯。

④ 塑造项目(Shaping the Build)

给定清晰 spec,Coding Agent 的交付能力在快速提升——于是工程师的工作正在转向「决定 spec 里该写什么」。

  • 工程师不应再期待拿到像素级完美设计只做实现
  • 有效 AI 工程需要产品感 + 业务上下文理解 + 客户目标理解,从而参与塑造和驱动构建
  • AI 给了你承担更大 ownership 和 agency 的机会:识别有趣的问题与机会、以负责任的方式执行
  • 需要推动项目前进的能力:比如知道何时快速做 MVP 给用户测试、何时放慢做更仔细的构建

底层心态:持续学习

所有技能之下是持续学习的心态——AI 变化很快,我们必须持续学习、演进技能,采纳新兴最佳实践。

术语说明:为什么叫「AI Engineering skills」而不是「AI Engineer 角色」

吴恩达刻意用前者,因为技能比角色广得多。类比:今天所有开发者都要会用云,但只有少数人挂着「Cloud Engineer」头衔。同理——全栈、数据、DevOps、机器学习工程师,乃至 AI 工程师,都需要 AI 工程技能。


本文话题 #AI工程 #吴恩达 #CodingAgent #软件工程 #Evals #上下文工程 #职业技能