AI工程技能图谱发布：吴恩达总结四项核心能力，第四项尤其值得关注

吴恩达也下场做 agent 了，开箱即用，专注实干

吴恩达与 DeepLearning.AI 团队发布了一份 AI 工程技能图谱。他们翻阅了超过 1 万份职位描述，访谈了几十位 AI 专家、招聘经理和猎头，还结合问卷与网络数据分析，最终把技能收敛为四类。

吴恩达特意强调，这份图谱关注的是“AI 工程技能”，而不是“AI 工程师”这个岗位。他说，就像所有开发者都得懂云、但只有少数人叫云工程师一样，这些技能正在变成所有开发者的标配，不管你 title 是 full-stack、data engineer 还是 DevOps。

1. 构建和部署 AI 应用

AI 应用与传统软件最大的区别，是输出不可预测。你给 LLM 一个 prompt，不知道它会回什么；训练一个深度学习模型，也不知道它对新样本会给出怎样的预测。

所以，光会用 LLM、RAG、智能体工作流 这些构件还不够。核心在于用统计方法去度量、引导和治理 AI 系统，其中最关键的环节是评估与错误分析闭环。

2. 软件工程基本功

工程本质是在成本、可扩展性、可靠性、速度、安全、隐私之间做权衡。理解底层原理，才看得见这些权衡。

不懂基本功的人做 vibe coding，往往不知道该给编程智能体提供什么上下文，也就察觉不到智能体正在替自己做出一堆糟糕的架构决策。有网友在评论区说：等发现的时候，屎山已经堆好了。

基本功的价值，已经从“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

具体包括：对智能体的能力和局限有准确的心智模型，知道什么时候干预、什么时候放手；管理上下文，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；写清晰的规格说明，同时知道什么时候不必写；编排多个智能体协同工作；避开高风险操作，比如防止智能体误碰生产数据库。

这个领域变化太快，持续尝试新工具、迭代工作流，也是基本要求。

4. 塑造构建方向

这条最值得关注。

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了“决定规格里该写什么”。不能等着拿到像素级完美的设计稿只做实现，而要有产品 sense，理解商业上下文和客户目标，参与定义要做什么。同时要把握节奏：知道什么时候快速做 MVP 去验证用户，什么时候放慢脚步精细构建。

有 VC 从业者进一步解读了这一点。过去，软件团队把决定和执行分开：产品经理研究客户、写需求，设计师出图，工程师照着规格实现。编码智能体正在削弱这种分工。一旦智能体能把清晰规格变成可工作的软件，写代码不再是唯一瓶颈。仍然需要有人识别正确的问题、理解客户、选择权衡、决定规格里有什么。而这个工作，正在向工程师移动。确定性执行的工作在减少，不确定性判断的工作在增加。

这也是为什么软件工程基本功仍然留在图谱上。编码智能体可以提出一个架构，但必须有人能看出其中隐藏的成本、可靠性、安全和可扩展性妥协。代码生成变快，不代表决策就自动正确了。