吴恩达AI工程技能图谱：四大核心工程能力解读

随着 AI 技术的飞速演进，软件开发的方式正在经历一场深刻的变革。面对海量的信息和不断涌现的新工具，作为开发者，我们究竟应该优先掌握哪些技能？

近期，AI 领域的权威专家吴恩达（Andrew Ng）分享了《The AI Engineering Skills Map》（AI 工程技能图谱）。他明确指出了在当前的 AI 环境下，最具价值的四项核心 AI 工程技能。今天，我们就来深度拆解这份技能图谱，看看如何在这个充满机遇的时代保持竞争力。

🏗️ 1. 构建和部署 AI 应用程序（Building and deploying AI applications）

与传统软件不同，AI 应用程序最大的特点在于其输出的不可预测性。

工程师不仅需要深入理解 AI 的基础模块（例如 LLM、上下文工程、RAG、Agentic 工作流、机器学习和深度学习），更核心的要求是掌握如何驾驭这种不确定性。你需要熟练使用统计技术来衡量、引导和管理 AI 系统，并建立起严格的评估（evals）和误差分析闭环，从而让 AI 系统的表现更加稳定可控。

💻 2. 软件工程基础（Software engineering fundamentals）

无论 AI 工具多么强大，扎实的软件工程基础永远是不可或缺的底盘。

在日常的平台软件开发中，我们常常需要在成本、可扩展性、可靠性和速度等关键指标之间做出合理的权衡。只有深入理解软件的底层运行原理，你才能做出更优秀的架构设计和测试决策。更重要的是，扎实的工程功底能让你使用极其精确的软件工程术语，去更高效、更准确地引导你的代码智能体（Coding Agents）完成复杂任务。

🤖 3. 使用代码智能体（Using coding agents）

掌握并精通代码智能体，已经成为新一代开发者的分水岭。

不管是日常工作中使用 Claude Code 还是 Gemini CLI 等先进工具，你都需要建立起关于它们如何工作的心智模型。了解它们的优势，更要清楚它们的局限性。这其中包括：

• 上下文管理：精准投喂有效信息。
• 规划与执行：在全局架构思考与具体代码实现之间取得平衡。
• 闭环验证：通过提供验证器或评估机制，帮助智能体自动完成代码的自我修正与闭环。
• 多智能体编排：让多个智能体协同工作，完成更庞大的工程。

🎯 4. 塑造构建过程（Shaping the build）

随着智能体执行明确规范（spec）的能力越来越强，你会发现，“写代码”本身的时间占比在减少，而“决定写什么”变得越来越重要。

工程师的职责正在加速向前端转移——你需要具备强大的产品思维。理解真实的业务背景和客户目标，将在项目中赋予你更多的主动权。例如，你需要敏锐地判断在什么场景下应该借助 AI 快速构建 MVP（最小可行性产品）去试错，在什么场景下又该放慢脚步，精细打磨底层逻辑。

💡 底层思维：持续学习

在这四大技能之上，支撑一切的是持续学习的底层思维。AI 领域日新月异，唯有保持空杯心态，快速适应并采用新兴的最佳实践，才能在这个令人兴奋的时代中脱颖而出。

面对 AI 带来的软件工程范式转移，你最想优先提升哪一项技能？