来自吴恩达的分享：AI 时代，什么样的人最值钱？

Josh的AI笔记

2026-08-18 23:10发布于北京科技领域创作者

问AI · 吴恩达为何强调建立严谨的AI评测与错误分析闭环？

Andrew Ng 最近发布了《The AI Engineering Skills Map》。
为了回答“AI 时代到底什么最值得学”，他的团队分析了超过 10,000 条招聘信息，并对 AI 专家、招聘经理和 Recruiter 进行了数十次结构化访谈。
最终，他们总结出了未来最重要的四类 AI 工程能力。
以下为全文中文翻译。为方便国内 AI 从业者阅读，对部分术语和中文语序进行了本地化处理，不改变原文含义。

作者：Andrew Ng（吴恩达）

翻译：Josh的AI笔记

AI 工程技能地图

The AI Engineering Skills Map

我很高兴向大家正式介绍《AI 工程技能地图》（The AI Engineering Skills Map）。

今天，在 AI 的帮助下，我们构建软件的方式，已经和 2022 年大不相同。

任何掌握相关技能、能够利用这一变化的人，都将拥有大量令人兴奋的项目机会和职业机会。

但与此同时，AI 领域的信息环境也非常嘈杂，充斥着各种热点和炒作。

那么，一个很重要的问题是：

到底哪些技能，最值得你投入时间去学习？

过去一段时间，我一直在和团队一起梳理、总结 AI 工程领域的技能体系，希望做出一张AI Engineering Skills Map，帮助两类人：

帮助开发者判断：应该优先学习什么

帮助雇主判断：如何招聘真正具备这些能力的开发者

我们分析了超过10,000 条招聘信息，对 AI 专家、招聘经理和招聘人员进行了数十次结构化访谈，通过问卷收集数据，同时综合分析了其他线上数据。

最终，我们认为最重要的 AI 工程能力有四类：

构建与部署 AI 应用
软件工程基础
使用 Coding Agent
定义并推动构建方向（Shaping the Build）

你可以把我们的研究过程粗略理解为：

对一个由大量招聘信息和专家访谈组成的超大数据集进行“聚类分析”，从中识别出最重要的技能。

而我们关注的，不只是今天最重要的技能，也包括在不久的将来会越来越重要的能力。

01｜构建与部署 AI 应用

Building and Deploying AI Applications

这里先说明一下术语。

我谈的是AI Engineering Skills（AI 工程能力），而不是“AI Engineer” 这个岗位——也就是专门负责构建 AI 系统的人。

因为前者的范围要广得多。

今天，所有开发者都应该知道如何使用云服务，但真正职位名称叫做“Cloud Engineer”的人，只占其中一部分。

AI 也会是一样。

未来，所有开发者——包括全栈工程师、数据工程师、DevOps 工程师、机器学习工程师，当然也包括 AI 工程师——都需要掌握AI Engineering Skills。

AI 应用和传统非 AI 应用之间，一个最关键的区别在于：

AI 的输出是不可预测的。

当你向一个 LLM 输入 Prompt 时，你并不知道最终会得到什么结果。

当你训练一个深度学习算法时，你也无法提前知道，它面对一个新的样本时究竟会做出什么预测。

相比之下，传统软件的行为要更加可预测。

真正擅长构建和部署 AI 应用的人，需要理解 AI 系统的基本组成部分，例如：

LLM、Context Engineering（上下文工程）、RAG、Agentic Workflows（智能体工作流）、Machine Learning 和 Deep Learning。

更重要的是，他们还需要知道：

如何利用统计方法，对 AI 系统进行衡量、引导和治理，让它的行为变得更加可预测。

而要做到这一点，一项核心能力就是：

建立严谨的 Evals（评测）和 Error Analysis（错误分析）闭环。

02｜软件工程基础

Software Engineering Fundamentals

当你真正深入理解软件是如何工作的，你就能够更加高效地构建软件。

软件工程本身就意味着不断做取舍。

你需要在成本、可扩展性、可靠性、速度等因素之间进行权衡，而安全和隐私又会进一步增加系统的复杂度。

理解软件工程基础，首先能让你意识到：

一个工程方案里，到底存在哪些需要权衡和取舍的地方。

只有知道这些 trade-off 的存在，你才能在很多关键问题上做出更好的决定，例如：

选择什么技术栈、如何设计系统架构、如何设计数据存储、如何进行测试等等。

这也会带来远远好于另一类人的结果：

那些缺乏经验的开发者，直接通过Vibe Coding做出一个方案，却根本不知道自己的 Coding Agent 在背后做了哪些取舍。

而这些取舍往往并不好。

其中一个重要原因是：

他们自己都不知道，应该给 Coding Agent 提供什么样的上下文。

真正理解软件工程基础之后，你就能够使用软件工程中精确、专业的语言去引导 Coding Agent，从而让它做出更合理的工程权衡。

03｜使用 Coding Agent

Using Coding Agents

如何有效地进行Agentic Coding（智能体式编程），现在已经成为每一位开发者都需要掌握的一项核心能力。

真正掌握这项能力之后，你首先会对 Agent 的工作方式建立一个正确的Mental Model（心智模型）。

你会理解它的局限，以及如何绕过这些局限。

你也能够快速引导 Agent，并知道：

什么时候应该介入，什么时候应该放手让它自己完成。

最终，在不过度浪费时间和 Token 的情况下，让它构建出更加可靠的软件。

要做到这一点，你需要掌握很多具体能力。

比如：

你需要知道如何管理 Coding Agent 的Context（上下文）；

如何在Planning（规划）和 Execution（执行）之间做出合理权衡；

如何通过给 Agent 提供Verifiers（验证器）或 Evals（评测机制），帮助它自主完成闭环。

也就是说，让 Agent 能够自己完成：

执行 → 验证 → 发现问题 → 修正 → 再验证。

你还需要知道如何基于一个清晰的Spec（规格说明）与 Agent 协作——同时也要知道：

什么时候根本没有必要花时间写 Spec。

你需要学习如何协调多个 Agent，让它们协同工作。

同时，还必须避免一些典型的风险，比如：

Agent 不小心把你的生产数据库搞坏。

由于 Agentic Coding 仍然在快速发展，因此真正“熟练使用 Coding Agent”，不仅意味着掌握今天最前沿的实践。

你还需要建立一套习惯：

持续尝试新的工具，并随着最佳实践的变化，不断更新自己的工作流。

04｜定义并推动构建方向

Shaping the Build

当一个 Spec 足够清晰时，Coding Agent 按照这个 Spec 完成任务的能力，正在快速提升。

因此，我们作为工程师的工作，也正在发生变化。

越来越重要的事情变成了：

决定这个 Spec 里面，到底应该写什么。

工程师不应该再期待这样一种工作模式：

别人先给你一份已经做到pixel-perfect（像素级完善）的设计稿，然后你唯一需要做的事情，就是把它实现出来。

相反，真正有效的 AI Engineering，要求工程师具备Product Sense（产品判断力），同时理解业务背景和客户目标。

只有这样，你才能真正参与到产品的定义中：

决定应该构建什么，并推动它真正落地。

AI 同时也给了你一个机会：

获得比过去更大的 Ownership（责任边界）和 Agency（自主行动空间）。

你可以主动发现值得解决的问题和机会，然后以负责任的方式执行，把这些机会真正转化成结果。

但要抓住这样的机会，你还需要知道：

如何真正推动一个项目向前走。

例如，你需要判断：

什么时候应该快速做出一个MVP，尽快拿给用户测试；

什么时候又应该主动放慢速度，投入更多时间，更加谨慎地把东西做好。

最后｜持续学习

支撑以上所有能力的，是一种：

持续学习的心态。

AI 仍然在高速变化。

因此，我们所有人都必须持续学习，不断迭代自己的能力，并及时采用不断涌现的新最佳实践。

DeepLearning.AI 当前最重要的目标之一，就是帮助开发者获得这些AI Engineering Skills。

关于上面提到的四项能力，我还有很多内容想进一步展开。

接下来，我会在后续文章中分别深入讨论这四类能力，并分享一份更加详细的AI Engineering Skills Map。

当我观察 AI Engineering 正在走向何方时，我对未来感到无比兴奋。

我非常期待看到：

未来，我们所有人究竟能够用 AI 构建出什么。

也希望你能在这个未来中，扮演一个令人期待的角色。