藏在上万条招聘需求背后的 AI 技能地图~

吴恩达最近整理了一张 The AI Engineering Skills Map，是其团队分析了超过 1 万条招聘信息，做了数十次针对 AI 专家、招聘经理和招聘人员的结构化访谈，同时结合问卷和其他资料，归纳总结出 4 类当下值得重点关注的 AI Engineering 能力：构建与部署 AI 应用、软件工程基础、使用 Coding Agent，以及如何在 Coding Agent 动手前定义和拆解开发任务。

吴恩达建议全栈、数据、DevOps、机器学习等不同方向，以及其他参与 AI 开发的开发者，都了解并逐渐补上这些 AI Engineering 能力。

构建与部署 AI 应用的能力重在解决 AI 应用本身的不确定性。调用一个 LLM，并不能提前确定它每次会返回什么。因此除了 LLM、上下文工程、RAG、Agent 工作流等基础模块，开发者还需要通过评测和错误分析持续衡量、引导和治理系统，让输出变得更加可控。

第二类是软件工程基础技能的掌握。Coding Agent 能更快地产生代码，但成本、可扩展性、可靠性、速度、安全和隐私这些工程取舍依然存在。技术栈怎么选、系统架构怎么设计、数据怎么存、测试怎么做，都需要开发者理解背后的 trade-off，才能有效引导 Agent 做出更合适的选择。

第三类能力是学会如何使用 Coding Agent：涉及管理上下文、权衡规划与执行、通过验证器或 Evals 让 Agent 自主闭环，以及多 Agent 编排。开发者还要判断什么时候该介入，什么时候可以让 Agent 自己继续跑，避免它在生产环境中做出危险操作。

第四类如何在 Coding Agent 动手前定义和拆解开发任务的能力则是更进一步。当 Coding Agent 越来越擅长按照明确的需求规格完成实现，工程师也要更多参与决定“到底该做什么”：理解产品、业务和客户目标，推动项目向前，并判断什么时候快速做一个 MVP 给用户测试，什么时候应该放慢速度认真构建。

这四类能力还有一个共同前提：持续学习。Coding Agent 和相关工程实践仍在快速变化，吴恩达也表示，后续还会继续展开这四项能力，并发布更详细的 AI Engineering Skills Map。

当前这张地图更适合看作一份开发者能力框架，也给出了一个很实际的提醒：AI 加快了实现速度之后，工程判断、Agent 协作和定义“要做什么”的能力正在变得越来越重要。

吴恩达 AI技能地图 AIEngineering CodingAgent AI应用 软件工程 Evals 上下文工程 Agent