最新发布：AI工程领域核心技能图谱。https://t.co/VVkn1Dqp1N

AI工程技能图谱

我很高兴发布《AI工程技能图谱》。AI让我们构建软件的方式与2022年相比已发生根本性变化，任何具备相关技能的人才都能获得大量激动人心的项目机会与职业前景。但在充满噪声、炒作和复杂信息的AI领域中，哪些技能最值得投入学习？我的团队通过综合分析，绘制了这份AI工程技能图谱，旨在帮助（i）开发者规划学习优先级，（ii）雇主招聘高技能开发人员。

基于对超过10,000个职位的分析；对AI专家、招聘经理和HR进行数十次结构化访谈；通过问卷调查收集数据；以及综合其他在线信息，我们提炼出四项最关键的AI工程技能：

• 构建与部署AI应用
• 软件工程基础
• 使用编程智能体
• 主导构建方向

您可以将我们的研究过程形象理解为：对海量职位数据和专家访谈进行聚类分析，从而识别出当下及近期未来最重要的技能。

术语说明：我使用“AI工程技能”而非“AI工程师”职位（指专门构建AI系统的职业角色），因为前者涵盖范围更广。正如当今所有开发者都应懂得使用云服务，但仅少数人拥有“云工程师”头衔；同样，所有开发者——包括全栈工程师、数据工程师、运维工程师、机器学习工程师以及AI工程师——都需要掌握AI工程技能。

构建与部署AI应用。AI应用与传统应用的核心区别在于前者具有输出不可预测性。当你向大语言模型（LLM）发送提示时，无法预知返回内容；训练深度学习算法时，也无法确定它对新样本的预测结果。相比之下，传统软件的行为更具可预测性。

擅长构建与部署AI应用的人才需要理解AI的基础构件（如LLM、语境工程、检索增强生成RAG、智能体工作流、机器学习与深度学习），更重要的是掌握如何运用统计技术来度量、引导和治理AI系统，使其行为更可控。其中核心技能包括：建立严谨的评估体系和错误分析闭环机制。

软件工程基础。深刻理解软件运作原理能极大提升开发效能。软件工程需要在成本、可扩展性、可靠性、性能等多个维度做出权衡，而安全与隐私进一步增加了复杂度。

掌握软件工程基础能让你识别现有权衡空间，从而在技术栈选型、系统架构设计、数据存储方案、测试策略等环节做出更优决策。这相比那些未经系统学习、仅凭直觉编码且不理解智能体底层权衡的初级开发者（他们常因不知如何向编程智能体提供有效上下文而产出劣质方案）能带来显著更好的结果。软件工程基础让你能运用专业术语精准引导编程智能体，实现科学的技术权衡。

使用编程智能体。有效运用智能体编程已成为每位开发者的关键技能。掌握此技能意味着：建立对智能体工作机理的正确认知，理解其局限性及应对策略，能够精准把控干预尺度——既及时引导又避免过度干预，从而高效构建稳健系统，不浪费时间与算力资源。

这需要你掌握：如何管理编程智能体的上下文环境，如何在规划与执行间取得平衡，如何通过提供验证器或评估机制帮助智能体自主完成闭环。同时还需了解：如何依据清晰规范工作（以及何时无需过度规范），如何编排多智能体协同，如何避免智能体破坏生产数据库等风险。鉴于智能体编程技术快速演进，熟练使用编程智能体不仅意味着掌握前沿实践，更需建立持续尝试新工具的工作机制，随最佳实践更新而迭代工作流程。

主导构建方向。随着编程智能体在遵循明确规范方面的快速进步，工程师的工作重心正转向定义规范内容。工程师不应再期待仅接收像素级设计稿进行机械实现。有效的AI工程需要产品思维、业务理解与客户需求洞察能力，从而能参与构建方向的制定与推动。

AI也赋予你前所未有的自主权与能动性。你可以自主发现有价值的问题与机遇，并以负责任的方式推进落实。把握这种机遇需要掌握项目推进技巧：既懂得何时快速构建最小可行产品（MVP）进行用户验证，也明白何时需要放缓节奏以实现更周全的构建。

所有这些技能的底层支撑是持续学习的心态。AI技术持续快速演进，我们必须不断学习并更新技能体系，以采纳新兴的最佳实践。

DeepLearning.AI的核心使命正是帮助开发者掌握这些AI工程技能。后续我将详细阐述这四项技能，在未来的文章中深入展开每一项，并分享更详尽的AI工程技能图谱。展望AI工程的发展方向，我对未来我们将能构建的成果充满期待。希望你能在这个令人振奋的未来中扮演重要角色。