吴恩达看了1万份招聘启事 总结出AI时代最值钱的4项技能

面向Google编程 2026-08-19 0 阅读7分钟

事情是这样的。

昨晚摸鱼刷推，看到吴恩达发了一条长得离谱的推文，一千多个英文单词，配了一张图，叫The AI Engineering Skills Map，AI工程技能图谱。

我读了两遍，把图存了下来，然后老老实实从头到尾翻译了一遍。

很多不关注这个领域的朋友可能不知道吴恩达的分量。前百度首席科学家，Google Brain的创始人之一，后来创办了DeepLearning.AI，他当年的机器学习课程是无数人的AI启蒙。这个人说话不太放卫星，他发的东西，背后基本都是真干了活的。

这一次，为了做这张图谱，他的团队分析了超过10000条AI相关的招聘启事，做了几十场结构化访谈，对象覆盖AI专家、招聘经理、猎头，再加上问卷调研和一堆线上数据。

吴恩达自己形容他们的方法，说你可以想象成，对一个由招聘信息和专家访谈组成的海量数据集跑了一次聚类，把最重要的技能聚出来。

而且不只是当下重要的，是未来几年都会重要的。

聚出来的结果，就四项。

第一项，构建和部署AI应用。

这里他有个判断我觉得特别准，AI应用和传统软件最根本的区别，就在于AI应用的输出是不可预测的。

你给一个LLM发prompt，你不知道它会返回什么。你训一个深度学习模型，你不知道它在新数据上会预测出什么。传统软件没这个问题，同样的输入给同样的结果，冷冰冰但确定。

所以真正会做AI应用的人，是那种既懂积木块的人，LLM、上下文工程、RAG、agentic工作流、机器学习、深度学习这些，同时又更重要的一件事，会用统计的方法去度量、引导、治理这套系统，把不服管的管服帖。

他专门点了一个核心手艺，跑有纪律的评测，也就是evals，还有错误分析循环。

坦率的讲，evals这个东西，到现在还有很多人觉得可有可无，跑两遍感觉差不多了就上线。但往后它就是AI应用工程师和demo拼接匠的分水岭。错误分析也一样，把坏case找出来，研究为什么坏，修掉，再找下一批，这个循环枯燥得很，没有任何捷径。

你想想看，是不是所有值钱的手艺，底层都是这种枯燥的循环。

第二项，软件工程基本功。

这项特别有意思。很多人觉得，编码智能体越来越猛，基本功是不是不重要了，反正代码都是agent写的，我懂不懂底层有什么关系。

吴恩达给的答案正好相反，基本功比任何时候都重要。

逻辑其实不复杂。你真的理解软件是怎么跑起来的，你才知道成本、可扩展性、可靠性、速度之间在互相掰手腕，安全和隐私又给这场掰手腕加了码。你得先看得出有哪些权衡存在，才谈得上做出好决策，选技术栈、设计架构、设计数据存储、怎么做测试，全靠这个底子。

真正扎心的例子他也给了。一个没经验的开发者在那vibe coding，根本不知道自己的编码智能体正在做哪些权衡，而那些权衡往往很糟，因为他连该给agent什么上下文都不知道。

用Claude Code或者Codex比较多的朋友应该有体感，同一个智能体，你给它清晰的spec、备好的上下文、能跑的验证，和你就丢一句帮我做个网站，出来的东西是两个物种。

这不是玄学，这是基本功的复利。

第三项，使用编码智能体。

用好agent，现在是每一个开发者的必修课。

吴恩达这段写得非常细，你要对智能体的工作方式有个好的心智模型，知道它们的边界在哪，怎么绕过去，能快速地引导它们，哪些地方要盯紧，哪些地方放手让它跑，在不烧掉过多时间和token的前提下，把软件做扎实。

展开说还有一堆，上下文管理，规划和执行之间的取舍，给agent提供验证器或者evals让它自己闭环，什么时候该写一份清晰的spec、什么时候根本不用费这个劲，怎么编排多个agent协同干活，还得防着哪天它一脚把你的生产数据库给扬了。

他还补了一句，因为agentic coding变化太快，用好智能体不只是掌握今天的前沿实践，还得有一套自己的例行节奏，不断去试新工具，让工作流跟着最佳实践一起进化。

我始终觉得这一点被严重低估了。同一个模型，有人用出来是神器，有人用出来是垃圾，差距经常不在模型身上，在牵绳的人身上。

第四项，shaping the build，塑造构建方向。

这是四项里我最喜欢的一项。

吴恩达的判断是，只要你给一份清晰的spec，编码智能体按图交付的能力正在狂飙。所以我们这些工程师的工作，正在往另一个地方迁移，去决定spec里该写什么。

也就是说，以后不会再有人递给你一个像素级完美的设计稿，然后只让你照着实现。真正稀缺的是产品感，是你懂业务背景、懂用户想要什么，能参与到构建方向的塑造里，甚至主动去找出那些值得解决的问题，然后把项目往前推。

这里头还有个分寸感的问题，什么时候该火速搓一个MVP扔给用户去试，什么时候该慢下来，多花时间更谨慎地做。

看到这我脑子里蹦出来一部重复了无数次的历史。

从机器码到汇编，从汇编到高级语言，再到现在用自然语言指挥agent写代码。工具的抽象层每往上升一层，手动执行那一层的价值就暴跌一次，而决定下一层该构建什么的价值，就暴涨一次。

汇编时代，手写高效指令的人是大神。后来编译器来了，汇编大神没那么神了，但想清楚做什么软件、怎么设计、怎么权衡的人，成了新的大神。

这次没有任何不同。

唯一的区别是，这次的速度快到让人喘不过气。。。

在这四项技能的底下，吴恩达垫了一句话，持续学习的心态。AI会一直变，所有人都得一直学，一直进化，去接住那些不断冒出来的新实践。

没什么漂亮话，但事实就是这样。

回到我昨晚存的那张图。

构建和部署AI应用，软件工程基本功，使用编码智能体，塑造构建方向。这四项摆在一起，其实说的是一个身份的转移，你不再是那个敲键盘的人，你是那个决定做什么、并对结果负责的人。

键盘交给AI，判断力留给你自己。

最后想问问屏幕前的你，这四项里，哪一项是你最弱的？

我自己大概率是第四项。会做，但经常做出来的不是人家想要的，这种痛，比任何一次新模型发布都更值得琢磨。

评论区聊聊。