吴恩达《AI Engineering Skills Map》译读：四项核心能力与持续学习底座

谢文峰 2026-08-15 0 阅读7分钟

吴恩达《AI Engineering Skills Map》译读：四项核心能力与持续学习底座

本文是对吴恩达（Andrew Ng）于 2026 年 8 月 15 日发布的 X Article《The AI Engineering Skills Map》的结构化中文译读。本文保留原文的核心结构和论证顺序，不是逐句全文翻译，也不把后续分析框架写成吴恩达的原话。

摘要

北京时间 2026 年 8 月 15 日 00:29，吴恩达发布了《The AI Engineering Skills Map》。DeepLearning.AI 通过分析超过 10,000 条招聘信息、开展数十次结构化访谈，并结合问卷与线上资料，整理出四项核心 AI Engineering skills：构建和部署 AI 应用、软件工程基础、使用 Coding Agent，以及 Shaping the Build。

这张地图的范围比“AI Engineer”职位更广。原文的判断是：随着 AI 进入软件开发的更多环节，未来所有开发者都需要这些能力，而持续学习是贯穿四项能力的共同底座。

核心结论先说

AI Engineering 并不只是“会调用大模型 API”，也不只是“会让 Coding Agent 写代码”。它同时要求开发者能够：

1. 处理 AI 输出的不确定性，并建立 Eval 与错误分析循环；
2. 使用软件工程基础判断架构、质量、安全和可维护性；
3. 管理 Coding Agent 的上下文、规格、验证器和生产工作流；
4. 理解业务和客户目标，判断究竟应该构建什么。

研究方法：这张地图从哪里来

DeepLearning.AI 团队分析了超过 10,000 条招聘信息，并与 AI 专家、招聘经理和招聘人员进行了数十次结构化访谈。在此基础上，团队还结合问卷调查和线上资料，了解企业正在寻找哪些能力，以及优秀的 AI 开发者在实际工作中怎样完成构建。

吴恩达在补充回复中说明，这是 DeepLearning.AI 持续推进的长期项目，而不只是一门课程。

四项能力可以概括如下：

核心能力	原文名称	主要解决的问题
构建和部署 AI 应用	Building and deploying AI applications	å¦‚ä½•æŠŠå ·æœ‰ä¸ç¡®å®šè¾“å‡ºçš„æ¨¡åž‹å˜æˆå¯è¯„ä¼°ã€å¯è¿­ä»£ã€å¯éƒ¨ç½²çš„åº”ç”¨
软件工程基础	Software engineering fundamentals	如何理解系统约束、工程权衡，并判断 Agent 生成代码的质量
使用 Coding Agent	Using coding agents	å¦‚ä½•ç®¡ç†ä¸Šä¸‹æ–‡ã€è§„æ ¼ã€è§„åˆ’ã€æ‰§è¡Œã€éªŒè¯å’Œç”Ÿäº§å®‰å ¨
塑造要构建的东西	Shaping the build	如何从业务、客户和产品目标出发，决定应该构建什么

能力一：构建和部署 AI 应用

传统软件通常按照相对明确的规则运行，而 AI 应用的输出具有不确定性。即使输入相似，模型也可能产生不同结果；一个在 Demo 中表现良好的原型，也不一定能在真实用户和生产环境中保持可靠。

因此，构建 AI 应用不能只停留在模型调用层。开发者还需要理解模型能力与局限，选择合适的技术方案，并把应用部署到真实环境中。

原文特别强调 Eval 和错误分析。一个典型的改进流程包括：

1. 评估系统在真实或代表性任务上的表现；
2. 收集失败样例；
3. 对错误进行分类和分析；
4. 改进数据、提示、模型或系统设计；
5. 再次评估，并进入下一轮。

这意味着，AI 应用不是一次写完的确定性程序，而是一个需要持续校准的系统。能否建立稳定的评估与反馈循环，决定了原型能否真正走向生产。

能力二：软件工程基础

AI 工具降低了代码生成成本，但没有降低理解软件系统的必要性。开发者越多地借助 Coding Agent 完成实现，就越需要掌握系统结构、接口、测试、调试、安全、性能和可维护性等基本问题。

软件工程基础至少承担两项作用：

• 判断方案：理解不同架构和实现方式的约束与权衡；
• 指导 Agent：把问题、边界和质量要求准确地表达给 Coding Agent。

缺少这些基础，开发者或许仍能快速得到大量代码，却难以判断代码为什么这样组织、在哪些条件下会失败，以及它是否适合进入生产环境。

能力三：使用 Coding Agent

使用 Coding Agent 不等于把一个模糊任务交出去，然后直接接受生成结果。原文涉及的关键工作包括：

• 上下文管理：决定 Agent 能看到哪些代码、文档、工具和历史信息；
• 规划与执行：根据任务复杂度和风险，判断先规划还是边执行边迭代；
• 规格定义：把目标、边界、约束和成功条件表达清楚；
• Verifier 与 Eval：判断结果是否真正满足要求，而不只是能够运行；
• 多 Agent 协作：处理不同 Agent 的职责、交接和结果整合；
• 生产安全：控制权限、异常、风险和上线边界；
• 工作流更新：随着工具能力变化，持续调整团队的使用方式。

上下文不足会迫使 Agent 猜测；上下文过多或组织混乱，也可能干扰它识别真正重要的信息。有效使用 Coding Agent 的核心，不只是“给出 Prompt”，而是管理整个任务环境和验证过程。

能力四：Shaping the Build

前三项能力更多回答“怎样把东西做出来”，Shaping the Build 则把问题推向上游：

• 我们究竟应该构建什么？
• 为什么要构建？
• 客户和业务目标是什么？
• 怎样才算成功？

这要求开发者理解业务、客户与产品体验，并把这些理解转化为清晰规格。很多时候，用户提出的只是表面需求，真正的问题还没有被完整表达。优秀的开发者不仅执行已有任务，也会主动发现问题、澄清目标，并帮助团队确定更合适的解决方案。

原文还强调了 MVP 与谨慎构建之间的判断。有些想法适合先快速验证，有些系统风险较高，需要更严格的设计、控制与验证。开发者必须知道什么时候追求速度，什么时候应该增加工程投入。

共同底座：持续学习

AI 模型、Coding Agent 和开发工具仍在快速变化。今天有效的模型选择、上下文策略或工作流，未来可能很快被新的方法替代。

因此，持续学习不是与四项能力并列的第五项，而是贯穿整张地图的共同要求。开发者不仅要学习新工具，也要观察真实结果、吸收反馈、修正方法，并持续更新自己对构建过程的理解。

这张地图为什么面向所有开发者

《The AI Engineering Skills Map》并不是一份狭窄的岗位资格清单。它描述的是 AI 进入软件工程后，开发者普遍需要补齐的能力：

• 构建和部署 AI 应用，处理模型输出的不确定性；
• 使用软件工程基础判断方案和系统权衡；
• 通过 Coding Agent 扩展实现效率；
• 通过 Shaping the Build 确保团队在解决真正值得解决的问题。

原文最终指向一个更广泛的判断：未来的开发者不仅要会实现，还要能够定义、引导、评估并持续改进整个构建过程。

原始来源

• 吴恩达发布的 X 帖子
• X Article：《The AI Engineering Skills Map》
• 补充回复：这是 DeepLearning.AI 的长期项目