吴恩达将 AI Engineering 列为新重点：四类核心能力正在成形

吴恩达近期将 AI Engineering（AI 工程） 提升为新的重点方向，这被视为一个值得关注的行业信号。

这次方向调整并非只基于个人判断。相关分析综合了：

• 超过 10,000 条招聘信息；
• 数十次与 AI 专家、招聘经理和招聘人员的结构化访谈；
• 问卷调查数据；
• 其他线上数据的汇总分析。

在此基础上，吴恩达总结了 AI 工程领域最重要的四类技能。当前提供的内容中，较完整展开了其中两项。

1. 构建和部署 AI 应用

这一能力要求开发者理解 AI 系统的主要组成部分，包括：

• 大语言模型（LLM）；
• 上下文工程；
• RAG；
• Agent 工作流；
• 机器学习与深度学习。

更重要的是，开发者需要掌握如何利用统计方法，对 AI 系统进行测量、引导和治理，从而让系统行为更加可预测。

其中一个核心能力，是建立严格的评测与错误分析闭环。也就是说，AI 应用开发并不只是把模型接入产品，而是要持续测试效果、定位失败模式，再根据结果调整提示词、上下文、工作流甚至模型本身。

从工程流程上看，这与传统机器学习工程和 MLOps 有较强延续性：从提示工程、模型调用与工作流编排，到微调以及更完整的智能体开发环境，最终都需要落到可测量、可迭代、可部署的工程体系上。

2. 软件工程基础

吴恩达特别强调，软件工程基本功仍然非常重要。

理解软件工程基础，意味着开发者能够判断技术方案中究竟存在哪些取舍，包括：

• 技术栈选择；
• 系统架构设计；
• 数据存储设计；
• 测试策略；
• 系统可维护性与可靠性。

这也是 AI 编程工具普及后更值得讨论的一点：如果开发者本身缺乏工程经验，即使借助 Coding Agent 快速生成大量代码，也未必能识别工具替自己做出的架构和实现选择是否合理。

换句话说，AI 编程工具可以显著提升开发速度，但并不会自动替代对工程权衡的理解。开发者是否知道应该向 Coding Agent 提供什么上下文、如何检查生成结果，以及何时推翻工具给出的方案，依然取决于自身的软件工程能力。

AI Engineering 不只是一个职位名称

一个值得注意的判断是，所谓 “AI Engineering Skills” 并不只适用于职位名称叫做 AI Engineer 的人。

随着 LLM、RAG、Agent 和 Coding Agent 逐渐进入常规软件开发流程，AI 工程能力正在和传统软件工程、机器学习工程发生融合。对于产品工程师、后端工程师、机器学习工程师，甚至需要构建内部 AI 工具的技术团队而言，这些能力都可能越来越具有通用性。

从目前披露的信息看，AI Engineering 更像是在强调一种新的工程能力组合：既要理解模型和 AI 工作流，也不能丢掉评测、数据、架构、测试和软件工程基本功。

由于当前抓取内容在后半部分被截断，其余两项核心技能未完整呈现，因此这里不做补充推测。