吴恩达这次给出的 AI 工程技能图谱

很多人对 AI 开发的理解还停留在“调教大模型”或者“写个精妙的提示词”上，但吴恩达（Andrew Ng）这次整理的这份技能图谱直接把这层窗户纸捅破了。他明确传达了一个信号：单纯的 Prompt Engineering 撑不起一个真正的 AI 应用，未来的核心竞争力在于“AI Engineering”。

我仔细拆解了一下他提到的技能路径，发现重心已经从单纯的模型调用，全面转向了工程化落地。现在的开发者如果还只盯着怎么让 LLM 说话更好听，那离真正的实战确实还有段距离。

核心技能维度的转变

根据这份图谱的逻辑，一个合格的 AI 工程师需要掌握的不再是玄学，而是硬核的工程能力：

• 数据工程与处理： 这不是简单的清洗数据，而是如何为 RAG（检索增强生成）构建高质量的向量数据库，如何处理非结构化数据，以及如何通过数据质量来驱动模型表现。
• 系统架构设计： 怎么把大模型集成进现有的工作流？如何处理长上下文？如何设计能够自我纠错的 Agent 闭环？这需要对软件架构有极深的理解。
• 评估与迭代（Evaluation）： 这是目前最容易踩坑的地方。怎么量化模型输出的好坏？不能靠感觉，必须建立一套自动化的评估流水线，用确定的指标去指导模型微调或 Prompt 的优化。
• 部署与运维（LLMOps）： 涉及到推理成本控制、延迟优化、以及如何监控模型在生产环境中的“幻觉”问题。

为什么这很重要

现在的 AI 行业正处于从“Demo 阶段”向“生产环境”跨越的阵痛期。很多团队在实验室里跑出的效果惊艳，但一上线就面临响应慢、成本高、回答不可控等问题。吴恩达强调的这套技能树，本质上是在教大家如何把一个“概率性的模型”变成一个“确定性的产品”。

如果你现在还在纠结怎么写出完美的提示词，不如回头去研究一下向量检索的召回率，或者去学学怎么搭建一套完整的模型评估框架。未来的 AI 应用，拼的不是谁的模型参数大，而是谁的工程链路更稳。