Andrew Ng 和 DeepLearning.AI 发布了 AI 工程技能图谱 (AI Engineering Skills Map)，这是一个将把实验性提示词转化为生产级 AI 系统所需的六项核心能力进行分组的框架。该图谱的目标受众是希望超越“凭感觉编程”（vibe coding），并交付可靠、可扩展 AI 产品的工程师。

为什么“凭感觉编程”是一个障碍

在许多企业中，开发人员将大语言模型 (LLM) 视为魔杖：写一个提示词，扫一眼几个输出结果，就觉得大功告成了。这种捷径在快速演示时行得通，但在实际使用中会崩溃。LLM 是非确定性的——相同的输入每次都可能产生不同的结果。如果没有系统的检查，在实验室里看起来运行良好的系统可能会在生产环境中崩溃，导致昂贵的停机时间或不安全行为。

图谱中的六项核心能力

该技能图谱将工程过程分解为六个不同的领域，每个领域都有其自身的最佳实践和工具。

  • 提示工程 (Prompt Engineering) – 从自由文本转向结构化模板，通常使用 JSON schema 进行强制约束。这减少了歧义，并使下游解析变得可预测。
  • 检索增强生成 (RAG) – 要求具备文档摄取、语义分块以及构建检索流水线的能力，从而为模型提供相关的上下文。
  • 智能体工作流 (Agentic Workflows) – 涉及设计循环，使模型能够调用外部工具、管理状态并自主做出决策。
  • 微调 (Fine-tuning) – 帮助工程师决定何时调整模型权重，而不是仅仅依赖提示词上下文，这一选择可以提高一致性并减少 Token 使用量。
  • 评估 (Evaluation/Evals) – 需要能够根据预定义标准衡量准确性、偏见和安全性的自动化测试套件。测试失败应该像任何其他代码回归一样导致构建失败。
  • 运维 (Operations) – 专注于延迟预算、成本监控以及实时处理模型漂移（随着数据演变，模型行为发生的逐渐偏移）。

通过将 LLM 视为不可信的 API 而不是黑盒，团队可以应用与传统服务相同的严谨性。

谁将受益，谁会被落下

如果工程领导者仅配备机器学习博士，可能会发现项目停滞不前。该图谱强调了对系统工程师的需求——即精通 API 设计、缓存策略和自动化测试的人才。通过提升后端工程师的技能，使其能够管理上下文窗口、构建评估框架并监控运维指标，可以弥补人才缺口并加速交付。