职业指南

安德鲁·吴的AI工程技能地图：10,000个职位招聘对2026年招聘和角色设计意味着什么

核心结论：Andrew Ng 于 2026 年 8 月发布了 AI Engineering Skills Map，基于对 10,000 份招聘信息的分析，将 AI 工程技能组织为两层架构：4 项核心技能（包括提示工程作为大模型交互的子技能）和 6 项扩展技能。核心技能是所有 AI 工程师的通用基线，而扩展技能则定义了高级职位和实际的交付能力。该框架最具冲击力的结构性变化是将提示工程从独立职业路径重新定位为核心技能的一个组成部分，这一决定直接影响了那些被专门雇佣为“Prompt Engineer”的角色。文章为招聘经理提供了具体的应用指南，包括如何编写分层的职位描述（将核心技能设为硬性要求，根据项目阶段选择扩展技能）、设计分阶段的面试流程（初期筛选核心技能，现场评估扩展技能）以及构建职业阶梯（助理工程师掌握核心技能，高级工程师需精通架构决策与多项扩展技能）。此外，文章指出该技能图谱不仅是一套分类法，更是一种组织设计工具，迫使企业重新审视其 AI 角色设置与团队拓扑结构的合理性。作者所在的 Traversaal.ai 也在招聘前线部署工程师以解决实际生产中的 AI 问题。

核心要点
  1. Andrew Ng 于 2026 年 8 月发布了两层式的 AI 工程技能图谱，包含 4 项核心技能和 6 项扩展技能。
  2. 提示工程被重新分类为大模型交互（LLM Interaction）核心技能下的一个子组件，不再是独立的职业轨道。
  3. 6 项扩展技能（如 RAG 管道设计、AI 系统编排等）是区分团队能否将原型交付上线的关键指标，并定义了高级工程师的能力边界。
  4. 招聘经理应利用该技能图谱编写分级职位描述，将核心技能作为筛选门槛，将扩展技能作为现场面试与职级分层的依据。
  5. 针对已雇佣的“提示工程师”，文章建议企业根据实际能力进行重新分类、重塑角色或进行岗位重组，以匹配新的技能层级标准。
  6. 该框架明确了助理 AI 工程师、AI 工程师和高级 AI 工程师的数级导向与具体的扩展技能拥有数量要求。
在提示工程被炒作两年后，Andrew Ng 终于在 2026 年用一张权威技能图谱为其“祛魅”。这篇文章的价值远不止于一份技术分类表，它实则是给 AI 工程团队的招聘和组织设计带来了一次急需的拨乱反正。如果你是一位正在搭建 AI 团队的工程经理，或是对“时代到底需要什么样的 AI 工程师”感到困惑的从业者，这篇分析能帮你果断抛弃凭感觉写 JD 的做法。文章最犀利的地方在于，它毫不避讳地指出了此前大量“Prompt Engineer”岗位的设置尴尬，并给出了极具操作性的重塑方案，从面试分阶段筛选到职级阶梯设计一应俱全。这种从技能定义反推组织架构的逻辑，比单纯看代码库更能决定团队能走多远。

Andrew Ng 于 2026 年 8 月发布了两层式的 AI 工程技能图谱，包含 4 项核心技能和 6 项扩展技能。

—— 络石智能编辑部 · 编辑推荐

安德鲁·吴的AI工程技能地图：10,000个职位招聘对2026年招聘和角色设计意味着什么

TL;DR：安德鲁·吴的AI工程技能地图于2026年8月发布，将AI工程组织为每个工程师必须掌握的四个核心技能和定义资深程度与交付能力的六个扩展技能。提示工程被重新定位为核心层级的一个子组件，而不是独立的职业轨道。招聘经理应使用这个两层层级结构来编写分层职位描述、设计分阶段面试筛选，并构建反映AI工程师实际交付所需的角色阶梯。

关键要点

  • 该地图将四个核心技能命名为每个AI工程师在专业化开始前的通用基线，提示工程作为该层级内的子组件嵌入，而非独立轨道。
  • 六个扩展技能定义了谁实际交付。第二层级是资深程度和产出与原型阶段工作区分开的地方。
  • 提示工程失去了独立地位。它现在是更广泛的LLM交互能力集中的一项技术，而非自给自足的功能或职业专长。
  • 职位描述需要重写。将提示工程与RAG管道设计列为同等重要的项目，会错误地表述这两种技能及其在层级中的相对权重。
  • 角色阶梯应反映两层结构。该地图在初级AI工程和高级扩展技能所有权之间划出了一条原则性界限。
  • 面试阶段直接映射到层级。早期筛选核心技能；在现场面试中评估扩展技能。

引言

安德鲁·吴的AI工程技能地图是对多年来即兴角色定义的一次可信度支持的修正。《福布斯》直接阐述了利害关系：这些是决定哪些团队高效交付的技能。大多数报道停留在分类法层面。组织层面的后果更为深远。

AI工程技能地图实际说了什么？

该地图将AI工程组织为一个两层层级结构：每个AI工程师必须掌握的四个核心技能，以及区分交付团队与停滞在原型阶段的团队的六个扩展技能。

四个核心技能是基线，而非区分因素。根据该框架，这些是每个AI工程师在专业化开始前应掌握的技能，提示工程作为该核心层级内的一个子组件，而非独立条目。在DeepLearning.AI阅读四个核心技能和六个扩展技能的完整权威列表。

六个扩展技能代表第二层级，吴将其添加为原始四技能框架的扩展。这一层级决定了资深程度和团队交付能力。

提示工程的位置是其余所有内容所依赖的结构性事实。它作为LLM交互中的一项技术位于核心层级内，而不是一个独立学科。这是框架中有意为之的架构决策，而非疏忽。

为什么吴重新定位了提示工程，以及为什么现在这很重要？

吴将提示工程重新分类为子组件而非独立技能层级，这一重新分类对围绕它设计的角色有直接影响。该地图将提示视为更广泛的LLM交互能力集中的一项技术，而不是自给自足的功能或职业专长。

实际含义，正如本指南中使用的框架所呈现的那样，是完全围绕提示工程构建的角色现在与已发布的两层层级结构显得格格不入。在这个地图出现之前招聘到这些角色的领导者有三个值得考虑的选择：如果个人拥有核心AI工程技能，则将其重新分类到新层级；如果实际工作确实适合，则重新定义该功能为专门的AI交互或用户体验角色；或者承认角色范围定义错误并进行相应重组。该地图并未做出这一决定，但它使得忽视这个问题更难辩护。

招聘经理应如何使用技能地图重写职位描述？

该框架最实际的应用是将四个核心技能列为每个候选人的不可协商的基线要求，然后根据团队在构建到交付光谱上的位置，指定该角色需要哪些六个扩展技能。本指南中使用的框架将这种方法称为分层范围界定，它用原则性层级取代了凭感觉编写的项目列表。

表1：技能地图对齐 vs. 凭感觉AI工程职位要求

| 技能领域 | 凭感觉规格（地图前） | 技能地图对齐规格 | 层级 | | --- | --- | --- | --- | | 提示工程 | 列为主要技能 | LLM交互的子组件 | 核心 | | RAG管道设计 | 缺失或埋没 | 高级角色必需 | 扩展 | | 模型评估 | 完全缺失 | 产品角色不可协商 | 核心 | | 微调 | 模糊的"机器学习经验" | 具体：PEFT、LoRA、指令微调 | 扩展 | | AI系统编排 | 未提及 | 高交付团队的区别因素 | 扩展 | | LLM部署 | 通用的"部署经验" | 具体：延迟、成本、可观测性权衡 | 扩展 |

面试设计自然遵循该表格。在电话或技术筛选阶段筛选核心技能，在现场面试中评估扩展技能。这种分阶段方法减少了候选人能写出优秀提示但无法设计评估框架或构建RAG管道的常见不匹配情况。

作为实用经验法则的级别信号：中级AI工程师拥有扎实的核心技能，并正在发展一到两个扩展技能。高级AI工程师精通多个扩展技能，并拥有架构决策权。

技能地图对角色阶梯和团队拓扑意味着什么？

核心技能熟练度定义了任何AI工程职称的下限。扩展技能掌握度定义了资深程度。扩展技能的缺失在结构上区分了AI工程师与可能不应拥有该职称的角色。

基于此框架的实用角色阶梯：

  • 助理AI工程师：拥有核心技能，并正在积极发展扩展技能。
  • AI工程师：拥有核心技能，并精通两个或更多扩展能力。
  • 高级AI工程师：拥有完整栈，并推动扩展层级中的架构决策。

"提示工程师"决策遵循上述相同逻辑：重新分类、重新定义或重组。该地图并未给出裁决，但它确实使现状更难合理化。

常见问题

什么是安德鲁·吴的AI工程技能地图？安德鲁·吴的AI工程技能地图是一个两层能力框架，于2026年8月发布，确定了每个AI工程师必须作为基线掌握的四个核心技能，以及区分交付团队与停滞在原型团队的六个扩展技能。提示工程作为核心层级的子组件包含在内，而不是独立的技能类别。

为什么安德鲁·吴在2026年技能地图中重新定位了提示工程？该地图将提示工程置于核心层级内LLM交互的子组件位置，而非独立职业轨道。这反映了框架中陈述的观点，即提示是更广泛技能集中的一项技术，而不是证明其自身角色层级合理性的自给自足学科。

我应如何使用吴的技能地图编写AI工程职位描述？将四个核心技能列为每个候选人的基线要求，然后根据团队在构建到交付光谱上的位置，指定该角色需要哪些六个扩展技能。使用层级区分来分离筛选阶段：早期技术筛选中关注核心技能，现场面试中关注扩展技能。

如果工程领导者在该地图出现之前招聘了"提示工程师"，他们应该怎么做？评估个人是否拥有核心AI工程技能，如果是，则将其重新分类到新阶梯。如果实际工作更接近AI交互设计或用户体验，则相应重新定义角色。如果角色范围定义错误，则进行重组。本指南中使用的框架没有规定单一路径，但它给领导者提供了做出决策的原则性基础。

结论

吴的地图主要被解读为一种技能分类法。更具深远意义的解读是组织层面的：围绕单一技术构建的角色现在与一个可信的、公开的框架已作为截至2026年8月该领域的参考点的两层层级结构格格不入。

该地图并未造成这种错位。它使这种错位变得可见且更难忽视。

你的接下来三个步骤：调出三个当前的AI工程职位描述，并将每个要求与四个核心技能和六个扩展技能进行评分。识别哪些角色缺乏清晰的层级定位。

向我学习

面向产品经理的Agentic AI，我的Maven课程。学习如何设计、评估和交付可靠的AI系统：产品经理领导代理产品所需的技术流利度，无需工程背景。加入下一期课程 →

雇佣我们

Traversaal.ai。我们是一支前沿部署工程师团队，为财富100强公司解决最棘手的AI问题：文档智能、代理数据平台和实时网络情报，均已投入生产。与我们的团队合作，部署你的下一个代理生态系统。联系Traversaal.ai →

加入我们

想和我们一起解决这些问题吗？我们一直在寻找想要交付生产级AI的前沿部署工程师。jobs@traversaal.ai

阅读更多

为什么98%的企业试点AI代理但只有18%规模化：非结构化数据准备差距

企业AI规模化挑战始于混乱的数据，而不是糟糕的模型。了解为什么试点成功但生产失败——以及如何缩小准备差距。2026年8月25日

提示缓存成本降低：企业文档问答的混合RAG加长上下文架构削减账单76%

76%的提示缓存成本降低是真实的——看看混合RAG加长上下文架构如何将每月10,000美元的文档问答账单削减至2,361美元。2026年8月25日

推测性解码LLM推理成本：2026年生产基准实际显示什么

推测性解码LLM推理成本在低并发下下降2-3倍——但批量大小会抵消收益。看看2026年H200生产基准实际显示什么。2026年8月25日

用于反洗钱合规的Agentic AI：FIS-Anthropic金融犯罪代理对银行调查意味着什么

Agentic AI反洗钱合规刚刚成为现实。看看FIS-Anthropic金融犯罪代理如何自动化银行调查——以及监管风险仍然隐藏在哪里。2026年8月25日

标签

Andrew NgAI Engineering Skills Map职业指南提示工程招聘标准职位描述前段部署工程师FDEAI 团队架构技能层级

相关主题

Andrew NgAI Engineering Skills MapTraversaal.aiForbesDeepLearning.AIRAGLoRAPEFTprompt engineering

专家点评

本文由编辑团队收录整理，内容来源于公开信息，仅供参考。

常见问题

Andrew Ng 的 AI 工程技能图谱是如何定义核心技能和扩展技能的？
Andrew Ng 的 AI 工程技能图谱确立了两层制。第一层是 4 项核心技能，这是所有 AI 工程师的通用基线，其中提示工程被归类为 LLM 交互这一核心技能下的子组件。第二层是 6 项扩展技能，包括 RAG 管道设计、模型评估、特定微调技术（如 PEFT/LoRA）、AI 系统编排等。核心技能是入门门槛，而扩展技能定义了工程师是否能交付产品并承担高级别职责。
在 Andrew Ng 的新技能图谱发布后，企业应如何处理公司现有的“提示工程师”岗位？
企业有三种主要选项来应对这一职业定义的变更。第一，重新分类：如果该员工本身具备扎实的 AI 工程核心技能，应将其重新纳入新的 AI 工程师职级序列。第二，角色重塑：如果该员工的主要工作偏向于 AI 交互设计或用户体验优化，应当将其职位适当地重塑为专门的 AI 交互角色。第三，岗位重组：如果该岗位确实存在岗位设置错误，应基于新的层级标准果断进行组织架构调整。
如何使用 Andrew Ng 的技能图谱来设计面试流程和设定职级？
招聘经理应当采用分阶段的面试流程。在电话筛选或初步技术测试阶段，必须考察候选人是否具备图谱中定义的 4 项核心硬技能。一旦通过，在现场面试阶段则重点考核其在 6 项扩展技能（如系统设计、推理成本权衡）中的掌握程度。职级方面，掌握核心技能且正在拓展 1-2 项扩展技能的通常为助理或初级工程师；精通多项扩展技能并能主导架构决策的才应被评定为高级 AI 工程师。

相关文章

让AI应用在现实中发挥作用所需了解的知识

Andrew Ng在本文中系统阐述了构建和部署真实可用AI应用所需的核心技能体系，回应了AI工程化的关键挑战：如何在不可预测的AI组件之上构建可靠的软件系统。文章指出，AI应用与传统软件的本质区别在于LLM输出的不确定性，这使得开发过程成为高度迭代的“构建-检查-决策”循环，而非线性规划。核心技能分为六个维度：（1）LLM基础——理解分词、生成机制、上下文窗口、缓存命中、知识截止、推理强度、采样参数及工具调用等，以做出正确的模型选型和微调决策；（2）数据接地——超越早期RAG向量搜索，掌握向量索引、知识图谱、结构化数据语义层等多种技术，构建从文档（文本、PDF、HTML、图片）到LLM就绪输入的清洗管道；（3）智能体系统构建——涵盖从预定工作流到自主决策循环的架构光谱，涉及工具选择（MCP、CLI、沙箱执行环境）、记忆架构、长期会话上下文管理、多智能体编排及生产安全（护栏、对抗输入、数据外泄防范）；（4）评估驱动开发——Andrew Ng认为这是区分AI工程师水平的最重要特质，需要结合系统轨迹分析、探索性数据分析与产品业务洞察来设计评估指标，并根据项目阶段选择确定性评估、LLM-as-a-Judge或人工评审等方法，形成驱动系统化迭代的闭环；（5）生产运维——由于不可预测性、成本和延迟的特殊性，需要建立可观测性机制跟踪性能、检测漂移、应对提示注入安全事件，并通过回归测试和CI/CD统计评估进行模型优化、蒸馏和工作流简化；（6）机器学习基础——理解监督学习和强化学习原理，掌握偏差/方差、错误分析、数据工程等核心心智框架。

阅读全文 →

Zainab A.S.

本文是 Zainab A.S. 的 LinkedIn 职业档案，展示了一位 Forward Deployed AI Engineer 的完整职业发展路径。Zainab 目前在 Google 担任 FDE Gen AI Engineer，专注于将生成式 AI 从原型推向生产，使用 Vertex AI、Gemini、RAG 管道和 Agentic 框架帮助客户架构和部署 AI 解决方案。此前，她在 Extern 完成 Pfizer AI Engineer 实习，为临床供应链构建端到端 AI 文档智能系统，涉及 OCR 管道、LlamaIndex、FAISS、Chroma 向量搜索及 Gemini API 集成。她还曾在教育科技公司 Tilli 担任 Gen AI Engineer，与学区和 NGO 合作将 GenAI 原型转化为生产级功能，包括对话辅导代理和自动化评估管道。Zainab 的职业生涯始于 QA 领域，在 gWorks 和 iD Tech Camps 担任软件 QA 测试工程师，积累了自动化测试、CI/CD 和 AI 辅助工具经验，这段 QA 背景使她形成了“评估优先”的 AI 工程理念。她拥有多项认证，包括 Google Cloud Professional Cloud Architect 和 AI 工程相关证书。档案中展示了多个个人项目，如基于 LLaMA-7B 微调的合同分析 AI 系统（F1 分数达 87%）、AI 教科书 RAG Studio 以及 AI 驱动的习惯追踪应用 HabitBloom。整个档案体现了一条从传统 QA 到前沿 AI 部署工程师的转型路径，强调了评估、可观测性和生产就绪在 AI 工程中的核心地位。

阅读全文 →

FDE前沿部署工程师实战指南：从模型部署到AI Agent系统构建

本文是一份面向前沿部署工程师（FDE）的完整实战指南，系统拆解了 FDE 的核心内涵、技能树、项目实战和学习路径。文章指出 FDE 不是简单的“模型部署”，而是确保复杂 AI 能力（大语言模型、多模态模型、AI Agent、RAG）能够在真实生产系统中稳定、高效、可扩展且低成本地集成的全栈角色，其 40k 以上月薪是对“AI 应用最后一公里”复杂性的定价。核心技能体系覆盖 AI 基础（Transformer、Prompt 工程、RAG、Agent）、工程开发（Python、FastAPI 异步编程）、云原生（Docker、Kubernetes、Istio、Prometheus/Grafana）和系统设计。实战部分通过使用 vLLM 部署 Qwen2.5-7B-Instruct-AWQ 量化模型、构建 FastAPI 代理网关实现路由与监控、编写 Dockerfile 和 Kubernetes Deployment 文件完成容器化与编排，以及部署多智能体项目 My AI Town 来串联所有技能。文章还提供了常见故障排查清单（超时、OOM、推理慢、Agent 循环、Pod 重启）、最佳实践（IaC、配置分离、可观测性、成本优化、降级策略）及三阶段学习路径（基础巩固、核心技能、项目实战），并解析了面试考察的系统设计、故障排查和工程协作等方向，为求职者提供了从零到就业的路线图。

阅读全文 →

FDE不是“新售前”：AI落地进入深水区，产品经理该如何理解这个岗位？

文章深入解析FDE（前线部署工程师）这一AI落地进程中新兴的关键角色，指出其并非简单的‘会写代码的顾问’或新售前，而是驻扎业务现场、兼具工程交付与产品管理能力的闭环负责人。随着通用AI能力成为公共供给，企业竞争差距取决于如何将模型嵌入具体业务，FDE恰是解决‘最后一公里’问题的枢纽。作者从产品经理视角拆解了FDE的五步闭环方法：发现真实工作流中的隐性规则；识别高价值AI介入场景；共同设计人机协作旅程；用评测将生成式AI的不确定性转化为证据；以增收、降本、缓释风险为最终验收标准。文中提出一个‘客户数字化成熟度×方案定制程度’的二维判断框架，指出金融、医疗、制造、政府等高定制与高合规场景最易产生FDE需求，并强调AI产品护城河已从模型调用能力延伸至部署能力、上下文治理和一线采用。最后，文章为产品经理提供了明确的转型路径：升级工作系统认知、获得工程动手能力、系统学习AI工程、完成端到端作品、练习技术与业务双语表达，并预测未来FDE岗位将分化，但其闭环能力将成为多角色的共通能力栈。全文旨在提醒产品经理，AI时代的真正产品终点不是发布功能，而是让智能能力进入组织、改变行为并留下可验证的经营结果。

阅读全文 →

前部署工程师：2026年印度职业完整指南

本文是一份面向印度市场的Forward Deployed Engineer（FDE，前线部署工程师）完整职业指南，详细阐述了FDE角色的定义、职责、与传统软件工程师（SDE）的区别、所需技能栈以及2026年印度市场的薪资和招聘现状。FDE是介于核心产品团队与客户之间的工程角色，负责将AI模型（LLM、RAG、AI代理）及企业软件部署到客户真实业务场景中，需要兼具软件工程、客户沟通和高模糊环境下的问题解决能力。文章指出，印度（尤其是班加罗尔）正成为FDE的重要招聘市场，主要雇主包括Anthropic、OpenAI部署组织、Google Cloud、Palantir、Databricks和McKinsey QuantumBlack等。2026年印度FDE薪资范围为：0-2年经验18-28 LPA，3-6年经验28-55 LPA，资深或全球远程岗位可达55-90+ LPA。尽管职位发布量同比增长729%，但市场上通常仅同时存在约250-270个活跃岗位，显示该角色仍具稀缺性。入门路径并非面向应届生，更现实的切入点是拥有2-5年产品后端经验的工程师转型。文章最终判断，企业AI瓶颈已从模型能力转向实施落地，FDE是应对这一结构性转变的核心角色。

阅读全文 →