AI Engineering Skills Map

与「AI Engineering Skills Map」相关的文章

共 2 篇文章

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

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。

阅读全文 →

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 →