为什么这篇值得留档
吴恩达这条推文配的长文，是他「AI 工程师技能地图」系列的第一篇，展开讲清了构建和部署 AI 应用到底需要哪些硬技能。不是通识鸡汤，而是基于大量真实招聘 JD、结构化专家访谈和市场调查归纳出来的能力清单——浏览 201 万、被收藏 2.4 万次。
"The most important skills in Building and Deploying AI Applications." —— @AndrewYNg，浏览 201 万 / 点赞 1.2 万 / 收藏 2.4 万
六大技能，一张地图
吴恩达把「构建与部署 AI 应用」拆成六块，他认为真正好的 AI 工程师要在这六个方向上都有深度：
- LLM 基础——理解 token 化与输出生成机制，知道何时能依赖它、何时会翻车；能选对模型或模型组合。
- 用数据接地（Grounding）——RAG 只是起点，现代做法是决定"哪些塞进 prompt、哪些让模型用工具取"，以及用向量索引 / 知识图谱 / 结构化语义层哪种表示。
- 构建 Agent 系统——从固定工作流到 agent harness，决定链路、并行、何时用代码何时用 LLM；还要处理 guardrails、对抗输入、数据外泄治理。
- 评估驱动开发——他特别强调：区分高手与普通人的关键，是谁能把 evals / 错误分析循环跑得足够纪律化，用评估反馈驱动下一步开发。
- 生产运营（Production）——AI 的不可预测性、成本、延迟都不同：要做可观测、漂移检测、针对 prompt 注入的安全响应、统计型回归测试与 CI/CD、成本/延迟优化。
- 机器学习基础——现代 LLM 本质是机器学习产品，几乎所有做 LLM 的好工程师都懂一些 ML/DL；bias/variance、错误分析这些思维框架仍然核心。
核心洞察：AI 应用和非 AI 软件最大的区别是输出不可预测——你不知道 LLM 会输出什么。所以做 AI 系统比传统软件迭代性强得多：反复做→检查→决定下一步。高手靠这种"受中间结果强影响的序列步骤"，用不可靠的 AI 组件搭出可靠系统。
追光点评
这份地图的价值在于可对照自检：六项里你卡在哪一块？多数团队最缺的是"评估驱动开发"和"生产运营"这两项——很多人会写 prompt、会调 RAG，但一进生产就露怯。
吴恩达把软件工程基础单独留到下一篇（原文明确：这是未来要写的一篇）。也就是说，这六项是"AI 工程"这一面的能力，工程本身是另一面。值得收藏，等系列更新。
给 AI 团队的工具：把这六项当能力评估 checklist，缺哪补哪，比盲目追新模型更能提升落地质量。