吴恩达：AI 工程师能力图谱

产品经理的招聘需求今年下降了 30%，SaaS 领域降了 70%。

但有一个岗位正在疯狂扩张中，全球 160 万岗位抢 51 万个人，供需缺口超过 3 比 1，薪资比传统古法编程的程序员高 67%。

AI 工程师，AI Engineer。

那么，想成为 AI 工程师需要点亮哪些技能树？会调用 API、写提示词就够了吗？

斯坦福大学教授、Coursera 联合创始人吴恩达（Andrew Ng）最近带着自己创办的 DeepLearning.AI，分析了一万多个招聘岗位，做了几十场 AI 专家、HR 结构化访谈，最终画出了一张 AI 工程师能力图谱。

今天的文章，我们就来好好聊一聊 AI 工程师。从入门到精通，这一篇就够了。

—01｜AI 工程师技能点四大维度

吴恩达把 AI 工程师的能力分为四个维度。

第一个维度，构建和部署 AI 应用。

这是技术基本功。你得理解大语言模型的推理和训练机制，知道怎么用 RAG 给模型接入外部数据，能搭建 Agent 工作流，会用 eval 来把控开发质量，还得能让这些东西在生产环境里稳定运行。这个维度下有六个子技能，从 LLM 基础到生产运维，覆盖了 AI 应用开发的完整链路。

• LLM 基础：大语言模型的推理和训练机制，tokens 怎么计算，上下文窗口怎么用
• 给模型接入外部数据：RAG、知识库接入，让模型能调用外部数据而不只是凭训练记忆回答
• 构建 Agent 系统：搭建能自主规划、调用工具、完成多步任务的 AI 智能体
• eval 驱动开发：用系统化的评估来把控 AI 应用的质量，而不是凭感觉调试
• 生产环境运维：模型部署上线之后怎么监控、怎么迭代、怎么控制成本
• 机器学习基础：经典 ML 的核心概念，帮你理解大模型底层在做什么

注意，这里有个小细节。提示词工程这个概念已经被逐渐弱化，并入了一个更大的概念，上下文工程（Context Engineering）。两年前 AI 模型还比较弱，你需要关心的是「怎么把提示词写好」；现在模型本身已经很强，你应该关心的是「该给模型投喂什么上下文」。

第二个维度，软件工程基础。

听起来好像和 AI 没什么关系，但吴恩达团队研究发现，这仍然是 AI 工程师最核心的底层能力之一。成本、可扩展性、可靠性、速度之间怎么取舍，数据安全和隐私怎么处理，这些传统软件工程的硬实力在 AI 时代一样重要。你对这些基本功理解得越深，就越能有效地指挥编程 Agent 干活。

「不理解软件工程基础只依赖 Agent，做出来的东西只能叫 Vibe Coding，算不上真正的软件工程。」

第三个维度，使用编程 Agent。

2026 年了，不用编程 Agent 的开发者越来越少。但「用」和「用得好」之间差距很大，你需要理解模型和 Agent 的能力边界在哪里，知道怎么给它提供有效的上下文，关键是你得会搭建 eval 系统来验证 Agent 的产出质量，从而让它自己干活的时候不掉链子。

前特斯拉 AI 总监、OpenAI 创始成员、今年 5 月刚加入 Anthropic 预训练团队的 Andrej Karpathy 提出了一个名为「可验证性」的框架，用来判断哪些任务适合交给 AI。

核心思路：你能不能快速判断 AI 输出的结果对不对？能，就放心交给它。你验证的速度越快、标准越明确，Agent 就能替你干越多的活。

—02｜第四个维度，才是真正的分水岭

前面三个维度的技能，你花点时间学都能补上。

但第四个维度不一样。

吴恩达把它叫做 Shaping the Build，我的理解是，「参与定义该构建什么」。

过去，一个开发团队里每个人分工明确，产品经理定义需求，设计师设计 UI/UX，程序员负责实现。但 AI 工具大幅扩展了单个开发者的能力半径，不同岗位之间的界限正在变得越来越模糊。一个懂 AI 的开发者，现在不仅能写代码，还能参与到产品开发的各个环节。

「很多管理层还不清楚 AI 能做什么，也就不知道什么方向值得投入。这就给懂技术的人留出了空间。」

你的老板可能比你更不懂 AI，而这反倒是你的机会。

Shaping the Build 包含四个子能力。

快速迭代。

写代码、收集反馈、决定下一步，循环往复。你要有判断力，知道什么时候该写一个原型测试技术可行性，什么时候该发布 MVP 验证用户需求，什么时候该做一轮技术实验来收集数据帮你做判断。小步快跑，频繁交付。

做产品决策。

产品文档永远不可能覆盖所有情况，你需要在文档没写到的地方自己做判断。你得能站在用户的角度想问题，知道真实用户需要什么，还得懂一些基本的商业逻辑，市场多大，一个用户赚的钱能不能覆盖获客成本，投入产出比划不划算。

沟通和领导。

很多非技术岗的人都在琢磨 AI 会怎么改变自己的工作，你的技术能力让你在这件事上天然有话语权，比如帮团队判断一个项目在技术上到底可不可行。这种连接技术和业务的角色，能让你的价值翻几倍。

主动出击。

自己发现问题、提出方案、推动执行，别等领导给方向。在技术变革的窗口期，先动手的人会定义方向，等待指令的人会错过机会。

—03｜市场数据，比你想象的更疯狂

Shaping the Build，听起来可能有点鸡汤。

来，看数据。

薪资。

AI 工程师 2026 年的年薪中位数折合人民币约 145 万，同比上涨 36 万，高级岗总包超过 218 万。对比传统软件工程师，溢价高达 67%。国内也一样，2026 年春招 AI 相关岗位需求同比增长 14 倍，核心岗位年薪普遍突破 80 万。涨幅这么猛，根本原因就一个，供不应求。

需求。

AI 工程师的需求同比增长 143%，全球目前有 160 万个开放岗位，然而合格候选人只有 51.8 万，供需缺口超过 3 比 1。每周新增大约 1550 个 AI 工程师岗位，今年 6 月底峰值 2327 个，三个岗位抢一个人。

角色融合。

产品经理岗位整体下降 30%，SaaS 领域更是降了 70%。但与此同时，Product Builder 这种既懂产品又懂技术的复合角色，从业者数量翻了近 3 倍。领英 2026 年数据显示，AI 工程师最常见的前置职业是软件工程师、数据科学家和全栈工程师，大量传统开发者正在转型。

一个人公司的时代来了。

专门帮创业者注册公司的平台 Stripe Atlas 2026 年 Q2 数据，独立创始人占新注册公司的 63%，创历史新高，2019 年这个数字只有 23.7%。Sam Altman 曾预测，2028 年之前会出现第一家一个人的十亿美元公司。

这就是「一人公司」。

—04｜一个人，一家公司

以色列独立开发者 Maor Shlomo，一个人打造了一款名为 Base44 的产品。没有团队，从零开始，上线六个月就积累了 25 万用户并且成功实现盈利，然后以 8000 万美元的价格卖给了 Wix。

之前的 AI 生图王者 Midjourney，2 亿美元的年收入，公司早期一共就 11 人，人均贡献 1800 万美元营收。

Instagram 联合创始人 Mike Krieger，此前曾担任 Anthropic 首席产品官，他说，「有了 Claude Opus，当年我和另一位联创两个人就能造出 Instagram。」

Andrej Karpathy 把这个趋势总结成了三个时代。软件 1.0，人写代码。软件 2.0，神经网络从数据中学习。软件 3.0，用自然语言指挥大语言模型，上下文窗口就是你的程序。到了 3.0 时代，一个人加上 AI Agent，能轻松做到以前一个小团队才能完成的事情。

—05｜AI 工程师技能树

想要成为 AI 工程师，你具体应该学什么？

我把完整路径，九个阶段，总结成下面一张表。