斯坦福吴恩达长文:AI写代码后程序员的出路在哪里？

“如今，AI 让我们构建软件的方式与 2022 年相比已经发生了巨大变化。”

刚刚，前斯坦福大学人工智能实验室主任吴恩达发布了一份《AI 工程技能地图》，试图回答一个越来越现实的问题：当 AI 已经开始替代大量编码工作，开发者接下来到底应该学什么？

这份地图并不是简单罗列热门 AI 技术。吴恩达和团队分析了超过 1 万条招聘信息，并访谈 AI 专家、招聘经理和招聘人员，最终提炼出四项最重要的 AI 工程技能：构建和部署 AI 应用、软件工程基础、使用编程智能体，以及“塑造产品构建方向”。

其中一个明显的变化是，工程师的价值正在从“把设计实现出来”，逐渐转向“决定应该构建什么”。

而在 AI 编程越来越强的情况下，真正重要的也不只是会不会写代码，而是能否理解软件工程、驾驭 Coding Agent，并做出正确的产品和工程判断。

以下为全文——

我很高兴向大家介绍 《AI 工程技能地图》（The AI Engineering Skills Map）。

如今，AI 让我们构建软件的方式与 2022 年相比已经发生了巨大变化，而所有具备利用这一变化能力的人，都将拥有大量令人兴奋的项目和工作机会。

但在 AI 充满噪音和炒作的信息环境中，究竟哪些技能最值得你学习？

我和我的团队一直在努力梳理一套 AI 工程技能地图，希望帮助：开发者确定学习优先级；雇主招聘真正具备相关技能的开发者。

我们分析了超过 1万条招聘信息，对 AI 专家、招聘经理和招聘人员进行了数十次结构化访谈，通过调查收集数据，并综合分析了其他在线数据。基于这些工作，我们认为，目前最重要的 AI 工程技能有四项：

构建和部署 AI 应用
软件工程基础
使用编程智能体
塑造产品构建方向

你可以把我们的整个过程简单理解为：在海量招聘信息和专家访谈数据上进行类似“聚类”的分析，从而识别出最重要的技能——不仅是今天最重要的技能，也包括未来一段时间内最重要的技能。

这里需要说明一下术语：我谈的是 AI 工程技能（AI Engineering skills），而不是“AI 工程师（AI Engineer）”这一岗位，也就是专门负责构建 AI 系统的人，因为前者的范围要广得多。

如今，所有开发者都应该知道如何使用云计算，但只有少数人的职位名称会是“云工程师”。

同样，所有开发者——全栈工程师、数据工程师、DevOps 工程师、机器学习工程师，以及 AI 工程师——都需要掌握 AI 工程技能。

构建和部署 AI 应用。

AI 应用与非 AI 应用之间的关键区别，在于前者的输出具有不可预测性。

当你向一个大语言模型输入提示词时，你不知道它会返回什么。当你训练一个深度学习算法时，你也不知道它面对新的样本时会做出什么预测。

相比之下，传统软件的行为通常更加可预测。

擅长构建和部署 AI 应用的人，需要理解 AI 的基本构件，例如 LLM、上下文工程、RAG、智能体工作流、机器学习和深度学习。

更重要的是，他们还需要知道如何利用统计技术去衡量、引导和治理 AI 系统，让它们的行为变得更加可预测。

其中一项核心技能，就是知道如何建立严谨的 评测（evals）和错误分析闭环。

软件工程基础。

当你真正深入理解软件是如何工作的，就能更加高效地构建软件。

软件工程意味着要在成本、可扩展性、可靠性、速度等因素之间做出权衡，而安全和隐私又会进一步增加复杂性。

理解软件工程基础，可以让你意识到究竟存在哪些需要权衡的问题。

这会帮助你在选择技术栈、设计系统架构、设计数据存储、测试等方面做出更好的决策。

相比之下，一个缺乏经验的开发者如果只是“凭感觉写代码（vibe coding）”，却不了解编程智能体正在替自己做出哪些权衡，最终往往会得到糟糕得多的结果。

原因之一是，他们不知道应该向编程智能体提供什么样的上下文。

理解软件工程基础，可以让你使用精确的软件工程语言来引导编程智能体，从而做出更好的权衡。

使用编程智能体。

如今，有效使用智能体编程已经成为每一位开发者都需要掌握的核心技能。

掌握这项技能，意味着你需要建立起对智能体工作方式的良好心智模型。你需要理解它们的局限性，以及如何绕开这些局限；同时还要能够快速引导智能体，知道什么时候应该介入、什么时候应该放手，让它们构建出可靠的软件，而不是浪费过多时间和 Token。

这要求你知道如何管理编程智能体的上下文，如何在规划和执行之间进行权衡，以及如何通过提供验证器或评测机制，帮助智能体自主完成闭环。

你还需要知道如何使用清晰的规格说明（spec），以及什么时候其实没必要花时间写 spec；如何协调多个协同工作的智能体；以及如何避免诸如“智能体把你的生产数据库搞坏了”之类的风险。

由于智能体编程正在快速发展，熟练使用编程智能体不仅意味着掌握最前沿的实践，还意味着建立持续尝试新工具、不断调整工作流的习惯，以便随着最佳实践的变化持续进化。

塑造产品构建方向。

当有了清晰的规格说明后，编程智能体正在迅速变得越来越擅长按照要求交付。

因此，我们工程师的工作正在转向另一个方向：决定规格说明里应该有什么。

工程师不应该再期待有人交给自己一个像素级完美的设计，然后只要求自己把它实现出来。

相反，有效的 AI 工程要求工程师具备产品判断力，理解业务背景和客户目标，从而能够参与塑造产品，并推动产品的构建过程。

AI 也让你有机会比过去承担更大的责任和主动权。

你可以主动发现有趣的问题和机会，并以负责任的方式执行，从而抓住这些机会。

要利用好这种机会，你需要知道如何推动项目向前发展。

例如，你需要知道什么时候应该快速构建一个 MVP，拿给用户测试；什么时候则应该放慢速度，投入更多时间，把产品更加仔细地构建出来。

所有这些技能背后，都有一种共同的心态：持续学习。

AI 仍在快速变化，因此我们所有人都必须持续学习和进化自己的技能，以便采用不断出现的最佳实践。

DeepLearning.AI 的核心目标，就是帮助开发者获得这些 AI 工程技能。

关于这四项技能，我还有更多内容要分享。我将在接下来的文章中逐一展开，并进一步完善一份更加详细的 AI 工程技能地图。

当我思考 AI 工程未来的发展方向时，我对我们所有人未来能够构建的东西感到无比兴奋。

希望你也能在这个未来中扮演一个令人兴奋的角色。