本文介绍了著名AI专家吴恩达发布的AI工程技能地图，通过分析10000+份招聘JD和专家访谈，总结出未来AI领域最重要的4项核心能力：构建与部署AI应用、软件工程基础、使用编程智能体、塑造构建方向。文章强调AI工程技能并非仅限于特定岗位，而是所有开发者的必备基础，并指出持续学习的重要性。对于想要进入AI领域或提升AI技能的开发者来说，这是一份极具价值的参考资料。

AI 时代到底该学什么？吴恩达分析了 10000+ 份招聘 JD，只留下这 4 项
一张"聚类"出来的技能地图：吴恩达把 AI 工程收敛成 4 项核心能力
2022 年的技能清单，到 2026 年只剩 4 项还值钱
AI 工程技能地图（总纲）：4 项核心能力自查表
为什么吴恩达说，"AI 工程师"这个称呼本身就是错的？

2026 年，最不缺的就是"AI 学习路线图"。

打开任何一个技术社区，你都能看到《2026 必学的 10 个 AI 框架》《Agent 工程师养成指南》《从零到大模型专家》。清单越列越长，工具越追越累，可真正的问题始终没被回答：这些技能里，哪些是短暂的工具红利，哪些会在未来两三年持续值钱？

吴恩达（Andrew Ng）想给这个问题一个"数据驱动"的答案。2026 年 8 月 14 日，他在 DeepLearning.AI 的《The Batch》第 366 期，正式放出了一张图——The AI Engineering Skills Map（AI 工程技能地图）。

这张图最狠的地方在于：它做了减法。分析了海量岗位和访谈之后，顶层只剩下 4 项能力。

一份"聚类"出来的技能清单，不是拍脑袋的书单

先说清楚这张地图是怎么来的，因为它的方法论，比结论更值得工程师学习。

吴恩达团队做了三件事：

• 分析了 10,000+ 份招聘 JD
• 对 AI 专家、招聘经理、猎头做了数十场结构化访谈
• 再叠加问卷调查与其他线上数据

他自己用了一个非常"机器学习"的比喻来描述这个过程：

你可以把我们的方法，通俗地理解为对"海量岗位数据 + 专家访谈"这个超大数据集做聚类，从中识别出最重要的技能——不只是今天重要的，也包括不久的将来会重要的。

聚类结果，收敛成 4 项：

1. 1. Building and deploying AI applications —— 构建与部署 AI 应用

2. 2. Software engineering fundamentals —— 软件工程基础

3. 3. Using coding agents —— 使用编程智能体

4. 4. Shaping the build —— 塑造构建方向

下面这张图，是整张地图的骨架。后面每一篇，都会把其中一项拆开讲透。

这张图想说明一件事：4 项顶层能力之下，每一项都还有一层可拆解的子技能。它们不是 4 个孤立的话题，而是一棵有层次的能力树。

先纠正一个称呼：不是"AI 工程师"，而是"AI 工程技能"

地图发布后，很多人第一反应是：“哦，这是给 AI 工程师看的。”

吴恩达专门花了一段话来纠正这个误解。他说，他谈的是 AI Engineering skills（AI 工程技能），而不是 “AI Engineer” 这个岗位角色，因为前者的外延要大得多。

他打了一个所有工程师都懂的比方：

今天所有开发者都得知道怎么用云，但只有很少一部分人头衔叫"云工程师"。同理，所有开发者——全栈工程师、数据工程师、DevOps、机器学习工程师，当然也包括 AI 工程师——都需要 AI 工程技能。

这是一次能力的"下沉"：AI 工程正在从少数人的专职岗位，变成所有开发者的通用底座。

就像十年前"会用 Git"从一项专门技能，变成了每个程序员的默认前提。今天，"会用 AI 把软件做出来"正在走同一条路。所以这张地图不只是给算法岗的，后端、前端、数据、运维，都可以拿它来自查。

四项技能，各自在解决什么问题

地图列了 4 项，但每一项背后，都对应着 AI 时代软件开发的一个真实痛点。这一节先给全貌，后面 4 篇再逐一深挖。

技能一：构建与部署 AI 应用 —— 驯服"不可预测"

AI 应用和传统软件最本质的区别，只有一句话：输出不可预测。

你给 LLM 发一个 prompt，事先不知道它会回什么；你训练一个深度学习模型，也不知道它在新样本上会给出什么预测。传统软件是确定性的——给定输入，输出可预期；AI 软件不是。

正因为这种不确定性，构建 AI 系统比构建传统软件更依赖迭代，也更难提前把整个流程规划死。吴恩达说，熟练的 AI 工程师会反复地"造一小块 → 检查结果 → 决定下一步试什么"，一连串动作强烈受中间结果影响。

能在不可靠的 AI 组件之上，搭出可靠的软件系统——这才是 AI 工程的核心手艺。

而支撑这门手艺的关键，是用统计方法去度量、引导、治理 AI 系统，其中最重要的一个动作，是跑通有纪律的评估（evals）与错误分析循环。这一项，后面会拆成 6 个子能力细讲。

技能二：软件工程基础 —— AI 越会写代码，它越重要

这是最反直觉的一项。很多人的第一反应是：“代码都交给 Agent 写了，我还学软件工程干嘛？”

吴恩达给的答案正好相反：正因为 Agent 会写代码，软件工程基础才比过去更重要。

逻辑不复杂。软件工程的本质，是在成本、可扩展性、可靠性、速度之间做权衡，安全和隐私又给这场权衡加了码。你只有先"看得出这里存在哪些权衡"，才谈得上做出好决策。

一个不懂软件工程、只靠 vibe coding（凭感觉编程）的新手，也许能搓出一个简单应用，但 Coding Agent 往往会在延迟、可用性、一致性、可靠性、可维护性、简洁度、成本之间做出糟糕的取舍——更糟的是，开发者根本不知道这些取舍存在，自然也无从纠正。

理解软件工程基础，你才能用精确的工程语言去"指挥"Agent，而不是被它带着走。

这一项会拆成 5 个模块：全栈应用、数据管理、系统架构、安全可靠、规模化与生产运营。

技能三：使用编程智能体 —— 会调用只是起点，会指挥才是本事

"有效使用 agentic coding，如今是每个开发者的关键技能。"吴恩达这句话，把 Coding Agent 从"效率工具"抬到了"核心能力"的位置。

什么叫会用？他给的定义是：你对 Agent 如何工作有一个好的心智模型，理解它的局限、知道怎么绕过，能快速引导（steer） 它——知道什么时候该介入、什么时候该放手——在不浪费过多时间和 token 的前提下，造出可靠的软件。

具体要做到的事包括：管好 Agent 的上下文、在规划与执行之间做权衡、用验证器（verifiers）或 evals 帮 Agent 自主闭环、知道什么时候该写清晰的 spec（什么时候不必）、编排多个 Agent 协同、以及避开那些"一脚把生产数据库扬了"的高危操作。

他还特别强调：agentic coding 演进太快，会用不只是"掌握今天的前沿实践"，还得有一套自己的例行节奏，不断试新工具、让工作流跟着最佳实践一起进化。这一项会拆成 5 个核心能力。

技能四：塑造构建方向 —— 从"实现者"到"定义者"

这是 4 项里最上游、也最容易被工程师忽视的一项。

吴恩达的判断是：只要给一份清晰的 spec，Coding Agent 按图交付的能力正在飞速提升。 于是工程师的工作重心，正在往上游迁移——从"实现 spec"，转向"决定 spec 里该写什么"。

工程师不该再指望别人递来一份像素级完美的设计稿，然后只让你照着实现。

相反，有效的 AI 工程要求你具备产品感（product sense），理解业务上下文和客户目标，从而能参与塑造、甚至主导整个构建方向。AI 还给了你一个前所未有的机会：承担更大的 ownership 和能动性——主动发现有价值的问题，并负责任地把它做出来。

这里还藏着一个分寸感：知道什么时候该火速搓一个 MVP 丢给用户验证，什么时候该慢下来、更谨慎地精雕细琢。这一项会拆成 4 个关键技能。

别把它读成四门并列课：这其实是一道乘法题

如果把这 4 项理解成"权重各 25% 的四门课程"，你会学错方向。

更准确的理解是：它们之间是乘法关系，不是加法关系。

这张图想说明的是四项技能的角色分工：

乘法意味着：任何一项归零，整体就归零。 你可以把 Agent 用得飞起（生产力杠杆拉满），但如果方向错了（塑造构建 = 0），最终产出依然是 0——甚至更糟，因为你更高效地跑向了错误的终点。

这里还藏着整张地图最反直觉的一点：

AI 没有让基础能力和产品判断贬值。恰恰相反，当它把执行成本压到极低之后，反而把这两样东西暴露成了真正的瓶颈。

当 Agent 能力越强、"使用编程智能体"带来的速度红利越容易被所有人拉平，"软件工程基础"和"塑造构建方向"的相对稀缺性反而会越来越高。因为它们无法被工具平权。

贯穿四项的底层心态：持续学习

地图讲完 4 项技能，吴恩达在结尾点了一个贯穿始终的东西——持续学习的心态（a mindset of continuous learning）。

AI 仍在快速变化，所以我们每个人都必须不断学习、迭代自己的技能，去拥抱正在涌现的最佳实践。

这句话听起来像鸡汤，但放在这张地图的语境里，它其实是一条工程约束：这 4 项技能里，至少有 2 项（使用编程智能体、塑造构建方向）的"最佳实践"每几个月就会翻新一遍。你没法"一次学会"，只能建立一套持续试新工具、持续迭代工作流的例行机制。

对个人的启示是：最该改变的不是"多修四门课"，而是改变学习的单位。 过去你的学习单位是"我要学会 LangChain"；现在应该是"我要建立一套能跟着前沿一起进化的能力体系"。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？