ARTICLE · 人工智能
吴恩达来信：AI 工程技能图谱详解——构建和部署 AI 应用
一语总结本文由吴恩达撰写，详细阐述了构建和部署 AI 应用所需的六大核心技能：LLM 基础、数据驱动模型、智能体系统构建、基于评估的开发、生产环境运维，以及机器学习基础，并强调了这些技能在应对 AI 输出不确定性中的重要性。
在 AI 工程领域，构建和部署应用与传统软件开发截然不同，因为 AI 输出具有不可预测性。吴恩达指出，成功的 AI 工程师必须掌握六项关键技能：理解 LLM 的底层工作机制、为模型提供高质量的输入数据、设计和优化智能体系统、通过严格的评估来驱动开发、确保生产环境的稳定运行，以及具备扎实的机器学习基础。这些技能共同构成了构建可靠、高效 AI 应用的基石。
- LLM 基础是理解 AI 应用的前提
深入理解大型语言模型的分词、输出生成机制，以及多模态、上下文窗口、推理缓存等特性，是判断模型适用性和优化性能的必要条件。
- 数据驱动模型是提升准确性的关键
通过 RAG、知识图谱、语义层等技术，为 LLM 提供相关、准确的输入上下文，是确保模型输出质量和可靠性的基础。
- 智能体系统需要精心架构
构建智能体系统涉及选择合适的架构（串行/并行）、设计工作流、管理上下文，并确保系统的安全性和鲁棒性，以应对复杂的任务需求。
- 基于评估的开发是迭代优化的核心
建立一个严谨的评估闭环，通过定量和定性的错误分析来驱动开发决策，是快速迭代和提升系统性能的有效方法。
- 生产环境运维要求高可观测性和成本优化
在生产环境中，需要实时监控系统性能、检测模型漂移、优化成本和延迟，并确保系统的安全性和稳定性。
- 机器学习基础是理解 AI 行为的根本
掌握监督学习、强化学习等机器学习技术，以及偏差/方差分析，有助于理解 AI 模型的局限性和优化方向。
吴恩达来信：AI 工程技能图谱详解——构建和部署 AI 应用
在 AI 工程领域，构建和部署应用与传统软件开发截然不同，因为 AI 输出具有不可预测性。吴恩达指出，成功的 AI 工程师必须掌握六项关键技能：理解 LLM 的底层工作机制、为模型提供高质量的输入数据、设计和优化智能体系统、通过严格的评估来驱动开发、确保生产环境的稳定运行，以及具备扎实的机器学习基础。这些技能共同构成了构建可靠、高效 AI 应用的基石。
吴恩达系统梳理 AI 工程师的六大核心技能——LLM 基础、数据驱动模型、智能体系统构建、评估驱动开发、生产运维与机器学习基础，并解释 AI 输出的不确定性为何要求一套新的工程方法论。适合正在构建 AI 应用或规划技能路线的工程师与转型者。
文章金句
"AI 应用与非 AI 软件的关键区别在于，前者的输出不那么可预测。你无法事先知道 LLM 会输出什么，也无法事先知道监督学习算法会做出什么预测。