吴恩达深夜发文GenAI时代应用工程师的必备能力清单

生成式AI正在重新定义软件工程师这个职业！

刚刚，吴恩达发表了一篇深度文章，详细剖析了一个正在快速崛起的新职业—— GenAI应用工程师 。

这群人不仅能用AI积木块快速搭建强大应用，还能借助AI编程助手以前所未有的速度开发软件系统。

值得注意的是，这个职业的技能要求和传统软件工程师有极大的不同。

AI 时代的乐高玩具

吴恩达用了一个绝妙的比喻来解释AI 积木块的概念。

如果你只有一种乐高积木，你能搭建的结构很有限。但如果你拥有各种各样的积木，你就能快速组合出复杂而实用的结构。

软件框架、SDK和其他工具就像这些积木块 。

如果你只会调用大语言模型（LLM）API，这是个好开始。但如果你掌握了更多积木块类型——提示词技术、智能体框架、评估工具、防护栏、RAG、语音栈、异步编程、数据提取、嵌入/向量数据库、模型微调、图数据库与LLM结合使用、智能体浏览器/计算机使用、MCP、推理模型等等——你就能创造出更丰富的组合。

强大的AI积木块数量还在快速增长。

虽然新积木块不断涌现，但许多一两年前的积木块（比如评估技术或向量数据库使用框架）今天仍然非常重要。

AI 编程的生产力飞跃

AI 辅助编程工具让开发者的生产力实现了质的飞跃，而且这些工具正在快速进化。

Github Copilot 在2021年首次发布（2022年全面推出），开创了现代代码自动补全的先河。但很快，新一代AI驱动的IDE如 Cursor 和 Windsurf 提供了更好的代码问答和代码生成功能。随着LLM的改进，基于它们构建的AI辅助编程工具也在不断进步。

现在我们有了高度智能化的编程助手，比如 OpenAI的Codex 和 Anthropic的Claude Code （吴恩达特别提到他非常喜欢使用Claude Code，对其能够自主编写代码、测试和调试多次迭代的能力印象深刻）。在熟练工程师手中——那些不只是「凭感觉写代码」而是深刻理解AI和软件架构基础、能够引导系统朝着精心选择的产品目标前进的人——这些工具使得以前所未有的速度和效率构建软件成为可能。

吴恩达发现， AI辅助编程技术的淘汰速度比AI积木块快得多 ，一两年前的技术已经远离今天的最佳实践。

部分原因可能是，虽然AI构建者可能会使用几十种（甚至上百种？）不同的积木块，但他们不太可能同时使用几十种不同的编程辅助工具，因此工具之间的达尔文竞争力量更强。鉴于Anthropic、Google、OpenAI和其他玩家在这个领域的大规模投资，这种疯狂的发展速度预计会持续下去。

额外加分项：产品技能

在某些公司，工程师被期望按照像素级完美的产品设计图编写代码实现。但如果产品经理必须指定每个细节，这会拖慢团队速度。

AI产品经理的短缺加剧了这个问题 。

吴恩达观察到，如果GenAI工程师也具备一些用户同理心和基本的产品设计技能，团队会进展得更快。

这样，在只获得高层次指导的情况下（「一个让用户查看个人资料并更改密码的用户界面」），他们可以自主做出很多决策，至少可以构建一个原型来迭代。

面试GenAI应用工程师的关键问题

在面试GenAI应用工程师时，吴恩达通常会询问他们对AI积木块的掌握程度和使用AI辅助编程的能力，有时也会考察他们的产品/设计直觉。

他发现有一个问题特别能预测他们的技能水平： 「你如何跟上AI的最新发展？」

因为AI发展如此迅速，那些有好的学习策略的人——比如阅读The Batch、参加短期课程😃、定期动手实践构建项目、有一个可以交流的社区——真的能保持领先优势。

相比之下，那些主要依赖社交媒体获取AI 信息的人（通常缺乏必要的深度）就会落后。

网友热议

Andrew Ng (@AndrewYNg)的这篇文章引发了网友们的热烈讨论。

Oboe (@oboelabs)提出了一个关键问题：

AI辅助编程工具正在民主化复杂软件开发的访问权限，这很令人着迷。但软件设计中人类判断力和创造力的重要性呢？

Faruk Guney (@farguney)认为术语使用很准确：

完全正确的术语：生成式AI工程师，而不是笼统地使用AI工程师。

Trinity (@Gh4nder)则表达了一种担忧：

AI将在3个月内取代这些人。

Shady (@ShadyAlii0)提出了一个深刻的观点：