AI 领域正在经历深刻变革，软件工程师需要掌握哪些核心技能？全球知名 AI 专家 Andrew Ng 近期基于对逾万份职位招聘信息的分析，以及对 AI 专家、招聘经理和猎头的访谈，整理出了一份 AI 开发必备技能清单。然而，部分业内人士认为这份清单视野过于局限，忽视了业务层面的关键能力。
Andrew Ng 是 Coursera 的创始人，同时也是斯坦福大学的讲师。他指出，随着生成式 AI 乃至智能体 AI 的兴起，软件开发方式已发生根本性转变。他强调，"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。"
然而，他的观点随即遭到质疑。有人在其帖子下回复道："这个框架过于内向，完全没有触及业务问题，这正是人们对软件工程师感到不满的原因。"
The Field CTO 创始人兼 AI 顾问 Andy Thurai 认为，Ng 的建议"对企业而言是一个危险的狭隘框架，存在严重的'建造者偏见'盲区"。他表示："Ng 的分类体系完全聚焦于'第一天'的创新——写代码、让模型跑起来。但在企业环境中，AI 最难的部分已不再是构建智能本身，而是对其进行编排、监控和成本管控。依赖这套狭窄的技能体系，只会优化那些在生产环境中最不重要的变量。"
美国运通软件工程高级经理、女性工程师协会 NYSCD 职业发展总监 Deepika Sidana 也表示认同："Ng 列出的四项技能固然重要，但仅凭这些远远不够。构建一个 AI 应用只是挑战的一部分，工程师还需要理解业务问题、客户工作流程、风险、合规要求，以及系统失败可能带来的后果。"
Sidana 特别强调了编排能力的重要性，认为这是将 AI 推向企业级应用的关键所在。这种能力涵盖"对模型、工具、数据、评估、可观测性、人工审批和回退路径的协调"。她指出："最优秀的 AI 工程师，将是那些能够将软件基础能力与领域知识、产品判断力、沟通能力以及对可量化业务成果的责任感融为一体的人。"
Thurai 进一步补充，关键技能还应包括"工程能力与确定性治理的结合、多智能体编排、智能体仲裁、AI 财务运营、运行时经济学、智能体可观测性、智能体安全，以及社会技术系统集成"。他总结道："创新让你站上起跑线，但可观测性、安全性、韧性和治理才能让你真正走向生产。"
Meta 软件工程师 Naman Ahuja 认为，最有价值的 AI 时代工程技能"越来越多地存在于传统编码之外"。他表示："AI 可以快速生成实现代码，真正困难的工作在于准确定义问题、理解业务约束、拆解系统、编排 AI 与软件组件，以及判断某个输出在生产环境中是否真正有用。"
在 Meta 的实际工作中，Ahuja 表示"基础设施决策往往需要在可靠性、计算效率、成本和用户影响之间寻求平衡，而不仅仅是写出技术上正确的代码"。他认为，"最有价值的工程师，将是那些能够将模糊的业务目标转化为可靠技术系统的人。"
Union.ai 销售工程负责人 Chris Matteson 也提出了警示："当具备 AI 能力的软件工程师不理解软件为何而写、将如何被使用时，AI 带来的生产力提升就会在反复试错和返工中白白浪费。"
不过他也补充道："并非所有返工都是浪费。当生成成本低廉、而获取的信息价值高时，原型开发极为有效。这需要一种全局视野——知道哪些决策是不可逆的，并设定好何时应该放弃一个原型的标准。AI 赋能的工程师太容易在封闭环境中构建生产级软件，而真正优秀的软件，恰恰是在与真实世界的交互中磨砺出来的。"
Q&A
Q1：Andrew Ng 认为 AI 开发者需要掌握哪些技能？
A：Andrew Ng 基于对逾万份职位招聘信息的分析，整理出了 AI 开发必备技能清单，涵盖生成式 AI 与智能体 AI 相关的工程能力，并强调所有类型的开发者都需要具备 AI 工程技能。不过文章未逐条列出具体四项，重点在于业界对这份清单的质疑与补充。
Q2：为什么业界认为 Andrew Ng 的技能框架存在盲区？
A：多位业内专家认为，Ng 的框架过于聚焦"构建"本身，忽视了企业级 AI 落地所需的编排、监控、成本管控、合规、业务理解等能力。Andy Thurai 指出，在企业环境中，AI 最难的部分已不是构建智能，而是对其进行编排与治理；Deepika Sidana 则强调工程师还需理解业务问题、客户流程和风险合规。
Q3：AI 工程师除了写代码，还需要具备哪些能力？
A：多位专家指出，AI 工程师还需具备：理解业务目标与客户需求、多智能体编排与仲裁、AI 可观测性与安全、财务运营与成本意识，以及将模糊业务需求转化为可靠技术系统的能力。Meta 工程师 Naman Ahuja 强调，准确定义问题、拆解系统、判断输出是否真正有用，往往比生成代码本身更具挑战性。
