AI大牛吴恩达分享招人标准：优秀的AI应用工程师必须具备两大能力。 作为新兴职业，到底什么才是好的生成式AI应用工程师，标准仍在逐渐明晰。近日，吴恩达在博客中分享了自己的看法。 吴恩达表示，在面试生成式AI应用工程师时，他通常会考察两大核心能力： （i）能否运用新型AI构建模块快速开发强大应用； （ii）能否借助AI辅助工具进行高效工程开发，以远快于以往的速度构建软件系统。 此外，出色的产品和设计直觉也是一个重要的加分项。 他还分享了一个他常问的面试问题：“你如何跟进AI领域的最新进展？” 他发现，由于AI技术迭代极快，那些拥有有效学习策略的人，比如会阅读专业刊物、参加短期课程、定期动手实践项目开发、参与技术社区交流等等，通常会比只通过社交媒体获取AI资讯的人更有优势，更胜一筹。 以下是博客原文节选分享： 一、AI构建模块 如果你只有大量单一类型的乐高积木，或许能搭建一些基础结构；但如果拥有多种类型的积木，就能快速组合出复杂且功能丰富的结构。 软件框架、SDK等工具亦是如此。知道如何调用大语言模型API是一个好的起点，但如果能广泛运用多种构建模块，就能组合出更丰富的功能架构。 这些模块可以是： 提示词技术、智能体框架、评估方法、安全护栏、RAG、语音技术栈、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、智能体浏览器/计算机操作、MCP、推理模型等……【图2】 强大的AI构建模块数量正快速增长。随着开源贡献者和企业提供更多模块，持续关注最新技术将助你不断拓展开发能力。 尽管新模块层出不穷，但1至2年前的许多技术（如评估方法或向量数据库框架）至今仍极具价值。 二、AI辅助编程 AI辅助编程工具极大提升了开发效率，且这类工具发展迅猛。 GitHub Copilot（2021年发布，2022年广泛普及）开创了现代代码自动补全的先河。 但不久后，Cursor和Windsurf等新一代AI集成开发环境（IDE）提供了更优质的代码问答和生成功能。随着LLM的进步，基于它们的AI辅助工具也同步升级。 如今，我们已拥有高度自主的编程助手，如OpenAI的Codex和Anthropic的Claude Code（我个人非常喜欢使用后者，其自主编写、测试和迭代调试代码的能力令人印象深刻）。 在技能娴熟的工程师手中，他们不仅“凭感觉写代码”，更能深刻理解AI与软件架构原理，并引导系统实现精心设计的产品目标。这些工具能以无与伦比的速度和效率开发软件。 我发现，AI辅助编程技术的淘汰速度远快于AI构建模块。一两年前的技术已与当前最佳实践相去甚远。 部分原因可能是：开发者可能同时使用数十（甚至数百）种不同的构建模块，但不太可能同时使用数十种编程辅助工具，因此工具间的达尔文式竞争更为激烈。 鉴于Anthropic、谷歌、OpenAI等公司在该领域的大量投入，这种快速发展态势预计将持续。紧跟AI辅助编程工具的最新进展将大有裨益，因为每一代工具的效能都远超上一代。 三、加分项：产品能力 在某些公司，工程师需根据像素级精确的产品设计图编写代码。但如果产品经理必须事无巨细地指定每个细节，团队效率就会降低。 而AI产品经理的短缺加剧了这一问题。据我观察，如果生成式AI工程师兼具用户同理心和基础产品设计能力，团队进展会快得多。 例如，仅需高层级需求（如“开发一个让用户查看个人资料并修改密码的界面”），他们就能自主决策并快速构建可迭代的原型。 博客原文：-batch/issue-305/
