AI Engineering Skills Map Software

AI Engineering Skills Map 系列之「软件工程基础」 https://t.co/e3Lys1jOj5

AI Engineering Skills Map 系列之「软件工程基础」 x.com/shao__meng/sta… meng shao @shao__meng AI Engineering Skills Map 系列之「软件工程基础」 吴恩达老师的 AI 工程技能图谱第二篇详细展开： 1. 构建与部署 AI 应用 2. 软件工程基础（本文主题） 3. 使用 Coding Agent 4. 塑造构建方向 吴恩达老师认为：Agentic Coding 降低了"写代码"的门槛，但抬高了"懂软件"的价值。 会用 AI 写代码 ≠ 会做软件工程；真正的竞争力在于你能否驾驭 Agent 做出正确的工程权衡。 论证链条非常清晰 现象：编程 Agent 可以替你写所有代码，语法记忆类知识正在贬值。 问题：纯 "vibe coding" 的新手能做出简单应用，但 Agent 会在延迟、可用性、一致性、可靠性、可维护性、简洁性、成本等维度上做出糟糕的默认权衡——而开发者根本不知道这些权衡存在，自然无从纠偏。 结论：软件工程基础并没有被取代，只是从"手写能力"转变为"决策与驾驭能力"——你得知道有哪些权衡，才能引导 Agent 做出符合你应用场景的选择。 # 五大核心能力 1. 构建全栈应用 变化：Agent 让前端、移动端等"专才"可以快速扩展为"全栈通才"。 不变：你仍需理解 UI 组件、缓存、页面渲染、API 设计、认证、状态/会话管理、异步处理、数据持久化、测试、安全、可访问性等关键概念——否则你无法判断 Agent 生成的方案是否合理。 本质：Agent 补的是"熟练度"，补不了"判断力"。 2. 数据管理（全文最重点论述的部分） 单独强调数据，原因有三： 数据是地基，且最难改：代码可以重构，数据架构一旦定型，迁移成本极高（即使有 Agent 辅助）。 数据决策高度依赖人类上下文：存什么、存多久、选什么存储模型（关系型/文档/KV/图）、事务与并发、数据生命周期——这些都需要业务理解。 对 AI 应用有双重重要性：你的 AI 系统直接从数据源获取上下文，数据架构错了，AI "不知道自己不知道什么"，错误会被静默放大。 前瞻性提醒："为 Agent 而建的数据基础设施"（区别于为人类/传统软件而建）是快速演进的新领域，最佳实践需要持续更新。 3. 系统架构设计 架构 = 在理解全栈组件 + 数据之后，把它们组装起来的决策：前后端边界、系统拆分、状态放置、单体 vs 微服务、技术栈选型。 关键洞察：正确的架构是移动靶。原型期、首个生产系统、规模化阶段，各阶段的最优架构不同。架构能力 = 随阶段演进架构、持续做出更好权衡的能力。 这需要"技术深度 × 业务上下文"的双重知识——恰恰是 Agent 最缺的部分。 4. 安全与可靠性 可靠性：测试策略（单测/集测的比例、框架、覆盖率）、面向失败设计（限流处理、优雅降级、缩小爆炸半径）。 安全："Shift Left"——安全前置到开发生命周期早期。趋势是所有开发者都在变成"半个安全工程师"。 辩证看待 AI 安全工具：AI 可以扫漏洞、查供应链注入、审云配置，但用好这些工具本身需要安全知识——工具放大能力，不替代能力。 5. 规模化与生产运维 覆盖完整 SDLC：部署环境、发布策略、CI/CD、IaaS。 生产运维三件套：可观测性、告警、事故管理。 规模化手段：理解真实负载、水平扩容、负载均衡、数据层扩展（分片、索引、复制）。 加上"软"工程实践：版本控制、Code Review、依赖维护、技术债管理——这些决定了系统能否长期演进。 吴恩达老师的深层思想表达 · 知识价值从"记忆型"迁移到"判断型/决策型" · Agent 优化的是"能跑"，不是"适合你的场景"；上下文只能由人提供 · AI 系统的错误是静默的，比传统软件的 bug 更危险 · 工程能力的核心不是"选对一次"，而是"持续演进" · AI 时代的工程师画像是"广度扩张 + 决策深化" 给咱们的启发和建议 · 用 Agent 写代码，但用自己的大脑做决策：每个 Agent 生成的方案，追问自己"它在延迟/成本/一致性上做了什么取舍？" · 优先投资数据与架构知识：这是最不可逆、最依赖人类上下文的两个领域。 · 把安全和测试前置：让 AI 安全扫描工具进入你的工作流，但先建立基本的安全认知框架。 · 按阶段演进架构：原型期容忍简陋，但要有意识地规划向生产架构的迁移路径。 🔗 View Quoted Tweet 💬 0 🔄 0 ❤️ 0 👀 78 ⚡