AI Engineering（AI 工程）是指围绕大模型构建应用产品的工程学科，涵盖提示词设计、模型选型、评估体系（evals）、智能体编排等环节，目前正处于从“会调模型”向系统化工程方法演进的阶段。它与传统机器学习工程的区别在于：多数能力来自预训练模型，工程师的核心工作变为组合、约束与验证，而非从零训练。
AI Engineering 近期进展
社区知识体系正在加速成形。Andrew Ng 发布了一份 AI 工程技能图谱（Andrew Ng发布AI工程技能图谱），此前 DeepLearning.AI 也讨论了 AI 工程师需掌握新技能以应对开发流程变化（AI 工程师需掌握新技能应对开发流程变化），试图为这一新兴岗位划定能力边界。配套的实践内容也在跟进，包括编程智能体使用指南（DeepLearningAI 发布编程智能体使用指南），以及可在浏览器中直接构建、实时预览、无需安装的编码智能体学习方式（Learn by building with an AI coding agent）。
行业活动方面，AI Engineer World's Fair 2026 已开启 GTM（Go-to-Market）赛道报名（AI Engineer World's Fair 2026 GTM Track Live），显示会议组织方正把关注点从纯技术议题扩展到产品商业化。
当前焦点与观察点
评估体系（Evals）成为核心话题。 在 AI Engineer 大会上，纽约主题演讲者 Aparna Dhinakaran 提出“AI Engineering = Evals”的观点：随着代码生成量增大，能否系统性验证模型输出成为区分工程能力的关键（AI Engineering = Evals）。Andrew Ng 也在周信中呼应了类似判断——AI 在可验证的任务上改进最快，而判断类任务仍是难点（Letter from Andrew Ng）。
技能分级与工具选择的讨论升温。 Codex 宕机期间，Hamel Husain 等三人直播给 AI 工程技巧排等级（Codex 宕机期间，三人直播给 AI 工程技巧排等级），反映了从业者对方法优先级的真实关切。研究侧也在推进，例如 HYSET 方法将工具选择视为集合而非逐个挑选，以 Recall@5 等指标衡量效果（HYSET scores tools as a set）。
总体来看，AI Engineering 的争议点集中在两处：一是岗位技能尚未形成公认标准，各家图谱与指南差异较大；二是开发流程对智能体的依赖加深后，可靠性验证（评估）与工具链成熟度仍是短板。可关注后续技能图谱的社区反馈，以及 2026 年行业大会上评估与商业化议题的走向。