学习笔记AI 工程技能图谱：软件工程基础

AI Engineering Skills Map: Software engineering fundamentals

AI 工程技能图谱：软件工程基础

阅读来源：Andrew Ng 原文（2026-08-28）。
这是一篇学习笔记：前半部分归纳原文，后半部分把它翻译成日常使用 Coding Agent 时可以执行的检查问题。

这张图最值得记住的，不是「AI 已经会写代码」，而是它把问题换了：当实现速度被 Agent 放大后，工程师更需要知道系统究竟在为什么做取舍。

Agent 可以生成一个看起来合理的方案，但它不会自动知道这次更在乎延迟还是成本、可以牺牲多少一致性、哪些数据不能丢、一次失败会影响谁。甚至在缺少工程基础时，人可能意识不到这些维度本来就需要被选择。

所以，软件工程基础没有被 AI 消掉；它从「亲手写出每行语法」更明显地转成了「定义约束、提供上下文、判断权衡、验证结果」的能力。

这张图在讲什么

Ng 的 AI Engineering Skills Map 有四个一级分支，并把持续学习放在共同底座上：

一级能力它解决的问题
构建与部署 AI 应用怎样把不确定的模型能力做成可用、可测、可运行的产品。
软件工程基础怎样理解系统组成与工程权衡，并把正确的约束交给 Agent。
使用 Coding Agent怎样管理上下文、计划、验证、自主程度与多 Agent 协作。
塑造构建方向怎样从用户、业务与项目所有权出发，决定值得构建什么。

本文展开的是第二项。它不是一张「所有人都要立刻精通」的课程清单，而是一张当 Agent 帮我们跨越专业边界时，用来发现盲区的地图。

五项软件工程基础

能力真正要理解的，不是框架名，而是系统问题交给 Agent 前要说清什么
全栈应用UI、渲染、缓存、API、认证、状态/会话、异步、持久化、测试、安全与可访问性怎样协同。这次改动跨哪些层；接口、状态和验收边界是什么。
数据管理访问模式、生命周期、事务、并发、一致性、新鲜度、隐私与迁移。数据往往是最难回头的基础。存什么、存多久、谁能读写、迁移与回滚约束。
系统架构用户规模、状态位置、边界划分、延迟、可用性、可靠性、可维护性、简单性与成本之间怎样取舍。当前处于原型、首个生产版还是规模化；哪一个指标优先。
安全与可靠性测试组合、故障模式、优雅降级、权限和爆炸半径。不能越过的权限边界；失败时的预期行为与验证证据。
生产扩展与运行发布策略、CI/CD、可观测性、告警、事故响应，以及基于真实负载的扩容。部署环境、SLO、发布/回滚路径、容量和成本目标。

这五项的共同点是：它们都不是「让 Agent 代写一段代码」就会自然完成的事。Agent 可以帮我们查代码、生成候选方案、补测试、跑命令；但需要优化什么、可以牺牲什么、什么证据才能放行，仍需要人来定义。

Coding Agent 时代，工程师的工作重心如何变化

记忆语法、机械地拼接 API，这类能力的相对价值会下降。相对变得更重要的，是下面三件事：

  1. 把目标翻译成约束。 不只说「做一个导出功能」，还要说明数据范围、权限、可接受延迟、失败体验与不做什么。

  2. 把隐性权衡显式化。 例如「先上原型」可能优先速度和简单性；进入生产后，认证、审计、回滚与可观测性就不再是可选项。

  3. 把完成翻译成证据。 不以「Agent 说做完了」为验收，而以测试、真实环境操作、日志/指标、评审和回滚方案为依据。

换句话说：AI 让实现吞吐更大，也让错误的默认选择更容易被放大。工程基础的作用，是让我们有能力指出这些默认选择不适合当前场景。

把技能图谱变成一次开工前检查

我会把五项基础压缩成四个问题，放在让 Agent 开始改动之前：

1. 现在处于原型、生产，还是规模化阶段？
2. 这次最优先的质量属性是什么：速度、可靠性、安全、成本，还是可维护性？
3. 哪些数据、权限、接口或运行约束绝不能被默认改变？
4. 什么测试、真实操作或运行证据足以证明这次可以放行？

这不是一份万能 Prompt。它的价值在于：先迫使人做出自己该做的判断，再把判断交给 Agent 扩大执行能力。

对于前端，它可以落到状态边界、渲染和可访问性；对于后端，落到 API、数据、并发与认证；对于测试，落到失败模式与可复验证据；对于产品，落到用户价值、风险与可接受的权衡。每个人不必先掌握所有细节，但需要逐步建立一张能跨栈提问的地图。

不应该怎样理解它

  • 不是「Vibe Coding 没有价值」。 原型和低风险探索依然可以快速试错；只是当任务进入共享数据、权限、生产运行或不可逆操作时，必须增加工程约束与验证。
  • 不是「每个人都必须立刻成为五项专家」。 这张图更适合指导学习顺序：先能看见跨栈依赖，再逐步补上关键环节的判断力。
  • 不是「Agent 可以承担结果责任」。 Agent 可以参与分析、实现和验证；对场景、权衡和最终放行负责的，仍是使用它的人和团队。

本站关于 Vibe Coding 与 AI Pair Programming 的分类，是对这张图的实践性应用：前者更适合用真实体验快速发现方向；后者更强调用意图、约束与证据守住工程边界。它不是 Ng 在原文中定义的一套二分法。

我的当前结论

AI Native 全栈，不是要求一个人背下所有技术栈的语法；而是当 Agent 帮你穿过陌生技术栈时，你仍然知道该问什么、该约束什么、该验证什么。

Agent 放大实现能力；软件工程基础决定这份能力会把系统带向哪里。

相关

参考来源