AI 工程技能地图：软件工程基本功

原文：AI Engineering Skills Map: Software engineering fundamentals 作者：Andrew Ng（DeepLearning.AI、AI Fund 与 AI Aspire），2026 年 8 月 29 日 原文链接：https://www.linkedin.com/in/andrewyng/^[1]

引言

智能体编程（agentic coding）时代，软件工程基本功发生了怎样的变化？即便你把所有代码都交给编程智能体来写，理解软件工程的基本功依然重要——只有这样，你才能引导智能体做出你想要的取舍，甚至首先知道「存在哪些取舍」。此外，当你构建 AI 应用时，AI 核心往往承载在一个更大的软件应用之中，你会希望参与它的构建或塑造。

一个不懂软件工程基本功的新手靠 vibe coding 也能做出简单应用，但这常常导致编程智能体在延迟、可用性、一致性、可靠性、可维护性、简洁性和成本等方面做出糟糕的取舍。问题在于：开发者根本不知道这些取舍的存在，自然也无法引导智能体为自己的应用上下文做出正确决策。

本文介绍我们在 AI 工程技能（AI Engineering Skills）研究中总结出的、软件工程领域最重要的知识。它要求你擅长：

• 构建全栈应用
• 管理数据
• 设计系统架构
• 让系统安全可靠
• 规模化与生产环境运维

一、构建全栈应用

智能体编程让许多过去角色更专精的开发者（如前端开发、移动端开发）能够承担更宽的全栈角色。编程智能体可以帮你补齐不太熟悉的开发环节。但理解全栈究竟如何运转依然重要。熟练的开发者理解前后端系统的关键组件与概念，包括：UI 组件、缓存、页面渲染、API 的选择与设计、身份认证、状态与会话管理、异步处理、数据持久化、测试、安全与无障碍（accessibility）。

二、管理数据

数据值得特别关注：它是软件赖以构建的地基，而且相对难以更改（即便智能体能帮忙做迁移）。懂数据管理，你才能想清楚访问模式（access patterns），并据此决定存什么、存多久；才能选对数据模型，选择合适的存储类型（关系表、文档、键值、图）与基础设施——而这些选择直接影响速度、可扩展性、可用性、可靠性与成本。你要理解事务、并发，以及如何确保数据干净、一致、新鲜；在需要时，确保隐私、治理与合规；你知道如何管理数据的整个生命周期。

随着应用演进，你也要让数据架构随之演进。数据管理的决策需要大量人类提供的上下文。你的 AI 系统会从数据源获取自己的输入上下文——如果数据架构选错了，AI 并不知道自己不知道什么（the AI doesn't know what it doesn't know）。正因如此，需要具备相关上下文、又精通 AI 工程的人——就是你！——出手把它纠正过来。如何为智能体（而不只是传统软件或人类）构建数据基础设施，也是一个快速演进的方向，你的最佳实践应随领域发展持续调整。

三、设计系统架构

当你理解了软件与数据全栈的主要组件，就更有条件决定如何把它们组装起来。好的系统设计要求理解软件的用途（多少用户？延迟有多重要？成本有多重要？等等），从而在应用平台、前后端边界、系统拆分、应用状态存放位置、架构粒度（单体 vs 微服务）等方面做出选择。你还要选择技术栈（编程语言、运行时、组件/前端/后端框架、数据技术）——有时需要先跑实验评估各选项再定夺。

更进一步，正确的架构是移动的靶子，取决于项目所处阶段：快速原型期的简单架构，未必适合第一个生产系统；而随着应用规模扩大，架构还会再变。做出这些决策需要对软件组件和应用上下文都有深入的技术理解，才能设计并持续演进架构，做出更好的取舍。

四、让系统安全可靠

要构建可靠的系统，你要知道如何制定测试策略来验证系统正确性：单元测试与集成测试如何配比、用什么框架、覆盖率要到什么程度。你还要知道如何围绕可能的故障做设计——如何处理失败（如 API 触发限流）、如何内置优雅降级（graceful degradation）、如何把故障的爆炸半径（blast radius）降到最低。

此外，与其先写软件再补安全，「左移」（shift left）运动正把安全工作推向生命周期的更早期（在传统项目时间轴上向左移）。正如所有开发者都在走向全栈，许多开发者如今也部分承担着安全工程师的角色。你现在可以用 AI 工具扫描代码漏洞、检查依赖的供应链投毒、审查云配置的攻击面——但做好这些，仍然需要一定的安全知识。

五、规模化与生产环境运维

要服务真实用户，你必须知道如何把软件部署到生产环境。掌握软件开发生命周期（SDLC）会让你受益：除了构建与测试，还包括配置部署环境、制定发布策略、落地部署自动化（CI/CD）、理解基础设施即服务（IaaS）。

生产环境运维要求你搭好可观测性工具、设置告警、管理事故。最后，要让应用规模化，你要理解真实负载，知道如何扩容服务器、做负载均衡，以及调整数据基础设施（分片、索引、复制）或修改架构，让系统适应规模增长。此外，理解版本控制、代码评审、依赖维护、技术债管理等编码最佳实践，能帮助你的系统长期持续演进。

结语

编程智能体已经改变了我们构建软件的方式——包括那些完全不含 AI 组件的软件。编码知识的某些部分（如背诵语法）正在过时。但深刻理解软件如何运作的开发者，其表现远远超过只会 vibe coding 而不懂原理的人。

理解软件工程基本功（在 AI 之外），还能帮你判断软件能做什么、不能做什么。这些是你使用编程智能体、塑造构建过程时的重要上下文。我会在后续文章中继续讨论。

译自 DeepLearning.AI / Andrew Ng，译文首发于本公众号。

更多机器人 / AI 工程 / 智能体实战内容，欢迎关注本公众号。

引用链接