TL;DR
- 2026-08-21，吴恩达发布技能地图序列文第一篇：深解"构建和部署 AI 应用"（帖文浏览量 179.3 万、转发 1.1 万）。
- 这一项被拆成 6 项子能力：LLM 基础、数据 Grounding、智能体系统、评估驱动开发、生产运营、机器学习基础。
- 其中"评估驱动的开发"被吴恩达点名：这是区分优秀 AI 系统构建者与普通人的最重要特质。
- 吴恩达预告：下一篇深解"软件工程基础"。
吴恩达《AI工程技能地图》的深解系列开更了。第一篇拆解"构建和部署 AI 应用"——吴恩达地图里的第一项技能。我为大家逐条拆开：这一项背后，藏着的 6 项硬功夫。
先说背景：这为什么是"序列文"？
8 月 14 日，吴恩达发布《AI工程技能地图》，提炼出 4 项核心技能：构建部署 AI 应用、软件工程基础、使用编程智能体、塑形构建。当时他说，细节会在后续帖子逐一展开。
一周后（8 月 21 日），第一篇来了。主题就是第一项技能：“构建和部署 AI 应用”。这篇文章的浏览量，截止目前已达到 179.3 万，被转发 1.1 万次（数据来源：X 帖文，2026-08-21）。
吴恩达把这一项拆成了 6 项子能力。这 6 项，就是这篇深解的全部内容。
构建部署AI应用，为什么能拆出6项？
先看全貌。吴恩达对"构建和部署 AI 应用"的拆解，覆盖从选模型到上生产的完整链路：
| 子能力 | 一句话本质 |
|---|---|
| LLM 基础 | 懂模型怎么工作，才能判断何时依赖它 |
| 数据 Grounding | 用对方法，给模型喂对数据 |
| 智能体系统 | 把模型调用组织成可靠流程 |
| 评估驱动开发 | 用评测让不确定的输出可控 |
| 生产运营 | 上线后管住成本、延迟与风险 |
| 机器学习基础 | 用 ML 思维处理不确定系统 |
下面逐条拆
子能力1：LLM 基础——懂到什么程度才算够？
理解 LLM 如何对输入分词（tokenize）、如何生成输出。这是地基。
够用的标准，是能回答一串具体问题：
- 何时可以依赖模型、何时可能失效；
- 何时该用多模态模型；
- 上下文窗口里怎么取舍；
- 缓存命中、知识截止日期、推理努力级别、采样参数怎么影响结果；
- 何时用工具调用这类特殊功能
这些问题想清楚，你才能帮团队选对模型。必要时，用微调或自托管等专业手段兜底。
子能力2：数据Grounding——RAG 还够用吗？
RAG（检索增强生成）是给模型补知识的早期方案。吴恩达明确说：基于向量搜索的 RAG 只是起点，如今技术手段已大幅扩展。
真正的决策有三层：
- 第一层：哪些内容放进提示词，哪些让模型通过工具按需检索
- 第二层：按数据形态选表示方式——向量索引、知识图谱、还是结构化数据的语义层（比如客户记录）
- 第三层：把文本、PDF、HTML、图像转成模型能用的输入，并维护管道，保证数据干净、新鲜。
所以问题不在"有没有 RAG"，在"有没有选对获取知识的组合"。
子能力3：构建智能体系统——工作流还是智能体框架？
智能体系统有两个极端：一端是预定义 LLM 调用序列的工作流，另一端是基于智能体框架（agent harness）、让模型自行决策下一步的系统。
中间全是架构决策：链接哪些步骤、并行化什么、何时用代码、何时用 LLM。还要设计故障回退机制，保证出错了不会整个崩掉。
设计智能体循环时，吴恩达列了一串关键选择：模型能调哪些工具（包括 MCP、CLI、沙箱执行环境）；用什么样的记忆架构；长会话里怎么管理上下文；何时需要多智能体编排而不是单智能体。
原型要变成可靠、安全、可上生产的智能体，还得处理护栏（guardrails）、对抗性输入、数据外泄等风险，并建立治理机制。前沿方向同样值得盯：语音智能体、计算机使用智能体、生成式 UI。
子能力4：评估驱动开发——为什么被点名"最重要特质"？
这一节，是全文分量最重的部分。吴恩达强调：区分优秀 AI 系统构建者与普通人的最重要特质，是能否驱动有纪律的评估与错误分析循环。
难点在于：正确方法因项目而异，甚至因项目阶段而异。"会评估"是深度技术技能，不是跑个基准就行。
具体包含五步：
- 查看系统追踪（traces）与输出；
- 做探索性数据分析；
- 结合产品和业务洞察，决定衡量什么指标；
- 理解评估方案菜单——基于代码的确定性评估、LLM 当评委、人机回环；
- 最后学会评估你的评估（元评估），持续迭代。
“评估你的评估”——这句话是这节的题眼。有了这套循环，进展才系统化，而不是碰运气。
子能力5：生产运营——和传统软件差在哪？
AI 软件和传统软件的根本区别：不可预测、有成本、有延迟。吴恩达指出，这三点改变了运营方式。
你需要构建可观测性机制，了解系统在真实使用中的表现；跟踪性能漂移（drift），快速响应模型故障和安全事件，比如对抗性提示注入。
回归测试和 CI/CD 也和传统软件不同：需要更多统计评估，测试投入要与错误风险匹配。成本与延迟的优化，则是组合拳：模型选择优化、蒸馏、微调、简化智能体工作流。
子能力6：机器学习基础——还要不要学ML？
要学，而且要学到一定深度。现代 LLM 本身建立在监督学习和强化学习之上。吴恩达说，优秀的 LLM 工程师都具备一定深度的机器学习和深度学习理解。
即便不自己训练模型，许多应用仍要用到 ML：要么用别人训练的模型，要么用自己训练的模型。你得了解主流模型在准确率、训练速度、推理速度之间的权衡，理解训练和评估模型所需的数据工程。
更重要的是思维框架：偏差/方差、错误分析、数据工程。这些框架本来就是处理"输出不确定"的，正好用在 AI 应用的治理上。
看完这篇，下一步是什么？
吴恩达给这篇定了调：要精通构建和部署 AI 系统，要学的内容很多，这个领域技术深度不小。但每学一部分，都会让你离更好的 AI 工程师更近一步。
“软件工程是这些技能的有力补充。我将在未来的帖子中撰文介绍。”——吴恩达（Andrew Ng）
按序列规划，下一篇深解主题是"软件工程基础"，再往后是"使用编程智能体"与"塑形构建"。我会持续跟进翻译与拆解。
FAQ
Q：这篇深解和上一篇技能地图是什么关系？
上一篇是总纲，列 4 项技能。这篇是第一项技能的详细展开，拆成 6 项子能力。
Q：6 项子能力里，哪项最值得先学？
看你的阶段。已经在做 AI 应用，先补"评估驱动开发"；刚入门，先打"LLM 基础"。
Q：吴恩达后面还会写哪些？
按预告：软件工程基础、使用编程智能体、塑形构建。序列文会陆续发布。
系列文补充：
- AI工程技能地图：企业数字化团队最该补的4项能力
- 吴恩达AI技能深解①：构建部署AI应用，6项硬功夫逐条拆
- 吴恩达AI技能深解②：软件工程基础，为什么"AI越会写代码它越重要"？
- 3 和 4 待发布
附录：原文速查
原文出处
- 原帖：https://x.com/AndrewYNg/status/2090840747738374568 （2026-08-21，浏览量179.3 万，转发 1.1 万）
- 原文标题：AI Engineering Skills Map: Building and Deploying AI Applications
- 配套总纲：The AI Engineering Skills Map（DeepLearning.AI《The Batch》第 366 期，2026-08-14）
6 项子能力中英对照
| 中文 | 英文（原文标题） |
|---|---|
| LLM 基础 | LLM Foundations |
| 用数据为模型提供依据 | Grounding Models with Data |
| 构建智能体系统 | Building Agentic Systems |
| 评估驱动的开发 | Evaluation-Driven Development |
| 生产环境运营 | Operating in Production |
| 机器学习基础 | Machine Learning Foundations |
关键术语中英对照
| 中文 | 英文 |
|---|---|
| 分词 | tokenization / tokenize |
| 上下文窗口 | context window |
| 工具调用 | tool calling |
| 微调 / 自托管模型 | fine-tuning / self-hosting |
| 检索增强生成 | RAG（Retrieval-Augmented Generation） |
| 向量索引 / 知识图谱 / 语义层 | vector index / knowledge graph / semantic layer |
| 智能体框架 | agent harness |
| 记忆架构 / 多智能体编排 | memory architecture / multi-agent orchestration |
| 护栏 / 对抗性输入 / 数据外泄 | guardrails / adversarial inputs / data exfiltration |
| 追踪 / 探索性数据分析 | traces / exploratory data analysis |
| 确定性评估 / LLM 当评委 / 人机回环 | deterministic evals / LLM-as-a-judge / human-in-the-loop |
| 元评估 | meta-evaluation |
| 可观测性 / 性能漂移 | observability / drift |
| 对抗性提示注入 | adversarial prompt injection |
| 蒸馏 | distillation |
| 监督学习 / 强化学习 | supervised learning / reinforcement learning |
| 偏差/方差 / 错误分析 / 数据工程 | bias/variance / error analysis / data engineering |
关键原句对照
帖文正文（逐字原文）：
The most important skills in Building and Deploying AI Applications.
中译：构建和部署 AI 应用，最重要的技能是什么。
关于评估（原文要点转述，非逐字）：
区分优秀 AI 系统构建者与普通人的最重要特质，是能否驱动有纪律的评估与错误分析循环。
文末预告（原文要点转述，非逐字）：
软件工程是这些技能的有力补充。我将在未来的帖子中撰文介绍。
参考来源
[1] Andrew Ng. AI Engineering Skills Map: Building and Deploying AI Applications. X 帖文. 2026-08-21.（浏览量 179.3 万，转发 1.1 万）
[2] Andrew Ng. The AI Engineering Skills Map. DeepLearning.AI《The Batch》第 366 期 / X 帖文. 2026-08-14.
