Newshot

AI 工程师需要具备的技术技能

Translation(model translation, not the source's own text)

AI 工程师需要的技术技能

我们在 Gainwell 需要招聘更多 AI 工程师——所以我想整理一下我的简短笔记,说明我期望这些人具备哪些类型的技能。许多数据科学研究生项目还没有跟上——这项工作涉及很少的模型拟合(无论是基于树的模型还是深度学习),更多是关于将 LLM 集成到各种产品中。

理解 LLM API

虽然人们经常贬低 AI 工程师,说他们只是把 API 调用粘在一起,但 LLM API 是人们最终会交互的最复杂的 API 之一。仅就基本概述而言,你应该理解以下内容:

  • 传统聊天对话如何工作,例如系统提示、用户输入和智能体响应
  • 工具调用如何工作(以及服务器端工具调用与使用本地定义函数的客户端工具调用之间的区别)
  • 缓存如何工作,以及如何估算 LLM API 的成本

不同的前沿模型提供商在这些方面存在差异,但本质上非常相似。

结构化输出与文档处理

使用 AI 最常见的任务之一就是替代繁琐的文档处理——想象一下,你在电子邮件中收到一份 PDF,AI 自动从 PDF 中提取信息并放入电子表格供你使用。

仍然有很多人手动做这件事!(在医疗保健领域,我们仍然经常使用传真。)这涉及理解结构化输出提取。

虽然为你想要的内容确定一个 schema 并直接让 LLM 跑起来看起来很简单,但我仍然需要软件工程师来帮助搭建管道。这方面常见的问题将是:

  • 我们应该从图像/扫描件中提取,还是从 OCR 后的文本中提取?
  • 我们可以一次性处理整个文档,还是应该先切分?
  • 如果我们使用图像,分辨率是多少?
  • 这应该是批处理还是实时?我们账户的 TPM 限制足够吗?
  • 不同 LLM 提供商的成本/准确率如何?

这实际上涉及许多数据科学家会有经验的一项技能——评估不同工具的准确性、假阳性与假阴性等。

如何完成智能体任务

作为 AI 工程师的一部分工作,是帮助他人充分利用智能体工作流。我知道我的开发人员知道如何设置 Claude Code 来完成各种任务。我们需要帮助其他新手(通常不是程序员)设置智能体系统,以帮助他们完成各种任务。

有时这只是“你需要这样设置你的文档,然后让 Codex 审查 X 并执行 Y”。有时是“你在 Astra 上花费太多,这方面你应该使用 Luna”。有时是“我们应该构建更健壮的软件和用户界面,来帮助人们完成这个特定任务”。

想象一位护士必须对一份 500 页的医疗记录进行复杂审计,以检查医疗账单是否正确。我们需要弄清楚如何使用 AI 帮助护士更好、更快地完成工作。

这可能涉及预审流水线(回答标准问题供护士审查)。这可能涉及对文档进行命名实体识别和 OCR,以便更容易搜索特定材料。我们应该构建聊天界面吗?在将 PII 发送到 AI 工具之前,我们需要对其进行脱敏吗?

我工作中的另一个常见应用是使用智能体 AI 工具进行自动化数据分析。想象一下,如果延迟出现尖峰,你有一个针对日志的自动告警。你可以让 AI 自动进行后续分析,试图理解问题的根本原因。

这需要理解 API 如何工作、在沙箱环境中设置 MCP 服务器或工具,以及为后续分析设置永久记忆痕迹。(此外还需要了解异常值检测方法。)

为这些内容构建良好的基准测试尤其棘手。你怎么知道系统正在正常工作?大多数情况下,这些应用需要明显比人类更准确,否则大多数人基本上会直接无视它们。

你仍然需要懂 Python

最后,虽然我知道 agentic 工具基本上能写出 100% 的代码,但我仍然需要你了解 Python 的基础知识。我需要你知道什么时候该使用函数,什么时候该创建一个通用类。我需要你知道什么时候并行运行某个任务是有意义的。我需要你知道字符串和 datetime 对象之间的区别。

你应该把 agentic AI 当作工具,而不是拐杖,来帮助你完成工作。不了解基础知识会让你相对于当前 AI 编码代理的标准而言变得过时。不过,如果你精通 Python,那么 agent 编码工具本质上可以成为力量倍增器,帮助你更快地把想法做出来。

如何学习?

我专门写了 LLMs for Mortals 来弥补当前教育中的这一缺口。你可以购买 EPUB 或印刷版(使用促销码 LLMDEVS 可减免 25 美元)。

我还有一本入门级 Python 书,Data Science for Crime Analysis with Python。(购买两本书时,你可以使用促销码 TWOFOR1 获得总订单 30 美元的折扣。)虽然攻读学位是好事,但你最终可以自学这些东西(我很乐意在 Gainwell 为这些职位雇用优秀的自学成才的程序员)。

不过,除了书本学习之外,还要挑一个项目加入你的作品集。边做边学也是最好的学习方式之一。而且用于处理的 LLM 成本真的很便宜,所以你可以用远低于 1 美元的 API 成本,做出一个不错的文档处理流水线演示。申请工作的人中很少有人拥有好的作品集,所以展示一些独立工作(不仅仅是课堂作业)对我来说很有帮助。

关于潜在 AI 流水线演示的良好范例,可以看看 Gio Circo 的博客。他有很多最近的 LLM 流水线示例,与我们正在 Gainwell 做的工作相当相关。

分享此内容:

  • 分享到 X(在新窗口打开)X
  • 分享到 Facebook(在新窗口打开)Facebook
  • 分享到 LinkedIn(在新窗口打开)LinkedIn
  • 分享到 Pinterest(在新窗口打开)Pinterest

相关

由 Andy Wheeler 发布于 2026 年 11 月 17 日

https://andrewpwheeler.com/2026/11/17/the-tech-skills-ai-engineers-need/

The translation is machine-generated and individual terms may be off. Nothing is rewritten or cut; the original is authoritative.

Published by HN AI
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗