我們正在經(jīng)歷一場(chǎng)百年不遇的技術(shù)大變革，過去需要一整個(gè)工程團(tuán)隊(duì)通力才能完成的復(fù)雜工作任務(wù)，現(xiàn)在可能只需要一位技術(shù)專家搭配合適的輔助編程軟件 —— 如 Cursor，就可以在短時(shí)間內(nèi)完成。這背后是生成式 AI 正以前所未有的速度滲透并重塑軟件開發(fā)的各個(gè)層面，全面提升軟件開發(fā)效率，而這必然引發(fā)了一種廣泛的焦慮：曾經(jīng)賴以生存技能似乎正在被快速迭代的 AI 工具挑戰(zhàn)，程序員的職業(yè)護(hù)城河似乎變得搖搖欲墜，在新技術(shù)革命下，誰能活到下個(gè)黎明呢？

AI Coding 現(xiàn)狀

這一輪生成式 AI 革命，要比過去所有計(jì)算機(jī)技術(shù)革命都來得快、來得猛，從 ChatGPT 3.5 開始，到 Gemini，到 Claude，模型一個(gè)比一個(gè)強(qiáng)，迭代一個(gè)比一個(gè)快，說是“瞬息萬變”都不為過。例如，Anthropic 最新發(fā)布的 Claude Opus 4 模型，甚至已經(jīng)能拿下 SWE-bench Verfied 72.5% 的高分，這意味著AI能夠獨(dú)立解決超過7成的真實(shí)編程問題，剩下3 成才需要人工介入！這是何等恐怖的數(shù)據(jù)。

圖片

直觀地說，這個(gè)模型已經(jīng)能夠獨(dú)立完成日常編碼場(chǎng)景里的大多數(shù)常規(guī)頁面開發(fā)、解決工程問題、自動(dòng)生成單測(cè)并修復(fù)常規(guī) Bug 等，雖然它還無法從零到一在毫無人力介入的情況下獨(dú)立完成完整應(yīng)用 —— 畢竟專業(yè)的軟件工程里還涉及復(fù)雜的需求分析、功能設(shè)計(jì)、交互設(shè)計(jì)、發(fā)布運(yùn)維等節(jié)點(diǎn)，但單就“編碼”能力而言，Claude 等模型在體感上恐怕已經(jīng)超過一般的工程師。

更可怕的是，在模型日新月異的迭代之外，業(yè)界還在結(jié)合工程手段積極創(chuàng)造進(jìn)一步提升編碼效率的方案，例如比較成熟的 Cursor、WIndsurf、Cline 等輔助編碼類工具，能切切實(shí)實(shí)代替人類完成許多重復(fù)性或中低階編碼任務(wù)，而且全程基本由“粗糙”的自然語言驅(qū)動(dòng)，響應(yīng)也特別快。結(jié)果就是，同樣的需求由有經(jīng)驗(yàn)的工程師搭配這類工具，工作效率相比于經(jīng)過復(fù)雜溝通之后交付給初級(jí)工程師協(xié)作完成，要高出許多，這就很大程度擠壓了初、中級(jí)工程師的生存空間了。

但這還沒完，事實(shí)上許多公司正在嘗試創(chuàng)造一些能部分代替人類工程師的完全自動(dòng)化編碼工具 —— 甚至是 Agent 集群，且不論真實(shí)性與具體效果如何，這種趨勢(shì)可謂是蔚然成風(fēng)了：

• 阿里巴巴在內(nèi)部高調(diào)推行 AI 編程，讓自家的代碼助手“通義靈碼”正式上崗（員工號(hào) AI001），并透露未來公司 20% 的代碼將由 AI 編寫(出自此文: https://news.qq.com/rain/a/20240402A0982400)；
• 百度同樣宣布其 AI 代碼助手 Comate 已經(jīng)產(chǎn)出公司四分之一的代碼，且推廣到一萬多家企業(yè)使用，平均代碼采納率超過 50%(出自此文: https://news.qq.com/rain/a/20240403A05BY100)；
• 微軟方面也在加速擁抱 AI，據(jù)報(bào)道微軟內(nèi)部已有大約 20%-30% 的代碼由 AI 生成，公司高層反復(fù)強(qiáng)調(diào)要“利用人工智能提高工程等崗位的生產(chǎn)率”，甚至將此作為近期裁員、精簡(jiǎn)團(tuán)隊(duì)的策略之一(出自此文: https://finance.sina.com.cn/roll/2025-05-18/doc-inewymyy8835003.shtml)；
• 。。。

這種局面將導(dǎo)致兩個(gè)結(jié)果：

1. 低水平、重復(fù)性的編程工作非常容易被 AI 替代，一個(gè)技術(shù)專家搭配 AI 工具就能抵得上之前 3-5 人團(tuán)隊(duì)的生產(chǎn)效率 —— 而 AI 工具的成本要比“人”便宜的多，因此在出現(xiàn)新的商業(yè)增長(zhǎng)點(diǎn)之前，許多科技公司已經(jīng)不需要那么多程序員，就業(yè)市場(chǎng)體量必將縮小；
2. 未來(其實(shí)當(dāng)下已經(jīng)是)工程師角色的主要職責(zé)必然發(fā)生極大轉(zhuǎn)變，多數(shù)時(shí)候不再聚焦于具體編碼，而轉(zhuǎn)換為“ AI 指導(dǎo)者 + 質(zhì)檢 + 軟件項(xiàng)目管理”角色，相比于純粹的編碼，這些新的職責(zé)需要站在更高維度 Review 人與 AI 協(xié)作的過程與常務(wù)，因此反而更需要深厚的計(jì)算機(jī)功底、泛計(jì)算機(jī)知識(shí)、編碼與軟件工程經(jīng)驗(yàn)等等。

但這就延伸出了先有雞還是先有蛋的困境：操作 AI 需要更高維度的能力，但 AI 在提升軟件工程效率的同時(shí)也在不斷抬高計(jì)算機(jī)行業(yè)的入職門檻，多數(shù)新人或資歷較淺的工程師正被 AI “替代”并擠壓出勞動(dòng)力市場(chǎng)，這些新鮮血液并沒有機(jī)會(huì)與實(shí)踐積累足夠經(jīng)驗(yàn)與技能。我認(rèn)為，結(jié)果將很悲觀地導(dǎo)向一個(gè)被說爛了的詞：馬太效應(yīng)，當(dāng)下具備深厚計(jì)算機(jī)知識(shí)且熟練使用 AI 編碼的人將獲得更多的職業(yè)機(jī)會(huì)與實(shí)戰(zhàn)經(jīng)驗(yàn)，逐漸成為“超級(jí)個(gè)體”，而經(jīng)驗(yàn)薄弱且并不熟悉 AI 工具的新手越來越難以獲得高價(jià)值的項(xiàng)目經(jīng)驗(yàn)，職業(yè)窗口可能會(huì)越來越小。

未來 3-5 年的就業(yè)趨勢(shì)

過去幾年，許多互聯(lián)網(wǎng)公司都在研究所謂“去肥增瘦”，某種程度上就是意圖通過優(yōu)化流程、工具等方式提升單位生產(chǎn)力，再去除不必要的組織“負(fù)擔(dān)”，達(dá)到降本目的。而這一波 AI 發(fā)展算是送上了一把最最鋒利的刀，畢竟使用得當(dāng)?shù)那闆r下，一個(gè)人已經(jīng)能頂一個(gè)團(tuán)隊(duì)來使，在存量市場(chǎng)與經(jīng)濟(jì)整體低迷的大環(huán)境下，這必然會(huì)引發(fā)大幅度的崗位緊縮潮。

雖然從過去社會(huì)發(fā)展經(jīng)驗(yàn)來看，技術(shù)創(chuàng)新整體是“向善”的，在“未來”必然會(huì)創(chuàng)造出更多新崗位 —— 例如馬車被汽車替代后，雖然馬夫職業(yè)消失了，卻衍生出汽修、汽車工程師等職業(yè)；AI 的發(fā)展也很可能會(huì)延伸出“AI 訓(xùn)練師”、“AI 應(yīng)用體系設(shè)計(jì)”等崗位。但當(dāng)下在沒有找到新的商業(yè)增長(zhǎng)點(diǎn)之前，經(jīng)濟(jì)上最理性的優(yōu)化策略必然是進(jìn)一步“去肥增瘦”，執(zhí)行更嚴(yán)格的“節(jié)流”策略，這就意味著短期內(nèi)行業(yè)很可能還會(huì)處于較大的下行壓力。

可以說，所有程序員都必將受這一波 AI 革命所影響，雖然除了算命先生外誰都無法預(yù)測(cè)未來，但按照上述“馬太效應(yīng)”大致可以推斷出一種命中率比較高的發(fā)展模型：螺旋向下。如果我們將業(yè)內(nèi)所有程序員按經(jīng)驗(yàn)與技能水平籠統(tǒng)歸類為一個(gè)金字塔模型，大體上可以總結(jié)為：

• 頂端是那些具備豐富經(jīng)驗(yàn)，是某些技術(shù)方向公認(rèn)的行業(yè)專家，有能力突破技術(shù)極限，創(chuàng)造新的技術(shù)方法；
• 第二層是高度專業(yè)的職業(yè)技術(shù)人(or 技術(shù)經(jīng)理)，有能力帶領(lǐng)團(tuán)隊(duì)克服各種工程、管理、技術(shù)問題，完成復(fù)雜項(xiàng)目開發(fā)，在各大尖端科技公司都是名副其實(shí)的領(lǐng)導(dǎo)者；
• 第三層是具備較豐富項(xiàng)目經(jīng)驗(yàn)，某些技術(shù)上的熟手，能夠遵從指示在既定上下文下將需求轉(zhuǎn)換為可運(yùn)行的系統(tǒng)組件，在多數(shù)公司中都屬于中流砥柱角色；
• 第四層是具備一定編碼經(jīng)驗(yàn)，但需要較多外部協(xié)助才能完成上下游對(duì)接或模塊開發(fā)任務(wù)，通常是工作經(jīng)驗(yàn)在3-5年左右的群體；
• 而底端可能是剛從高校畢業(yè)，還沒有多少實(shí)際項(xiàng)目經(jīng)驗(yàn)但有一定發(fā)展?jié)摿Φ男迈r血液；

圖片

那么在 AI 普及之后的未來極有可能出現(xiàn)向上的路徑會(huì)越來越窄，不得不逐層向下擠壓的趨勢(shì)：“中級(jí)”工程師的效率會(huì)被大幅提升，許多重復(fù)性低價(jià)值的工作不再需要依賴“新手”支援，首先將大部分新手排擠出行業(yè)之外 —— 這是當(dāng)下正在發(fā)生的事兒；同時(shí)大部分“熟練者”將承擔(dān)更多開發(fā)工作，在 AI 模型與應(yīng)用層進(jìn)一步成熟之后，熟練者在弱監(jiān)督的情況下就能獨(dú)自完成復(fù)雜、大型系統(tǒng)開發(fā)，中級(jí)工程師又會(huì)部分地、逐漸地被排擠出體系之外。整體形成一種螺旋向下的發(fā)展趨勢(shì)，畢竟“一個(gè)年薪 10w 的工程師，可能真的比不上月薪 20 刀的 Cursor”。

不要覺得這是危言聳聽，資本都是逐利的，要么開源要么節(jié)流，在行業(yè)已經(jīng)普遍驗(yàn)證、認(rèn)可了 AI 編程能力，工程師個(gè)體效率被極力放大的情況下，大概率會(huì)傾向于將成本方在研究怎么更好地使用 AI 繼續(xù)提升效率，而不是招募更多工程師。

不過，這都是基于“存量”思維推導(dǎo)出來的結(jié)論，事實(shí)上我們也很容易推導(dǎo)，或者觀察到一個(gè)新的巨大增長(zhǎng)點(diǎn)：AI 以及 AI Agent 方向，基于此，我認(rèn)為未來有兩個(gè)比較穩(wěn)妥的破局方向。

破局一：AI + 計(jì)算機(jī)專家

如上所述，AI 的發(fā)展迭代必然會(huì)代替人工完成大多數(shù)重復(fù)且復(fù)雜度并不高的工作，但這里面有一個(gè)隱含前提 —— 或者說當(dāng)前階段還必須具備的條件：需要一位經(jīng)驗(yàn)足夠豐富的工程師指導(dǎo) AI 正確完成編碼任務(wù)，并 Review 對(duì)應(yīng)代碼識(shí)別出可能存在的缺陷給予恰當(dāng)?shù)男拚?/span>

那么自自然然地可以推導(dǎo)出，業(yè)界還是需要經(jīng)驗(yàn)豐富，有專精方向同時(shí)又有較廣泛的計(jì)算機(jī)知識(shí)儲(chǔ)備的高級(jí)工程師，我個(gè)人甚至覺得，無論 AI 模型如何迭代發(fā)展，都不可能做到 L5 級(jí)別的全自動(dòng)編碼，始終需要這么一個(gè)角色，才能真正生產(chǎn)出企業(yè)級(jí)的應(yīng)用程序。簡(jiǎn)言之，行業(yè)已經(jīng)不需要那么多“人力”，但依然需要高端人才。

圖片

雖然留給大家的時(shí)間可能不會(huì)很多，但“技術(shù)專家”這個(gè)方向至少還是一條比較妥當(dāng)且保險(xiǎn)的職業(yè)發(fā)展路徑，向后承襲已有知識(shí)儲(chǔ)備，不會(huì)出現(xiàn) Breaking Change；向前按已有的學(xué)習(xí)方式，繼續(xù)沉淀更多、更深、更廣的計(jì)算機(jī)知識(shí)，逐漸向上突破能力邊界并成長(zhǎng)為某個(gè)方向的技術(shù)專家。

不過，這個(gè)方向所需要的能力模型可能與過去我們所理解的形態(tài)有一些些差異，具體來說：

1. 技術(shù)基礎(chǔ)：我們依然需要深度掌握各種框架、工具的應(yīng)用與底層原理 —— 甚至比過去的要求還要高出許多，否則你無法識(shí)別出 AI 生成代碼的潛在缺陷，也就無法從編碼階段遏制質(zhì)量風(fēng)險(xiǎn)；
2. AI學(xué)習(xí)與應(yīng)用能力：在具體的技術(shù)方向之外，還需要熟練掌握與 AI 交互的能力，具體來說就是對(duì)各類 AI 編程工具的應(yīng)用能力、對(duì)模型的熟悉度、Prompt Engineering 等等，本質(zhì)上就是能更快更好地批量生產(chǎn)出滿足需求的代碼；
3. 頂層抽象與架構(gòu)設(shè)計(jì)：AI 雖然能夠順利接手具體編碼工作，但目前依然無法設(shè)計(jì)出更具擴(kuò)展性與可維護(hù)性的架構(gòu) —— 畢竟它沒法兒預(yù)測(cè)現(xiàn)實(shí)世界未來會(huì)發(fā)生怎么樣的變化，也沒法預(yù)測(cè)你給出的幾句簡(jiǎn)單 Prompt 背后可能潛藏著怎樣的擴(kuò)展需求，因此工程師的注意力必然從編碼轉(zhuǎn)移到更高維的架構(gòu)抽象與設(shè)計(jì)上，基于業(yè)務(wù)本質(zhì)定義出穩(wěn)定的技術(shù)架構(gòu)和靈活的擴(kuò)展路徑。舉個(gè)例子，過去我們可能需要糾結(jié)用怎樣的代碼實(shí)現(xiàn)插件架構(gòu)，但未來我們更需要從各種架構(gòu)模式中選取出更適合需求場(chǎng)景的插件架構(gòu)設(shè)計(jì)。不過，這并不意味著編碼變得不重要，這依然是最重要的基本功；
4. 泛計(jì)算機(jī)知識(shí)：最近出現(xiàn)了一個(gè)比較火的詞：技術(shù)平權(quán)，大致上是因?yàn)?Cursor 等軟件出現(xiàn)之后許多并沒有編程基礎(chǔ)的人也能借助這類工具迅速搭建出產(chǎn)品原型，技術(shù)結(jié)果變得唾手可得，技術(shù)本身不再阻礙創(chuàng)意落地。這個(gè)詞同樣適用于技術(shù)領(lǐng)域，假定你是一個(gè)前端工程師，即使之前完全沒接觸 Go、Supbase、Docker 等技術(shù)棧也能借助工具迅速寫出相關(guān)代碼 —— 但也僅僅是“寫出”，遠(yuǎn)達(dá)不到“優(yōu)秀”水平，因?yàn)?/span>你并不具備對(duì)這些技術(shù)點(diǎn)的甄別能力，為此需要放下預(yù)定角色的約束轉(zhuǎn)而盡可能拓寬你的技術(shù)邊界，更廣泛地學(xué)習(xí)好各類計(jì)算機(jī)技術(shù)；
5. 適應(yīng)能力：依然是基于“技術(shù)平權(quán)”邏輯，當(dāng)技術(shù)不再阻礙創(chuàng)意落地時(shí)，你在職場(chǎng)里的角色大概率會(huì)經(jīng)常發(fā)生變化，從前端到后端到運(yùn)營，甚至到模型訓(xùn)練，都有可能。“角色分工”邏輯依然成立，但個(gè)體所對(duì)應(yīng)的“角色”卻很有可能因?yàn)檫@樣那樣的商業(yè)因素經(jīng)常變動(dòng)，我最近半年已經(jīng)見證過許多這類例子了。誠然能長(zhǎng)期 Focus 在一個(gè)自己感興趣的領(lǐng)域里是一件很幸運(yùn)的事情，但在這個(gè)大變革時(shí)代，這并不是普通打工人所能把控的，因此我更建議工程師們可以打開自己的邊界，放下“角色”預(yù)設(shè)，接納一切合理不合理的變化，然后在新的角色里借助 AI 工具做好商業(yè)產(chǎn)出，不要一味“綁死”在某個(gè)技術(shù)角色里白白失去職業(yè)上升機(jī)會(huì)。
6. 工程化能力：相比于人類，AI 的產(chǎn)出要快出許多，能在幾分鐘內(nèi)生產(chǎn)出大量?jī)?nèi)容，主打一個(gè)量大管飽，但缺陷也很明顯：不夠穩(wěn)定，你無法預(yù)測(cè)下次改動(dòng)會(huì)不會(huì)導(dǎo)致系統(tǒng) Crash 或引入一些隱晦的 Bug，因此需要及時(shí)驗(yàn)證結(jié)果的正確性。具體的解決方案有很多，例如代碼 Code Review、回歸測(cè)試等，但這些方案都比較依賴人力，驗(yàn)證的速度很可能跟不上 AI 生產(chǎn)的速度，更好的方案是搭建一套完善的自動(dòng)化質(zhì)檢體系，以盡可能低的成本、盡可能快的速度驗(yàn)證結(jié)果的正確性 —— 這正是“工程化”所擅長(zhǎng)的范疇。具體來說，可以在合碼、發(fā)布等關(guān)鍵節(jié)點(diǎn)上設(shè)置若干卡口，執(zhí)行完整性檢測(cè)、類型檢測(cè)、單測(cè)、E2E 測(cè)試、性能防劣化檢測(cè)等任務(wù)，確保代碼質(zhì)量。總之，AI 解決了代碼生產(chǎn)效率問題，而工程化則能有效解決質(zhì)量驗(yàn)證的效率問題，可以預(yù)料未來行業(yè)內(nèi)會(huì)越來越關(guān)注在這方面的投入；
7. 等等吧。

絮絮叨叨了許多，關(guān)鍵點(diǎn)在于：“替代你的不是 AI，而是那些更會(huì)用 AI 也更懂計(jì)算機(jī)的人”，既然如此，那就順應(yīng)時(shí)代，成為 AI + 計(jì)算機(jī)專家吧。

破局二：AI Agent 開發(fā)工程師

我始終堅(jiān)定地相信著一個(gè)論調(diào)：“AI 必然會(huì)重構(gòu)所有行業(yè)，就像上一輪信息化改造一樣”。AI 的最大作用就在于它能真正實(shí)現(xiàn)知識(shí)與技能“平權(quán)”，這種平權(quán)意味著即使從未受到過相關(guān)訓(xùn)練的人“可能”也可以一定程度勝任某個(gè)專業(yè)領(lǐng)域里面的某些具體任務(wù) —— 甚至比專業(yè)人士更快完成任務(wù)，例如我本身是一個(gè)從未學(xué)習(xí)過平面設(shè)計(jì)的純程序員，卻能借助 Lovart 設(shè)計(jì)出一些足夠滿足我需求的插圖：

這無疑在引誘世界上各種極具創(chuàng)造力的人，想方設(shè)法將 AI 帶到各種具體行業(yè)、具體場(chǎng)景里實(shí)現(xiàn)“平權(quán)”與“提效”，而上位者自然也是非常樂意看到這些生產(chǎn)工具變革所帶來的生產(chǎn)力大爆發(fā)的，結(jié)果可能會(huì)引發(fā)類似“互聯(lián)網(wǎng)大爆發(fā)”時(shí)代幫的全民創(chuàng)業(yè)熱潮。雖然這股熱潮尚未到來，但從目前各家大廠大力布局 AI 領(lǐng)域，以及市面上逐漸出現(xiàn)許多 AI 型創(chuàng)業(yè)公司這兩個(gè)現(xiàn)象已經(jīng)足見端倪。

因此，綜合上述內(nèi)容可以推導(dǎo)出，未來(或許已經(jīng)是現(xiàn)在)市場(chǎng)急需兩類人才：

1. AI訓(xùn)練師：不斷打磨模型效果，并且不斷降低成本，讓模型成為廉價(jià)易得且質(zhì)量穩(wěn)定的基礎(chǔ)設(shè)施；
2. AIAgent 開發(fā)工程師：光有模型是不夠的，還需要結(jié)合場(chǎng)景上下文，以最恰當(dāng)?shù)姆绞綖榫唧w場(chǎng)景構(gòu)建出效率最大化的具體軟件 —— 例如 Cursor、V0.dev、Lovart 等；

對(duì)于像我這種來自“上個(gè)世代”的程序員而言，“AIAgent 開發(fā)工程師” 無疑是更具可操作性與可行性的方向。這是疊加在“軟件工程師”基礎(chǔ)上的新角色分工 —— 就像過去細(xì)分出的前端、后端、DBA 等，整體能力模型還不甚清晰，且處于快速生長(zhǎng)迭代中，不過基于當(dāng)前各類知名 AI Agent 應(yīng)用的底層邏輯，大致可以推導(dǎo)如下能力需求：

• 架構(gòu)能力：AI Agent 工程師底色依然是“軟件工程師”，因此依然需要掌握高超的系統(tǒng)設(shè)計(jì)能力，依然需要處理好并發(fā)、性能、成本、觀測(cè)、運(yùn)維等主題；
• Agent 編排與多體協(xié)作：能夠設(shè)計(jì)、構(gòu)建、調(diào)度、監(jiān)控多個(gè)子 Agent （或人-機(jī)混合團(tuán)隊(duì)）的任務(wù)流(A2A)，這被稱為稱為未來最被低估卻最值錢的技能之一(出處)；
• 大模型 **& 微調(diào)/**PE調(diào)優(yōu)：熟悉各大主流大模型（OpenAI、Claude、Gemini、Llama 3 等）的長(zhǎng)處和局限，能用 LoRA/SFT 這種輕量方式給模型“加小灶”做微調(diào)；并熟悉 PE(Prompt Engeneering) 工程，能夠根據(jù)具體需求調(diào)整出效果更好的 PE；
• 檢索與上下文管理：理解 Chunk、Embedding 等技術(shù)，能夠?qū)⑿畔⑥D(zhuǎn)換存儲(chǔ)到數(shù)據(jù)庫，供大模型消費(fèi) —— 也就是 RAG 架構(gòu)，解決上下文長(zhǎng)度約束與記憶問題；
• 工具調(diào)用：把外部 API、數(shù)據(jù)庫、代碼執(zhí)行環(huán)境暴露為可調(diào)用工具，處理模式化輸出和錯(cuò)誤恢復(fù)。具體來說，包括：OpenAI Function Call、JSON-RPC、LangChain Tools 等，以及近幾個(gè)月爆火的 MCP 協(xié)議(MCP 全解，從理解到深度開發(fā): https://aicoding.feishu.cn/wiki/SVhxwVWQei9jJLklXhFcNk3EntO)；
• 安全、隱私與倫理：AI Agent 領(lǐng)域里，用戶必須把信息完整地暴露給模型才能獲取預(yù)期結(jié)果，因此更需要開發(fā)者做好通訊鏈路與端點(diǎn)的信息安全保障，事實(shí)上許多領(lǐng)域依然拒絕 AI 的原因，很大一部分就在于信息安全的擔(dān)憂，這一點(diǎn)我覺得 Cursor 做的特別好，詳見：《聊聊 Cursor 的安全模型》(https://aicoding.feishu.cn/wiki/TRuJwXGvpiFjAQkvGdrcaWmangg)；

每一個(gè)點(diǎn)展開都有極其復(fù)雜的知識(shí)體系，并不是三言兩語能講清楚的，不過也可以提供一些基本的學(xué)習(xí)建議：

• 鞏固基礎(chǔ)：還是那句話，AI Agent 工程師底色依然是“軟件工程師”，基礎(chǔ)很重要，泛化計(jì)算機(jī)知識(shí)很重要，我認(rèn)識(shí)的一位智者(狼叔)說過：“有很多笨功夫還是要下的”；
• 學(xué)會(huì)用LLM：會(huì)調(diào) OpenAI / Claude / Gemini API；掌握 Prompt 基礎(chǔ)與輸出解析；用 LangChain、Vercel AI SDK 等框架著手學(xué)習(xí)如何開發(fā)一個(gè) AI Agent 應(yīng)用，領(lǐng)悟里面的門門道道；
• 多工具 Agent：學(xué)習(xí)讓 AI 自主調(diào)用工具(通過 MCP、Function Call 等協(xié)議)，形成一個(gè)能自主決定執(zhí)行邏輯的真正“智能體”；
• 多 Agent 編排：在多工具 Agent 基礎(chǔ)上，學(xué)會(huì)讓 Agent 與 Agent 之間互相調(diào)用 —— 這實(shí)際上已經(jīng)是一個(gè)比較復(fù)雜的形態(tài)，以這種架構(gòu)方式設(shè)計(jì)出若干具備專家能力，各司其職，同時(shí)又能協(xié)作解決更復(fù)雜的問題的 Agent 集群；
• 評(píng)測(cè)與監(jiān)控：會(huì)寫自動(dòng)化單元評(píng)估 (accuracy, cost)；上線后用監(jiān)控儀表板追蹤 token 用量、錯(cuò)誤率等；
• 等等