AI 工程师：一个全新的角色，不是机器学习工程师的“换皮”

你是否也曾困惑：AI 工程师和机器学习工程师到底有什么区别？为什么自己搭建的智能体在演示时惊艳全场，一放到真实用户面前就问题百出？真正的 AI 工程，核心不是搭建智能体，而是永不停歇的“构建-评估-改进”循环。本文将从核心概念、必备技能、工作闭环到常见误区，为你全面解析这个新兴的角色。

一、AI 工程师 vs 机器学习工程师：一个在应用层，一个在模型层

很多从传统开发或机器学习方向转型的工程师，都会问这个问题。简单来说：

• 机器学习工程师：扎根在模型层——训练模型、采集和管理数据集、优化模型性能。他们研究科学原理、设计模型架构、搭建训练流程，与研究工程师一起撰写论文，为领域奠定基石。
• AI 工程师：活跃在应用层——拿过这些模型和研究成果，将它们变成真正服务于用户的产品。你可能需要啃数学论文，实现新颖且高性能的智能体架构，但你的产出是一个能跑的产品，而不是一个训练好的模型。

小提示：如果你喜欢把研究成果落地成产品，并且享受解决实际用户问题，AI 工程可能更适合你；如果你更喜欢钻研模型内部原理和训练过程，机器学习工程方向更对口。

二、AI 工程师的四项核心技能与日常具体工作

根据 LinkedIn 上 AI 工程师的招聘要求，有四项技能反复出现：RAG（检索增强生成）、评估体系（Evals）、智能体（Agents）、生产部署。其中前三项可以作为系统课程学习，生产部署则与团队和环境高度相关。

在这些标题技能之下，是日复一日的具体工作，这才是这门学科的内核：

• 上下文工程：在正确的时机，把正确的 token 送给模型。Token 就是货币，与能耗成本直接挂钩。我们正在走向以“每瓦 token 数”作为度量单位的未来。
• 工具设计：赋予智能体恰当的能力，确保它们能做该做的事，又不会做不该做的事。
• 评估：度量智能体的表现，判断它们是真正在进步，还是我们只是自我感觉良好。
• 生产可靠性：包含自愈能力、用户体验、用户如何感知系统故障、错误处理和延迟应对。这些东西决定了系统在接触现实后能否存活。

常见问题：我搭建的智能体，一到真实用户面前就崩了，为什么？

答案：因为演示走的是理想路径，而真实用户会输入各种意想不到的提示词（比如往提示词里塞三只蚂蚁）。AI 本质上是一个预测器，不是真正的智能。你需要通过评估-改进循环，逐步提高系统的可靠性和鲁棒性。具体做法是：先收集真实用户失败的案例，分析失败原因，然后设计针对性的评估指标，再通过提示工程、工具设计或架构调整来修复。

三、构建 → 评估 → 改进：永远循环，没有“上线收工”

搭建一个智能体很简单（用现有的 SDK 五行代码就能搞定）。真正重要的是之后的一切：评估它哪里不行，搞清楚为什么不行，针对那个具体的失败点施以正确的技术手段去修复，然后再评估一轮。

这个过程永远不会停。这份工作永远不会有“做完了”的那一天。这就是一个非确定性系统想要做到可靠所必须配备的角色。没有“上线收工”这回事，有的只是这个循环：

构建 → 评估 → 改进 → 评估 → 改进 → ……

四、为什么 AI 工程会演变成一整支团队？

看看 OpenAI 的招聘启事就知道了：他们不是在笼统地招 AI 工程师，而是为系统中某一个具体切面招人。一个团队负责工具选择，一个团队负责人机协同，一个团队负责安全，还有一个团队专门想办法在不损失准确率的前提下压缩 token 用量。

ChatGPT 在很多方面依然表现不佳，而这已经是有整支团队专注于各个子系统的结果了。当你的产品本身就是一个智能体时，所需投入的精力就是这个量级。这不是全栈工程师顺手兼顾一下的事，这是一门独立的学科。

常见问题：AI 工程师需要会训练模型吗？

答案：通常不需要。AI 工程师的工作是基于已有的模型（如 GPT、Claude 等）构建应用。你不需要自己训练模型，但需要深入理解模型的优缺点，知道如何通过上下文工程、工具设计、评估循环来提升模型在具体场景下的表现。当然，如果你能理解一些模型原理，对设计更好的提示和架构会更有帮助。

五、最难的不是代码，而是选对度量指标

这份工作最难的部分，在于搞清楚该用哪些数据来做评估、该对标哪些指标来打分。什么样的指标最合适，能给出最有效的信号？我们该怎么打分？随着系统越来越可靠，我们又该如何迭代这套评分体系？

这里面有大量的科学、艺术，以及一些说不清道不明的东西。但它是一切的根基。选错了指标，你的循环就是在原地空转；选对了指标，整个系统就能形成复利效应。

这就是为什么这个角色自成一体。软件工程师优化的是确定性的代码路径，机器学习工程师优化的是模型，而 AI 工程师优化的是架构在非确定性系统之上的反馈循环——而最大的杠杆，来自于选择衡量什么。

结语：一个实践领域，而非一个流行词

AI 工程不是营销包装出来的新概念，而是当你不再只是做演示、真正开始交付产品时，工作本来的面貌。它处于与机器学习不同的层次，需要与传统应用开发不同的思维方式，遵循不同的循环，关注不同的指标，并且正日益成长为一条独立的职业路径。

如果你是一名开发者，正在犹豫要不要投身这个方向，记住这句话：智能体是简单的部分，循环才是真正的工作。

关于本文
译者：@飘飘
作者：@Scott Moss
原文：https://frontendmasters.com/blog/ai-engineer-is-a-new-role/