新型GenAI应用工程师：人工智能时代的软件构建者
在生成式人工智能（GenAI）的浪潮下，一种新型的软件工程师正在崛起。他们借助GenAI的力量，以前所未有的速度构建出功能强大的应用程序。本文将深入探讨这些工程师的关键技能，并分享在面试中识别他们的有效方法。
GenAI应用工程师的核心技能
优秀的GenAI应用工程师需要具备以下两个核心能力：
- 运用AI构建模块：能够熟练运用各种AI构建模块，快速搭建功能强大的应用程序。
- AI辅助快速工程：能够利用AI辅助工具，大幅缩短软件系统的构建时间。
此外，良好的产品和设计sense也是一项重要的加分项。
AI构建模块：积木式创新
正如拥有多种乐高积木才能构建复杂的结构一样，掌握丰富的AI构建模块是GenAI应用工程师的基础。仅仅了解如何调用大型语言模型（LLM）API是远远不够的。我们需要掌握更广泛的构建模块，例如：
- 提示工程（Prompting Techniques）
- 自主代理框架（Agentic Frameworks）
- 评估方法（Evals）
- 安全护栏（Guardrails）
- 检索增强生成（RAG）
- 语音技术栈（Voice Stack）
- 异步编程（Async Programming）
- 数据提取（Data Extraction）
- 嵌入/向量数据库（Embeddings/VectorDBs）
- 模型微调（Model Fine-Tuning）
- 图数据库与LLM结合（GraphDB Usage with LLMs）
- 自主代理浏览器/计算机使用（Agentic Browser/Computer Use）
- 多步推理（MCP）
- 推理模型（Reasoning Models）
随着开源社区和企业不断推出新的构建模块，及时掌握这些信息能够帮助工程师们不断扩展其构建能力。即使是1-2年前的构建模块，例如评估技术或向量数据库框架，在今天仍然具有重要意义。
AI辅助编码：效率革命
AI辅助编码工具正在迅速发展，极大地提高了开发人员的生产力。GitHub Copilot率先实现了现代代码自动补全。随后，Cursor和Windsurf等新型AI赋能的IDE提供了更强大的代码质量保证和代码生成能力。随着LLM的不断改进，这些构建于LLM之上的AI辅助编码工具也在不断完善。
现在，我们拥有了高度自主的编码助手，例如OpenAI的Codex和Anthropic的Claude Code。这些工具能够自主编写代码、测试和调试，并在多次迭代中不断完善。对于那些深刻理解AI和软件架构基础，并能引导系统朝着精心选择的产品目标前进的工程师来说，这些工具能够以无与伦比的速度和效率构建软件。
与AI构建模块相比，AI辅助编码技术的更新换代速度更快。1-2年前的技术可能已经远落后于今天的最佳实践。这可能是因为AI构建者可能会使用几十甚至上百个不同的构建模块，但他们不太可能同时使用几十个不同的编码辅助工具。因此，工具之间的竞争更加激烈。随着Anthropic、Google、OpenAI等公司在该领域的巨额投资，预计未来AI辅助编码工具的开发速度将继续加快。及时掌握最新的AI辅助编码工具将带来丰厚的回报，因为每一代工具都比上一代更加出色。
额外优势：产品技能
在某些公司，工程师只需要根据产品经理提供的详细设计图，编写代码来实现即可。然而，如果产品经理需要指定每一个细节，这会降低团队的效率。AI产品经理的短缺加剧了这个问题。因此，如果GenAI工程师也具备一定的用户同理心和基本的产品设计能力，那么团队的效率将会大大提高。例如，在收到“创建一个用户界面，允许用户查看个人资料并更改密码”等高级别指导后，他们可以自行做出许多决策，并构建至少一个可供迭代的原型。
如何识别GenAI应用工程师
在面试GenAI应用工程师时，通常会考察他们对AI构建模块的掌握程度、使用AI辅助编码的能力，以及他们的产品和设计sense。还有一个问题可以很好地预测他们的技能水平：“您如何跟上AI领域的最新发展？”
由于AI技术发展迅速，那些能够有效掌握最新动态的人——例如阅读行业资讯、参加短期课程、参与实践项目以及加入社区进行交流——通常比那些主要通过社交媒体获取信息的人更能保持领先地位。社交媒体通常无法提供深入的知识来跟上AI的发展。
GenAI应用工程师的崛起：案例分析
假设一家公司希望构建一个智能客户服务聊天机器人。传统的开发方法可能需要一个团队花费数月时间来收集数据、训练模型和编写代码。但是，借助GenAI技术，一个GenAI应用工程师可以利用现有的LLM、向量数据库和提示工程技术，在几周甚至几天内构建出一个功能强大的聊天机器人。
例如，他们可以使用以下步骤：
- 选择合适的LLM：根据任务需求选择合适的LLM，例如OpenAI的GPT系列或Anthropic的Claude。
- 构建向量数据库：将公司现有的客户服务文档和知识库存储在向量数据库中，以便LLM可以检索相关信息。
- 设计提示模板：设计清晰简洁的提示模板，引导LLM生成准确且有用的回复。
- 使用自主代理框架：利用自主代理框架，使聊天机器人能够自主完成一些任务，例如查询订单状态或更新客户信息。
- 实施安全护栏：实施安全护栏，防止聊天机器人生成有害或不适当的回复。
- 使用评估方法：使用评估方法，定期评估聊天机器人的性能，并根据需要进行调整。
通过这种方式，GenAI应用工程师可以利用现有的AI构建模块，快速构建出一个功能强大的聊天机器人，从而大大提高客户服务效率。
GenAI应用工程师的未来展望
随着AI技术的不断发展，GenAI应用工程师的需求将会越来越大。他们将成为各行各业构建智能应用的关键力量。未来，GenAI应用工程师将需要掌握更多的技能，例如：
- 多模态AI：能够处理文本、图像、音频和视频等多种类型的数据。
- 联邦学习：能够在不共享数据的情况下，利用多个数据源训练模型。
- 可解释AI：能够解释AI模型的决策过程，从而提高透明度和可信度。
- 负责任的AI：能够确保AI应用的公平性、安全性和隐私性。
总之，GenAI应用工程师是人工智能时代的软件构建者。他们利用AI的力量，以前所未有的速度构建出功能强大的应用程序，正在改变着软件开发的格局。
随着AI技术的不断发展，GenAI应用工程师的角色将变得越来越重要，他们将引领我们进入一个更加智能化的未来。
