还有这个https://x.com/andrewyng/status/2095890279865721217和https://x.com/andrewyng/status/2090840747738374568，都是andrew ng的article

两篇都看完了，都是他那张「AI 工程技能地图」系列里的，一篇讲怎么用 coding agent，一篇讲怎么构建和部署 AI 应用。接着上一篇往下讲。 先说「用 coding agents」这篇。核心转变是：有了 agent 之后，工作重心从「写代码」挪到了「决定做什么、设计架构、写 spec、验证产出」。他给出一个高层工作流，三步： 1、规划：先头脑风暴、研究、摸清现有代码库，然后写 spec（需求、技术设计、架构），再生成执行计划。计划要回头质疑关键假设，查安全和过度设计。 2、执行：让 agent 建、测、验，关键是校准「agent 自主程度」和「人工监督」的配比——不是无脑全自动，也不是全程盯着。 3、部署与监控：用 CI/CD 或人工关卡把关上线，再让 agent 帮忙盯日志、抛问题、提改进。 对应的关键技能，他列了五条：引导整个工作流（什么时候该人工、什么时候丢给 agent，怎么拆成可验证的步骤）；放开 agent 自主性（管好上下文、把中途变了的假设及时喂给 agent、多 agent 并行时怎么编排、设权限防止泄漏）；审查产出（agent 输出不确定，所以要设计匹配任务的测试，用 eval、LLM-as-a-judge，agent 做代码审查和 AI 安全审计，必要时插人工审查）；定制 agent 和环境；coding agent 基础。 另一篇「构建和部署 AI 应用」更硬核，六块技能：LLM 基础（tokenize、上下文窗口取舍、cache、工具调用）、用数据把模型接地（RAG 只是早期尝试，现在要会选向量索引还是知识图谱还是结构化数据上的语义层，还要把 PDF/HTML/图片变成 LLM 能吃的输入）、构建 agentic 系统（预定义流程 vs agent harness、工具选型 MCP/CLI/沙箱、内存架构、什么时候才需要多 agent）、eval 驱动开发、生产运维、ML 基础。 这篇里他有一句我觉得最值得小登抄走的话：他最看重的、区分高手和平庸者的一个特质，是能不能跑「有纪律的 evals/error analysis 闭环」——反复把精力投到更可能出成果的方向上。做 AI 应用最大的坑就是凭感觉迭代，而 eval 就是拿数据替你做决定。以及他会自己质疑 eval：测的东西对不对、要不要换成确定性测试/LLM 裁判/人在环，这本身就值得练。 给小登串一下三篇的共同主线：agent 时代技能点全在往「判断、设计、验证、迭代」这四个词上移，写代码本身反而降权了。落地成日常动作就是：用 agent 干活前先花十分钟想清楚目标和验收标准，干完自己 review 不盲信；做 AI 项目先想「我怎么测它好不好」再动手；上下文和权限自己管住。这三样练熟，比多会几个框架值钱得多。