AI工程
介于传统软件工程与AI研究之间的新兴交叉领域，核心职责包括设计RAG流水线、搭建向量数据库、优化推理延迟、构建评估体系及处理模型幻觉等生产环境问题，2023年后随LLM应用爆发需求急剧增长
核心事实
时间轴 (近 90 天)
作者认为AI工程处于需求增速与合格供给增速差距最陡峭处，形成一个相对罕见的职业窗口期
能够系统掌握AI工程的工程师数量很少，因为该领域相对较新
提示词工程、RAG、评估这三个能力方向在高校课程和传统软件工程培训中几乎空白，是复合型AI工程师稀缺的结构性原因
架构选择、性能优化和工具链整合是AI工程实践中的三类核心挑战
MLOps/AI工程岗位在实践中更看重项目作品集（Portfolio）和实际交付能力，而非学历本身
生物信息学背景的从业者因具备数据处理经验、统计数学基础和Python编程习惯，转型AI工程具有天然优势，可省下数月数学补课时间
在AI人才市场中，'能训练模型'和'能将模型上线部署'是两种根本不同的能力，企业实际需要的是后者
AI辅助编程并不能完全替代对底层原理的理解，复杂项目中扎实的基础功依然不可或缺
全部知识事实 (9)
AI辅助编程并不能完全替代对底层原理的理解，复杂项目中扎实的基础功依然不可或缺
65%已验证优化上下文注入策略可能比更换更便宜的模型更能有效降低AI编程开支
65%待验证在AI人才市场中，'能训练模型'和'能将模型上线部署'是两种根本不同的能力，企业实际需要的是后者
80%待验证架构选择、性能优化和工具链整合是AI工程实践中的三类核心挑战
70%待验证作者认为AI工程处于需求增速与合格供给增速差距最陡峭处，形成一个相对罕见的职业窗口期
50%待验证能够系统掌握AI工程的工程师数量很少，因为该领域相对较新
50%待验证提示词工程、RAG、评估这三个能力方向在高校课程和传统软件工程培训中几乎空白，是复合型AI工程师稀缺的结构性原因
50%待验证MLOps/AI工程岗位在实践中更看重项目作品集（Portfolio）和实际交付能力，而非学历本身
50%待验证生物信息学背景的从业者因具备数据处理经验、统计数学基础和Python编程习惯，转型AI工程具有天然优势，可省下数月数学补课时间
50%