吴恩达谈 AI 职业发展：问题定义、可维护交付与作品证据
核心结论
实现速度上升后，工程师仍须发现值得做的事、解释技术取舍、把系统交给真实用户验证，并为后续维护负责；作品与协作记录比工具清单更能说明能力。
归入 02-ai-coding：文章以 AI 编码、Agent 项目与工程师成长为主线，兼及职业选择；既有 [[02-ai-coding/winkrun-吴恩达-AI工程四项核心技能]] 已覆盖能力框架，本页重点保留销售 Agent 需求澄清、速度与价值的测量边界、维护成本和作品证据。
九个知识节点
- 需求澄清：欧洲公司最初说“要 Agent”，访谈后才定位到销售拜访前重复搜集资料；应先定义用户要完成的工作和可测改善，再选技术。
- 产品管理瓶颈：从清晰需求到代码的时间缩短后，需求优先级、用户反馈与验收判断不自动提速；工程师可参与场景和验收，而非人人转做产品经理。
- 速度价值分离：任务完成速度、可处理的任务跨度、产出价值是不同指标，不能用模型生成时间推断业务回报；审查、返工和交接也要计入成本。
- 工作流／Agent 边界：查询和整理步骤可预定时用固定流程；需根据搜索结果选择下一步时才引入动态 Agent，并明确自主范围、停止条件和人工接管。
- 结果验收：销售简报要核对企业与人物、来源可追溯性、缺失信息和人工纠错耗时；“执行记录声称完成”不等于“用户得到可用结果”。
- 技术债利息：AI 快速生成的代码若依赖错误平台接口、结构耦合或缺乏测试，后续每次修改都更昂贵；原型可缩范围，长期系统需维护安排。
- 作品证据：可运行项目之外，方案取舍、失败样例、测试、反馈和迭代记录让面试讨论有可检查对象，也证明能协作与交接。
- 小模型部署：自托管、开放权重、参数规模、许可和微调分别解决不同问题；必须对照目标任务质量、数据要求、设备资源和维护成本选型。
- 学习环境：实际团队的项目、审查、反馈与指导，比公司品牌更能决定成长机会；持续投入应以成果和学习质量检验，而非工作时长。
案例与证据
文章用销售调研助手示范“意图—计划—工具执行—结果检查”的循环，但没有给出客户数据、前后时间或可复现测试。适合借鉴的是从需求澄清到验收的问法，而不是预设 Agent 必然优于固定工作流。
公众号引述 METR 的 2025 年 50% 成功率任务时间跨度“约七个月翻倍”，又引述 2026 年 349 名技术工作者自报调查的速度中位数约 3 倍、价值相关回答约 1.4—2 倍。前者是特定评测任务的跨度，后者是主观自报，均不能直接推断某团队编码产量、企业利润或岗位变化。Google 量化权重及 Anthropic Agent 评估也仅按文章转述记录，本页未逐项核对一手报告。
| 情形 |
可验证结果 |
容易误判之处 |
| 销售简报生成 |
资料对应正确客户、来源可追溯、缺项可见、人工核对时间下降 |
有一份输出不等于可供拜访使用 |
| AI 编码原型 |
目标平台可运行、失败可定位、团队可修改 |
首次演示成功不等于维护成本低 |
| 求职作品 |
场景、取舍、测试、迭代和协作记录 |
列出模型与工具不等于实际交付能力 |
对 Seetong 的可借鉴动作
- 先定义用户工作：针对“预览慢”“看不到回放”等反馈，写出真实任务、发生条件和验收结果，再决定是否需要 Agent、规则流程或客户端修复。
- 区分速度和结果：一项 AI 辅助修复同时记录产出时间、回归耗时、重新打开率和线上验证，不用代码生成量替代质量改善。
- 留交接证据：跨 iOS、Android、Harmony 和 KMP 的变更附最小复现、取舍、失败样例与 owner；短期原型进入持续维护前补齐测试和环境约束。
- 小模型先跑比较：若考虑端侧监控分析，先在同一任务样本比较精度、耗电、延迟、隐私和维护成本，再决定本地部署或云端调用。
关联与边界
- 上游：[[02-ai-coding/winkrun-吴恩达-AI工程四项核心技能]] 提供四项能力框架；[[02-ai-coding/非著名程序员-AI工程师塑造产品-能力图谱]] 讨论工程师参与产品方向。
- 下游：[[02-ai-coding/大淘宝技术-永霸-AI-Coding-环境与验证驱动]] 将可验证反馈接入研发环境；[[01-ai-agents/Loop-Engineering-验证才是瓶颈]] 关注结果验证与循环停止。
- 边界：文章是公众号二次整理，吴恩达／莫罗尼原始演讲、METR 数据、Anthropic 与 Google 技术资料尚未逐项核验。对“约七个月翻倍”和速度／价值倍数只保留原文口径，不用于预测个人职业或 Seetong 项目收益。