人工智能工程师的招聘启事几乎从不要求你训练模型。它们要求的是 Python 技能、后端服务、应用程序接口（API）以及部署能力。
假设你的职业生涯已经进行了两年。你想要获得人工智能工程师的头衔，因为目前的招聘热点正集中于此。你打开一个职位列表。在任职要求下，你发现了一些你已经掌握的内容：表述性状态转移（REST）应用程序接口、Postgres 数据库、消息队列。随后，有一行文字让你停了下来：具备基于大型语言模型（LLM）的检索系统经验。你从未训练过模型，因此认为这个职位遥不可及。你关闭了标签页，转而继续申请那些头衔中不带“人工智能”字样的职位。
你自己打开十个“人工智能工程师”的职位列表。数一数有多少职位要求你设计训练流水线。再数一数有多少职位要求你通过应用程序接口（API）调用模型、存储一些向量并交付一个可运行的服务。这两者的比例相差甚远。而且，不同于本周你会读到的大多数说法，这是一个你可以在任何招聘网站上花十分钟就能核实的事实。
头衔与任职要求之间的这种差距，并不是对求职者玩的把戏。它是对这份工作实际内容的直白描述。模型训练是真正的机器学习工作，需要博士级别的深度知识，且只有少数拥有足够预算和数据的公司才会进行这项工作。其他所有交付所谓“人工智能功能”的公司，做的完全是另一回事。
大多数人工智能工程师的工作，是在技术栈中集成模型的产品工程。一项服务接收来自用户的请求。模型位于应用程序接口（API）调用的背后，作为一个外部服务，其位置恰如你在以往构建的任何项目中使用的 Stripe 或 Twilio 服务一样。向量数据库在模型被询问之前存储待检索的内容，从而确保答案基于真实文档而非猜测。其他功能早已需要的关系型数据库和队列完善了整体设计。无论是 Perplexity 提供带来源的答案、人工智能笔记助手，还是人工智能编程侧边栏：剥去品牌包装，每一个都是由同样少量的组件精心连接而成。
模型只是一个组件。组合这些组件才是工作的核心。
而组合能力是可以学习的。这与你以往工作中交付任何生产系统（如结账流程、通知流水线、搜索页面）所需的技能相同，只不过指向的是一个新的原语，而非熟悉的原语。
以下是我最常看到的错误做法，也是代价高昂的做法。一位工程师认为这一差距是技术性的：他们需要先学习嵌入数学，或注册机器学习证书课程，然后才能认为自己有资格胜任该头衔。这是在解决错误的问题。招聘该人工智能工程师职位的公司，并不是在测试你能否推导反向传播算法。它是在测试你能否将一项服务、一个外部服务、一个向量数据库和一个队列组合起来，构建出一个能在周二下午的真实流量压力下存活下来的系统。六个月后再回来看同样的职位列表，任职要求并没有改变：仍然是一项服务、一个外部服务、一个向量数据库。只是现在，半年时间被浪费在了这份工作错误的一半上。我对此深信不疑，甚至将其作为评分标准：今年秋季我在加州大学伯克利分校教授的课程中，要求学生使用代理编码构建真实的应用程序，然后根据他们对设计决策的辩护情况进行评分。
组合，即为工作选择合适的原语并正确连接它们，是我所教授的“七个构建模块和三个外部实体”课程的全部主题。一项服务、一个外部服务、一个向量数据库以及围绕它们的存储和队列，在这里并非背景理论。它们是那个职位列表头衔背后的实际词汇，被命名、被教授，并按照你实际构建它们的顺序呈现。
你不需要精通梯度下降法。你需要构建围绕模型的组合：什么接收请求，什么处理
免责声明：本文内容来自互联网，该文观点不代表本站观点。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请到页面底部单击反馈，一经查实，本站将立刻删除。
