系列
AI 工程技能怎麼練
共 6 篇，依順序讀完。
- 01
吳恩達挖 1 萬筆職缺：AI 工程技能沒有 prompt engineering
AI 工程技能該練哪些？吳恩達分析 1 萬多筆職缺與數十場招募訪談，歸納出四項：建構與部署 AI 應用、軟體工程基本功、使用 coding agent、塑造開發方向。裡面沒有 prompt engineering。這篇拆解四項各要求什麼、他八月新補的六個子技能，以及 LinkedIn 上最尖銳的那則反駁。
- 02
第一堂不准你寫評分標準：AI 功能怎麼測、evals 怎麼做
LLM evals 怎麼開始做？教過 4,500 個工程師的做法是：先別寫評分標準，先人工讀 20 到 50 筆真實失敗，標成二元對錯，再從那些失敗長出評分器。這篇拆解完整閉環：三種評分方式怎麼選、LLM 當裁判會怎麼騙你、以及什麼時候該停手。
- 03
資深工程師用 AI 反而慢 19%：coding agent 該放手的六個時機
coding agent 怎麼用才不浪費時間跟 token？關鍵不是提示詞，是六個判斷點：這任務該不該交出去、spec 寫多細、context 給多少、規劃與執行怎麼配、什麼時候加驗證器、什麼時候拆多 agent。每個判斷點都有可操作的判準。
- 04
45% 的 AI 程式碼帶漏洞：五個該打開 diff 就看的地方
AI 生成的程式碼看起來很乾淨，問題不在語法在架構。Veracode 測 100 多個模型的結論是 45% 帶 OWASP Top 10 漏洞，兩年沒改善。這篇給五個可執行的審查點：資料存取、錯誤處理、狀態放哪、權限邊界、單位成本，以及怎麼把它們變成 agent 看得懂的約束。
- 05
74% 的 AI 程式碼要返工：你的 spec 少寫了什麼
AI 程式碼上線後要大改，原因幾乎都不是模型不夠強，是 context 不足與系統假設有誤。當 agent 能把清楚的規格直接變成軟體，工程師的價值就移到「決定規格裡放什麼」。這篇拆 spec 該寫到多細、真正該寫進去的是什麼，以及這對你的履歷代表什麼。
- 06
Claude Code 拔掉向量搜尋：RAG 之外的三種接地方式
RAG 還需要向量資料庫嗎？Claude Code 早期版本用過 RAG 加本地向量庫，後來整包換成 agentic search。這篇拆解四種把資料接給模型的方式：向量索引、agentic 搜尋、知識圖譜、語意層。各自的實測數字、廠商數字為什麼要打折，以及你該用哪一種查詢分佈去決定。