近日，DeepLearning.AI创始人吴恩达（Andrew Ng）与Neo4j联合创始人兼CEO Emil Eifrem展开了一场深度对话，围绕Coding Agent、AI工程师能力变化、AI本体和企业世界模型等话题，探讨AI工程的发展趋势，以及Agent走向企业级应用面临的新挑战。
Coding Agent正在逐步接管软件开发中的更多环节。随着AI越来越擅长执行具体任务，一个新的问题也随之浮现：当写代码不再是开发者最重要的工作，人类工程师的价值究竟体现在哪里？
在与Emil Eifrém的对话中，吴恩达给出了一个值得关注的判断：Coding Agent的进步并没有让AI工程师变得不再重要，反而让复杂判断和解决开放性问题的能力变得更加稀缺。
未来的AI工程师不仅要懂得使用Agent，还需要理解软件工程基础，能够判断技术方案是否合理，并参与决定真正应该构建什么。
正如他所强调的：“Vibe Coding后面往往还要加上一句：without understanding。”
这种变化也正在从软件开发延伸到企业层面。吴恩达认为，人类积累的业务经验和上下文仍然是Agent难以替代的优势。即使AI能够从数据中推导本体（Ontology），也需要人类参与引导和校正，避免对业务关系形成错误理解。
而当Agent真正进入企业，如何让它理解企业整体的运行方式，成为另一项重要挑战。
这也引出了访谈中的企业世界模型：通过整合企业的组织关系、业务规则和分散的数据，让Agent真正理解企业如何运转。
Agent能否在企业中发挥作用，不只取决于模型能力，也取决于企业能否提供准确、完整的业务上下文。
此外，吴恩达还谈到了未来模型生态的多元化。他认为，不同工作负载需要不同规模和类型的模型，专用模型不会轻易被少数通用大模型取代。
从Coding Agent重塑软件开发，到本体构建和企业世界模型帮助Agent理解业务，这场对话呈现了AI应用从工具辅助走向自主执行的变化。
Agent逐渐承担具体执行工作，而人类工程师的价值，则更多体现在理解问题、掌握业务和做出关键判断上。
01
Coding Agent成为时代拐点，
AI工程师需求不降反升
Emil Eifrém：我们上次一起录制是在2025年10月底，就在那次对话的几周之后Claude Opus 4.5发布了。Opus 4.5和Claude Code对软件工程带来的改变，可能超过了我们此前见过的任何一次技术变革。
AI领域的发展速度越来越快，你似乎总能准确把握行业脉络。我也一直在关注你的AI简报《The Batch》。能不能先帮我们梳理一下：过去这一年，AI领域最值得关注的两三个趋势是什么？
吴恩达：我认为2025年底到2026年初，AI编程领域迎来了一个重要拐点：Coding Agent开始具备了完成任务闭环的能力。它们不再只是生成代码，还能自主完成更多测试和质量检查，减少了人类对QA环节的介入。
另一个值得关注的现象是：AI越来越火，AI工程师的需求却不减反增长。因为要真正利用AI和Agent构建优秀的软件，仍然离不开人类技能与AI能力的互补。
AI在结果可验证的任务上进步更快，比如编程和数学题，因为这类任务有明确答案，可以据此设计奖励函数。但面对需要主观判断的开放性任务，往往没有唯一正确答案，奖励函数也更难设计。这也是AI工程师需求持续增长的一个重要原因。
Coding Agent提高了开发者的生产效率，但我们仍然缺少足够多能够处理复杂判断、解决开放性问题的优秀开发者。而这类工作的价值很高，关键在于做出更多正确的判断，同时尽可能减少错误。
02
AI工程师技能图谱
需要掌握的四类核心技能
Emil Eifrém：我知道你在AI工程师技能图谱（AI Engineer Skills Map）上做了大量工作。我觉得这份图谱非常有价值，我们Neo4j内部也在使用。能否介绍一下这份图谱？它究竟是什么？我们应该如何理解和使用它？
吴恩达：很高兴听到你们在使用这份图谱。这是我们团队花了几个月时间整理出来的成果。它不仅面向AI工程师，也适用于希望掌握AI工程能力的软件开发者、DevOps工程师、数据科学家和机器学习工程师。
我们分析了约2万份职位描述，进行了大量结构化访谈，并结合团队自己的调研数据，最终将AI工程师需要掌握的技能归纳为四大类：
构建和部署AI应用：开发能够处理不确定性输出的AI应用。
软件工程基础：掌握构建可靠软件所需的基本工程能力。
使用Coding Agent：熟练运用Agent辅助和执行软件开发任务。
产品塑造（Shaping the Build）：不只是按照需求文档写代码，还要参与决定应该构建什么，并主导整个开发过程。
这与传统软件工程的侧重点有所不同。过去，我们更强调如何把代码写对；而现在Coding Agent已经能够很好地完成规格明确的编码任务，真正困难的往往是围绕代码开发的其他工作。
Emil Eifrém：现在各种技能的更新速度越来越快，每个人都需要一套认知框架，帮助自己理解行业变化、找到当前的位置，并明确接下来应该学习什么。这也是我们认为这份技能图谱很有价值的原因。
03
Vibe Coding无法替代
软件工程基础
Emil Eifrém：过去一段时间有一种观点认为，AI会让计算机科学基础变得不再重要，我们只需要用自然语言告诉AI想做什么就行了。Andrej Karpathy曾提出，未来最流行的编程语言可能是英语。但我一直认为，学习软件工程和计算机科学基础仍然很重要。
那么，对于那些认为只要让大模型和Agent帮自己写代码就够了、没必要再学习哈希函数和算法复杂度的人，你会怎么回应？
吴恩达：我发现那些只依赖Vibe Coding、却不了解如何引导Coding Agent做技术权衡的人，往往很难得到理想的结果。例如在成本、延迟、可靠性和安全性之间，Agent需要根据具体应用场景做出选择。如果开发者自己不了解这些权衡，甚至不知道某些问题的存在，就很难给Agent提供正确的上下文，最终可能导致它做出不适合实际需求的选择。
我们团队里常说，Vibe Coding后面往往还要加上一句：without understanding。而那些真正理解计算、存储、图数据库等底层原理的开发者，更清楚不同技术选择背后的权衡，也更善于引导Agent做出合理决策。
这也是为什么我认为软件工程基础依然重要。如果你不知道安全性、并发和计算复杂度这些问题的存在，就不会想到需要提醒Agent去考虑它们。
Emil Eifrém：有道理。接下来这个问题可能很难回答，但我还是想请教你：我们能否把这些技术权衡分成两类？一类是计算机科学的基础知识，比如复杂度理论、数据结构和算法；另一类是具体技术栈的选择，比如最新的React框架和编程语言。
那么，掌握这些不断更新的技术有多重要？与之相比，那些相对稳定的计算机科学基础理论又有多重要？你如何看待两者之间的关系？
吴恩达：这是一个很好的问题，而且这个领域一直在变化。我的一个基本原则是：当抽象出现泄漏（Leaky Abstraction）时，理解其底层原理、自己做出技术权衡就变得尤为重要。
比如，今天即使不懂汇编语言，也可以成为优秀的计算机科学家，因为编译器已经能处理大多数底层实现。Coding Agent时代也是如此：对于简单应用，可以让Agent自行选择存储方案、认证机制和技术架构；但面对复杂系统，尤其是对性能、可靠性和安全性有较高要求的工程，开发者仍然需要理解底层原理，才能有效引导Agent做出技术选择。
与此同时，一些具体的编程语法和实现细节正变得不那么重要。我自己也逐渐忘记了不少JavaScript、TypeScript和Pandas的用法，因为这些工作可以交给Agent完成。
所以，我认为，随着技术抽象能力不断提升，一些具体的实现知识确实会逐渐变得不那么必要。但从目前来看，仍然有相当多的计算机科学基础知识不可或缺。
04
AI可以推导本体，
但仍需要人类引导和校正
Emil Eifrém：接下来聊聊软件工程基础中的数据建模。过去，本体主要在图数据库领域被讨论，如今正在成为AI领域的热门话题。
今年夏天的AI Engineer World's Fair大会上，一场关于如何为Agent构建和使用本体的演讲，成为200多场演讲中观看量最高的内容之一。你怎么看本体的价值，以及它在AI中的应用？
吴恩达：我认为本体非常重要，它帮助我们明确数据应该如何组织，以及数据究竟代表什么。
在AI工程实践中，人类相比Coding Agent的一大优势，是掌握着大量业务上下文。例如，与客户交流时观察他们对某项功能的反应，阅读市场报告、体验不同产品，这些经历都能帮助我们理解业务，而Agent往往无法直接获取这些信息。
因此，目前完全自动化构建本体的效果，往往不如人类参与并引导Agent共同完成。AI本体构建很有前景，但人类对业务和数据质量的理解仍然不可或缺。
我的团队也在研究这一方向。现阶段，AI本体构建已经展现出一定价值，但仍有局限。大模型在某些方面优于人类，而在真实业务经验和上下文理解方面，人类依然具有优势，而且这种优势在相当长一段时间内都会持续存在。
Emil Eifrém：从目前的实践来看，比较有效的方式是将自底向上的本体推导与人类自顶向下的引导结合起来。两者仍然缺一不可，最终需要人类参与。
吴恩达：我想补充一点。在数据科学工作中，我发现AI从数据中自底向上推导本体时有时会形成根本性的错误假设，只有经过人类介入和修正，系统才能得出合理结论。
那些未经充分人工检查、由AI自底向上推导出的本体，尤其是底层部分，是否真的可靠？有时候，可能正是因为人类修正了本体中的关键问题，整个系统最终才达到了可用的水平。
这有点像编译器，它可以优化循环、生成高效的汇编代码，但并不意味着每一步都完美。只是很多时候结果已经足够好，不再需要逐一检查。
所以我认为，人机结合的混合模式可能就是目前最有效的方案。
05
企业世界模型：
让Agent真正理解组织与业务
Emil Eifrém：至少目前如此。我认为大型企业实际上都在构建某种形式的企业世界模型（Enterprise World Model）。无论是个人、创业公司还是大型组织，都需要梳理自身的运行结构，并将这些信息传递给Agent。
在物理AI中，世界模型描述的是自动驾驶汽车周围的障碍物，或机器人所处的仓库环境。而在企业中，它描述的是组织本身，包括人员及汇报关系等正式结构、员工和项目之间的联系，以及数据分布、业务规则和政策。
换句话说，企业也需要建立一套Agent能够理解的组织世界模型。你认同这种看法吗？
吴恩达：我认同。我的团队和商业伙伴在与大型企业合作时，经常帮助它们梳理数据架构，让数据真正具备服务Agent的能力，也就是实现Agent-ready。
过去很多企业的数据架构主要是为人类数据科学家设计的。要让这些数据真正服务于Agent，还需要解决权限、治理和安全等问题，并重新考虑整个组织的数据架构。
大型企业很难将所有数据交给一家厂商统一清理和管理。因此，我们通常帮助企业组合不同的数据系统：根据数据特点，分别采用图数据库、结构化或非结构化存储，以及事务型和运营型数据系统，再将它们整合为支持Agent的数据基础设施。
我还发现企业开展一个新项目时，往往有将近一半的工作量花在数据清理和数据管道建设上。而成熟的Agent-ready数据层能够打通不同的数据孤岛，减少重复的数据准备工作，让企业更高效地开展项目，整体执行效率甚至有望接近翻倍。
06
AI模型生态将长期多元化
Emil Eifrém：接下来想聊聊AI的未来。最近，“拆解大模型”（Unbundling the LLM）成为热门话题，不同任务似乎正在催生不同类型、不同规模的智能。除了前沿大模型，像Jev这样的专用模型，还有哪些值得图工程师关注？
吴恩达：我目前还没有特别明确的答案。Jev在一些意想不到的场景中表现出色，这很令人欣喜。我们使用的模型类型非常广泛，既有不同规模的前沿模型，也有从零训练的监督学习模型，以及通过蒸馏得到的小模型。不同工作负载对模型规模的需求差异很大，我认为这正是当前模型生态的一个特点。
Emil Eifrém：这让我想到早期PC硬件的发展。当时有不同型号的CPU、数学协处理器和声卡，后来不少专用硬件逐渐被通用CPU取代或吸收，GPU则是个例外。
未来的大模型会不会也走上类似的道路，逐渐取代Jev这样的专用模型？还是说，五年、十年后，我们仍会看到多元化的专用模型生态？
吴恩达：这是个好问题。实际上，即使到了今天，处理器也依然有非常丰富的类型：从控制汽车车门的小芯片、智能手表里的处理器，到笔记本电脑和数据中心使用的芯片。
因此我很有信心，未来的模型也会呈现出广泛的谱系。今天的所有模型当然不一定都会存活下来，但如果最终只剩下少数几个前沿大模型及其蒸馏版本，我会非常惊讶。我确信，未来不会是这样的局面。
Emil Eifrém：太棒了。Andrew，非常感谢你抽出时间与我们分享见解。
吴恩达：我也很荣幸。
END
关注+星标，获取AI前沿进展与开源一线动态