AI Agent 工程师核心技能全景

做 AI Agent 开发，光会调 API 是不够的。这篇文章梳理了三个核心工程方向的定义，以及完整的技能优先级排序。

# 三个核心工程方向

# 提示词工程（Prompt Engineering）

控制模型"怎么想"。

• 设计 system prompt、few-shot 示例、输出格式约束
• 让模型稳定输出结构化结果（JSON、特定格式）
• 处理边界情况、防止越狱和幻觉

这是基础，必须掌握。

# 上下文工程（Context Engineering）

控制模型"看到什么"。

• 决定哪些信息放进 context window（RAG 检索、记忆压缩、历史裁剪）
• 管理 token 预算，避免超出限制
• 动态组装 prompt（工具结果、用户历史、外部知识）

做复杂 Agent 必须掌握，直接影响效果和成本。

# Harness 工程（Harness Engineering）

控制模型"跑在什么环境里"。

• 构建评测框架：自动化测试 Agent 的行为是否符合预期
• 定义 benchmark、golden dataset、评分标准
• 持续回归测试，防止 prompt 改动引入退化

生产级 Agent 必须有，没有它你不知道改动是好是坏。

---

三者关系：提示词决定质量上限，上下文决定信息质量，Harness 保证你能持续迭代而不翻车。

# 核心技能优先级排序

# 第一层：必须掌握（地基）

1. LLM 基础理解 — token、temperature、context window、模型能力边界
2. 提示词工程 — system prompt 设计、few-shot、输出格式控制、防幻觉
3. 工具/函数调用设计 — tool schema 定义、参数设计、让模型准确选择和调用工具
4. 上下文工程 — RAG、记忆管理、token 预算控制、动态 prompt 组装
5. 基础编程能力 — Python 为主，异步编程、API 调用、数据处理

# 第二层：核心工程能力（生产级必须有）

6. Harness/评测工程 — 自动化测试、benchmark、回归测试
7. 多 Agent 编排 — 任务拆解、Agent 间协作、状态机、循环检测
8. 可观测性 — Tracing、日志、成本监控（LangSmith、Langfuse 等）
9. 错误恢复设计 — 重试策略、降级、超时处理、幂等性
10. 记忆系统 — 短期/长期记忆、向量数据库、检索策略

# 第三层：进阶能力（做好产品需要）

11. 安全与对齐 — Prompt injection 防御、输出过滤、权限边界
12. 延迟与成本优化 — 模型选型、缓存、并发、流式输出
13. 主流框架使用 — LangChain/LangGraph、AutoGen、CrewAI、Pydantic AI 等
14. 向量数据库 — Pinecone、Weaviate、pgvector，RAG 的基础设施
15. 部署与基础设施 — 容器化、API 服务、队列系统

# 第四层：加分项（拉开差距用）

16. Fine-tuning 基础 — 知道什么时候该微调而不是堆 prompt
17. 多模态处理 — 图像、语音、文档解析
18. 产品思维 — 知道 Agent 该解决什么问题，而不只是技术实现
19. 数据飞轮意识 — 用生产数据持续改进模型和 prompt

# 常见误区

很多人卡在第二层（6-10）：能跑 demo，但上不了生产线。原因通常是：

• 没有评测体系，改了 prompt 不知道是好是坏
• 没有可观测性，出问题无法定位
• 没有错误恢复，Agent 一失败就卡死

第一层是地基，第二层决定能不能上线，第三层以后决定产品质量和竞争力。