AI Agent 岗位能力地图

为什么要先建立能力地图

前面7节课解决会不会写的问题，这节课解决搞懂完整AI Agent方向需要哪些能力。把行业里大量真实岗位的共同要求归纳后，不管岗位叫Agent开发、大模型应用工程师还是AI产品经理，要求都收敛到同一套能力结构。先看清地图，后续学习才不会偏航。

能力地图总览：五层模型

① 技术理解层

LLM/VLM 基本原理、Prompt 与 Context Engineering、SFT/RLHF 等后训练概念、RAG 与向量检索、能力边界判断。

② Agent 架构层

任务规划 Planning、记忆 Memory、工具调用 Tool Calling、反思校验 Reflection、多 Agent 协同、状态管理与工作流编排。

③ 产品方法层

场景挖掘与机会地图、0-1 落地路径、需求文档（BRD/MRD/PRD）、技术方案边界、需求优先级、人机协同设计。

④ 评测数据层

就说这几个东西：Benchmark，自动化评测，准确率、精确率、召回率、采纳率，Badcase归因，A/B实验，数据飞轮和迭代闭环。

⑤ 软实力层

跨职能协同（算法、工程、设计、业务）、量化业务价值、方法论沉淀与团队赋能、英文资料阅读与前沿追踪。

第一层：技术理解——能和算法“对得上话”

岗位要求里几乎都会写“能与算法团队高效协同”。这并不要求你亲手训练模型，而是要理解每个技术名词背后的能力与边界。

•LLM/VLM：大语言模型 / 视觉语言模型。它是逐 token 按概率生成，所以会有幻觉，受上下文窗口限制，受温度参数影响随机性。

•Prompt Engineering：写好单条指令；Context Engineering更宏观——动态决定此刻该把哪些系统提示、检索结果、历史记忆、工具说明放进有限的上下文窗口。两者是点与面的关系。

•Post-Training：预训练之后的SFT、RLHF/DPO。要能判断一个问题该靠提示词、靠检索，还是该提数据需求去微调，这是和算法对话的分水岭。

第二层：Agent 架构——四个高频核心概念

一个完整 Agent 的设计要求，通常就落在四个词上——这也是理解任何 Agent 框架的通用骨架。

•任务规划 Planning：把大目标拆成有序、可执行的子任务并安排依赖。

•状态管理 State：跨步骤记录已完成进度与中间结果，避免步骤丢失或重复。

•反思校验 Reflection：检查上一步结果是否合理，遇到报错就换策略重试。

•工具调用 Tool/Function Calling：让模型按结构化描述选择并调用外部工具或 API。

Workflow 和 Agent 要能区分开：Workflow 的执行路径是提前定好的，可控还能复现；Agent 是根据中间结果自己做决定，更灵活但也容易出变数。实际落地的时候，一般是在两者之间选，看风险来定。

第三层：产品方法——AI 应用的 0-1 落地链路

第一步 · 场景挖掘

找真实业务流程里，那种高频重复、规则明明白白、能交给AI干的环节，整理成AI机会地图就行。

第二步 · 优先级排序

按用户/商业价值 × 实现成本排序，可结合使用频次、紧急度、风险，优先做高价值、低成本的点。

第三步 · 原型打样

用最小成本快速做出可演示原型，验证技术可行性与用户价值，避免一开始就重投入。

第四步 · 小范围试点

和使用方提前对齐验收标准：质量门槛、采纳率基准、效率提升目标，先在小范围内跑通。

第五步 · 规模化推广

沉淀可复用的流程模板（SOP）与使用指南，方便团队里其他人直接用，不用自己再从头捋步骤。

第六步 · 数据迭代

建立迭代闭环：打样 → 使用反馈 → Badcase 归因 → 定向优化 → 再验证，循环上升。

落地时有两个量化要求特别关键：一是量化业务价值，区分组织层面的提效（人力节省、流程提速、成本下降）和个人层面的提效（工时减少、操作简化），算清投入产出比；二是明确技术方案边界，需求阶段就写清模型能稳定做到什么范围、做不到时如何兜底。

第四层：评测体系与数据闭环

评测是 AI 应用和传统软件最大的不同点。岗位要求里，「建立可量化的评测体系」通常排得很靠前。

•指标三件套：准确率衡量整体对不对，类别极度不均衡时会失真；精确率 Precision 衡量“报出来的准不准”；召回率 Recall 衡量“该找的找全没”。Agent 还要额外看端到端任务成功率。

•采纳率与 Badcase 归因：失败案例要分层归因到模型能力、提示词、检索、工具、产品流程中的具体一环，不能笼统地说“模型不行”。

•迭代闭环与数据飞轮：打样 → 反馈 → Badcase 归因 → 定向优化（改提示词 / 检索 / 训练数据）→ 再验证；用得越多数据越多，数据反哺让模型和体验变好，形成正向循环。

第五层：通用行业术语速查

模型与训练

Token：模型处理文本的最小单位（子词），上下文长度与计费都按它计算。

•SFT / RLHF：监督微调 / 基于人类反馈的强化学习，都属于预训练之后的后训练对齐。

Embedding：把文本映射成向量，语义相近的文本向量距离近，用于检索。

•幻觉（Hallucination）：模型自信地输出看似合理但与事实不符的内容。

Agent 与工程

Agentic：形容具备自主规划—执行特征，而非被动一问一答。

•AI-Native：以 AI 为核心重新设计产品形态，而不是在旧产品上外挂一个对话框。

•Context Engineering：动态组织进入上下文窗口的全部信息。

•Function Calling：让模型结构化地调用外部工具或 API。

•Multi-Agent：多个智能体按角色分工、协同完成复杂流程。

•HITL：Human-in-the-loop，关键环节由人工介入确认。

•Vibe Coding：用自然语言与 AI 编程助手协作、快速打样的工作方式。

评测与产品

•Benchmark：标准化评测集与统一评分规则。

•Badcase：线上失败案例，是迭代最宝贵的输入。

•采纳率：AI 产出被用户真正采用的比例。

•数据飞轮：使用 → 数据 → 优化 → 更多使用的正循环。

协作常用表达

•0-1：从无到有做一个新产品；闭环：从发起、执行到反馈改进的完整回路；抓手：可落地的关键着力点；颗粒度：任务或描述被拆解的精细程度。

如何用这张地图指导自己

学 AI Agent 方向，就按五层逐个补。先把本模块前面的课程学透，打牢技术理解和 Agent 架构。再拿一个完整小项目，走通产品方法和评测闭环。最后在协作里练软实力。每学一块就回地图标「已掌握 / 待加强」，比零散追新名词有用。