Agentic Work Atlas

AI-Era Career Skills

12分钟阅读

AI-Era Career Skills

主题概述

本主题探讨 AI 时代职业技能的演化——从 Prompt 到 Skill，从知识积累到智慧工作，以及如何利用 AI 工具重构工作流程。

核心概念

1. 从手动执行到调度 Agent

Karpathy 的 Claude coding notes 显示，AI 编程技能的核心变化不是“会不会写 prompt”，而是工作方式从手写细节转向用自然语言调度大粒度 code actions。

他把自己的工作流变化描述为：从 2025 年 11 月的约 80% 手动编码、20% agent 辅助，迅速转成 2025 年 12 月的约 80% agent 编码、20% 人工编辑和修补。这是个人经验，不是行业统计，但它说明一个方向：职业技能正在从“亲手生成”转向“设定目标、约束边界、审查结果”。

2. 杠杆来自成功标准，而不是命令清单

Agent 最擅长的是在明确目标下循环尝试。Karpathy 的方法建议是：

  • 先写测试，再让 agent 通过测试。
  • 给出成功标准，而不是一步步命令。
  • 先写朴素但更可能正确的算法，再在保持正确性的前提下优化。
  • 把 browser MCP、测试、运行反馈放进闭环。

这意味着 AI 时代的职业技能更接近“设计可验证任务环境”：把目标、约束、反馈和验收标准组织好，让 agent 可以长时间自主推进。

3. 判断力比生成力更稀缺

模型的错误不再主要是语法错误，而是概念性错误：替用户补前提、不主动澄清、不暴露矛盾、过度复杂化、顺手改掉无关代码。

因此，人的关键能力不是“生成更多”，而是：

  • 看出 agent 什么时候在错误前提上继续前进。
  • 要求它暴露困惑、权衡和边界条件。
  • 把臃肿实现压回更简单的方案。
  • 在代码可运行之外审查概念是否正确。

4. 从专家到系统思维者与 evals 作者（2026 增量）

两支一手访谈为技能演化补上组织层证据：

  • 系统思维者需求（Netflix CPTO Elizabeth Stone）：招聘从 local business expertise 转向 systems thinkers——agent 跨系统操作需要 source of truth 与 paved path，因此需要能跨业务域抽象 building blocks 的人；narrow specialist 让位于 "generalists or adaptable in multiple directions"。技能演化的需求侧首次获得大型非 AI 公司的确认。
  • 评测即需求文档（Anthropic Dianne Penn）：PM 的核心技能从写 PRD 转向写 evals——读失败 transcripts、做失败轨迹归因、把模糊抱怨凝结为可运行评测集；配套要求是"engineers with great product taste"式的混合角色与 hands-on 使用模型的管理者。技能演化的方法论首次获得 AI Lab 内部实践确认。

两个信号的交汇点：AI 时代的稀缺技能正在从"深度执行某职能"转向"跨系统抽象 + 可度量定义质量"——前者对应判断力的空间维度（zoom out），后者对应判断力的形式化维度（把"什么是好"写成 eval）。

关键洞察

Model Introspection：把错误变成技能

AI 时代的高阶技能不只是会写 prompt，还包括让模型解释自己的错误路径。模型自省 能把一次失败转化为可复用的调试规则：为什么模型会误判、它默认补了什么前提、下次应该给什么约束。

这类能力属于判断力训练，而不是工具熟练度训练。

Skills：个人经验会被组织化

AI 时代的职业技能不只存在于个人脑子里，还会被组织蒸馏成 Skills、规则、playbook 和 Agent 记忆。这会改变“经验”的议价方式。

朱少民文章指出，Skills 沉淀天然带有委托-代理困境：企业希望工程师交出隐性知识，工程师担心这是在训练替代品。职业技能因此出现新分叉：

  • 能把经验写成可复用规则的人，会放大影响力。
  • 能审查和改进规则的人，会成为组织学习节点。
  • 只把经验留在个人手里的人，短期保护自己，长期可能被组织边缘化。

但这需要组织给出可信激励。没有署名、晋升、分润或角色跃迁，Skills 蒸馏会变成对抗性游戏。

识别情感承诺与结构承诺

Chosen-vs-Seen 补充了职业选择中的组织判断力：AI 时代的高潜力人才不能只问“这家公司是否让我感觉被需要”，还要问“它是否把我的价值落实为范围、权力、经济参与和决策权”。

这与 Skills 蒸馏的激励问题是同一个结构：组织可以用使命、亲近感和特殊感让人交出 founder 级强度，也可以用真实授权、署名、晋升和分润让人进入 owner 级结构。前者让人感觉被选中，后者才让人真正被看见。

编程民主化后的跨职能能力

Software-Democratization 改变的是“谁能构建”的边界。AI coding agents 让更多领域专家可以直接把业务理解变成原型、脚本或内部工具，职业壁垒从“会不会写代码”转向“是否知道该构建什么、如何验证、如何维护”。

Cross-Disciplinary-Generalist 是这个变化的人才结果：未来高杠杆个体不只是单一领域执行更快，而是能把工程、产品、设计、数据和领域知识组合起来。AI 把执行动作变便宜后，跨职能判断、翻译和验收能力会更稀缺。

公开协作：技能学习从课程转向现场

AI 学徒制与教学工坊说明，学习 AI 工作方式最有效的地方不是培训课，而是公开的真实协作现场。看见专家如何要求 Agent 澄清、如何拒绝坏方案、如何把失败转成规则，比学习一组 prompt 模板更有价值。

职业技能因此从“我会用工具”转向“我的工作过程能否被他人学习、复用和审查”。

FDE：把模型接进真实工作流的人

Forward Deployed Engineer（FDE，前线部署工程师） 不是“又一种 prompt 工程师”，而是把模型能力翻译成组织结果的部署角色。

OpenAI 官方职位页把这个岗位写成一条完整闭环：从 discovery、technical scoping 到 system design、build、production rollout，并用 production adoption、workflow impact、eval-driven feedback 衡量成功。

Palantir 的官方解释补了一条更结构性的对照：传统软件工程更像“为很多客户做一个能力”，FDSE 更像“为一个客户启用很多能力”。这说明 FDE 的核心不是抽象封装，而是把既有模型、平台和约束条件拼成能跑起来的系统。

一手材料能确认的行业信号:

  • OpenAI 已为此建立独立部署实体，并明确把 deployment 到 product 的循环写成 build, prove, generalize。
  • Palantir 证明这种角色不是 AI 热潮临时产物，而是一种长期存在的部署形态。

这标志着 AI 行业的竞争重点继续从“谁会做模型”往“谁能把模型接进真实流程”移动。

领域专长与判断力（2026-06 更新）

Anthropic 40 万会话分析（2026-06）提供了关键数据：

核心发现

  1. 领域专家比新手成功率高 2 倍，但中间到专家差距小——收益来自能力，不是精通
  2. 所有职业成功率在 7 个百分点内——职业不如专长重要
  3. "够用的领域知识 + 良好判断力"是 AI 时代的关键组合

判断力的本质

  • 判断力是领域特定的：没有领域知识，判断力就是空中楼阁（NormalTech 追本分析）
  • 判断力是可训练的技能：理解 AI 边界 + 识别错误模式 + 快速验证（Karpathy 视角）
  • 组织的判断力 > 个人的判断力：AI + 流程 + 团队可以弥补个人判断力不足（Nadella 综合）

AI 时代的"边缘"

  • 技能边缘："不够专精"的人，用 AI 补充技能缺口
  • 领域边缘："不同领域"的人，用 AI 跨越领域边界
  • 组织边缘："不同组织"的人，用 AI 降低协作成本
  • AI 的价值不在于替代专家，而在于让边缘玩家能够挑战中心玩家（Christensen 视角）

相关概念

关系图谱

反向链接