前英伟达工程师撰写，被称为“目前最好的 AI 工程书”，它凭什么被一线大牛反复推荐？

最近读完了一本关于 AI Engineering 的书，说实话，这是我开年读过最值得推荐的 AI 相关书籍之一。

如果你和我一样，不是 AI 研究员，也不是机器学习专家，但每天都在和 LLM、Copilot、ChatGPT、RAG、Prompt 打交道，那这本书很可能正好写给你。

它不试图把你培养成一个机器学习工程师，而是站在软件工程师、技术负责人、产品与工程交叉角色的视角，系统地回答一个更现实的问题——当 AI 成为基础能力，我们到底该如何工程化地使用它？

1

不是机器学习教材，而是 AI 工程指南

先说清楚一件事，这不是一本 ML 入门书。如果你指望从中学到反向传播、损失函数推导、模型训练细节，那你大概率会失望。

但如果你的目标是：理解基础模型（Foundational Models）是如何被使用的；知道采样（sampling）、模型评估、模型安全在工程里意味着什么；明白 Prompt Engineering、Dataset Engineering、RAG、Fine-tuning 各自解决什么问题；或者是搞清楚为什么 AI 会幻觉、什么时候不该相信它。

那这本书的定位就非常准确！书里讲得最多的不是怎么训练模型，而是在真实的系统里，如何让 AI 变得可用、可控、可评估。这也是我认为它特别适合软件工程师的原因。

2

Prompt 工程不是岗位，是必备能力

书中对 Prompt Engineering 和 Sampling 的讲解非常实用。作者并没有神话提示工程师这个概念，而是很务实地指出：

• Prompt 是接口设计

• 采样策略会直接影响系统行为

• 好的 prompt 能显著降低幻觉，但永远无法彻底消除。

这几点我是非常认同的。Prompt Engineering 不是一个职业，但一定是一项值得掌握的工程能力。只是，它永远不该被当成构建生产系统的全部。

RAG、Fine-tuning 这些技术，书里也有介绍。作者讲清楚了它们是什么、什么时候用，但并没有给你一种照着做就能上线的错觉，这一点反而让我觉得很诚实。

3

作者没有刻意回避 AI 的局限

这本书有一个我非常喜欢的地方，它没有回避 AI 的问题，反而把问题摆在了台面上。

• 上下文为王
  

这句话从未像现在这样真实。为 LLM 提供清晰、详尽的上下文至关重要。但事情并不简单，上下文越长，模型就越有可能把注意力放在错误的部分上。

此外，LLM 更擅长执行出现在提示开头或结尾的指令，而不是中间部分，这就是位置偏差（position bias）。有一种提示技巧是：在用户输入之后重复一遍最初的指令。我原以为只有小孩才容易只记住最后听到的东西。

• 学得越多，反而觉得自己知道得越少
  

这当然可能是因为信息量过大让人应接不暇，但我们也确实会遗忘。别担心，你并不孤单——我们的 LLM 朋友也一样。模型学会的任务越多，就越容易出现灾难性遗忘（catastrophic forgetting），也就是说，它在早期任务上的表现会明显下降。这或许能解释为什么我现在已经不太会解二次方程了。也许我也是个 LLM。

• 好吧，我大概不是 LLM
  

不过，人们已经开始担心：用于训练 LLM 的内容可能会不够用了。确实，LLM消耗公开信息的速度已经超过了新内容的产生速度。

于是，合成数据（synthetic data，即 AI 自己生成的数据）被越来越多地用于训练模型，只要谨慎使用，它确实有帮助。但问题在于，合成数据只是模仿真实数据，因此得到的性能可能是表面的。

一个用其他模型生成的合成数据训练出来的模型，也许能直接给出答案，却未必真正理解为什么或怎么来的。但你千万别指望它会轻易承认自己不懂——如果你追问解释，它很可能会编一个幻觉出来。

这让我想起《黑天鹅》里提到的一个实验：让裂脑病人的一个大脑半球执行某个动作，然后再让另一个半球解释原因，病人往往会编出一个毫无意义的解释。总之，一些研究已经发现，合成数据的使用与模型性能下降存在相关性。我敢打赌，这样训练出来的代码库一定“非常精彩”。

理解 AI 能做什么、不能做什么，以及它的影响和限制，非常重要。这本书在这一点上解释得相当扎实。而这些限制，也正好引出了 AI 在软件开发中面临的更大问题。

众所周知，AI 本质上是概率性的。你见过那张概率很低，但永远不为零的梗图吗？这几乎就是 AI 的座右铭！只要概率不为零，不管多离谱，AI 都有可能生成出来。

4

对 AI 取代程序员的一些冷静的看法

作者本身并没有煽动程序员将被取代，但它间接解释了为什么这种说法经不起推敲。

我自己的结论是：AI 很擅长样板代码、局部算法、重复劳动，但是 AI 非常不擅长领域建模、架构权衡、质量判断。好代码仍然需要思考、经验和创造力。

如果你指望 AI 帮你设计一个合理的领域模型，那大概率会收获一堆看起来像对的错误代码。AI 放大能力，但前提是你本身得有判断力。

5

为什么强烈推荐这本书

总结一下，这本书特别适合：

• 软件工程师 / 架构师 / Tech Lead

• 正在把 AI 引入真实业务的人

• 不想被营销话术洗脑、想看清 AI 工程本质的人

它不会让你马上变成 AI 专家，但会帮你建立一个非常重要的能力，知道 AI 能做什么，不能做什么，以及什么时候不该用它。我认为这是当下比多会几个 prompt 技巧更重要的事情。

但如果你想在喧嚣的 AI 叙事之外，找一本足够冷静、足够工程化、也足够现实的书，那我会非常愿意推荐你读一读它。

AI 有多有用，取决于使用它的人。而这本书，至少能让你成为一个更清醒的使用者。

《AI 工程》抢读版抢先上市！纸质版+电子版，一次付费两种体验。速速扫码加购吧~👇