AI 工程化的核心技能——2025年下半年更新版
AI 工程化的核心技能——2025年下半年更新版
适读人群：想做 AI 工程方向的工程师 | 阅读时长：约 12 分钟 | 核心价值：基于 2025 年上半年新变化，重新排序的 AI 工程技能优先级
我上一次系统整理 AI 工程核心技能清单是 2024 年底。那份清单半年后有些地方明显过时了。
不是说基础不重要了，而是优先级变了。MCP 协议在工程师里普及速度超出我预期，Claude Code 这类代码智能体工具已经成为很多团队的日常工作流，多模态从"技术演示"变成了"正式商用"。
这些变化影响了"值得优先学什么"的判断。我把这半年的观察整理成这篇文章，给想系统建立 AI 工程能力的人一个更新的参考。
变化了什么：2025 上半年的三个新现实
在讲技能之前，先说清楚驱动这次更新的背景变化。
变化 1：MCP 从概念变成基础设施
MCP（Model Context Protocol）是 Anthropic 推出的工具调用协议标准。2024 年底它只是一个"有意思的协议"，到 2025 年上半年，主流的 AI 开发工具和 IDE 插件都开始支持它了。
这意味着"如何让 AI 模型安全、可预测地调用外部工具"不再是每个团队自己造轮子的问题，而是有了一个逐渐成为事实标准的规范。不了解 MCP 的工程师，在对接工具调用相关的工作时会越来越处于劣势。
变化 2：AI 代码智能体工具成为工程师日常
Claude Code、GitHub Copilot Workspace 这类工具，已经从"看演示很惊艳但我不知道怎么用到工作里"变成了很多团队的标准配置。
但这带来了一个新的技能需求：如何有效地驾驭 AI 代码智能体。这不只是"会用提示词"，而是理解智能体的决策模式、知道在哪里介入、能识别和纠正它的错误。这是 2024 年还不是核心技能、2025 年已经是的东西。
变化 3：多模态从实验变成生产
视觉理解（图片输入）现在在很多产品里已经是正式功能，不再是 Beta。文档理解、图表解析、产品截图分析——这些多模态能力在工程侧已经足够稳定，可以放到生产里。
技能优先级：重新排序
下面是我更新后的技能优先级，分三个层次。不是功能介绍，是我对"现在投入学习的回报率"的判断。
优先级 A：今年投入，立刻有回报
1. LLM API 的工程用法（不是 UI 用法）
这是基础，没有捷径。
不是会 ChatGPT 的 Web 界面，而是：
- 理解 token、context window、温度等参数的实际工程含义
- 会用 streaming 处理实时输出
- 会做错误处理、重试、超时控制
- 理解成本计算，能做出有成本意识的设计决策
import anthropic
import time
from typing import Generator
client = anthropic.Anthropic()
def resilient_llm_call(
prompt: str,
max_retries: int = 3,
base_delay: float = 1.0
) -> Generator[str, None, None]:
"""
带重试和流式输出的稳健 LLM 调用
工程实践：这是生产代码的基本配置，不是可选项
"""
for attempt in range(max_retries):
try:
with client.messages.stream(
model="claude-opus-4-5",
max_tokens=1024,
messages=[{"role": "user", "content": prompt}]
) as stream:
for text in stream.text_stream:
yield text
return # 成功，退出
except anthropic.RateLimitError:
if attempt < max_retries - 1:
wait_time = base_delay * (2 ** attempt) # 指数退避
print(f"Rate limited, waiting {wait_time}s...")
time.sleep(wait_time)
else:
raise
except anthropic.APIConnectionError as e:
if attempt < max_retries - 1:
time.sleep(base_delay)
else:
raise2. RAG 系统的完整工程实现
不是"调一个 LangChain 函数"，而是理解整个链路：
- 文档切分策略（chunk size、overlap、递归切分）
- 向量化和向量存储
- 检索质量优化（混合检索、重排序）
- 上下文压缩和去噪
这是 2025 年最普遍的 AI 应用模式，掌握它的深度直接决定你能做出什么质量的产品。
3. MCP 协议的工具开发
学会按照 MCP 规范写工具服务器。这不复杂，但值得现在学：
# 一个简单的 MCP 工具服务器示例框架
# 实际开发用 Anthropic 的 mcp SDK
from mcp.server import Server
from mcp.server.models import InitializationOptions
from mcp.types import Tool, TextContent
import mcp.server.stdio
server = Server("my-tool-server")
@server.list_tools()
async def handle_list_tools() -> list[Tool]:
"""告诉客户端这个服务器提供哪些工具"""
return [
Tool(
name="query_database",
description="查询公司内部数据库，返回相关数据",
inputSchema={
"type": "object",
"properties": {
"table": {"type": "string", "description": "要查询的表名"},
"condition": {"type": "string", "description": "查询条件（SQL WHERE 子句）"}
},
"required": ["table"]
}
)
]
@server.call_tool()
async def handle_call_tool(name: str, arguments: dict) -> list[TextContent]:
"""处理工具调用请求"""
if name == "query_database":
table = arguments.get("table")
condition = arguments.get("condition", "1=1")
# 实际的数据库查询逻辑
result = execute_safe_query(table, condition)
return [TextContent(type="text", text=str(result))]
raise ValueError(f"Unknown tool: {name}")
async def main():
async with mcp.server.stdio.stdio_server() as (read_stream, write_stream):
await server.run(read_stream, write_stream, InitializationOptions())优先级 B：值得学，但不急于这个月
4. Fine-tuning 工程实践（LoRA/QLoRA）
不是理论，是真正跑过微调、处理过数据、调过超参数的能力。这个技能门槛比较高（需要 GPU），但市场上真正有实操经验的人仍然不多，溢价明显。
5. AI 应用的评估与测试体系
如何量化评估 AI 应用的质量，如何做 prompt 版本管理，如何科学地做 A/B 测试。很多团队的 AI 应用处于"凭感觉改 prompt"的阶段，能建立系统性评估流程的工程师非常稀缺。
6. 多模态应用开发
会用视觉 API 做图片理解、文档解析、图表分析。这个方向的应用场景正在快速增加，但真正做过生产级多模态应用的工程师还不多。
import anthropic
import base64
from pathlib import Path
client = anthropic.Anthropic()
def analyze_document_image(image_path: str, analysis_type: str = "extract_info") -> str:
"""
多模态文档分析：从图片或扫描件中提取结构化信息
实际场景：合同扫描件、发票图片、产品截图等
"""
image_data = Path(image_path).read_bytes()
base64_image = base64.standard_b64encode(image_data).decode("utf-8")
prompts = {
"extract_info": "请提取这个文档图片中的所有关键信息，以结构化格式输出。",
"summarize": "请总结这个文档图片的主要内容。",
"extract_table": "请将图片中的表格内容转换为 Markdown 格式。"
}
response = client.messages.create(
model="claude-opus-4-5",
max_tokens=2048,
messages=[
{
"role": "user",
"content": [
{
"type": "image",
"source": {
"type": "base64",
"media_type": "image/jpeg",
"data": base64_image,
},
},
{
"type": "text",
"text": prompts.get(analysis_type, prompts["extract_info"])
}
],
}
],
)
return response.content[0].text优先级 C：了解即可，暂不深入
7. LLM 底层原理（Transformer、注意力机制）
如果你是应用工程师，不需要深入理解模型内部。了解基本概念足够了，不需要能从头实现。
8. 模型量化和推理优化
除非你在做边缘部署或者需要极致性能的场景，大多数应用工程师不需要深入这个领域。
具体的学习路径建议
如果你是有 3 年以上 Java/Python 开发经验的工程师，想转 AI 工程方向：
第 1-2 个月：
- 把 Anthropic 和 OpenAI 的 API 文档从头到尾读一遍，动手跑每个例子
- 做一个完整的 RAG 项目（不用框架，自己写接入层）
- 部署 Qdrant，把自己的一批文档向量化进去
第 3-4 个月：
- 用 MCP 写 2-3 个工具服务器，连接你熟悉的系统（数据库、内部 API 等）
- 学 Claude Code / GitHub Copilot 的高效使用方式
- 参与一个有实际用户的 AI 应用项目（哪怕是内部工具）
第 5-6 个月：
- 做一次 LoRA 微调，哪怕只是跑通流程
- 建立一套 AI 应用的评估测试体系
- 尝试多模态功能的集成最重要的一点： 现在的 AI 工程技能，实践价值远大于理论学习价值。找一个真实的问题，用 AI 技术解决它，比读 100 篇文章更有效。