内容摘要
本视频是"人人皆可用的生成式 AI"课程第三周第五讲，基于吴恩达团队与大量企业合作的实践经验，介绍了构建 GenAI 应用所需的典型团队角色和规模配置。视频澄清了"提示词工程师"这一被媒体过度炒作的职位的真实情况，并传达了一个令人鼓舞的核心信息：由于 GenAI 大幅降低了构建 AI 应用的门槛，即使是一两个人的小团队也能有效启动和推进 GenAI 项目。
核心观点
-
三个核心角色：软件工程师、机器学习工程师、产品经理
构建 GenAI 应用最常见的团队角色包括：- 软件工程师：负责编写软件应用并确保其稳健运行。只需投入少量精力学习 LLM 基础知识和提示词工程，就能在小团队中非常高效地参与基于 LLM 的应用开发。
- 机器学习工程师：负责实现 AI 系统，通常在生成式 AI 兴起之前就在构建 AI 系统。需要学习 LLM 知识，理想情况下不只是提示词技巧，还包括 RAG 和微调等进阶技术。
- 产品经理：主要负责识别和界定项目范围，确保构建的东西对客户有用。
-
"提示词工程师"是被过度炒作的职位——真实情况并不如媒体描述的那样
少数公司发布了几个高薪"提示词工程师"招聘信息，引发大量媒体报道，让人觉得"只要会写提示词就能赚很多钱"。但实际情况是：绝大多数公司并没有把提示词工程师作为独立岗位大量招聘，实际的提示词工程职位描述更像是"会写提示词的机器学习工程师"，而不是只写提示词的专职角色。 -
极小团队也能启动：1 人或 2 人配置完全可行
- 1 人团队：一个学了提示词知识的软件工程师，或一个学了一点 LLM 提示词知识的机器学习工程师，甚至可以自己通过网页界面实验和原型验证来单枪匹马开始。
- 2 人团队（最常见）：机器学习工程师 + 软件工程师；其他配置（如会提示词的软件工程师 + 产品经理，或两个对技术感兴趣并愿意学习的人）也能有效运作。
-
较大团队中会出现的其他角色
- 数据工程师：负责组织数据、确保数据质量和安全性。
- 数据科学家：分析数据，为项目或业务决策提供建议。
- 项目经理：协调项目执行。
- 机器学习研究员：开发先进 AI 技术，或将先进技术适配到特定业务场景。
-
GenAI 显著降低了构建 AI 应用的入门门槛
与早期 AI 技术相比，生成式 AI 使得 AI 应用的构建效率大幅提升，所需资源远少于以往。这意味着有想法的个人或小团队完全可以尝试原型验证，看看是否能构建出对自己或业务有价值的东西。
关键收获
💡 收获 1："提示词工程师"不是值得追逐的专职职业方向——深度技能更有价值
吴恩达明确指正了这一媒体误导：真正有价值的不是"只会写提示词"的人，而是软件工程师或机器学习工程师在掌握本职技能的同时，额外学习了 LLM 和提示词知识。这提示任何有志于 AI 领域的人：应当以实质性的工程能力为基础，提示词知识是加分项，而非核心卖点。
💡 收获 2：GenAI 项目不需要等团队齐全再开始——小团队快速试错是最优策略
吴恩达明确鼓励即使只有一个人也可以开始实验。这与 AI 项目开发高度实验性（empirical）的特质相符：在不确定性极高的早期阶段，快速原型验证远比等待资源齐备更重要。
💡 收获 3：软件工程师 + 少量 LLM 知识是进入 GenAI 应用开发最高效的路径之一
吴恩达特别强调，软件工程师只需"投入一点点精力"学习 LLM 基础和提示词，就能在小团队中非常高效。这降低了进入门槛，意味着拥有软件背景的人不需要重新成为 AI 专家才能参与 GenAI 应用的构建。
💡 收获 4：产品经理的角色在 GenAI 项目中不可或缺——确保构建的东西真正有价值
技术能力是充分条件，但项目范围的界定和客户价值的确保需要产品思维。即使在小团队中，产品经理视角（或至少具备产品思维的人）能防止团队构建技术上可行但商业上无用的东西。
重要引述
"When a software engineer puts in just a bit of effort to learn at least the basics of large language models and prompting, then they can be very effective in a small team building LLM-based applications."
（当一名软件工程师投入一点点精力学习大型语言模型和提示词的基础知识时，他们在构建基于 LLM 的应用的小团队中可以非常高效。）
"Very few companies are hiring this as a dedicated role. What actually happens in practice is that most companies are counting on machine learning engineers that have also learned LLMs or learned prompting."
（很少有公司将"提示词工程师"作为专职角色招聘。在实践中，大多数公司依赖的是也学习了 LLM 或提示词知识的机器学习工程师。）
"If you're building an LLM-based application, it's often possible to get started with a pretty small team — I definitely see companies start to experiment with even just a one-person team."
（如果你在构建一个基于 LLM 的应用，通常可以从一个相当小的团队开始——我确实看到公司从甚至只有一个人的团队开始进行实验。）
"Generative AI has lowered the cost, lowered the barrier to entry to building AI-based applications."
（生成式 AI 已经降低了成本，降低了构建基于 AI 的应用的入门门槛。）
总体结论
本讲为希望构建 GenAI 应用的企业和个人提供了务实的团队组建指南。最重要的结论有三点：第一，"提示词工程师"是一个被过度炒作的媒体概念，真实市场中更需要的是具备 LLM 知识的软件或机器学习工程师；第二，即使是一个人也可以开始 GenAI 项目，GenAI 大幅降低了入门门槛；第三，2 人小团队（机器学习工程师 + 软件工程师）是当前最常见也最有效的启动配置。这些洞见对于正在考虑如何启动 GenAI 计划的企业决策者和个人开发者都具有直接参考价值。
逐字稿（中文翻译）
我的团队与许多大大小小的公司合作或提供建议，构建了各种各样的生成式 AI 应用。在这个视频中，我想和你分享一些我看到的最佳实践，以及启动此类项目的典型团队可能是什么样的。
构建生成式 AI 应用最常见的角色是软件工程师，他负责编写软件应用并确保其稳健运行。我发现，当软件工程师投入一点点精力学习大型语言模型和提示词的基础知识时，他们在构建基于 LLM 的应用的小团队中可以非常高效。所以如果你的团队中已经有一些软件工程师，可能值得鼓励他们考虑花少许时间学习至少 LLM 和提示词的基础知识。
第二个在构建应用的团队中相当常见的角色是机器学习工程师，机器学习工程师通常负责实现 AI 系统。许多机器学习工程师早在生成式 AI 兴起之前就在构建 AI 系统了。我发现，一个机器学习工程师只需花一点点精力学习 LLM——理想情况下不只是提示词，还包括一些更高级的技术如 RAG 和微调——这样的人可以在构建应用中扮演非常有效的角色。
最后，另一个在某些团队中出现但比软件工程师和机器学习工程师少见的角色是产品经理，他们是主要负责识别和界定项目范围、确保构建的东西对客户有用的人。
最后，"提示词工程师"这个角色怎么样？媒体对这个角色有一点炒作，但我看到的是，很少有公司将其作为专职角色来招聘。发生的情况是，少数几家公司发布了少量薪资丰厚的提示词工程师招聘信息，这引发了大量媒体炒作，让人觉得某人可以通过写提示词赚很多钱。但如果你看看提示词工程师的实际职位描述，提示词工程岗位实际上需要做很多除了写提示词之外的其他任务，它们实际上更像是同时学会了提示词的机器学习工程师。所以不要相信提示词工程师角色的炒作。实际发生的情况是，大多数公司依赖于也学习了 LLM 或提示词知识的机器学习工程师，而且实际上并不容易找到工作，也没有公司在大量招聘那些唯一工作是写提示词的人。
如果你在构建一个基于 LLM 的应用，通常可以从一个相当小的团队开始，所以我确实看到公司从甚至只有一个人的团队开始实验——比如一个学了一些提示词知识的软件工程师，或者一个学了一点提示词和 LLM 知识的机器学习工程师，或者也许你可以自己开始，通过网页界面进行实验和原型验证，以了解什么可能是可行的。我也确实看到很多两人团队，如果团队有两个人，最常见的配置可能是机器学习工程师加软件工程师，但我也见过许多其他配置同样运作良好，比如一个学了提示词知识的软件工程师和一个产品经理，或者真的是两个对此充满热情的人，他们了解一些如何编写软件，并愿意学习如何使用这些工具来构建新的激动人心的应用。
对于较大的团队，有时你还会看到一些其他角色，如数据工程师、数据科学家、项目经理或机器学习研究员——让我快速介绍一下这些角色，以防你在公司中遇到它们。数据工程师通常负责整理数据，确保数据质量，以及通常还负责数据安全。数据科学家通常负责分析数据，为指导项目或业务决策提供建议。项目经理可以负责协调项目执行。机器学习研究员通常负责开发先进的 AI 技术或将先进的 AI 技术适配到你的业务特定需求中。
所以，生成式 AI 降低了成本，降低了构建基于 AI 的应用的入门门槛。如果你或你的团队有一个想法，我鼓励你尝试找到资源来进行原型验证和尝试，看看你是否能为自己或你的业务构建一些东西。
在我们结束生成式 AI 与商业这部分内容之前，我想看看 AI 如何影响不同的工作角色以及不同的行业部门。让我们在下一个视频中看看吧！
本文档根据视频字幕整理翻译，内容为 DeepLearning.AI "Generative AI for Everyone" 课程第三周第五讲。
构建生成式 AI 软件的团队
下载 MP3