都2026年了，中文互联网的AI工程叙事还停在2024
AIE101发刊词：五个迷思，一条主线——AI工程的价值已经完成迁移，而中文互联网还没收到通知。
大家好👋，这里是黑犬，好久不见。
2026年上半年，想做AI工程相关方向的我在招聘市场里面试的时候反复撞见同一件事：不止一家公司在评估裁撤或缩减传统NLP/CV算法岗和纯research岗的headcount。这是我主观的观察，样本有限，仅供参考，你可以不信。
但统计报告的招聘数据却揭示了这件事的另一面。
Forward-Deployed Engineer（前线部署工程师，FDE）——一个大多数中文读者可能还没听说过的岗位——2025年招聘量同比增长1,165%（Live Data Technologies，经Bloomberry分析，2026-01）；Indeed上的FDE岗位从2025年4月的643个涨到2026年4月的5,330个（Indeed数据，经Business Insider报道）。OpenAI在2026年5月成立了专门做企业部署的合资公司The Deployment Company，Anthropic把Applied AI团队扩张了5倍。而在国内，DeepSeek 2026年3月发布的招聘岗位里写着：Agent深度学习算法研究员、Agent数据评测专家、Agent Infra工程师（Bloomberg，2026-03-24）。
“算法研究员/算法工程师”这个岗位——职称还活着，职称的职能却已经被换掉了。这也解释了之前的一个矛盾的观察：猎聘2025年报告里”算法工程师”仍是需求占比最高的AI岗位（猎聘《2025 AI技术人才供需洞察报告》），但这个岗位需求的技能要求，正在从”炼模型”整体换成”造Agent”。
一边是收缩和改写，一边是超1,165%的爆发式增长，这是同一场价值迁移运动的两端。可以肯定的是招聘市场已经完成了其定价：AI工程的价值重心，从”训练和微调模型”整体迁移到了”围绕强模型构建可靠的智能体系统”——这不是预测，是已经在发生的事实。
比较难过的是，如果你主要通过中文互联网理解这个行业，你大概率对这种迁移没有任何感知。你看见的是铺天盖地的”大模型微调实战营”、被转疯了的”MIT证明95%的AI项目失败”、以及还在卖的”提示词大师课”、“豆包实战训练营”，和那个正在读CS博士并还在发论文的别人家的孩子。
中文互联网上流通的AI工程叙事，事实上系统性地滞后行业前沿一到两年——而且这个时差是部分人做套利生意强行撑出来的：用2024年的AI认知，收割2026年的学费。
这个信息差，目前没有人系统性地去填，黑犬感觉十分不解，于是有了这个新专栏——AIE101（AI Engineering 101）。它只做一件事：把中文互联网的AI工程叙事，校准回这个行业的前沿。
本篇作为本专栏第一篇发刊词，有必要先清算五个当前对于AI行业最尖锐的迷思：
- “应用层都是套壳” vs “模型层五年内全部死掉”。
- “95%的AI项目失败了，AI就是一场巨大的泡沫”。
- “AI公司在偷企业的价值，且并不创造真正的价值”——Palantir CEO Karp真的是这么说的吗？
- “0基础学会LangChain+RAG+微调，你就可以当AI工程师”。
- “没有博士学位，AI行业就没你什么事情”。
AI时代真人长文创作不易，如果本文对你有启发，欢迎点赞、评论、转发。欢迎一切理性的交流或争论~
迷思一：“应用层都是套壳”，或者反过来：“模型层五年内全都会死”
关于模型层和应用层，网上同时流传着两个方向相反的说法：一派说”应用层都是套壳，没有技术含量，价值迟早归模型”；另一派说”模型层烧钱无底洞，只有应用才值钱”。
先说模型层死不死。前沿模型训练成本自2016年以来以每年约2.4倍的速度增长，到2027年最大规模的单次训练运行将超过10亿美元（Epoch AI，《The Rising Costs of Training Frontier AI Models》，2024），Anthropic的CEO Dario Amodei也给过同一量级的预估。这个数字同时杀死两个迷思：
- 烧得起这个钱的实验室会活下来，而且活得极好——模型层不会死，它只会极度集中。“五年内全死”是把”绝大多数玩家出局”错听成了”整个层出局”。
- 但反过来，有资格坐上预训练牌桌的实验室，全球屈指可数。“模型层才是正统”对不对？对，但它是一句和90%从业者无关的正确——除非你已经坐在那几家实验室的办公室里。swyx（AI Engineer Conference主办者）在2023年6月定义”AI Engineer”这个职业时算过一笔账：全世界约5,000个在职LLM研究员，约5,000万软件工程师，供给的约束注定了中间层职业的崛起（《The Rise of the AI Engineer》，Latent Space，2023-06）。前OpenAI创始成员Karpathy的附议更直接：这个职业可以非常成功，且从头到尾不做和模型训练相关的任何东西（Karpathy，X，2023，转引自Latent Space）。
再说应用层”没有技术含量”。其实市场上有一个我们又爱又恨且已被验证的反例：Claude Code，2025年5月公开发布，六个月做到10亿美元年化，九个月做到25亿美元以上——Anthropic 2026年2月Series G官方公告原文确认了这个数字，同一公告称全球GitHub公开commit的4%已由Claude Code产出。一个不训练配套基础模型的”套壳”产品，九个月，25亿美元年化。如果这也叫套壳，那只能说是你对”壳”的理解停在了2023年。
那么应用层的技术含量到底在哪？
我的结论是：在agent harness（智能体运行环境）、context engineering、eval体系、生产可观测性——这些概念会在文章的最后一部分展开。最直接的证据来自招聘市场本身：Epoch AI在2026年6月分析了1,604份中国AI招聘，确认DeepSeek开设了一类岗位，名字就叫”Agent Harness研发工程师”（Epoch AI，2026-06）。月之暗面走得更远：Kimi的Agent团队在公开招聘帖里写明，工作范围覆盖agent全栈——Kimi CLI、内部Eval平台、Sandbox底层infra——并直接对标Claude Code的工作方式，最扎眼的是这句原话：“我们不偏好有AI/Agent经验的候选人，甚至更希望看到有过系统软件经验、应用开发经验的”（Kimi Agent Team公开招聘帖，2025–2026）。连国内牌桌上的基模实验室，都在用招聘语言告诉你：agent工程的本质是系统软件工程。
同时我觉得必须承认AI应用层创新确实也有两条可见的局限性：
- 第一，模型能力每次跃迁都会吞掉一批应用层护城河——2023年靠”帮你把长文档切块塞进短上下文”活着的产品（传统RAG），被长上下文窗口的模型一杆清台。应用层的价值捕获窗口会移动，守住它得有工程能力，光会做RAG demo以及知识图谱是守不住的。
- 第二，“重资本是唯一门槛”的叙事在中国的AI行业不成立：DeepSeek用约560万美元的训练成本做出V3，多中心格局让中国模型层玩家比美国更多，未来不排除会出现第二个”DeepSeek时刻”对本土的AI应用层创新产生巨大的冲击。
迷思二：“95%的AI项目失败了，AI是泡沫”
这个数字或者类似AI泡沫论你一定在某些社交媒体上刷到过，但是从来没有人告诉你拆解这个数字有三层逻辑要走。
原报告叫《The GenAI Divide: State of AI in Business 2025》，MIT Media Lab的Project NANDA出品，2025年7月发布。报告原文写的调查使用的方法是：52场结构化访谈、153份高管调查、300多个公开披露的AI部署，观察窗口约为试点后6个月，作者自己称之为”方向性准确的快照，而非决定性的市场分析”。
第一层问题：中英文媒体广泛转述的版本是”150场访谈+350份调查”，和报告实际的52/153都对不上，大部分转发的人连方法论那一页都没翻过。
第二层问题：“95%零回报”衡量的是”试点后6个月内是否产生可测量的P&L影响”，且样本偏向sales/marketing这类报告自己都承认ROI最低的领域；“零回报”≠“失败”，更推不出”泡沫”，因为并不是所有效益都可P&L测量。
第三层也是最讽刺的一层：报告原文明确说，失败”似乎不是由模型质量或监管驱动，而是由方法决定的”——问题出在集成和学习差距上。
换句话说，这份被某些媒体和博主拿来证明”AI无用”的报告，得出的结论正相反：问题出在集成和落地，模型/AI工程技术本身没毛病。价值卡在部署的最后一公里——而这正是FDE岗位暴涨1,165%的原因，恰恰说明AI项目的价值在于如何正确落地，而非堆叠最新的技术。
学界对此报告也有诸多质疑：Wharton教授Kevin Werbach等学者公开指出95%这个数字缺乏可查的支撑数据；报告同时在推销NANDA自家的agentic协议，存在直接利益冲突。也就是说，这份报告自身的证据质量，也远够不上它获得的传播量。
那AI到底在给企业赚钱吗？我相信这是很多读者近期最大的迷思。
我可以肯定地说：赚，但集中在高集成度的垂直工作流场景。中美为例：
- JPMorgan称通过AI反欺诈与运营改进节省约15亿美元（公司公开披露，2024–2025）；
- Morgan Stanley的DevGen.AI审查900万行遗留代码、省下约28万开发者小时（公司公开披露，2025）；
- 阿里巴巴：AI相关产品收入连续第11个季度三位数同比增长，最近一个季度89.71亿元人民币、年化突破358亿元、占阿里云外部商业化收入首次超过30%（阿里巴巴2026财年Q4财报，2026-05）；
- 快手：这个案例的需求侧数字对工程师读者最有说服力——生成式推荐大模型与智能出价模型带动线上营销服务收入提升约5%，新增代码中由自研AI编程工具CodeFlicker生成的比例已接近30%，超过70%的用户咨询由AI客服直接响应并解决（快手2025年Q3/Q4财报及电话会，2025-11/2026-03）。供给侧同样成立：可灵AI从2024年年中上线到2026年1月，ARR超过3亿美元（程一笑，快手财报电话会，2026-03-25）。
注意一点：这四个案例的数字全部来自公司自己的口径，不排除自利偏差。但有一个点值得你想清楚：上市公司在财报里虚报可审计数字的证券法成本，远高于一份研究报告写错方法论的学术成本。两种证据我都摆在这里，各位读者可以自己衡量。
当然AI项目的伴生风险也非常确定：Token成本失控是真实存在的风险，2026年年中企业圈从”tokenmaxxing”转向效率优先，更有大厂CTO透露公司四个月烧光了全年AI预算，不得不削减AI方面的支出甚至裁员。
下次有人再说“AI是泡沫”，我觉得各位读者心中自有公论。
迷思三：“AI公司在偷企业的价值”——Karp到底说了什么？
2026年7月1日，CNBC《Squawk Box》直播中，Palantir CEO Alex Karp本来是去聊和Nvidia的Sovereign AI合作，结果贡献了本年度最出圈的AI暴论现场。
他说每个他打交道的企业管理者都”暴怒（livid）“，他们的原话是：“I am paying for tokens that create no value”（我在为不产生价值的token付费），“stealing the weights and alpha of my business”（这些人在偷走我业务的权重和alpha），并称这是一笔只惩罚不济贫的”财富税”。
当主持人Becky Quick说”你听起来很愤怒”，他回答：不，这是美国企业界的声音在通过我传导——然后当场建议观众私下打电话给任何一个CEO验证。采访疑似结束后他还问了句”我们还在直播吗？“，表演性拉满。当天Palantir股价涨超9%。
关于这件事情还有两个几乎没人分清的细节。
- 其一，网传的”卖token的人拒绝按价值收费”出自Palantir前一天（6月30日）发在X上的九点”AI主权”宣言（Palantir官方X账号，2026-06-30），是书面文本，不是采访原话——两份材料一天之差，被绝大多数转发揉成了一坨。
- 其二，英文媒体标题里的”Karp称AI行业effing insane”也是断章取义：原话的完整语境是”我们真的要把这个国家的战场外包给硅谷公司吗？那才是effing insane”——骂的是国防AI外包，没泛指全AI行业。
情绪之外，Karp到底想论证什么？我认为是他多年一贯的”commodity cognition”论：模型质量在收敛、在商品化，价值沉淀在部署层——数据、工作流、他称之为ontology的那一层。
Palantir自己从来不训练模型，用别人的模型，卖的是模型和企业数据之间的应用层，而且Palantir 2026年Q1收入16.3亿美元，同比增长约85%，美国商业收入翻倍以上（Palantir 2026年Q1财报）。
所以真实情况是：Karp骂的是模型层的商业模式，做的却是应用层的生意，而这门生意正在爆炸式增长。“AI公司偷价值”只是一种情绪化的表达，其核心论点——价值在应用层不在模型层——和本文开篇那场招聘市场的价值迁移，却是高度一致，骂声和数据指向同一个方向。
必须承认从股价的涨幅反馈来说Karp是极度利益相关方。这场采访本身就是Palantir–Nvidia产品发布的一部分，且”CEO们都暴怒”是他的私下转述，没有独立数据支撑。他自己也承认他同样从这套行业结构里赚钱，他的话听一半信一半。
但当一个人用真金白银下注的方向和他嘴炮的方向一致时，这些话你就得听了。
迷思四：“0基础学会LangChain+RAG+提示词工程，你就是AI工程师”
提示工程师，2023年被一则最高33.5万美元年薪的招聘启事炒成全球媒体的头条职业（Anthropic招聘启事，2023，经多家媒体报道），2025年被业界确认死亡——Microsoft对31国3.1万名员工的调查里，“Prompt Engineer”在企业未来12–18个月计划新增岗位中排名倒数第二（Microsoft《Work Trend Index》，2025）；Indeed上这个职称的岗位量已趋近于零。Nationwide的CTO给出了准确的讣告措辞：它是一个岗位里的能力，不是一个岗位（WSJ，2025-05）。死因是它被吸收了：向下降格为每个工程师的基本功，向上被context engineering这个系统工程问题吞并——不是提示词突然没用了，而是它是现在企业人才能力栈最基础的一项。2025年6月，Shopify CEO Tobi Lütke和Karpathy先后为这次术语迁移公开背书（X，2025-06），Gartner更是在同年年中直接宣判”context engineering is in, prompt engineering is out”（Gartner，2025）。
一个在2024年就实质死亡的技能标签，2026年还在中文知识付费市场里被当”大师课”卖。这就是时差套利最最纯的样本：“已经死掉”的技能，在信息差的保护下继续用溢价在赚钱。
并且这样的例子不止一个。国内多家主流”大模型工程师”训练营，大纲高度同质化：LangChain、向量数据库、Naive RAG管道、SFT/LoRA/RLHF微调专题——某几家的课程页面，至今直接挂着抓取自2024年6月的招聘网站岗位描述当卖点，核心要求是”熟练掌握PyTorch、DeepSpeed多机多卡分布式训练”。把这份大纲和2026年的真实岗位需求对比下，我们可以看到肉眼可见的差异：
- 提示词工程课时：对应岗位已死亡
- Naive RAG单管道和向量数据库：已被agentic retrieval、混合检索+rerank、eval驱动迭代取代（RAG本身没死，整个范式已经变了）
- 微调中心主义：绝大多数应用层创新从不训练任何东西
- LangChain：还活着，仍是主流框架之一，但”LangChain优先”的教学法把框架API当成了工程能力本身，早就不适用了
对于行业相关的职业教育，我无心评论，但必须指出一件事：课程生产有周期、根本追不上行业迭代。公平地说：不是课程大纲不会迭代——有头部训练营2026年已删除过时知识点、更新了很多内容。但也有人还在用PyTorch、RAG赚认知差异的钱。与其依靠一个靠谱师傅传授你业内的”不传之秘”，不如主动培养个人判断力和自主研究的能力，你一定听过一句话：最好的教育都是免费的。
本专栏也尝试打造一种完全不同的机制：每季度一次真实市场和JD分析，数据、方法、代码、原始链接全免费公开，用它来纠偏我自己的认知，也提供一种最紧跟时事、最自发的学习AI Engineering的路径。
迷思五：“没有博士学位，AI行业没你什么事”
这条迷思的错误在于把两个行当混为一谈：“AI研究”和”AI工程”其实是两个职业，门槛的变化方向正好相反。
AI研究的门槛确实在暴涨，涨到了博士都不够用的程度。Stanford HAI 2025 AI Index：2024年近90%的知名AI模型出自工业界，一年前这个数字还是60%（Stanford HAI《AI Index Report 2025》）。学术界仍是高被引研究的最大来源，但前沿模型的产地已经整体迁到工业实验室，原因是算力——2021年美国联邦政府给非国防学术AI研究的全部拨款约15亿美元，Google光DeepMind一家就花掉了这个数（arXiv:2602.05140综述）。要进那几家实验室的核心研究岗，博士只是入场券的一部分，还要顶会论文、竞赛金牌，这个窗口越来越窄是真的。
但AI工程的门槛是另一回事。Lightcast对美国AI工程师岗位的统计（2024.2–2025.2）：43%要求硕士，23%要求博士或专业学位——反向推理下，大多数岗位本科可入，博士要求覆盖不到四分之一。swyx定义这个职业时的原话翻译过来是：视野之内一个博士都没有——要落地AI产品，你需要工程师，不是研究员。FDE的岗位画像更直接：生产级代码、遗留系统集成、客户现场的问题拆解。这是资深软件工程师的技能树，不是研究院的技能树。还记得迷思一里Kimi Agent团队那句招聘原话吗——“更希望看到有过系统软件经验、应用开发经验的”。
所以这条迷思真正的问题在于：它把研究岗收窄的窗口，错装到了工程岗敞开的门上。普通工程师的真实处境是——你从未像现在这样接近这个行业的核心价值链，前提是你学的是2026年最新的工程思想，而不是2024年模型训练时代那套东西。
但有两个事实各位读者需要明白：
- 第一，前沿实验室研究岗对博士的偏好真实且在加强，如果你的目标是pretraining/posttraining research，这篇文章帮不了你，读博+发论文仍是那条窄路的门票，好好去申请，加油。
- 第二，工程门槛低的直接后果是供给暴涨——“能进场”和”能立住”是两回事，大门敞开的房间很快会占满人，如果你真的想在房间里立住，你就得明确知道AI工程层面未来的主线是什么，也是下一节我想论证的东西。
说人话：AI工程2026年下半年的主线是什么？
一句话：围绕已有强模型，构建可靠的智能体系统，将是下半年唯一的话题。分5个子话题：
- Agent harness：智能体的运行环境——工具调用、权限边界、错误恢复、循环控制。Claude Code那25亿美元年化，收的就是harness的钱。
- Context engineering：在有限上下文窗口里管理信息的进出——记忆、压缩、取什么、丢什么。Anthropic的正式定义：在LLM推理过程中策展并维护最优token集合的策略集。
- 检索架构决策：在长上下文、朴素向量检索、BM25、混合+rerank之间做有eval支撑的选型，Naive RAG那种无脑分块并检索已经不再是默认选项。
- Eval体系：没有评测就没有迭代——这是2026年区分工程和demo的分界线，真正推动你的系统演进的是你能客观地评级你的系统好在哪、不好在哪。
- 多智能体编排：生产共识收敛在”supervisor+隔离子智能体”——Anthropic的多智能体研究系统比单agent性能高90.2%，代价是约15倍token消耗（《How we built our multi-agent research system》，Anthropic工程博客，2025-06）。但这个共识有边界：同一周Cognition发表《Don’t Build Multi-Agents》，主张编码类”写”任务单线程更可靠；2026年其作者更新了立场，承认部分多智能体架构开始可用。这场争论没有结束，目前没有标准答案。
如果你要问我，当前AI工程领域的风向标到底看哪，个人推荐：ai.engineer（swyx主办，不是推广！不是推广！）就是这个职业方向公认的坐标。2026年World’s Fair超过6,000人到场、29个track、300位讲者（ai.engineer官方数据，2026），Anthropic、OpenAI、Google DeepMind等AI头部全部在场，所有顶级talk免费上YouTube，没有实质竞争者。但它只覆盖工程侧，研究的风向标仍在NeurIPS/ICML，请区分清楚。
最后附赠一个判断未来主线的原则，比上面所有分析都保值：依附于模型缺陷的技能一定会死，管理工程复杂性的系统工程技能会活 。提示工程死于模型鲁棒性的提升——它的价值建立在”模型不够聪明、需要咒语哄”这个缺陷上，缺陷被修复，价值归零。而harness、context engineering、eval管理的是复杂性本身：模型越强，系统越复杂，这些技能越值钱。以后评估任何”要不要学X”，就问一个问题：X依附的是模型缺陷，还是复杂性或者业界真实存在的具体问题？
欢迎来到 AIE101
本文的最后，黑犬想再次不要脸地给有缘看到这篇文章的读者推荐下我的这个专栏：AIE101有三”是”三”不是”，都将 是你在中文互联网少见的东西。
三个不是：
- 不是教程搬运工：本专栏不翻译不缝合，每个技术选题动笔前先过一遍”是否已被当下生产共识淘汰”的检验。
- 不是模型发布测评：新模型跑分刷屏与我无关，评测1000个模型不如自己动手做一个。
- 不是知识付费漏斗：全部内容永久免费开源，没有”私信解锁完整版”——现在没有，以后也不会有。这一条写在这里，受所有读者监督。
三个是：
- 一份用代码说话的能力档案，全部代码开源可复现。
- 一个季度更新的市场对标机制：路线图vs真实JD，做到”入世”而非空谈技术。
- 一份行业问责记录：对行业不合理的事实直接开火并接受任何事实层面的质疑。
下期预告：从Agent Loop开始，进入SWE-Agent的世界
这里是黑犬，暗海淘金，有趣常青，祝每一个迷茫的人都能找到自己的彼岸。如果觉得我的内容有帮到你敬请关注➕点赞👍评论💬转发📤，觉得我在狗叫请带🧠来。
来源清单
- Anthropic，Series G融资公告（Claude Code 25亿美元年化、4% GitHub公开commit、2025年5月公开发布），anthropic.com，2026-02
- Live Data Technologies（FDE岗位同比+1,165%），经Bloomberry对1,000份FDE JD的分析转引，2026-01
- Indeed（FDE岗位643→5,330，2025-04→2026-04），经Business Insider报道，2026
- Bloomberg，《DeepSeek’s Latest Job Postings Highlight Pivot to Agentic AI》，2026-03-24
- Epoch AI，对1,604份中国AI招聘的分析（含DeepSeek “Agent Harness研发工程师”岗位），2026-06
- 月之暗面Kimi Agent Team公开招聘帖（工作范围覆盖agent全栈，对标Claude Code），2025–2026
- CNBC《Squawk Box》Alex Karp采访（原话经Mediaite等多家逐字转述交叉核对），2026-07-01
- Palantir官方X账号，九点”AI主权”宣言，2026-06-30
- Palantir 2026年Q1财报（收入16.3亿美元，同比+85%）
- MIT Media Lab Project NANDA，《The GenAI Divide: State of AI in Business 2025》，2025-07；方法论批评见Kevin Werbach（Wharton）等公开评论
- Microsoft，《Work Trend Index》（31国31,000名员工调查，Prompt Engineer拟增岗位倒数第二），2025
- WSJ，《The Hottest AI Job of 2023 Is Already Obsolete》（Nationwide CTO评论），2025-05
- Anthropic，提示工程师招聘启事（最高33.5万美元年薪），2023，经多家媒体报道
- Gartner，context engineering与prompt engineering趋势表态，2025年中
- Epoch AI，《The Rising Costs of Training Frontier AI Models》（年增约2.4倍，2027年单次训练超10亿美元），2024
- swyx，《The Rise of the AI Engineer》，Latent Space，2023-06-30
- Karpathy，对AI Engineer职业的公开附议，X，2023，转引自Latent Space
- Anthropic工程博客，《How we built our multi-agent research system》（90.2%、15倍token），2025-06
- Cognition（Walden Yan），《Don’t Build Multi-Agents》，2025-06；作者2026年立场更新
- Anthropic，《Effective context engineering for AI agents》（context engineering正式定义），2025-09
- Stanford HAI，《AI Index Report 2025》（2024年约90%知名模型出自工业界）
- 学术界-工业界AI研究力量对比综述，arXiv:2602.05140
- Lightcast，美国AI工程师岗位学历要求统计，2024-02至2025-02
- ai.engineer，AI Engineer World’s Fair 2026官方数据（6,000+人、29 track、300讲者），2026-06/07
- 猎聘，《2025 AI技术人才供需洞察报告》；智联招聘2025春招数据
- 阿里巴巴，2026财年Q4财报（AI相关产品收入连续第11个季度三位数增长、季度收入89.71亿元、年化超358亿元），2026-05
- 快手，2025年Q3/Q4财报及财报电话会（CodeFlicker生成新增代码近30%、AI客服解决70%+咨询、可灵ARR超3亿美元），2025-11/2026-03
- JPMorgan/Morgan Stanley AI节省数据均为厂商口径，转引自各公司公开披露，2024–2025