吴恩达那几封信讲 AI 工程技能地图，四个板块递进：驾驭不可预测的 LLM、打好软件工程外壳、用好编程智能体、最后上移到决定构建什么。逻辑是通的，但有一处判断我特别想拿出来单独说。

他访谈了数十位顶尖工程师，结合自己团队经验，给出的结论是：让智能体自主跑几小时烧掉千万 token 这种用法，实际效用被社交媒体放大了。高效的用法是复杂、高度迭代的过程，中间需要高技能的人工干预。

这话听着不性感，但跟实际体感对得上。智能体的上下文窗口就那么大，跑着跑着早期假设就丢了，输出开始飘。你不管它，它越写越离谱。管它的方式也不是盯着屏幕，而是写清楚规格、分步骤验证、在关键节点设门控。

素材里提到一个工作流：规划、执行、部署与监控。其中「校准过的自主性水平」这个说法很准。不是全自动也不是全手动，是根据项目阶段和任务复杂度去调那个旋钮。绿地原型可能一个 prompt 就是规格，棕地项目有几千用户在跑，你不可能让智能体自由发挥。

还有一点值得注意。他反复强调评估驱动的开发是区分高手的核心能力。不是会不会写 prompt，是能不能驱动一个有纪律的 eval 循环。读追踪、做错误分析、决定测什么、什么时候用确定性测试什么时候引入人工判断。这套东西确实难学，因为每个项目不一样，甚至同一项目不同阶段也不一样。

不过有一处我犹豫要不要提。素材里说「AI 不会知道自己不知道什么」，讲的是数据管理。确实，数据架构选错了，智能体不会主动告诉你它缺了哪张表的关联关系。但它不会说，不代表它不崩。上下文里塞了错误的 schema 描述，它照样会自信地生成一堆看着合理但完全跑不通的查询。

扯远了。回到那个被放大的自主性叙事。为什么大家喜欢讲那个？因为「一行 prompt 搞定整个项目」比「你得盯着它改八轮」听起来爽。前者是魔法，后者是工程。但如果你真用智能体干过活，就知道后者才是常态。