前瞻與傳聞
據報吳恩達重啟 DeepLearning.ai 轉向 AI 工程，基於萬份職缺分析提出四大核心技能
Latent Space單一來源
尚未逐項核實
目前依單一來源整理，這是來源數量描述，不是對消息真假的判定。
據 Latent Space 報導，吳恩達（Andrew Ng）重新推出 DeepLearning.ai，將重心轉向 AI 工程（AI Engineering）。該決策基於超過 10,000 份職缺分析、數十次專家與招募人員訪談及問卷調查。
吳恩達提出 AI 工程的四大核心技能：第一是建構與部署 AI 應用，涵蓋 LLMs、RAG、agentic workflows 及評估與錯誤分析迴圈；第二是軟體工程基礎，以協助開發者在系統架構與資料儲存上做出權衡，避免盲目依賴程式代理；第三是使用 coding agents，包含理解代理限制、編寫規格及協調多個代理；第四是塑造產品建構，強調產品敏銳度與商業脈絡。
此外，社群近期聚焦代理框架（Agent Harnesses）的最佳化。NVIDIA 最新評測指出，代理技能的結構性檢查與實際品質相關性極低（Spearman ρ = 0.14），建議改測「Skill Lift」（比較有無該技能的任務完成度差異）。在持續性代理（Persistent Agents）方面，開源社群推出微型框架 Headlong，將軌跡儲存為 jsonl 的 DAG，支援持續思考與自我除錯，背景運行成本約每小時 1 至 2 美元；另一框架 exo 則具備 append-only 事件日誌、可抽換執行器與支援快照回滾的沙盒，專為代理遞迴自我改進而設計。
讀原始報導背景
新聞中提到的檢索增強生成（RAG）是一種讓大型語言模型（LLM）從外部資料源擷取並整合新資訊的技術，能藉此提升 AI 模型的準確性與可靠性。而代理工作流（Agentic Workflows）的實際應用則包含讓開發者定義 AI 驅動的自動化流程，例如透過 GitHub Actions 在受控權限下安全地執行 AI 代理。