同样调用大模型,为什么有人做出的是玩具,有人做出的是能上线的产品?差距不在模型,而在包裹模型的那套"积木"。本文用乐高的比喻,把AIGC应用工程师的能力栈一层层拆给你看。

把AI能力拆成"乐高手积木":这个岗位到底要攒哪几块
有个比喻特别贴切:如果手上只有一种积木,你最多搭个小房子;可如果积木种类繁多,你就能拼出城堡、汽车、飞船。
AI应用也一样。仅仅会调用大模型接口,是个不错的开始,但远远不够。 真正拉开差距的,是你会不会组合更多"积木"——提示词、检索增强、智能体、工具调用、评测、安全护栏……积木越多,能搭出的东西越强大。
下面就把AIGC应用工程师常用的几块核心积木,一块块摆出来。
第①块:提示词设计(让模型听懂你)
这是起点。通过精心设计指令、给示例、让模型"一步步想",把意图讲清楚。它已经是入门的基础门槛,但不是终点——单轮对话、上下文有限、不能调用外部工具,是它的天花板。
第②块:检索增强 RAG(给模型配个"记忆外挂")
大模型有两个老毛病:爱"一本正经地胡说",以及知识会过时。RAG的思路很朴素——回答前先去企业自己的知识库里查一查,把查到的资料喂给模型再作答。
它靠三样东西:存资料的向量数据库、把文字转成"向量"的嵌入模型、负责生成的模型。这是过去两年企业级AI落地最主流的一条路线,也最能快速验证价值。
第③块:微调(让模型"说行话")
当通用模型在你的专业领域中差口气、而你有足够的行业标注数据时,可以考虑微调——让模型吃透行业术语和输出格式。它的成本比前两块高,所以通常的顺序是:先用RAG快速试,不够再上微调。
第④块:智能体 Agent(给大脑装上"手脚")
如果说模型是"大脑"、RAG是"记忆外挂",智能体就是让大脑能自己动手。它不再"问一句答一句",而是拿到一个目标后,自己拆任务、选工具、执行、看结果、错了还能返工。
打个比方:模型是能读懂菜谱的"美食评论家",智能体是能自己买菜、切菜、炒菜、还知道调味的"厨师"。当业务需要跨系统、多步骤自动跑起来时,就该它上场了。
第⑤块:评测(判断"到底行不行")
这是最容易被新手忽略、却最见功力的一块。很多团队演示时行云流水,一到真实业务就翻车,根子就是没做扎实的评测。
靠谱的做法是:准备一套覆盖边界情况的标准题,定好"什么算答对",反复跑、反复看,用数据说话,而不是"我觉得差不多"。会搭演示的人很多,会做评测的人稀缺。
第⑥块:成本与安全(让系统"跑得起、兜得住")
成本控制: 简单问题走便宜的小模型,复杂问题才调用大模型;用缓存、批处理摊薄开销;在速度和质量之间找商业上能接受的平衡点。
安全护栏: 给AI设好边界,防止泄密、越权、违规输出,以及"出错了谁负责"的制度兜底。
这一块不性感,却是"演示品"和"产品"之间真正的分水岭。
给学习者的三条务实建议
1. 别一上来追"大而全"。 先挑一个具体场景,用RAG这类简单积木把价值跑通,再决定要不要上微调、上智能体。
2. 积木不怕旧。 有些一两年前的技术(比如评测方法、向量库框架),今天依然是关键底座,别只盯着最新名词。
3. 用项目串起来,而不是零散学。 AIGC应用岗不看简历有多满,只看你做过什么、跑通了什么。把六块积木在一个真实小项目里串一遍,比刷十篇教程有用。
AI行业不缺会写提示词的人,缺的是能把AI系统可靠地跑起来的人。看懂了这六块积木,你也就有了自己的技能地图:从哪块入手、往哪块深入,心里都有数了。
EEC工信教考中心,IITC工信人才交流中心,AIGC应用工程师,北京青蓝智慧科技
马老师135-2173-0416
丁老师135-2209-4648

