前英伟达工程师撰写，被称为“目前最好的 AI 工程书”，它凭什么被一线大牛反复推荐？

最近读完了一本关于 AI Engineering 的书，说实话，这是我开年读过最值得推荐的 AI 相关书籍之一。

如果你和我一样，不是 AI 研究员，也不是机器学习专家，但每天都在和 LLM、Copilot、ChatGPT、RAG、Prompt 打交道，那这本书很可能正好写给你。

它不试图把你培养成一个机器学习工程师，而是站在软件工程师、技术负责人、产品与工程交叉角色的视角，系统地回答一个更现实的问题——当 AI 成为基础能力，我们到底该如何工程化地使用它？

不是机器学习教材，而是 AI 工程指南

先说清楚一件事，这不是一本 ML 入门书。如果你指望从中学到反向传播、损失函数推导、模型训练细节，那你大概率会失望。

但如果你的目标是：理解基础模型（Foundational Models）是如何被使用的；知道采样（sampling）、模型评估、模型安全在工程里意味着什么；明白 Prompt Engineering、Dataset Engineering、RAG、Fine-tuning 各自解决什么问题；或者是搞清楚为什么 AI 会幻觉、什么时候不该相信它。

那这本书的定位就非常准确！书里讲得最多的不是怎么训练模型，而是在真实的系统里，如何让 AI 变得可用、可控、可评估。这也是我认为它特别适合软件工程师的原因。

Prompt 工程不是岗位，是必备能力

书中对 Prompt Engineering 和 Sampling 的讲解非常实用。作者并没有神话提示工程师这个概念，而是很务实地指出：

Prompt 是接口设计
采样策略会直接影响系统行为
好的 prompt 能显著降低幻觉，但永远无法彻底消除。

这几点我是非常认同的。Prompt Engineering 不是一个职业，但一定是一项值得掌握的工程能力。只是，它永远不该被当成构建生产系统的全部。

RAG、Fine-tuning 这些技术，书里也有介绍。作者讲清楚了它们是什么、什么时候用，但并没有给你一种照着做就能上线的错觉，这一点反而让我觉得很诚实。

作者没有刻意回避 AI 的局限

这本书有一个我非常喜欢的地方，它没有回避 AI 的问题，反而把问题摆在了台面上。

上下文为王

这句话从未像现在这样真实。为 LLM 提供清晰、详尽的上下文至关重要。但事情并不简单，上下文越长，模型就越有可能把注意力放在错误的部分上。

此外，LLM 更擅长执行出现在提示开头或结尾的指令，而不是中间部分，这就是位置偏差（position bias）。有一种提示技巧是：在用户输入之后重复一遍最初的指令。我原以为只有小孩才容易只记住最后听到的东西。

学得越多，反而觉得自己知道得越少

这当然可能是因为信息量过大让人应接不暇，但我们也确实会遗忘。别担心，你并不孤单——我们的 LLM 朋友也一样。模型学会的任务越多，就越容易出现灾难性遗忘（catastrophic forgetting），也就是说，它在早期任务上的表现会明显下降。这或许能解释为什么我现在已经不太会解二次方程了。也许我也是个 LLM。