《AI Engineering》几乎没有代码，FDE 更该读它

“This is NOT a tutorial book, so it doesn’t have a lot of code snippets.”（这不是一本教程书，所以没有太多代码片段。）Chip Huyen 在 AI Engineering 的 GitHub README 里写下这句话，“NOT”还特意用了大写。习惯边看示例边敲代码的开发者，可能会觉得有点亏。但对想成为前线部署工程师（FDE）的人来说，恰恰相反：这正是这本书值得买的原因。

客户很少花钱请 FDE 重写示例代码。他们需要的是一个能站在问题面前做出选择的人：用哪个模型，按什么标准评测，怎样部署到生产环境。AI Engineering 教的正是这一部分，也是任何教程都替你做不了的部分。

这本书只讲现有模型，这正是它的长处

Chip Huyen 在自己的图书页面上介绍，AI Engineering（O’Reilly 出版）讲的是用现成基础模型构建应用的过程。所以重点放在已有的模型上，而不是训练模型。

这也是应用开发者每天在做的事：拿一个现成的模型，让它解决眼前的问题。

O’Reilly 商品页的图书简介里有一点值得记住：近来的技术突破不仅推高了对 AI 产品的需求，也降低了入行门槛。门槛低了，谁都能调用 API。拉开差距的，是选择的质量。

合上书后值得记住的三个观点

第一，给框架，而不是给菜谱。README 说这本书提供了一套适配基础模型的框架；作者页面补充说，这是一套高效开发和部署 AI 应用的实用框架。

教程教你做好某一件具体的事。框架教你在遇到新情况时提出正确的问题。而 FDE 几乎总在遇到新情况，因为每个客户都不一样。

第二，基础比工具活得久。Chip Huyen 写道，工具很快会过时，基础知识则更持久，所以这本书刻意不围绕任何特定的库或产品展开。

对做应用 AI 的人来说，这是一条自保的建议：绑定在热门框架上的技能，几个月内就可能贬值；而权衡取舍的能力，会跟着你进入下一个项目。

第三，在混乱的生态里找到方向。书中讨论了如何在模型、数据集和评测基准之间做取舍。这部分最贴近 FDE 的工作：客户问“哪个模型最好？”时，正确答案很少是一个名字，而是一连串反问。

设想一个客户想自动总结客服工单。在说出任何模型名之前，你得先问：“好”指的是准确、简洁，还是便宜？公开基准和他们的真实工单像不像？还是需要拿几百张真实工单，自建一套评测集？

只有回答了这些问题，比较几个模型、规划部署才有意义。

谁该读，怎么读？

README 说，这本书写给所有想用基础模型解决现实问题的人，行文面向技术岗位的读者。由于书中默认读者懂技术，也不会逐行带你写代码，如果你自己已经做过一个小型 LLM 应用，收获会最大。

读法也要和读教程不同。不要打开电脑等着跟敲代码。带着一个真实项目去读，比如你所在公司的某个功能，每读完一节就问自己：如果今天必须做选择，我会选什么，为什么？

动手写代码，可以从各个工具自己的文档里学。如果你从没做过应用，这本书可能会显得有些抽象；先做几个小项目，手里有了真实经验，再拿来对照。

把一本书变成求职时的证据

读完一本书却不留痕迹，招聘方什么也看不到。想转向 FDE 岗位的开发者，最好的做法是用“选择”的语言重写自己的经历。简历上写“把 LLM 集成到聊天机器人中”，信息量很少。

写清你如何在客户数据上比较模型、怎样确定评测标准、为什么选这种模型适配方式而不是另一种，说服力要强得多。

看 FDE 或 AI 工程师的岗位描述时，留意 evaluation、benchmark、deployment 这类词。这些都是书中覆盖的领域，读书时做的笔记就能变成面试准备的提纲。

这本书可在 Amazon、Kindle 和 O’Reilly 平台购买或阅读。O’Reilly 商品页给出的出版日期是 2024 年 12 月 4 日（ISBN 9781098166304），作者页面写的是 2025 年，并称它自上线以来一直是 O’Reilly 上阅读量最高的书。

你今年用的工具会变。“我们该选什么，为什么”这个问题不会变，客户在第一次见面时就会把它抛给 FDE。