昨天說，名詞通膨擋不住，但學科是真的。系列最後一篇，把鏡頭從產業轉回工程師。

先交代我自己的位置：做過 Data Scientist，寫了三年多的 backend，今年轉進一間 B2B 新創當 AI Engineer。這份工作做下來的體感，比職稱聽起來樸素得多。

日常比想像中像 Backend

先講工作內容的真相。AI Engineer 的本質，是把 LLM endpoint（模型供應商提供的 API 服務）整併進既有系統，或用它開發新的 solution。所以日常高度像一個 Backend Engineer：大量的工作還是 integration，你需要會 database、會寫 server、知道怎麼做 CI/CD、怎麼寫測試。

想像一個典型的需求：把客服系統接上 LLM，自動分類工單並起草回覆。真正花時間的地方是資料怎麼進出、失敗怎麼補償、舊系統的介面怎麼對接、上線前怎麼驗證。模型只佔架構圖上的一格，其他格子全是老朋友。Day 1（四層地圖）的前提是模型動不了，你能動的是模型外面的一切，而模型外面的一切，本來就是 backend 的地盤。

真正新增的那一塊：不確定性工程

跟傳統 backend 的差別，集中在一個地方：系統裡多了一個不確定的元件。同一個輸入，LLM 可能給出不同輸出；出錯的時候安安靜靜，格式對、內容錯。傳統工程的兩個假設，同輸入同輸出、錯誤會丟 exception，在這格失效。上游換一版模型，下游行為就可能漂移，連版本升級都成了要驗證的事件。

於是熟悉的工具都要重新設計一次。retry 的觸發條件從網路錯誤變成「輸出不合格」；測試從 assert 相等變成 eval，Day 24（評估）講過為什麼；monitor 的對象多了 token 成本和輸出品質的漂移，這是 Day 26 講可觀測性的理由；guardrail（在輸入輸出兩端擋住出格行為的防護欄）成了標配。

這三十天講的四層，全部是圍繞這個不確定性長出來的工程手段：L1 讓輸出更可控，L2 決定它看見什麼，L3 給它手腳和邊界，L4 讓你敢放手。地圖今天全亮，回頭看，它其實只回答了一個問題：一個不確定的元件，怎麼被確定性的工程包起來。

會用 Agent 只是第一步

所以講到入行，我的看法：AI Engineer 非常適合本來就在寫 backend 的人投入。會用 agent、會下 prompt 只是第一步；系統要上線，考的還是老功夫：System Design 怎麼做、solution 怎麼說服別人它能 work、24/7 怎麼確保、retry 機制怎麼設計、監控告警要看什麼。

這些能力沒有一項被 AI 淘汰，反而因為系統裡多了不確定性，變得更值錢。

說服這件事也有工程含量。Day 28（Eval Function）說過，你能把「什麼叫好」量化到多準，系統就能改進到多準；同一句話換個場景一樣成立：你能把效益量化到多準，別人就能多快相信你的 solution。

反過來說也成立：只練了 prompt 和 agent 框架、沒有 production 底子的人，離「把東西交付出去」還有一段距離。這也是這個系列把最多篇幅給 L3 和 L4 的原因。

當然，backend 也只是入場路徑之一：從 data 或 ML 背景進來的人另有優勢，只是要補的課不一樣，補的是 serving 和可靠性那一側。這兩條路我剛好都沾過，才敢這樣說。

六萬字的完賽心得

最後是完賽心得。這三十天，是我過去學習的一次總整理。寫之前以為自己懂了，寫的時候才發現哪些地方只是眼熟；輸出逼著我把每個主題重新想一遍。三十篇，六萬多字，寫完站回去看，腳步比開賽前穩。

在這個容易技術焦慮、AI 焦慮的年代，我能給的方法就這麼樸素：挑一張自己的地圖，一格一格把它填滿。名詞會繼續來，昨天才剛拆過一個；模型會繼續換代。但你認真回答過的問題會留下來。不用害怕，保持持續學習的心，繼續前進。完賽，感謝三十天的陪伴。