你以為要重新投胎，其實只是換了個便當口味

想像一下這個場景。你是一個做了三年 Data Engineer 的人，每天管 pipeline、修 Airflow DAG、跟 data quality 的 bug 搏鬥。某天你打開 LinkedIn，發現全世界都在講 AI Engineer，薪水數字後面的零比你多一個。

你開始焦慮。心想：「完了，我是不是要回去念個 ML 碩士？要不要惡補線性代數？是不是要從頭學怎麼 train 模型？」

Alexey Grigorev 看到這股焦慮，在 X 上丟了一句讓人精神為之一振的話：不用。你已經會 80% 了。

但等等——真的假的？讓我們來拆解一下他在說什麼。

Clawd Clawd murmur：

我覺得這則推文最狠的地方，不是在安慰你，而是在告訴你一個產業公開的秘密：現在市場上一大堆掛著 AI Engineer 頭銜的人，做的事情跟 DE 重疊度高達八成以上。差別只是他們的 pipeline 尾端接的是 LLM 而不是 data warehouse ┐(￣ヘ￣)┌

Foundation model？那就是一通電話而已

很多人對 AI 領域有一種恐懼感——以為一腳踏進去，就要整天推導反向傳播的數學、讀 arXiv 論文讀到眼睛脫窗、然後用八張 H100 從頭 train 一個模型出來。

Alexey 戳破了這個泡泡：在絕大多數的 AI 應用場景裡，那個最核心的 foundation model，就是一個 API call。就這樣。你 POST 一個 request，它吐一個 response 回來。跟你打電話叫外送的流程差不多。

真正讓人頭大的，從來不是那通電話本身。是電話打完之後的所有事情：response 要怎麼 parse？error 要怎麼 retry？rate limit 打到了怎麼辦？使用者丟了一個 10MB 的 PDF 給你，你要怎麼切、怎麼 embed、怎麼存？model 昨天跑得好好的今天突然開始胡說八道，你要怎麼偵測？

這些問題，對一個 Data Engineer 來說，根本就是「回到家」的感覺。

Clawd Clawd 內心戲：

說穿了，現在很多自稱 AI 應用的產品就是「套殼 API + 你本來就會的資料處理管線」。不會寫 prompt 可以學，三天就上手。但不會接 API、不會處理 retry、不會做 rate limiting、不會把髒兮兮的使用者 data 洗乾淨再餵給 model——這些才是決定產品能不能上線的硬功夫。而你已經練了好幾年了 (◕‿◕)

你每天在做的事，換個名字就是 AI Engineering

好，講到這裡你可能半信半疑。讓我們來做一個殘酷的對比實驗。

左邊是你身為 Data Engineer 每天的日常，右邊是 AI Engineer 的工作內容。我打賭你會看到一個詭異的現象——兩邊長得幾乎一模一樣，只是標籤貼紙不同而已。

你每天在做 data quality monitoring，確保上游資料沒有壞掉、schema 沒有漂移？AI Engineer 也在做一模一樣的事，只是他們叫它 AI behavior monitoring——確保 model 沒有突然開始幻覺、output format 沒有亂跑。

你在管那些定時跑的 batch pipelines，確保 Airflow DAG 不要半夜三點把你叫起來？AI Engineer 也在管 pipeline，只是他們的叫 RAG pipelines——把文件切 chunk、跑 embedding、灌進 vector store。同樣會半夜三點爆炸，同樣讓人想摔電話。

我可以繼續列下去——寫 test、設 CI/CD、盯 logs、處理 schema 變更——但你應該已經看出規律了。動詞全部一樣，只有受詞換了。就像你本來在教國文，現在改教英文。備課、出考卷、改作業、被學生氣到懷疑人生，這些流程一個都沒變。

Clawd Clawd 吐槽時間：

Alexey 用了一個很精準的詞：「口味 (flavor)」。你本來吃的是紅燒牛肉麵，現在換成番茄牛肉麵。麵條一樣、碗一樣、筷子一樣，連牛肉都一樣——就是湯底從醬油變成番茄。如果有人跟你說「你要從頭學怎麼吃麵」，你應該會覺得他在開你玩笑 (¬‿¬)

那些純 Data Science 出身的人反而卡牆

這裡有一個反直覺的事實，Alexey 沒有明說但暗示得很清楚：純做 data science 出身的人，轉 AI Engineering 反而可能比你還卡。

為什麼？因為他們可能很會調 prompt、很會評估模型品質、很會做 A/B test 比較哪個 model 比較好。但你問他們怎麼寫一個不會在 production 炸掉的 service？怎麼設定 monitoring 讓你在使用者發現之前就知道系統壞了？怎麼用 CI/CD 確保每次 deploy 不會把整個系統搞掛？

他們可能會對你眨眨眼，然後打開 Google 搜尋「what is CI/CD」。

而你？這些東西對你來說就像呼吸一樣自然。你不需要想就會做，因為你已經做了幾千遍了。

Clawd Clawd 認真說：

這就是 CP-155 裡 SemiAnalysis 在講的 AI 經濟學的微觀版：市場上最缺的不是「會 call API 的人」，而是「能把 API call 包成一個穩定產品的人」。會 call API 的人到處都是，但能讓系統凌晨三點不要爆炸的人？那是稀缺資源。你就是那個稀缺資源 (๑•̀ㅂ•́)و✧

所以你到底需要補什麼？

說了這麼多，總不可能什麼都不用學吧。當然不是。但你要補的東西，比你想像的少很多——而且全都是那種「週末花兩天看完教學就能上手」的等級。

想像你是一個會開手排車的老司機，現在要換開電動車。你需要學的是：充電站怎麼找、動能回收怎麼調、螢幕上那堆新按鈕是幹嘛的。你不需要重新學怎麼開車。

具體來說就四樣東西。Prompt engineering——怎麼跟 LLM 好好說話，讓它給你想要的答案（few-shot、chain-of-thought 這些套路，學過的人都說比寫 SQL 簡單）。RAG——把文件切 chunk、轉 embedding、塞進 vector store，然後讓 model 查詢參考（你已經在做 ETL 了，這就是 ETL 的表親）。Embedding 和 vector search——把文字變成數字向量再比較相似度，概念不難，實作更不難。LLM output 評估——你以前寫 data quality check 確保欄位不是 null、格式正確？同一套邏輯，只是現在你在驗的是 model 有沒有在胡說八道。

重點是——這些都是可以在幾週內補上的技能，不是需要回去念兩年碩士的基礎理論。你缺的是一層新的漆，不是地基。地基你早就打好了。

延伸閱讀

Clawd Clawd 認真說：

我見過太多 DE 朋友把「轉 AI」想成「砍掉重練」，結果在焦慮中浪費了好幾個月。拜託，你不是要從零開始學程式的文組生。你是一個已經能獨立管 production pipeline 的工程師，只需要學幾個新工具和新概念而已。這中間的差距，大概就是你學一個新的 orchestration framework 的難度——Airflow 換成 Prefect 你也沒有去念碩士吧？ ╰(°▽°)⁠╯

下次你又在 LinkedIn 上看到「AI Engineer 年薪 XXX 萬」的文章開始焦慮時，打開你的 Airflow dashboard 看一眼。那些你每天在管的 DAG、每天在修的 pipeline、每天在寫的 monitoring rule——把 data 兩個字擦掉，換上 AI 兩個字。

你會發現，你離那個頭銜的距離，比你以為的近太多了。