算法工程师吐槽Agent开发：业务把控强但Coding能力退步

背景

在大型语言模型（LLM）技术快速迭代的当下，AI 应用开发正从单纯的模型训练向复杂的 Agent（智能体）构建转移。许多从业者，尤其是从传统 IT 或制造业转型进入 AI 领域的工程师，面临着岗位职责与实际工作内容之间的错位。

近期，在 LINUX DO · AI 社区中，一位自称“转业”的算法工程师发起了一项讨论。他目前任职于一家公司，岗位头衔为“算法工程师”，本意是希望从事与大模型监督微调（SFT）及强化学习（RL）相关的核心算法工作。然而，实际工作中却大量涉及 Agent 开发的全链路任务，包括数据调研、方案设计、Demo 实现、Badcase 调优、对话逻辑优化、Prompt 工程以及文本清洗等。此外，他还需兼顾前端 Demo 的演示工作。这种“全栈式”且偏向业务细节的工作状态，让他产生了职业发展的焦虑：虽然业务能力得到提升，但 Coding 能力似乎因大量使用 Vibe Coding（直觉式编程/自然语言编程）而退步。他希望通过社区交流，了解其他同行是否面临同样的工作状态，以及团队内部是否有更明确的分工，从而找到保持对项目把控感的方法。

核心内容

该帖子核心探讨了 AI 工程师在 Agent 开发浪潮下的真实工作状态与职业困惑，具体包含以下几个层面：

1. 工作内容的泛化与碎片化： 作者指出，当前的 Agent 需求往往需要工程师独立完成从 0 到 1 的闭环。这不仅仅是调用 API，而是涵盖了：

   • 前期调研：查看现有数据情况，评估可行性。
   • 方案设计：给出整体技术架构与业务逻辑方案。
   • 实现与演示：编写代码实现 Demo，甚至兼顾前端展示，以便向内部或客户演示。
   • 迭代优化：针对 Badcase（坏案例）进行调优，优化对话逻辑、边界条件，调整 Prompt 以及进行数据清洗。

2. 角色定位的偏差： 作者原本期望从事 LLM SFT（Supervised Fine-Tuning，监督微调）和 RL（Reinforcement Learning，强化学习）等底层或核心算法工作，但实际岗位虽名为“算法工程师”，实则沦为“Agent 开发全栈”。这种偏差导致其技术栈重心从模型底层逻辑转移到了业务流程的细节把控上。

3. 技术能力的隐性退化： 由于大量使用 Vibe Coding（一种依赖自然语言描述、由 AI 辅助生成代码的编程方式），作者感到自己的传统 Coding 能力在退步。这种工作方式虽然提高了功能实现的效率，但可能削弱了对代码底层逻辑、架构设计和工程规范的理解与掌控。

4. 职业焦虑与寻求共鸣： 作者询问同行是否也处于这种“既当算法又当全栈，还兼做业务逻辑”的状态。他关心的是：

   • 团队内部是否有明确的分工（如专门的数据清洗、专门的 Prompt 工程师、专门的模型微调人员）？
   • 在这种高强度、多角色的工作状态下，如何保持对项目的整体把控感，避免陷入琐碎的细节而失去对技术深度的追求？

关键要点

• Agent 开发的全链路特征：当前的 Agent 开发往往要求工程师具备端到端的能力，涵盖数据、模型、应用层（Prompt/逻辑）及前端展示，职责边界模糊。
• 岗位名称与实际工作的错位：“算法工程师”头衔下可能隐藏着大量的工程化、业务逻辑实现及数据清洗工作，而非纯粹的模型训练。
• Vibe Coding 的双刃剑效应：虽然提高了开发效率，但过度依赖 AI 生成代码可能导致开发者传统编程技能退化，影响对复杂系统的底层掌控力。
• 业务能力提升与技术深度保留的矛盾：从业者需要在快速提升业务理解力和保持技术核心竞争力（如 Coding 能力、算法原理）之间寻找平衡。
• 缺乏明确分工的行业现状：许多团队尚未形成成熟的 AI 工程化分工，导致单个工程师承担过多角色，增加了职业倦怠感和技术视野的局限。

意义与影响

这一讨论反映了 AI 行业从“模型为中心”向“应用为中心”转型过程中的典型阵痛。

1. 对从业者的警示：提醒 AI 工程师警惕“全栈陷阱”。虽然全栈能力在早期创业或小型团队中极具价值，但长期来看，若缺乏对底层算法或核心工程能力的深耕，可能导致职业护城河变浅。从业者需主动规划技能树，避免在琐碎的业务逻辑中迷失技术方向。
2. 对团队管理的启示：企业应意识到 Agent 开发的复杂性，逐步建立更细颗粒度的分工体系（如数据工程、Prompt 工程、模型微调、应用开发等），避免将过多责任压在单一工程师身上，以提高研发效率和代码质量。
3. 对技术演进的观察：Vibe Coding 的普及标志着编程范式的转变。未来的 AI 工程师可能需要重新定义“Coding”能力，从“编写代码”转向“设计系统、审查 AI 生成代码、优化工作流”，从而在享受效率红利的同时，保持对技术本质的掌控。
4. 行业共识的形成：此类社区讨论有助于形成行业共识，即 Agent 开发不仅仅是调参，更是系统工程。它推动了业界对 AI 岗位定义、技能要求及职业发展路径的重新思考。