AI时代的个人技能图谱（2026）

🙋‍
我是 Luhui Dev，一个长期拆解 Agent 工程、探索 AI 教育落地的开发者。关注 Agent Harness、LLM 应用工程、AI for Math 与教育 SaaS 产品化实践。

过去几年里，一个很明显的变化是，很多原本需要长期训练的“执行型技能”，正在快速变成可以调用的能力。

写代码、做设计、整理资料、写文案、分析数据、制作视频，这些事情过去往往对应一套完整的软件学习路径，也对应一类明确的职业分工。到了 2026 年，情况已经有些不同。越来越多工作不是由人从头操作工具完成，而是先把目标告诉 AI，再由 AI 去调用工具、生成结果，人负责补充上下文、调整方向和检查输出。

这个变化还没有让专业技能失去价值，但它确实改变了技能的价值分布。

过去，一个人是否有能力做成一件事，很大程度上取决于他是否掌握具体的实现手段。不会写代码，就很难做软件；不会设计，就很难做出完整的产品页面；不会剪辑，就很难稳定生产视频。现在这些门槛正在降低。实现仍然重要，但它正在从“稀缺能力”逐渐变成“可以被模型放大的基础能力”。

与此同时，另外一些能力开始显得更重要了：能不能发现一个值得解决的问题，能不能把模糊想法整理成清楚的目标，能不能判断 AI 给出的结果是否可靠，能不能把一个结果真正推到现实环境里。

以我的本职工作工程师为例，以前大把的精力和时间用来写代码，而现在最不缺的就是写代码的算力，整体的工作精力正在向上游移动。当实现越来越多地可以交给 Agent，人的工作就会更多地落到“到底应该做什么”以及“怎样才算做好”上。

这种变化不只属于我。

如果把视角从 AI Engineering 拉远一点，会发现它正在影响几乎所有知识工作。于是到了 2026 年，我越来越觉得，我们可能需要重新画一张“个人技能图谱”。

这张图不再按照编程、写作、设计、数据分析这样的职业技能划分，而是按照一个人如何把一件事情从模糊状态推进到现实结果来划分。

我更愿意把它理解为六种能力：发现、定义、建模、调度、验证和交付。

发现问题

过去讨论能力时，我们通常从“解决问题”开始。但当解决问题的成本持续下降以后，能不能发现问题，反而变得更重要。

**AI 很擅长回答一个已经被清楚提出的问题，却不太会替一个人生活在具体环境里，持续感受到那些“不太对劲”的地方。**一个流程为什么每周都有人重复整理，一项服务为什么用户总是在同一个地方流失，一个团队为什么已经习惯某种低效率，这些问题往往不是从搜索框里出现的，而是来自长期观察。

以前，看到一个问题并不意味着它值得做，因为实现成本可能很高。现在，这个约束正在减弱。很多过去因为成本太高而不值得解决的小问题，开始变得可以尝试。

因此，问题意识会越来越重要。

一个人对低效率、重复劳动、异常行为、用户抱怨和信息差是否敏感，会直接影响他能找到多少可以被 AI 放大的机会。

这也是 AI 时代一个很明显的反差：解决问题越来越容易，找到真正值得解决的问题却没有变容易。

定义问题

发现问题之后，下一步不是马上让 AI 开始工作，而是把问题说清楚。

这一点在 Agent 使用中尤其明显。

很多人会遇到一种情况：AI 能生成很多内容，代码也能写，页面也能做，但最后总觉得和自己想要的有偏差。继续补 Prompt 可以改善，但如果不断往下追，通常会发现更根本的问题是，使用者自己也没有完全定义清楚目标。

一个任务到底要解决什么，输入是什么，输出是什么，哪些条件不能被破坏，什么情况算失败，质量应该如何判断，这些东西过去可以依靠团队沟通一点点补齐，现在越来越需要在任务开始前被明确。

所以我越来越不觉得 Prompt Engineering 是一个长期稳定的技能名称。

真正长期存在的能力，更接近 Specification。

不是研究一句话怎么写得更聪明，而是把一个原本存在于脑中的模糊意图，转化成一组 AI、同事或者未来的自己都能理解的约束、目标和验收标准。

当执行能力越来越强，模糊需求带来的损耗反而会越来越大。

建模能力

AI 的普及也带来了另一个容易出现的误判：既然模型已经知道很多知识，人是不是可以少学一些专业知识。

现实更接近相反方向。

专业知识的作用正在变化，但没有消失。

过去学习一个领域，往往是为了亲自完成里面大量具体工作。今天，很多执行步骤可以交给 AI，但一个人仍然需要理解这个领域最重要的变量、因果关系、边界条件和常见错误，否则他很难知道 AI 给出的东西到底靠不靠谱。

软件工程里，这种能力表现为对架构、性能、安全、成本和可靠性的理解。做产品时，它表现为对用户、需求和商业约束的理解。做投资时，是对财务口径和风险的理解。做内容时，则是对受众、传播机制和信息价值的理解。

AI 可以调用大量信息，但它不能自动替一个人形成稳定的领域判断。

过去知识更多用于执行，现在知识越来越用于判断。

这也是为什么我觉得“懂一点所有东西”并不是 AI 时代最理想的状态。真正重要的是，在几个关键领域里建立足够扎实的模型，使自己能够判断什么是关键变量，什么结论值得怀疑，哪里可能存在风险。

调度 AI

如果说前面几项能力相对传统，那么“调度”可能是这几年新出现得最明显的一点。

我们正在从自己操作软件，慢慢转向让 AI 操作软件。

过去是人打开 Photoshop、Excel、IDE 和浏览器，完成一系列手工操作。现在越来越常见的方式，是人提出一个目标，然后由 Agent 阅读资料、调用工具、修改文件、执行脚本、运行测试，再把结果交回来。

这个变化会带来一种新的个人能力：委托。

一个复杂任务应该怎么拆，哪些部分可以一次交给 AI，哪些需要分阶段完成，哪些任务可以并行，什么时候应该补充上下文，什么时候需要人工介入，这些问题过去更多出现在团队管理里，现在开始变成普通个人使用 AI 时每天都会碰到的问题。

我认为 AI 使用能力最终可能并不会停留在“会不会写 Prompt”，而会逐渐接近一种小型项目管理能力。

未来一个人的生产力，不只是看自己能做多少，还要看自己能不能把工作组织成机器可以高效完成的形式。

验证结果

AI 越强，验证越重要。

一段内容可以逻辑顺畅，但引用并不存在；一段代码可以正常运行，但边界条件没有处理；一份分析看起来完整，却建立在错误的数据口径上。

当输出越来越像“正确答案”时，人反而更容易降低检查强度。

所以验证能力会成为很重要的一层。

测试、样例、反例、指标、Checklist、自动化检查、第二模型复核，这些手段不再只是工程领域的方法，而会越来越多地进入普通知识工作。

AI 时代一个很重要的工作习惯，可能是从“我已经做完了”变成“我有什么证据证明它做好了”。

过去执行速度慢，一个错误方向可能过几天才产生明显后果。现在执行速度提高之后，错误也会被更快地放大。

AI 能让正确的事情更快，同样也能让错误的事情更快。

交付现实结果

最后一点是交付。

这也是目前很难被 AI 完全替代的一部分。

一个方案被生成出来，并不意味着事情发生了。产品需要上线，用户需要获得，合作需要推动，团队需要协调，反馈需要收集，错误需要处理，责任也需要有人承担。

这些事情看起来不够智能，但它们决定了一个想法最后有没有进入现实。

毕竟一个人不仅要能够定义要做什么，还需要主动发现机会，并把项目往前推进。

AI 降低了大量实现门槛，也让一个以前经常成立的理由逐渐失效：我不会，所以暂时做不了。

不会设计，可以让 AI 先完成第一版。

不会写代码，可以让 Agent 帮助实现。

不会分析数据，可以让模型先整理。

这并不意味着所有事情都变简单了，而是越来越多阻碍从“技能不会”转移到了“是否真正去做”。

所以行动力会变得更加显眼。

当执行门槛下降以后，人和人之间的差距，可能会越来越体现在谁更愿意把一个模糊想法推进成真实结果。

从“技能树”转向“完整闭环”

过去我们经常讲 T 型人才：一个领域足够深，同时拥有一定的横向知识。

这个模型仍然有价值。

但到了 2026 年，我觉得另一个结构正在变得更重要：完整闭环。

一个人未必需要在每项具体技能上都做到专家，但他需要能够独立完成这样一条链路：

发现一个值得解决的问题，定义清楚问题，建立基本的领域模型，调用 AI 和工具完成大部分执行，判断结果是否可靠，最后把结果交付到现实环境里。

如果这条链路能够闭合，AI 才会真正形成杠杆。

否则，一个人可能只是掌握了很多零散的 AI 技巧。

今天会 Cursor，明天会 Claude Code，后天又换一个 Agent 平台。工具会一直变化，而且变化速度只会越来越快。具体工具当然需要学，但它们更像接口，而不是能力本身。

真正更稳定的，还是下面这些东西：

能不能持续发现问题。

能不能把问题说清楚。

有没有足够的领域判断。

能不能把复杂任务组织给 AI。

能不能识别错误。

能不能把事情推到现实里。

这些能力不会因为模型升级就失效，反而会因为模型升级变得更重要。

如果从今天开始练

如果让我设计一条 2026 年的个人技能训练路径，我不会从“学哪个模型”开始，也不会先列一张 AI 工具清单。

我会建议找一个真实问题，然后完整做一遍。

可以是一个每天重复的工作流程，一个自己一直想做的小工具，一个想验证的内容选题，或者一个生活里长期存在的小麻烦。

重点不是项目大小，而是尽量完整地走过一次：

观察问题，定义目标，拆解任务，让 AI 执行，设置验收方式，修正结果，然后真的把东西发布、上线或者投入使用。

做完之后，再复盘其中哪个环节最弱。

如果总是不知道做什么，就练观察和问题定义。

如果 AI 经常做偏，就练需求描述和上下文组织。

如果很难判断结果对不对，就补领域知识和验证机制。

如果一直停留在 Demo，就练交付和推进。

这种训练方式可能比连续看几十小时 AI 教程更有价值。

因为 AI 时代真正需要形成的，不是一个不断膨胀的工具列表，而是一套能够不断把新工具吸收到自己工作方式里的能力结构。

延伸阅读：几本更值得在 AI 时代重新读的书籍

有几本已经出版多年的书，在 AI 时代重新读，会显得更有价值。

1. 《俞军产品方法论》

它讨论用户价值、需求和产品决策。过去它主要被当作产品经理方法论来读，现在可以换一个角度，把它当成一本训练“什么值得做”的书。当实现成本持续下降以后，这种判断会越来越重要。

2. 《用户故事地图》

它讨论如何从一个模糊需求出发，把用户目标和工作拆成可以逐步交付的结构。今天再看，会发现它和 Agent 时代的 Specification 很接近。很多 AI 使用问题，本质上并不是 Prompt 不够好，而是任务本身没有被定义清楚。

3. 《系统之美》

AI 很容易给出一个局部看起来合理的答案，但现实问题往往存在反馈、延迟和连锁反应。这本书帮助建立一种更系统的观察方式，尤其适合用来训练“一个结果背后还有哪些变量没有被看到”。

4. 《精益创业》

AI 让 MVP 的生产成本大幅降低之后，Build-Measure-Learn 这套循环反而更实用了。以前一个想法可能需要几个月才能验证，现在很多事情几天就可以做出第一版。执行速度变快以后，更应该把时间用在真实反馈上，而不是继续讨论。

5. 《刻意练习》

AI 时代最容易出现的一种错觉，是把大量信息摄入当成学习。每天看新闻、收藏工具、阅读教程，看起来一直在学习，但能力没有形成。真正有效的学习仍然依赖任务、反馈、修正和再次尝试。