AI 时代，年轻工程师最该学什么？

7 月 15 日是世界青年技能日。2026 年的主题是“Skills for a shared future”（面向共同未来的技能）。

AI 正在改变工程工作的工具和速度。对年轻工程师来说，问题已经变了：先把哪些能力练扎实，才能让 AI 进入真实项目，而不把错误一起放大。

2014 年，联合国大会将每年的 7 月 15 日设为世界青年技能日，强调青年技能对于就业、体面工作和创业的重要性。2026 年的官方主题是“面向共同未来的技能”。UNESCO 的说明提到，人工智能、绿色转型和日益复杂的社会环境正在改变学习、工作和社会参与方式。年轻人需要的也不再只是单一技术技能，而是一组相互支撑的能力：技术、数字、AI、绿色、社会情感与公民能力，以及技术无法替代的人的品质。

这段话对工程行业很有现实意义。

下面的五项能力，是筑见实验室把这一主题放回工程工作后的实践归纳，不是 UNESCO 的官方课程表。

今天的年轻工程师可以更快地生成计算脚本、整理图纸信息、检索资料、编写说明、比较方案。过去需要反复整理的初稿，现在很快就能得到。一个错误的输入、一条失效的依据、一个未经确认的假设，也能以同样的速度进入报告、模型和交付文件。

工具的速度已经变了，工程责任没有因此变轻。

先别急着追一份软件清单。它很快会过时。

年轻工程师更需要建立一条完整的工作链：定义问题，检查输入和假设，用简化方法验证结果，追溯结论依据，再把 AI 放进有边界的人机协作流程。

这五项能力看起来朴素，却决定了一个人能不能从“完成任务”走向“承担工程工作”。

一、先学会定义问题，再急着求答案

很多工程任务一开始并不是一个清楚的问题。

“帮我看看这个方案有没有问题。”

“把这份图纸检查一下。”

“算一下这个构件是否安全。”

这些话可以启动讨论，不能直接构成可靠的工程任务。对象、范围、工况、依据和验收标准都没有说清楚。把这样的指令交给 AI，它可能会自行补全缺失条件，随后给出一份结构完整、语气确定的回答。风险就藏在这些被补出来的前提里。

年轻工程师接到任务后，可以先写一张“问题卡”：

• 要判断的对象是什么？
• 这次工作要支持哪个决定？
• 已知条件有哪些，哪些仍待确认？
• 适用的范围、阶段和工况是什么？
• 用什么依据判断结果可以接受？
• 最终要交付模型、清单、计算书，还是一条风险意见？

例如，“检查一根梁”仍然太宽。更清楚的表述可能是：依据已确认的轴网、截面、材料和荷载条件，复核某层某构件在指定组合下的承载与变形，并列出尚未确认的输入，不对未提供的节点构造作推定。

同样的逻辑也适用于其他工程工作。检查一个软件接口，需要说明调用量、数据边界、外部依赖和失败标准；核对一套机电方案，需要说明工况、系统接口、保护条件和采用依据。专业不同，问题卡都要先把边界钉住。

问题一旦这样写，工作边界就出现了。AI 能整理哪些资料，计算工具需要哪些输入，工程师要保留哪些判断，也会随之变清楚。

一个有代表性的国际工程教育框架也把问题分析放在基础位置。国际工程联盟的《华盛顿协议》毕业生能力框架要求工程毕业生能够识别、表述并分析复杂工程问题，并用数学、自然科学和工程科学的基本原理形成有依据的结论。这个框架不是中国工程项目的执业或审查标准，但它提醒我们：解题能力的起点，是把题目定义正确。

一个简单的训练方法是：每次打开计算软件或询问 AI 前，先用 100 字写清任务。写不清，通常意味着自己还没有准确理解问题。

二、把输入、假设和事实分开

年轻工程师容易把拿到手的资料都当成“已知条件”。真实项目很少这么整齐。

设计图、变更单、现场记录、会议纪要、设备资料和口头说明，可能来自不同时间。它们的状态也不同：有些已经批准，有些仍在讨论，有些只是用于估算，有些已经被后续版本替代。

AI 擅长把零散资料整理成连贯叙述。连贯并不代表资料之间没有冲突。它也可能在数据缺失时，根据常见情况补出一个看似合理的值。

第二项要练的能力，是输入治理。

至少把输入分成三类：

• 事实：有正式来源、版本和状态，可以直接核对。
• 假设：为推进分析而暂时采用，需要说明理由和影响。
• 缺口：当前无法确认，必须询问、补测或留作风险项。

一份简单的输入表可以包含：字段名称、数值与单位、来源文件、版本日期、适用范围、确认人和当前状态。涉及模型时，还要写清坐标方向、单位制、荷载组合、边界条件和简化方式。

这张表没有复杂技术，却能挡住很多错误。一个数值进入模型前，先回答“从哪里来、是否最新、适用于哪里”；一个假设进入结论前，先回答“如果它不成立，结果会怎样”。

训练时不要只收集正确答案。可以找一份已经完成的项目资料，反向追踪其中十个关键输入，看看自己能否在几分钟内找到来源、版本和确认状态。找不到的地方，就是团队知识链里的薄弱点。

三、保留简化验算，不被精确数字迷惑

工程软件和 AI 都能给出很多位小数。

数字越精确，越容易让人放松警惕。但精度和正确性是两回事。错误的单位、边界条件或组合设置，同样能产生一张完整的结果表。

年轻工程师需要保留一套不依赖原计算路径的简化验算方法。目的不是重新做一遍完整计算，而是判断结果是否处于合理范围。

常用方法包括：

• 检查量纲和单位是否一致；
• 用数量级估算判断结果是否离谱；
• 看极端工况和边界情况是否符合常识；
• 选一个控制位置做手算或简化模型；
• 换一条独立路径复核关键结果；
• 比较模型前后变化，确认变化方向是否能解释。

例如，模型调整了跨度、刚度或支承条件，结果却几乎没有变化，就值得停下来检查。某项内力比经验判断大一个数量级，也不应先忙着修改构件尺寸，而应先核对单位、荷载、连接和结果提取位置。

AI 可以帮助列出验算思路、生成计算表或检查计算步骤。工程师要决定哪一个结果最控制，哪一种简化足够独立，以及偏差到什么程度必须回到原模型排查。

训练不需要从大项目开始。每周选一个已经完成的计算结果，给自己限定一页纸，只写假设、简图、数量级和结论。长期坚持后，你会逐渐形成对结构、数据和结果的尺度感。

四、让每个重要结论都能追溯

AI 时代，答案越来越容易得到。依据反而更珍贵。

工程结论至少要能回答四个问题：

1. 依据来自哪里？
2. 使用的是哪个版本？
3. 原文或原始数据在什么位置？
4. 这条依据在当前项目里是否适用？

“AI 查到的”“网上看到的”“以前项目用过”都不能作为正式依据。

对规范条文、产品参数、试验数据和项目要求，可以建立一张证据卡：结论、来源、版本或日期、页码或条款、适用条件、核对人、核对状态。AI 可以先抽取和归类，但正式使用前要回到原文，确认上下文、版本和适用范围。

证据追溯还有一个常被忽略的价值：它让团队能够复核你的工作。

年轻工程师常常希望交出一个“看起来没有问题”的成果，于是把不确定性藏起来。更成熟的做法是把状态写清楚：哪些已经核实，哪些只是暂用，哪些仍需专业负责人判断。这样做不会削弱成果，反而会让成果更可用。

可以从很小的习惯开始：报告中的每个关键数字都留来源；引用的每条规范都留版本和条款；AI 总结出的每个重要判断都能回到原始材料。时间久了，你积累的就不只是文档，而是一条可以继续使用的证据链。

五、学会与 AI 分工，也学会承担责任

会使用 AI，不等于把任务完整地交给 AI。

比较稳妥的分工是：

• AI 负责初步整理、抽取、比较、生成候选方案和检查清单；
• 计算工具负责按既定模型、算法和参数执行计算；
• 工程师负责定义问题、批准假设、选择验证方法、解释偏差和作出决定；
• 专业负责人按项目制度完成复核、审批和签署。

每一次使用 AI，都可以留下一份简短记录：用了什么工具和版本，输入材料是什么，AI 生成了哪些内容，采用了哪些，舍弃了哪些，怎样完成验证，还有什么风险未关闭。

记录的目的不是增加表格。它能帮助你分清“工具产出”和“自己的判断”。出现问题时，团队也能回到当时的输入和决策，避免只面对一份无法解释的最终文件。

还要知道哪些材料不能随意交给外部模型。项目保密资料、个人信息、商业数据和受许可约束的文件，应遵守所在单位的安全与数据制度。没有明确授权时，先做脱敏、使用受控环境，或者不用。

AI 能承担越来越多的过程工作。它不会接过工程师对结果的专业责任。年轻工程师越早理解这一点，越能把 AI 用在适合的位置。

一条可以执行的 12 周学习路径

这五项能力不需要等到参加大型项目才开始练。可以用 12 周完成一次小型闭环。

这是一条个人练习路径，不替代单位培训、执业要求和项目带教。练习尽量从已经完成、结果可核对的任务开始，并接受有经验同事的复核。

不必另起大题，也不必追求每周学一个新工具。直接从正在做或已经完成的任务里截取一个小问题，留下可以复核的产出。

第 1—4 周：重做一个熟悉问题

从已经完成、结果可核对的任务开始。每周重做一个小问题，先写问题卡和输入表，再使用软件或 AI。最后用一页纸说明：问题如何定义，哪些是假设，哪个输入最影响结果。

这一阶段追求的是清楚，不是速度。

第 5—8 周：增加独立验算和证据卡

为每个任务补一条简化验证路径。关键结论都附来源、版本和位置。请一位同事只看你的问题卡、输入表和证据卡，判断他能否理解并复核。

如果必须靠你口头补充大量背景，说明交付物还不能独立使用。

第 9—12 周：完成一次人机协作交付

选择一个范围可控的小任务，让 AI 参与资料整理、风险列举或初稿生成。你负责确认边界、检查输入、做简化验证和记录证据。最终交付时，附上一页说明：AI 做了什么，人做了什么，哪些结果已经验证，哪些事项仍待确认。

这 12 周结束后，你未必多掌握了几十个新工具，但会拥有一套可复用的工作方法。换软件、换模型、换项目时，这套方法仍然有效。

对团队来说，培养不能只靠年轻人自己摸索

年轻工程师需要训练，团队也要提供训练条件。

如果组织只按出图速度、文档数量和任务完成时间评价新人，他们自然会追求更快生成。如果项目允许新人参与问题定义、输入核对、复核沟通和交付回看，他们才有机会理解工程工作的完整链条。

带教时可以少问一句“做完了吗”，多问几句：

• 你实际解决的是什么问题？
• 哪个输入最不确定？
• 你用什么方法确认结果合理？
• 这条结论能回到哪个依据？
• AI 在哪里帮了你，哪里可能误导你？

这些问题会逐渐改变一个人的工作方式。团队也会得到更透明、更容易复核的成果。

结语：共同未来，需要可以被共同检查的工程

2026 年世界青年技能日谈“面向共同未来的技能”，重点不只是让年轻人适应新工具。官方主题同时强调韧性、沟通、参与和人的品质。

对工程师来说，“共同”还有一层很具体的含义：你的工作要能被下一位工程师理解，被团队复核，被项目追溯，也经得起时间和责任的检查。

AI 会继续变强，软件会继续更新。年轻工程师不必追完每一次功能发布。

明天接到下一项任务时，先别急着打开模型或询问 AI。用一张问题卡把对象、工况、依据和交付目标写清楚，再开始工作。后面的输入、验算、证据和责任，才有地方落下去。

把这条工作链练熟，比追完每一次功能发布更有用。它不会让工作显得更轻松，却会让你在工具快速变化时仍然站得稳。

关注我们

欢迎搜索并关注 筑见实验室，获取更多建筑 AI、结构计算与工程数字化实践：