prompt工程师，一个新兴职业的崛起与消失

2023 年 3 月，Anthropic 在招聘网站上挂出一个岗位，Prompt Engineer，也就是提示词工程师，如今这个岗位已经停止接受申请。

留存的页面里，仍能看到系统提示词、模型行为、产品质量等工作要求。招聘停止，当然不能证明一个职业消失了，但这个名字很容易让人想起，几年前围绕它发生过的那场热闹。

当年，Anthropic 为提示词工程师及提示词库管理岗位开出的年薪达到 30 万美元以上。

《时代》的报道还介绍了一位英语专业出身、此前做过文案的从业者。高薪和非计算机专业背景放在一起，让很多人突然发现，进入 AI 行业似乎多了一条路。

不必先花几年学习编程，只要更懂得如何向 AI 提问，也可能获得一份令人羡慕的工作。这种职业想象，对担心被 AI 替代的普通人尤其有吸引力。

两年之后，微软一项覆盖 31 个国家 3.1 万名员工的调查里，这个岗位在企业未来 12 到 18 个月计划新增的职位中排倒数第二。

Indeed 上它的搜索热度，从 2023 年 1 月每百万次 2 次，冲到当年 4 月的 144 次，之后回落到 20 到 30 次之间。

提示词工程师从一个新兴岗位，到几乎无人问津，只用了三年时间。

到底是这门手艺不行了，还是我们一开始就误解了它的价值？

01 提示词工程师的事在计算机行业早已上演

在 20 世纪中期，Computer 还可以指一种职业。

坐在办公桌前、手里拿着纸笔、反复进行计算的人，就是 Computer。那些需要大量运算的研究工作，背后往往有一群人工计算员。他们把复杂任务拆开，逐项计算，再将结果交给研究人员。

电影《隐藏人物》里，多萝西带领的就是这样一支团队。

当多萝西得知 NASA 要装 IBM计算机，意识到人肉计算组的位置保不住了。她去图书馆借来一本讲 Fortran 的书自学，学会之后又教给西区的同事，最后成功启动了那台机器，被提升为编程部门主管。

同一部影片里，Katherine Johnson 在发射准备阶段被告知不再需要她，被重新调回西区计算部门。

类似的变化也发生在电话接线员、打字员身上。有些操作交给机器，有些工作则随着工具普及，逐渐由使用者自己完成。

打字员的处境尤其容易理解，办公室仍然有大量文字需要输入，但当其他员工都能在电脑上处理文件，专门设置一个打字岗位的必要性就降低了。

这些职业有一个共同处境。它们的一部分价值，建立在机器暂时做不到、普通使用者暂时不会做的事情上。随着这个条件变化，原先清晰的职业边界也会松动。

02 提示词工程师是怎么被推到高处的？

2022 年 11 月，基于 GPT-3.5 系列的 ChatGPT 发布。2023 年 3 月，GPT-4 推出。人们开始发现，只要在输入框里打字，就能让 AI 写文章、整理资料、生成方案。

但能生成东西，距离能生成自己需要的东西，还有一段距离。

同样是让 AI 写营销方案，有人得到几段泛泛而谈的建议，有人能得到相对完整的分析。差别出在任务有没有说明白、资料是否充分、有没有提供例子，以及输出要求是否清楚。

于是，提问本身变成了一门值得研究的手艺。

市场很快形成了一套流通话术，很多类似模板是这样的：你是某某领域的专家，你具备什么样的背景和知识储备，现在你要基于什么问题和什么条件，给出什么方案。

为了让 AI 回答得像个专家，人先写了一份相当详细的专家岗位说明书。一些批量提示词模板甚至被大量售卖。

这类探索确实有用。企业希望使用大模型，需要有人设计指令、准备例子、反复测试，把时好时坏的输出调整到可用程度。谁更早摸清模型的特点，谁就可能节省大量试错时间。

问题出在，真实需求很快被放大成了普遍机会。2023 年 年薪几十万美元的招聘启事，成了这个行业最著名的一张价签。

市场上出现了没有技术背景也能入行的例子，跨专业转行成功的故事被反复讲。这类故事之所以有效，是因为它同时满足两个心理期待，新技术的门槛看起来没那么高，以及现有职业路径之外确实存在捷径。

但真正的需求，并没有这么多。

2025 年发表的一项研究，分析了从 LinkedIn 抓取的 20662 条相关招聘信息，其中提示词工程师岗位只有 72 个。虽然数据量不大，但却提醒我们，这个职业的实际规模可能远没有想象中庞大。

职业的知名度，跑在了职业的规模前面。

03 提示词工程师的陨落

坍塌来得比所有人预料的都快，而且信号来自模型公司自己。2024 年 5 月，Anthropic 推出了提示词生成器。

用户描述想完成的任务，Claude 就能辅助生成提示词模板，一部分原本需要人去摸索的写法，已经变成了产品功能。

人们还在学习怎样把需求翻译成 AI 容易理解的指令，AI 已经开始帮人做这层翻译了。

对于 AI 产品而言，这其实是一条很自然的路。

如果每个用户都必须先学习角色设定、背景描述、约束条件、范例组织，才能获得满意结果，那么使用门槛依然很高。产品要走向更多人，就需要把这些准备工作尽可能接过去。

模型更好地理解自然语言，利用已有上下文，在信息不足时追问，都是在减少用户必须提前完成的工作。用户不必第一次就把所有要求写成一份严密文件，可以在交流中逐步说清楚。

当 AI 越来越能听懂人，专门教人怎样对 AI 说话的工作，就更难维持原来的稀缺性。

如果说提示词生成器减少了编写的麻烦，那么 Skills 进一步减少了重复交代的必要。

2025 年 10 月，Anthropic 发布 Agent Skills，将指令、脚本和资源组织成可复用的能力包。同年 12 月，这套机制进一步成为开放标准。

发布当天，开发者 Simon Willison 的评价是，这件事可能比 MCP 更重要，理由是写一个技能和分享一个技能的成本极低。

两者的差别在复用形态上最清楚。提示词要靠人维护，每次都要重新输入；技能可以被安装、被版本管理、被分享，在命中场景时自动加载。提示词只能管措辞，技能可以带脚本、带模板、带参考文档，把一整套流程固化下来。

用不了多久，人们就发现，过去那些需要反复调优的提示词需求，很多可以直接炼化成一个技能。

生态开放带来的行为变化更加彻底。当大量的人把自己做好的技能上传到公开市场之后，一个人遇到某个需求，第一反应会变成先去搜市场上有没有做得比较成熟的方案，装上直接用，而不是坐下来重新写和调提示词。

Anthropic 内部有数百个技能处于活跃使用状态，并被归纳为九大类，这个数字说明技能已经从个人的小技巧变成了常规的工程资产。

提示词的需求并没有消失，它换了一个容器。写得好的人把经验沉淀成技能，写得不好的人直接装别人做好的。两条路都通向同一个结果，专门靠写提示词吃饭的位置被腾空了。

04 当AI越来越了解使用的人

三年多一点的时间里，提示词工程师这个职业从被发明、被追捧，到几乎不再被提起。

很少有一个职业能在这么短的时间里经历如此巨大的繁荣和衰落，这似乎是 AI 时代的一个特点，技术迭代的速度已经快过了职业的成型速度。

用一句玩笑来形容这种速度，就是关于 AI，只要你不学习，就不用学了。

今天费力学会的操作，明天 AI 也许自己就能完成。它说出了很多人的感受，追着工具补课，有时真的像追一辆不断加速的车。

把视线放远一点，提示词的退场是必然的。

人类与 AI 交互最自然的表达方式，始终是自然语言。过去几年里，提示词承担的是一个翻译层的角色，人要把自己的意图翻译成模型能听懂的格式，模型才能给出想要的答案。这个中间层之所以存在，是因为模型还不够懂人。

随着 AI 继续进化，以及人机交互记忆的不断积累，它会越来越了解与它对话的那个人。它会记得你上次要的风格，记得你不喜欢什么样的表达，记得你所在行业的常识。

当一个 AI 完全了解它的主人，主人不需要复杂的提示词，只需要一句简单的自然语言，AI 就能给出所需要的东西。

这可能是提示词消失之后，人与 AI 交互的最终形态。

当机器越来越理解人，人就越来越少需要先学会机器喜欢的说话方式。