过去两年，AI 行业有一个颇具代表性的现象：Prompt Engineer（提示词工程师）从炙手可热的新职业，迅速淡出了主流讨论。2023年至2024年期间，几乎所有关于大模型应用的讨论都会围绕 Prompt 展开。大量课程、认证、咨询服务和招聘岗位围绕 Prompt Engineering 构建，甚至一度被描述为进入 AI 时代最重要的能力之一。然而仅仅两年之后，行业关注点已经转向 Agent、Tool Use、Workflow、Context Engineering、Semantic Layer 等更高层概念。Prompt Engineer 并没有真正消失，但它已经失去了作为独立职业标签的存在意义。 这并非一次职业的衰落，而是一次技术抽象层的上移。许多人误以为 Prompt Engineer 被证明是一场泡沫，事实上恰恰相反。Prompt Engineer 的快速消失，本身就是大模型能力成熟的重要标志。历史上几乎所有技术领域都经历过类似过程：当一个系统尚不成熟时，人们需要掌握大量技巧才能获得稳定结果；当系统逐渐成熟时，这些技巧会被吸收到基础设施之中，最终成为普通用户无需感知的底层能力。 Prompt Engineering 本质上是一种过渡期技术如果回顾 GPT-4、Claude 早期版本以及同期大量开源模型的发展阶段，会发现 Prompt Engineering 兴起并非偶然。当时模型已经具备相当强大的知识储备和推理能力，但这些能力并不稳定。模型有时能够展现接近专家级的分析能力，有时又会在简单问题上出现明显偏差。用户面对的是一个能力存在但行为不确定的概率系统。 于是，人们开始尝试利用语言来约束模型行为。Role Prompt、Few-shot Learning、Chain of Thought、Tree of Thoughts、ReAct、Self-Consistency 等方法相继出现。它们看似属于不同研究方向，本质却是在做同一件事情：利用额外的语义结构，引导模型进入更理想的概率分布区域。所谓 Prompt Engineering，并不是在编程，而是在通过语言不断调整模型内部的概率路径。 从这个角度看，Prompt Engineer 更像是人与概率系统之间的翻译层。其核心价值并非创造能力，而是弥补模型能力尚未充分稳定之前的缺口。很多被广泛传播的 Prompt 技巧，例如“请一步一步思考”“你是一位资深专家”“深呼吸后开始推理”等，本质上都属于对模型行为的概率诱导，而非真正意义上的逻辑控制。 Prompt 并不是工程，而更接近经验主义Prompt Engineering 之所以最终难以成为独立职业，一个重要原因在于它并不符合工程学的基本特征。 工程体系的核心价值来自可验证、可复现与可组合。软件工程能够持续积累，是因为代码逻辑具有确定性；数据库能够成为基础设施，是因为查询结果具有稳定性；网络协议能够形成生态，是因为通信规则具有一致性。 而 Prompt 恰恰缺少这些特征。 同一个 Prompt，在不同模型之间可能产生完全不同的结果；同一个模型升级版本后，原本有效的 Prompt 也可能失效；上下文长度、温度参数、系统提示词乃至训练数据变化，都可能影响最终输出。这意味着 Prompt 的运行机制并不是建立在确定性逻辑之上，而是建立在统计概率之上。 因此，Prompt Engineering 更像一种经验驱动的优化活动。它类似于早期互联网时代针对浏览器兼容性的调试技巧，也类似于数据库尚不成熟时期的大量性能调优经验。这些技巧在特定历史阶段极具价值，但它们无法成为长期稳定的工程抽象。随着底层系统能力提升，最终都会被系统自身吸收和替代。 从这个意义上说，Prompt Engineering 更像一笔技术债。它帮助行业快速跨越能力缺口，却不会成为未来生产体系的长期基础。 模型正在吞噬 Prompt 的价值过去两年，大模型最重要的进步并非参数规模增长，也不是知识覆盖范围扩大，而是语义理解能力的大幅提升。 早期模型主要理解句子；今天的模型越来越能够理解意图。 这种变化看似微小，实际上意味着人与机器交互范式的根本变化。 在传统软件体系中，人类必须学习系统语言。程序员需要理解编程语言语法，数据库管理员需要掌握 SQL，用户需要适应复杂菜单和操作逻辑。Prompt Engineering 本质上延续了这种思维模式：为了获得更好结果，人类需要学习如何向模型表达。 而新一代模型的发展方向恰恰相反。模型正在学习如何理解人类，而不是要求人类学习模型。 从 GPT-4 到 GPT-5 系列，从 Claude 到 Gemini，再到新一代 Agent Runtime 系统，一个明显趋势正在形成：用户越来越可以使用自然语言描述需求，而模型负责完成意图解析、任务规划、工具调用、信息检索和结果生成。 技术演进并没有让 Prompt 更重要，而是在不断消灭 Prompt 的必要性。 这与计算机历史上的每一次抽象升级高度一致。汇编语言没有消失，但大多数开发者已经不再直接编写汇编；内存管理没有消失，但越来越多开发者无需关心寄存器和地址空间；网络协议依然存在，但用户已经不需要理解 TCP/IP 才能使用互联网。 Prompt 也正在经历同样的命运。 真正消失的是 Prompt 的神秘主义Prompt Engineering 在其最热阶段，出现过一种典型现象：大量人相信存在某种特殊语言结构，可以显著提升模型能力。 于是行业出现了各种 Prompt 秘籍、万能模板、黑科技公式以及所谓的最佳实践大全。很多内容甚至带有明显的神秘主义色彩，仿佛掌握某些秘密咒语就能够获得竞争优势。 这种现象并非 AI 独有。 每一次技术革命初期都会出现类似阶段。因为当系统内部机制尚未被充分理解时，人们往往会将经验误认为规律，将技巧误认为能力，将偶然成功误认为普遍方法。 但技术发展的方向从来不是强化神秘主义，而是消灭神秘主义。 真正成熟的技术体系，一定会把专家技巧沉淀为系统能力，把经验规则固化为基础设施，把隐性知识转化为标准化能力。用户获得价值的方式最终不再依赖技巧，而依赖系统本身。 Prompt 的神秘感正在消失，不是因为 Prompt 无效，而是因为模型越来越理解为什么它有效。 AI 并没有降低门槛，而是在抬升门槛Prompt Engineer 消失背后，更值得关注的是另一个被忽视的事实：AI 并没有真正降低能力门槛，它只是改变了门槛的位置。 过去的软件开发关注“如何实现”。 未来的软件开发越来越关注“如何定义”。 实现层正在被模型接管，但定义层的重要性正在快速上升。 在 Agent、Workflow 和 AI Native Software 的世界里，决定系统价值的已经不再是具体代码，而是目标定义、边界定义、约束定义和评估定义。 越来越多项目失败，并不是因为模型能力不足，而是因为目标不清晰、约束不完整、上下文不充分、评价体系不明确。模型能够生成代码，却无法替代业务逻辑；能够执行任务，却无法决定什么才是正确任务；能够完成流程，却无法天然理解组织真正追求的目标。 因此，未来最重要的能力不再是 Prompt Writing，而是 Semantic System Design（语义系统设计）。 其核心包括五个层次： 第一层是问题建模能力，能够准确抽象现实世界问题； 第二层是逻辑契约能力，能够定义系统边界与责任； 第三层是约束系统能力，能够构建规则与治理机制； 第四层是目标函数能力，能够明确成功与失败的判定标准； 第五层是世界模型能力，能够让 AI 理解业务运行机制与环境动态变化。 这些能力共同决定了 AI 系统最终表现，而 Prompt 只是其中最表层的表达方式。 从 Prompt Engineering 到 Semantic Programming如果说过去的软件工程核心资产是代码，那么未来的软件工程核心资产将逐渐转向语义。 这种变化并不意味着代码消失，而意味着代码正在向执行层退化。 未来系统的真正价值越来越体现在： 这些语义对象之上。 换句话说，人类正在从编写执行逻辑，转向定义语义逻辑。 Prompt Engineer 曾经解决的是“如何让模型理解我说的话”。 而未来的语义程序员解决的是“如何让系统理解我要达成的世界状态”。 这是两个完全不同层级的问题。 前者关注表达。 后者关注定义。 前者优化语言。 后者塑造系统。 这也是为什么今天越来越多领先 AI 产品团队已经不再讨论 Prompt，而开始讨论 Context Engineering、Memory Architecture、Agent Policy、Evaluation Framework 和 Semantic Runtime。因为真正决定系统能力的已经不是一句 Prompt，而是整个语义系统。 Prompt Engineer 的消失，本质上不是一个职业的失败，而是一次技术抽象的成功。 当一个领域需要大量技巧时，往往意味着系统尚未成熟；当一个领域开始摆脱技巧依赖时，往往意味着它正在成为基础设施。Prompt Engineering 的历史地位，更像是编译器出现前的机器码优化、互联网普及前的拨号网络调优，或者早期网页时代的浏览器兼容性工程。它们都曾经重要，却都不代表终局。 真正值得关注的变化是，AI 正在把竞争焦点从表达能力转移到定义能力。从提示词到语义系统，从语言技巧到世界建模，从描述问题到定义规则，人类价值正在向更高层抽象迁移。 Prompt 的本质是描述，而未来生产力的核心是定义。谁能够定义目标，定义约束，定义评价标准，定义业务运行机制，谁就能够塑造下一代智能系统。Prompt Engineer 并没有被 AI 替代，而是正在演化为更高层次的角色——语义系统设计者。未来人与 AI 协作的关键，不再是如何说服模型，而是如何定义世界。 |
