PART1: 提示词工程的兴起

在人工智能领域中，一个新的领域——提示词工程（prompt engineering）——开始显露头角。

这个领域的核心在于精心设计输入，以引导AI模型产生特定的、期望的输出。

随着AI技术的飞速发展，特别是在大型语言模型（LLM）的推动下，提示词工程成为了一个备受瞩目的焦点。

权威机构分析，全球AI市场预计将在2030年达到1.6万亿美元的规模。在这样的大背景下，像OpenAI这样的公司提供的薪酬高达90万美元，反映了AI领域专业人才的高需求。

而在这个领域中，提示词工程因其在提高AI模型性能方面的潜力而变得尤为重要。

2022年，随着GPT-3的公开可用性，普通用户开始意识到提示词的重要性。

“垃圾进垃圾出”（GIGO）的原则在这里得到了体现：如果输入的提示词草率且缺乏细节，AI模型将产生不理想的输出。

用户很快意识到，精心设计的提示词可以显著提升模型的性能。

随着对LLM能力的深入探索，人们开始尝试更复杂的工作流程和更长的提示词，这进一步凸显了巧妙编织文字的价值。

定制指令扩展了可能性，加速了提示词工程师这一职业的崛起。

提示词工程师是一群能够利用逻辑、推理和对LLM行为的知识来随心所欲地产生期望输出的专业人士。

尽管提示词工程在自然语言处理（NLP）领域取得了显著进步，但它的未来也引发了争议。

一方面，有观点认为提示词工程是AI创新的催化剂，预示着一个人类与AI无缝交互的未来。

另一方面，也有声音质疑提示词工程的长期可行性，担心它可能只是一种短暂的技术潮流。

在媒体的炒作和夸张中，提示词工程被描绘成一种要么神奇无比、要么一文不值的技术。

然而，当剥离这些炒作，我们会发现一个更加微妙的现实。提示词工程面临着技术和伦理上的挑战，包括在不同应用中的可扩展性、可复制性和标准化问题。

与此同时，与传统的、成熟的AI职业相比，提示词工程的光彩开始显得有些黯淡。

PART2: 提示词工程的争议与挑战

提示词工程（prompt engineering）作为一门新兴的领域，虽然展现出了巨大的潜力，但也不可避免地遭遇了争议和挑战。

这些争议不仅涉及技术层面，还触及了职业发展的可持续性。

技术迭代的双刃剑

技术的快速迭代是推动AI发展的强大动力，但对于提示词工程师而言，这却是一把双刃剑。

随着AI模型如GPT-3.5到GPT-4，GPT-4O 的不断进化，曾经有效的提示词可能在新版本中失效。

这种快速的技术更新要求提示词工程师必须持续学习，不断适应新的模型特性。

甚至某种程度上我们还会发现某种“无提示词工程”的趋势（non-prompt engineer）。

具体指的是，对用户输入上下文的深度理解，以无感、简易、自然交互的输入形式完成高质量内容输出。

AI理解的局限性

批评者指出，尽管提示词工程能够引导AI产生令人印象深刻的输出，但这并不等同于AI具有真正的理解能力。

他们认为，提示词工程只是一种巧妙的输入编排，它掩盖了AI在深层次理解上的不足。

职业发展的不确定性

在硅谷等科技创新的前沿地带，提示词工程师的需求或许存在，但在整个行业中，这一职业的知名度和认可度相对较低。

这引发了人们对于提示词工程职业发展前景的质疑，一些人担心它可能只是一种短暂的风潮，类似于“ESG（低碳管理） 工程师”。

媒体炒作与现实的差距

媒体对提示词工程的报道往往在赞扬其创新性和潜力的同时，也放大了其成功案例，而对其局限性则关注不足。

这种报道方式导致了公众对提示词工程的期望与实际能力之间的巨大落差，进而可能引发失望和怀疑。

自动化提示的崛起

随着自动化工具的发展，提示词工程面临了另一种挑战。

如 NeuroPrompt等工具，已经实现了在文生图领域超越人类提示词能力的输出效果。

这些工具能够通过迭代过程自动找到最优的提示词，这不仅提高了效率，而且在很多情况下，它们的表现甚至超过了人类工程师的成果。

提示词工程的可扩展性与标准化

其次，提示词工程在可扩展性和标准化方面面临挑战。

在不同应用中扩展提示词工程的可行性和确保其输出的可复制性和标准化方面，挑战依然很大。

比如，你在医疗场景下定义了一套用于撰写病历的提示词，在第一次、第二次，甚至第十次使用时都达到了较好的输出内容质量和匹配度。

但是，你依然无法保证第 11 次是否可以输出和前十次一样高质量的内容。甚至在你使用了 RAG 技术，去限定 embadding 的语料的情况下，依然无法保证。

你无法保证每次每次输出的可复制性，更无法保证标准化。这取决于大模型的黑盒机制，用户无法直接干预模型输出的多样性。

当然，我们可以把“浓度”调低，甚至接近为 0。但是，生成式 ai 的意义又在哪？

对控制的需求与自动化的矛盾

尽管人类渴望控制，但随着AI模型变得更加先进，它们将越来越多地能够在没有我们提示的情况下做事。

这种矛盾表明，提示词工程可能需要重新定义其在自动化世界中的角色。

没有办法，总得面对

尽管面临诸多挑战，但提示词工程的未来并非一片黯淡。

随着AI技术的不断进步，对能够高效编写和优化提示词的需求可能会增加。

提示词工程可能不会作为一个独立的职业存在，但其核心技能——理解并引导AI行为的能力——将继续是AI领域中的宝贵资产。

PART3 提示词工程的展望与转型

在人工智能（AI）的不断演进中，提示词工程正迎来其发展的新阶段。

在这个过程中，自动化的兴起、教育的重要性、伦理的考量、跨学科的合作以及技术迭代的适应性，都将成为塑造这一领域未来的关键因素。

自动化与人类创造力的结合

自动化提示生成工具的出现，如Rick Batlle和Teja Gollapudi在VMware的研究所示，“自动调谐（auto tune) 提示工具，已经体现了超越提示词工程师的能力”。

这些工具能够自动迭代并优化提示词，有时甚至超越了人类工程师的能力。

然而，正如Batlle所指出的，“算法吐出来的最佳提示是如此的奇怪，没有一个人类可能会想出它们”。

这意味着未来的提示词工程可能更多地涉及与自动化系统的协作，而不是单方面的任务执行。

伦理考量与社会责任

随着AI在社会中的作用不断增强，提示词工程的伦理问题也日益凸显。

从可扩展性到关于可复制性和标准化的担忧，这要求未来的提示词工程师不仅要是技术专家，还必须是负责任的决策者。

他们需要确保AI系统的输出不仅准确高效，而且公正、透明，并尊重用户隐私。

跨学科的融合与创新

未来的提示词工程将更加强调跨学科的合作。

与认知科学、心理学、社会学等其他学科的紧密合作，将有助于我们更全面地理解AI的影响，并创造出更符合人类需求的智能系统。

认知科学可以帮助我们理解人类思维和学习的过程，这对于设计能够更好地与人类交互的AI系统至关重要。

心理学则可以提供关于人类情感、动机和行为的深刻见解，这些见解可以指导我们设计更富有同理心和适应性的AI。

社会学则关注社会结构、行为和社会变迁，这对于理解AI技术如何影响社会以及如何设计能够促进社会福祉的AI系统具有重要意义。

通过跨学科合作，我们可以从不同角度审视和解决问题，这有助于我们更全面地理解AI的影响，并创造出更符合人类需求的智能系统。

例如，提示词工程师可以与心理学家合作，设计出能够更好地理解用户情感状态并给予适当反馈的AI系统；或者与社会学家合作，确保AI系统的输出不会加剧社会不平等或偏见。

技术迭代的快速适应**

技术的快速迭代要求提示词工程能够迅速适应新的AI模型和工具。

AI模型正在持续迭代，提示词工程师必须保持对新技术的敏感性，并能够快速调整他们的策略和方法。

职业角色的多样化

随着技术的发展，“提示词工程师”这一职业可能会演变成为更加多样化和专业化的角色。

他们可能成为AI系统的策略规划者、伦理监督者，或是在跨学科团队中发挥关键作用的沟通者。

即使在自动化工具的帮助下，对AI行为的理解和控制仍然至关重要。

提示词工程师的工作将更加注重策略和创新，而不仅仅是技术操作。

​

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。