2023年3月，Anthropic公司在招聘平台发布了「提示词工程师」这一岗位，迄今该职位已停止新申请。尽管页面仍保留着系统指令、模型行为、产品质量等相关职责，但招聘的暂停本身难以直接宣告这个职业的完全消亡——然而其名字立刻让人想起，几年前围绕这份工作掀起的那股浪潮。
曾经这类职位加上提示词库运维工作的开出年薪，达到了30万美元以上的水平。《时代》杂志报道过一位英语专业毕业、曾做过文案创意的从业者案例。如此高的薪资与非计算机专业背景相结合，使众多人士突然意识到，进入AI产业似乎又开辟了新渠道。
学习编程不再必要，只要更懂得与AI交流的窍门，便可能踏入令人瞩目的职业。这类职业想象对那些惧怕被AI替代的普通劳动力格外有磁力。
两年后的数据揭示了转变。微软覆盖31个国家3.1万名职工的问卷显示，该岗位在各企业计划未来12至18个月新增职位的排序中排名倒数第二。
Indeed求职网的检索热度也清晰记录了这段轨迹：2023年1月时每百万搜索仅现2次，4月飙升至144次，随后便回落至每月20至30次的位置。
从一个新兴职业到几近被人遗忘，提示词工程师仅用了三年。
它究竟是手艺本身失效了，还是我们从一开始就对其价值的理解错位了？
01 计算机行业曾经反复上演过的故事
二十世纪中期，「Computer」曾指代一种职业身份。
那些坐在办公桌前手持纸笔、从事重复运算工作的人，就被称作Computer。复杂的研究项目身后，通常站着一整支人工计算队伍。他们能将繁难问题拆解成多个子项，逐一进行数值运算，最后把答案汇总交予研究者。
电影《隐藏人物》中多萝西领导的团队，正是这样的组织形式。
当多萝西得悉NASA计划采购IBM电子计算机时，她意识到了人工计算部队的危机。她自学了Fortran编程语言，学成后又将知识传授给西区部门的同事，最终成功启动了那台机器，并被晋升为编程部长。
同一影片中，Katherine Johnson在发射前被告知任务不再需要她，随即被调回计算部西区。
类似的转变也在电话接线员和打字员身上反复发生。机器承担了部分工作，而某些职能则随着工具的推广而由普通使用者自行完成。
打字员的遭遇最易被理解：办公室里仍需大量文字输入工作，但当其他员工都能在个人电脑上完成文档处理，开设专职打字岗位的必要性就随之下降了。
这些消亡的职业有个共同特质。它们所掌握的价值，一度建立在机器尚不能做、普通员工暂不会做的事项之上。伴随这个前提的改变，曾经明晰的职业轮廓也逐渐模糊。
02 提示词工程师为何被推上热潮之巅
2022年11月，ChatGPT基于GPT-3.5系列推向市场。2023年3月，GPT-4随即发布。人们惊喜地发现，在输入框内敲入文字指令，就足以让AI生成文章、梳理素材、规划方案。
能生成内容，和能生成用户真正需要的内容，其实还隔着距离。
同样让AI撰写营销策划，有人收到的是泛泛的建议片段，有人得到的却是相对完整的分析体系。区别就在于——任务说明是否充分、数据准备是否齐备、是否提供了参考范例，以及对输出形式的要求是否明确。
由此，如何向AI提问本身演变成了一门需要研究的学问。
市场迅速积累了一套通用的表达方式，许多类似范式遵循这样的逻辑：你扮演某领域的专业人士，具备什么样的经历和知识积累，现在要在什么条件和信息基础上，输出什么类型的结果。
为了诱导AI像真正专家那样回答，人类要先编写一份相当详尽的角色定义书。市面上甚至出现了大批成型的提示词模板被商业化出售。
这类实践确有价值。企业要运用大模型，需配备人员来编写操作指令、准备示例、多轮测试，将不稳定的输出调校至生产可用的状态。谁更快掌握模型脾气，谁就可能省却大量试错代价。
然而问题随之而生——真正的需求很快被夸大为普遍机遇。那些2023年年入数十万美元的招聘广告，成为了行业最知名的价码标签。
市场开始涌现非技术背景的入行者，跨界转职的成功故事被反复传颂。这类叙事之所以引人注目，在于它同时满足了两个心理诉求：新兴技术的门槛看似并不高企，而非主流职业路径之外确实存在可行的捷径。
但市场实际需求，并未与宣传热度相符。
2025年发表的研究对LinkedIn数据的分析涵盖了20662条招聘信息，其中提示词工程师的职位仅有72个。样本不算庞大，却足以提示我们，这个职业的真实规模或许远未及于想象。
职业的知名度，已经超越了职业的实际容量。
03 提示词工程师的迅速衰退
坍塌的速度出乎所有人预料，且信号来自模型开发公司本身。2024年5月，Anthropic推出了提示词自动生成工具。
用户描述所需完成的任务，Claude能协助拼装提示词框架，原来需要人工反复摸索的写法技巧，已转化为产品内置功能。
用户还在学习如何把需求翻译成AI能理解的指令语言之时，AI已在帮他们自动翻译了。
对于AI产品而言，这其实是个逻辑上很顺畅的选择。
倘若每位用户都必须先掌握角色扮演、背景铺垫、约束设定、范例组织等技巧，才能获得满意结果，那么使用的门槛仍然高企。若要拓展用户规模，产品必须把这些准备环节尽可能纳入自己来处理。
模型对自然语言的理解在深化，充分利用已有的交互记录，遇到信息不足时会主动追问，这些都在不断削减使用者必须提前准备的工作量。用户可以不必在第一次就把全部需求写成严谨的说明文档，而是在对话流程中逐步厘清想法。
当AI越来越能理解人的意图，那些专门教导如何与AI交流的工作，其特殊价值就越来越难以维系。
如果说生成器减轻了写提示词的麻烦，那么Skills技能包则进一步消减了重复说明的负担。
2025年10月，Anthropic发布了Agent Skills，将指令、脚本和资源整合成可重复调用的能力单元。同年12月，该机制进一步成为了开放标准。
发布当日，开发者Simon Willison评价这是一件或许比MCP更关键的事，因由是编写技能和分享技能的成本都极其低廉。
两者最根本的区别体现在复用的方式上。提示词依赖人工维护，每次使用都得重新输入；技能可被安装、版本管理、共享分发，在相应场景自动激活。提示词只能调整措辞表达，技能则能附带脚本代码、数据模板、文档资料，将整个业务流程固定下来。
不久之后，人们发现那些过去需花费精力调试的许多提示词应用场景，都可直接转化为一个成熟的技能。
开放生态带来的行为方式变得更加深刻。当海量使用者上传自己开发的技能到公开平台后，当人们遇到新需求时，第一选择就变成了先在市场上查找是否有现成、成熟的方案，直接装载运用，而非坐下来自己重新调试提示词。
Anthropic内部已有数百个技能处在积极使用阶段，按照九大分类进行组织，这个数字表明技能已从个人的专项技巧升级为常规的工程资产。
提示词的需求并没有消失，只是转换了载体。有提示词撰写能力的人把积累转化为技能发布，缺乏这类能力的人直接使用别人完成的方案。两条路径最终殊途同归，那个专门靠写提示词维生的职业空间被彻底腾空了。
04 AI越来越懂使用者意思
三年出头的岁月中，提示词工程师这个职业经历了诞生、追捧、再到几乎被遗忘的全过程。
极少有哪个职业能在如此短暂的时间跨度里，经受这般巨大的繁荣与衰落，这似乎已成了AI年代的某种特征——技术迭代的节奏已然快过了职业成熟的速度。
一句俏皮话形容这种快速变化就是：关乎AI的东西，你若不学，反而省事了。
今天辛苦学到的操作技能，明天AI就可能自行具备。这句话触中了许多人的感受——追随工具升级的脚步，有时真像在追赶一台不停加速的车子。
长远来看，提示词的淡出是必然之势。
人和AI进行互动最自然的方法，始终是常规的语言表达。过去数年间，提示词充当的是一个转接层的角色，用户需将自己的意图转换成模型能识别的格式，模型才能反馈预期的答案。这个中介层之所以存在，根本上是因为模型的理解能力还不够。
随着AI不断优化进步，以及和使用者互动记忆的持续积累，它会越来越懂与它对话的具体那个人。它能记住你之前喜欢的表达风格，知道你厌恶什么样的呈现方式，熟悉你工作领域的专业常识。
当AI逐渐完全理解它的使用者时，使用者就不再需要复杂繁琐的提示词，仅凭一句简单直白的自然语言，AI就能理解并给出所需。
这可能就是提示词谢幕之后，人类与AI互动的最终样态。
机器越发懂得人的所想，人就越发无需先学会机器的语言逻辑。
