普通人转行“提示工程师”毫无意义

这是一个“虽迟但到”的提示工程师（Prompt Engineer）职业驱魅指南。

很多读者可能已经从很多地方了解到，提示工程师有多么火爆，市面上也出现了许多高价“卖铲子”的培训班，号称“拿百万年薪”。

而前不久的一个亲身经历，则让我确信，普通人转行“提示工程师”，毫无意义。

事情是这样的。

我前不久去深圳东莞的松山湖风景区，参加了HDC.cloud 2023华为开发者大会。那里平时也有不少市民前去游玩打卡拍照，所以活动现场的展厅和会议室，也来了很多老人和小孩看热闹。

在一个数字人系统的演示屏幕前，一个五六岁的小男孩，就在我们一群大人的旁观下，独立完成了“输入指令、生成视频、播放测试、修改内容”的整套操作。

当然，他第一次接触这套系统，甚至可能是第一次见到数字人，写的提示词粗糙，生成的视频也很短，没什么可看性。但这个事情，给出了“一个比特的信息”，让我们确定，通过自然语言和直观方式与大模型进行交互，认知门槛和操作门槛，正在急速下降。

一个没有受过任何训练的小学生，也可以轻松运用数字人背后的文本、图像、语音等多种模型能力，让它执行特定任务。

这意味着，为生成式AI写提示词，将是未来工作的默认技能，就像今天绝大多数知识岗位要会使用搜索引擎，以前创作者都要懂怎么去图书馆查找资料一样。

真正的“提示工程”，又需要和大模型一起，深入行业和业务场景，而在那里，Prompt对专家的需求度，远高过专家对Prompt的需求度。

所以，普通人转行“提示工程师”，毫无意义，至少赚钱、稳定、门槛低，这三重意义，那很快就不沾边了。

高薪的虚假繁荣

作为大模型浪潮所创造的新职业之一，“提示工程师”之所以最出圈、最令人兴奋，就在于夺人眼球的高薪。

一些招聘薪酬甚至高达335k 美元年薪（相当于人民币230万），为什么呢？因为因为提示词（Prompts），和大模型输出结果的强相关性。

生成式AI需要提示工程师和大模型交互、对接、设计和研发提示词，借助精准的指令或提示词，才能充分释放大模型的生产力。一旦大模型出现“幻觉”和胡说八道，也需要提示工程师再针对性地精调和训练，以确保AIGC达到预期的效果。

听起来，似乎是一项很有挑战性的工作，但需要注意的是，这个“写提示词”的大量中间环节，很快会被两股力量干掉。

一股力量，就是大模型本身。

大模型的本质，就是将智力工作（写PPT绘画写报告等）自动化、工业化，而“写提示词”包括的一系列特殊技能，比如模型功能理解、任务理解、编程、交互创意、测试评估、改进调整，这些中间环节，现阶段可能还需要专门学习、投入大量人力、智力资源来完成，但很快会被废弃，或者封装成开箱即用的插件/应用。

随着大模型变得越来越好，已经出现一大堆插件工具，将“写提示词”这一智力劳动，推进到工业化、自动化阶段。除了前面提到的数字人系统，目前FusionAI也推出了提示词自动生成工具，Stable Diffusion也支持“拖拉拽”选风格，不需要用户自己琢磨，DALL-E 2也有非常精细的Prompt指导手册。所以，这项技能会被大模型变得越来越低门槛。

（详细的AIGC教程）

另一股力量，是开源开放。

开源模式，可以说是对创新的毫无保留，这对降低提示工程的复杂度和难度，起到了非常积极的作用。目前用大模型的门槛已经下降到，只需要一台笔记本电脑甚至一个手机，各个细分领域的从业者都可以探索、创造好用的Prompt，并通过开源社区、社交媒体等渠道开放出去。一些高容错率的场景，比如AI绘画、情感问答，免费优质的Prompt一搜一大把，很难形成付费；而低容错率的场景，比如蛋白质预测与生成，需要深入的业务理解和广泛的技术知识Prompt也不是几周、几个月的培训就能写出来并work的。

电梯刚出现的时候，大部分人不会用、不敢用，还诞生了一个工种叫“电梯操作员”，专门只帮人按电梯。但现在，电梯操作简单到小朋友都会按，我们只会在两种情况见到“电梯操作员”，一种是特殊作业场景，比如医院、高校，替人按电梯只是一份重复且乏味的工作，收入也比较惨淡；另一种则是高端服务场景，比如五星酒店、高级会馆，靠为高净值人群提供服务溢价，大约类似于到烟草集团给“烟草行业大模型”写提示词，确实能实现高薪，但岗位十分稀缺，成功竞争上岗的注定只是少数人。

一边是AI大模型的“大力出奇迹”，一边是开源生态的“人多力量大”，所以，留给 “提示工程师”的高薪岗位，真的没有想象的那么多。

负担重重的稳定

有些人并不是一门心思想赚钱，而是对现有的工作感到非常不安全，想转行到欣欣向荣的AI行业。而算法工程师、产品经理等，都有学历、技术背景、工作经验等的严苛要求，与之相比，“提示工程师”往往不要求有正式的技术学位，对工作年限和经验的要求也相对宽松。

很多担心现有工作岗位被AI取代的人，就希望做“提示工程师”。毕竟连OpenAI首席执行官Sam Altman都说了，提示工程（Prompt Engineering）最终可能会变得不那么重要，但就目前而言，它仍然是一种惊人的高杠杆技能。

但他没有提到的是，IT行业有一个默认的潜规则：所有的软件都是负债（Technical debt）。任何新兴的热门软件、技术应用、开发语言，都是一种技术债务，会不断经历重大升级，很多软件可能会被停用，一些代码会被重写，公司或业务发生变化时，可能就换成了完全不同的技术。这也是为什么程序员会有35岁危机，一方面是职场内卷的结果，另一个原因也是源于随着从业年份增长，技术人员也会背上更多“技术债务”，如果不能及时清零、与时俱进、终身学习，跟不上最新的技术趋势，压力越来越沉重。

提示工程是一门较新的学科，无论是底层的大模型，还是应用层的提示词开发和优化，都有非常多的变数，技术创新迭代会非常快。

计算机专业的从业者，凭借扎实的专业基础、内化的开发意识和审美，或许能够很快迁移到新的技术工具上，跟上变化。

而普通人因为恐惧AI威胁而盲目转行，在短时期内只能掌握一点皮毛，也不一定是发自内心的热爱，一旦技术发生较大的变化，可能投入的学习成本、时间成本、机会成本都会湮灭。所以想当提示工程师的人们，真的做好了“任他雨打风吹，我自岿然不动”的心理准备吗？

真实的入行门槛

当然，时代给普通人的上升机会本就稀少，通过容易上手的“写提示词”技能作为“跳板”，进入行业之后再提升自己，“提示工程师”是非常好的路径。

从可能会被消灭的“写提示词”型工程师，转变成真正掌握了算法优化、开发、落地部署的“提示工程”，那才是成功的转型。

那么，实际操作中，提示工程究竟需要哪些能力呢？

首当其冲的，还是AI技术。

脉脉人才智库的一项调查显示，目前AIGC热招的岗位以技术岗位为主，算法工程师、自然语言处理、图像识别等研发人才；而供给端，热投的岗位则以AI产品经理类、运营类等非技术岗位居多。

人才供需结构的失衡，也说明壁垒较高的技术岗位，对于算法、编程功底、学术研究成果等要求，并没有放松多少，只有少部分人能够胜任。具体到提示工程师，就业市场还没有非常形成明确的标准和规范，所以由技术人员来内部转岗/兼任/探索，恐怕会成为大多数企业的选择。

其次就是要“懂行”。

提示工程要在业务中发挥大模型的生产力价值，这就需要对AI和Prompt有深入了解，同时对业务场景、企业需求、发展战略等很了解，可以将专业术语，直接而精确地用产品逻辑与数学逻辑表达出来，形成更具体的提示工程应用，比如细分到金融文本解析、论文摘要生成、客服话术质量控制等，才能保证输出结果是有业务价值的最佳方案。

也就是说，即使没有计算机或深度学习的学历背景，作为行业专家，也能与算法工程师等配合做好提示工程，未来也可以转型成为AI产品经理。那么问题来了，普通人是否把自己正在干或者真正感兴趣的职业，做精做好，做到专家级别呢？

幻想在另一个赛道重新开始、白手起家、降维打击，那是爽文，不是现实。

同时还要提醒的是，提示工程师的职业风险，也是现实存在的。

众所周知，大模型有不守规矩、胡说八道的“幻觉”问题，可能产生伪造、色情等有害内容，要让大模型的服务可靠可信，必须有人来把关和验证，提示工程师就是AIGC的“守门员”。而很多开源大模型是“不承诺任何责任”的，因为免费开放，所以一旦模型出现问题，比如有后门、遭到攻击等，就很难追责。

怎么办呢？只能是“谁用谁负责”。万一出现了有害内容或不可靠的结果，提示工程师自然也要承担连带责任。

有个段子说，AI取代不了会计，因为AI不能坐牢。解决思路这不就来了，那就是由同样是人的提示工程师，取代会计坐牢啊（并不是说真的会坐牢！）。

去年年底，Meta宣布AI部门拆散重组，原因是不应该有独立的AI部门，AI应该融入到各个业务线当中去。当时，一些AI概念股也开始低迷，在高歌猛进期投身工业界的AI科学家，不少又重返学界。没想到年初ChatGPT炸裂登场，又为AI续了一命。

提到这段并不久远的历史，是希望大众别只看到AI“吃肉”，也得看到“挨打”的一面。AI产业进程中，也存在较大的变数和不确定性，岗位随时会有调整和变化。

大模型热度催生的提示工程师职业，究竟是昙花一现，还是长期需求，抑或会融合到算法工程师的技能体系内，还是未知数。

唯一可以确定的是，就像AI Exchange的创始人Rachel Woods所说，未来的真正工作技能，是“AI素养”。随着Prompt工具的平民化，每个人都能掌握这一技能。

而盲目转行，恐怕还没站上风口、长出翅膀，就要面临风停的考验。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的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。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】