外观
第四章 不要追逐“未来职业”
一个新名字在招聘网站和社交媒体上出现时，常常比它真正对应的工作更容易被看见。提示词工程师、AI Engineer、FDE、OPC……名字短，故事也完整。先占住这个位置，好像就站到了未来的一边。
问题在于，职位名称像一个压缩包。它把一组任务、当时的工具条件、市场需求和成功故事压成一个便于传播的词，却把真正决定这项工作能否留下的细节藏了起来。
所以，面对一个新名字，不必急着问“要不要成为它”。先把它放回当时的工作现场，看它究竟在解决什么问题。
以“提示词工程师”为例
这个岗位的兴衰有一条清晰可查的时间线。2022 年底 ChatGPT 发布后，“提示词工程师”迅速成为热门话题。2023 年初，Anthropic 挂出一个“提示词工程师暨提示词管理员”（Prompt Engineer and Librarian）职位，年薪最高 33.5 万美元，被媒体广泛报道，许多人把它当作这个职业已经成立的证明。招聘网站 Indeed 后来披露的数据提供了另一半画面。求职者对这个岗位的搜索从 2023 年 1 月的每百万次 2 次，在 4 月冲高到 144 次，随后回落并停留在 20 到 30 次的水平。企业真正发布的这类岗位始终很少，一些公司（比如保险公司 Nationwide）选择培训现有员工使用提示词，没有为这个技能单设岗位。到 2025 年，微软一项覆盖 31 个国家、3.1 万名员工的调查中，“提示词工程师”在企业计划新增的 AI 相关岗位里排名垫底。
若只盯住这个名称，很容易得出两个同样粗糙的结论：它会成为所有公司的标准岗位，或者它只是一个短暂的噱头。把名称背后的工作摊开，才有机会看见两种说法各自漏掉了什么。
它为什么会在那个时候出现？模型已经能处理一部分写作、分析和代码任务，但同一个模型面对不同的提问方式、任务拆法和上下文，结果差异很大。组织需要有人把模糊需求整理成模型能稳定处理的任务，这种分工于是变得可见。
这个分工处理的并不是“有没有模型”，而是使用模型时的试错和沟通成本。目标怎么说清，复杂任务怎么拆开，输出偏离要求时又怎么发现，这些都需要有人处理。假如这个约束主要来自工具还不成熟，就不能只凭职位名称判断这项分工能持续多久。
还要看它实际交付了什么。假如一套任务说明能让客服回复更一致，让资料提取少返工，让团队更快得到可以检查的初版，它处理的就是看得见的交付问题。反过来，若只剩下“会写提示词”这一句描述，却说不出任务怎样变好，这个名称可能主要在替期待服务。
稀缺的东西究竟是什么
一开始稀缺的未必是什么提示词秘诀。稀缺的可能是对模型边界的经验，也可能是熟悉业务流程、能设计验收样例、知道怎样把失败反馈回任务的人。模型和产品后来会吸收一部分通用做法，这正是后来实际发生的。Anthropic 和 OpenAI 先后发布官方提示词指南，控制台里内置提示词优化工具，模板和默认工作流让一部分重复技巧不再需要专门的分工。“会写提示词”逐渐从一个岗位的技能，变成使用模型的默认要求。
这不等于相关工作会整体消失。问题定义、业务背景、验证和对结果负责的工作，可能仍会以别的角色、别的名称留在团队里。真正需要分辨的是，角色里的哪些任务能够被做成产品，哪些仍依赖具体现场和责任。
把名称拿掉再看，问题会更清楚。即使不再叫“提示词工程师”，这段工作中是否还留下了可辨认的结果、约束和任务？如果留下的是帮助团队把问题说清、把模型接进真实流程、验证输出的能力，变化不会因为名称淡去而消失；如果留下的只是一套很快被产品替代的操作，稀缺也就无从谈起。
名字不是证据
这次拆解留下六个可以反复使用的问题：一个名字为什么在此时出现？它替谁处理了什么约束？实际带来了什么结果？稀缺来自哪里？哪些任务还会继续自动化？拿掉名称后还剩下什么？这些问题不能预测一个角色能存在多久，却能防止我们把流行词误当成变化本身。
同一时期出现的另一个名字，可以拿来对照着拆一遍。2023 年 6 月，Shawn Wang（swyx）发表《The Rise of the AI Engineer》，主张出现了一个新的角色，一种不训练模型、能把模型能力通过 API 落地成产品的工程师。这个判断得到 Andrej Karpathy 的公开认同。同年 10 月，首届 AI Engineer Summit 以十比一的报名比例售罄。用同样的问题检验，它出现时模型已经很强，从模型能力到可用产品之间隔着大量工程工作，这正是它要处理的约束。几年过去，这个约束没有因为工具成熟而消失，名字于是留了下来，尽管它的具体含义仍在变化。两个名字几乎同时出现，之后的走向完全不同，造成差别的是背后的约束是否持续存在。
以后再遇到新的岗位或工作方式，可以先把它放回前三章建立的线索中。哪项任务成本变了，供给和需求怎样变化，新的等待点又在哪里。然后再看，这个名字是否只是对某段暂时分工的包装。这样，热点不再只能带来焦虑，也可以成为观察真实变化的入口。
第一部分到这里结束。我们已经能够从任务成本、稀缺性和约束的位置理解变化。下一部分要继续追问，AI 为什么能进入这些任务，又为什么会在看似简单的地方失手。