为什么说提示词工程师没有前途？

大家好，我是一直在读书的书先生。

前几天， OpenAI 推出了 GTP-4o。这个模型有两个两点：

第一，它可以通过摄像头和现实世界互动。

第二，你可以随时打断它，然后它可以接着前面的对话调整回答。

这两个特点在下面的官方视频里都有所体现：

第一个功能有很多实用的功能，比如给小孩儿讲题、帮助盲人描述环境、在历史景点根据摄像头内容现场讲解。这些应用的特点都是 ChatGPT-4o 根据摄像头内容和人实时互动。我相信不久之后，就能看见相应的应用。

第二个特点看起来没有第一个炫酷，但影响更为深远，因为它使和 ChatGPT 的交互更像人类了。同时，它也意味着——提示词工程真的没有前途。

ChatGPT 问世之后，提示词工程师就成了一个很火的词，甚至很多人说，接下来十年是提示词工程师的黄金十年。

从一开始，我就不同意这种看法。在公众号里，在直播间里，我都反复提醒大家，提示词工程没有前途。

这次 ChatGPT 4o 的问世，让这一点更加明显了。

接下来，我就借这次更新，把我认为提示词没有前途的理由介绍一下，供您参考。

人们认为提示词工程师是未来重要职业方向，一个最重要的理由就是：提示词的质量直接决定了 ChatGPT 回答的质量。

这句话当然没有错。当人们在用这句话为提示词工程重要性背书时，其实还有一个隐含前提，那就是人们希望一次性获得好答案。

但这不是人类问答的方式。人类的交流是有来有回的，很多时候，需要好几轮的对话，才能获得满意的回答。

在这次更新之前，如果要通过多轮对话来获得满意的回答，其实很麻烦。因为一定那问题没有问好， ChatGPT 的确会给出不那么让人满意的答案。

更糟糕的是，你不能打断它，只能等它回答完毕。如果你在它没有回答完之前，强行终止重新提问，那当前的答案不会进入聊天历史，所以不会成为下一轮问答提示词的一部分。这意味着，你重新提问，它就完全重新回答。是否有提升，完全取决于你重新提问的质量。

正是因为这个特点，人们认为提示词工程很重要，甚至认为它是未来人们必须掌握的技能，似乎问不出好问题，在人工智能时代就没法生存了。

但现在这种看法没有什么道理了，因为你可以随时打断 ChatGPT 了，而它被打断的回答，也会成为聊天历史的一部分。这样一来，你随时发现回答不对劲儿，随时可以调整。这就使提示词工程显得不那么重要了。

可以随时打断，随时调整问题，这是提示词工程没有前途的第一个理由。

可能有朋友会说，就算是人类的交流，能一次性把问题问清楚，也是值得追求的吧。和这种人交流，难道不是更省心吗？这种人不是更受欢迎吗？

对，这话也没有错。但和 ChatGPT 交流，我们不需要这样做。那是我们对聊天机器人的要求，不应该是聊天机器人对我们的要求。

我们来看两个典型的使用 ChatGPT 的方式，它们也分别涉及两种人类和 ChatGPT 的角色关系。

一种是我们有不懂的事情，向 ChatGPT 提问。这时候，ChatGPT 是老师，我们是学生。老师不应该对学生提问有高要求，恰恰相反，一个好老师，应该是无论学生问得多么糟糕，都会想办法回答学生的问题，耐心地理解学生、引导学生、帮助学生。

现在很多老师对学生提问要求很高，是因为教育资源有限，耐心也不够。但这两点，对 ChatGPT 来说都不是问题。ChatGPT 能同时服务全球所有人（只要电和显卡够用），它拥有无限的耐心。所以， ChatGPT 有能力也有“义务”通过耐心地引导，搞清楚人类想问什么，然后给出高质量的回答。

另一种是我们有一些任务，让 ChatGPT 帮我们做，比如翻译、检索总结文献等。这种情况下，我们和 ChatGPT 是老板和员工的关系。

现在人们经常说，有了人工智能加持，一个人就是一个公司。在这个一人公司里，你是老板，AI 是员工。老板不需要锻炼自己给员工下命令的能力，应该是员工锻炼理解老板命令的能力。

老板的任务是选择合适的员工来做合适的工作。对于员工都是 AI 的一人公司，老板的主要任务是配置 AI Agent 的能力，根据任务，协调它们的互动。这一点今天就不展开来说了，以后我通过自己设计的 AI Agent 来给大家视频讲解。

所以，人类和 ChatGPT 的角色定位，决定了应该是 AI 提高理解人类提问的能力，而不是人类提高自己向 AI 提问的能力。这是提示词工程没有前途的第二个理由。

最后一个原因是大模型本身的定位。

无论是现在的大语言模型，还是即将出现的大多模态模型，还是最终形态——通用人工智能——，它们在人类社会里，都必将扮演基础设施的角色。

也就是说，大模型就是未来的电。

基础设施要人人都能使用。一个人人都能使用的东西，门槛一定不能太高。当你觉得必须成为提示词高手，才能用好 ChatGPT 时，你实际上把它看作了一种专业人士才能用好的工具。这不符合其基础设施的定位。

试想一下，我们现在用电需要什么专业知识吗？不需要，只要会插插头就行。反正我从来没有听说谁因为掌握了一种特殊的能力，在家里能把电用得更好。我都不知道把电用得更好是个什么意思？

实际上，大模型的发展过程就是消灭提示词工程的过程。现在的大模型，会自我提示，以提高回答的质量。典型的 AI Agent 思考过程本质就是自我提示。下图是我自己做的一个统计分析 Agent 的自言自语，你可以看出，它其实就是在自我提示：

上图可能看不清楚，我把 Agent 的“思考”过程，复制粘贴如下。

> Entering new AgentExecutor chain...Thought: 首先，我们需要计算每个学生的数学成绩和英语成绩的差值，然后找到差值最大的学生的编号。Action: python_repl_ast Action Input: df['math_grade'] - df['english_grade']0     27 1     85 2     -6 3      3 4     23      .. 95   -15 96    13 97   -76 98    71 99    -4 Length: 100, dtype: int64为了找到差值最大的学生的编号，我们可以使用pandas中的idxmax()函数。Action: python_repl_ast Action Input: (df['math_grade'] - df['english_grade']).idxmax()1由于python中的索引是从0开始的，所以最大差值的学生编号为2。Final Answer: 2> Finished chain.

我给它的任务是分析一份成绩单。成绩单是 excel 表格，是一个30人班级的数学和英语成绩。我的第一个问题是：“这个班哪个同学数学成绩和英语成绩差别最大？”

红框部分就是 Agent 的回答，你可以看出，它在自言自语。自己“思考”，自己“下指令”，自己“写代码”，自己“执行代码”，最后给我答案。看上去很神奇，其实整个过程的本质，就是“自我提示”。

我让它做个 t-test，它也是通过自问自答的方式，自己写好代码，最后给我结果。

> Entering new AgentExecutor chain...Thought: 首先，我们需要导入scipy.stats模块来进行t检验。然后，我们需要将数学成绩和英语成绩分别提取出来，存储为两个数组。最后，我们可以使用scipy.stats.ttest_ind()函数来进行t检验，并将结果打印出来。Action: python_repl_ast Action Input: import scipy.stats as stats ObservNameError: name 'Observ' is not defined由于输入错误，我们需要重新输入正确的命令。Action: python_repl_ast Action Input: import scipy.stats as stats通过导入scipy.stats模块，我们可以使用其中的ttest_ind()函数来进行t检验。Action: python_repl_ast Action Input: math_grades = df['math_grade']通过使用df['math_grade']，我们可以将数学成绩提取出来，并将其存储为一个数组。Action: python_repl_ast Action Input: english_grades = df['english_grade']通过使用df['english_grade']，我们可以将英语成绩提取出来，并将其存储为一个数组。Action: python_repl_ast Action Input: stats.ttest_ind(math_grades, english_grades)TtestResult(statistic=-0.7420498916466688, pvalue=0.45893644008060497, df=198.0)通过使用stats.ttest_ind()函数，我们可以得到t检验的结果，其中statistic表示t值，pvalue表示p值，df表示自由度。Final Answer: TtestResult(statistic=-0.7420498916466688, pvalue=0.45893644008060497, df=198.0)> Finished chain.

这种 Agent 只是大模型的简单应用，但足以显示大模型的自我提示能力。因此，大模型作为基础设施的定位和它不断发展的自我提示能力，是提示词工程没有前途的第三个理由。

我是一直在读书的书先生，感谢您的阅读。

今天的推文，我分享了我对提示词工程是否有前途的看法。我的观点是：没有前途。我的理由有三个，我帮您再总结一下：

1. 大模型聊天机器人已经可以随时打断，随时调整问题，一次性问出好答案已经没有必要。

2. 我们和 ChatGPT 的典型角色关系是学生和老师，以及老板和员工。学生和老板都没有必要提高自己的提问能力，老师和员工有必要提高自己理解问题的能力。

3. 通用人工智能的角色定位是基础设施，基础设施的使用门槛不能太高。人工智能的发展，本身就是不断降低使用门槛的过程。

你觉得提示词工程师有前途吗？为什么？欢迎在留言区分享您的看法。

温馨提示：

明天我们一起来读一篇应用 框架语义学研究科技术语的文献。作者是我非常喜欢的两位学者。读这篇文献也是为接下来 Torrent 教授的分享做准备。