在上一篇文《面對 AI，這個時代還需要創作者嗎？ 》的留言中， Yi-Huei Liou 問了一些很好的問題，可以總結為：
「提詞工程會死掉嗎？」
「Prompt Engineering is dead」 這個論述大概在 2023 年開始就有聽過了，一開始是認為「提詞工程師」這個職業太詭異了，沒有必要存在；後來則是認為會被一般工程師取代，或者被更強的 AI 模型取代。
我想了這幾天，我的答案是：「會，也不會」。
簡單來說是：框架不會死，內容物會。
我們一題一題來聊：
1. 語言模型越來越強，「專業提詞工程」的需求會不會死掉？
2. 這件事會在什麼時候發生？
3. 「提詞」作為一種程式語言
4. 假設提詞工程在未來是更重要的，該如何學習提詞工程？
▋ 1. 語言模型越來越強，「專業提詞工程」的需求會不會死掉？
不會，相對的我覺得這個需求正在增加。
模型越來越強，提詞的難度確實不斷降低。再加上各種「幫你寫好提詞」的 AI 創業者，我會直接假設未來生態是：社會上 80% 任務都不需要太高難度的提詞工程就可以完成。
但那是日常領域。還有剩下 20% 的落地應用會需要提詞工程，例如醫療、法律、財稅務會計等——那些「絕對不能出錯」的地方。
所以這些「垂直領域」（有專精知識的領域）對提詞工程的要求，跟日常提詞是完全不同的，你會需要滿足資安、穩定性、精準度等要求。
尤其是「資安」這一塊非常重要。
有個概念叫做「提詞注入」，就是使用者用提詞 hack 進去語言模型，產出它不應該產出的東西。
其實 LLM 對提詞注入防禦力是低的，你基本上只要加上一層皮就可以破解。其他模型我不知道，但目前我實測大概有三種方法可以讓 GPT 產出暗黑內容。
急著應用但沒有顧好資安，經典案例就是之前捷運客服 AI 被拿來寫 code 。
所以這裡應該連 「2. 承上，提詞工程的門檻被降低後，哪些 AI 領域不受影響，提詞工程依然是一門重要技術？ 」也回答掉了——
日常使用者會越來越不需要提詞工程，但商業應用會需要。
（有點像以前個人電腦剛出來每個人都要會 terminal，但 GUI 普及後現在只剩下工程師需要會用）
▋ 2. 這件事會在什麼時候發生？
已經是進行式了，大概從 2023 年開始就在發生中。
簡單來說，你如果現在去 Lark 上找《通往 AGI 之路》社群裡面的大神提詞，很多寫在 2023 甚至 2024 的提詞，現在都不需要那樣複雜了，用簡單的提詞就可以代替。
以前也有很多 GPT 搜尋的外掛，都是 Sam Altman 一個更新就全部無用。
▋ 3. 「提詞」作為一種程式語言
我覺得「提詞」跟「程式語言」真的很像：前者是跟 LLM 溝通的技術，後者是跟電腦溝通的技術。
從這個角度來思考，就很清楚了：一個只會 Python 語法的人，我們可以說他是工程師嗎？很高機率不行。
我會 Python 不是重點，重點是我會 Flask、Scraping、PyTorch 還是 Pandas？我可以解決什麼問題？
一樣，我會提詞不是重點，重點是我會 MCP、LlamaIndex、LangChain、LangFlow 還是 FineTune？我要解決哪些問題？
提詞工程本身不是重點，要解決的問題才是重點。
從這個角度再來看，有些人會說「叫 AI 來寫提詞就好啦，所以提詞工程會死掉」。
這我不同意，原因也跟「AI 寫程式」一樣：
AI 當然可以寫提詞，但是重點是你要能判斷什麼叫做「好的提詞」，跟判斷「好的代碼」一樣。
AI 不可能讓「程式設計」這個框架死掉，但是「什麼叫程式設計」的內容物會不斷被重新定義。
同理，
「提詞工程」作為框架本身，到現在還有很大的討論熱度，且 Wiley 也出兩本提詞工程的參考書了，顯示這個領域正在慢慢建立話語權。
但「提詞工程的技巧」確實不斷地在改變或者被取代。例如我一個月前開發的提詞，現在有 MCP 之後又要大改了。
「提詞工程」不會死掉；但「提詞工程的技巧」會一直死掉。
框架不會死，但內容物會。
▋ 4. 如何學習提詞工程？
⇨ 第一個，就當作一種工具。
可以像是學寫程式一樣，大概了解一下提詞工程的技巧，為什麼有些提詞要那樣寫，搞懂基本的 Few Shot、CoT 那些就好，然後有需要的時候再去專精特定部分就好。
很多提詞工程的概念也要重新定義。
例如，推理模型出來之後 CoT （Chain of Thought）就不需要了嗎？
還是需要，但不是像傳統那樣用。原本是在「一個提詞」裡面請 AI 列出思考，現在我會在「多個提詞」——整個對話裡面跟 AI 一起思考，讓我們一起導向好的產出。
所以至少在這裏「淺碟式學習」是有效的策略，先大概有個概念（****常識****），然後只針對特定應用場景去優化。
⇨ 第二個，常識真的超重要。
當知識隨手可得，是否有「常識」可以判斷你現在需要什麼知識，要從哪裡獲得知識，怎樣運用這些知識，
在你對 AI 詠唱之前，都必須仰賴人腦裡面的常識。
所以在學「提詞工程」時，我會特別關注裡面的「常識」是什麼，或者「底層邏輯」是什麼。
像是 CoT 的常識，就只是 AI 必須要根據「上文」才能產生「下文」。
那我在使用的時候就會去注意「我的上面已經產出怎樣的內容？這會怎樣影響我後面的內容？」
注意常識，你會開始意識到大多數 AI 工具就真的只是工具；大多數 AI 的討論，都只是對工具的討論。
對岸的提詞工程社群我一開始非常投入，天天看。看久了開始覺得，啊，這裡是一個「比較錘子款式型號」的地方，大多數 AI 社群都是如此。
工具會一直變，但常識可以至少存在十年以上。
⇨ 第三個，主要的精力放在「槓桿能力最強」的事情
什麼事情，槓桿能力最強？
說穿了只有一個字：「寫」。
寫提詞——跟 LLM 溝通的技術。
寫程式——跟電腦溝通的技術。
寫作——跟人溝通的技術。
寫提詞是槓桿能力強的，只是充滿變數，適合淺碟式碎片化學習；
但寫程式跟寫作已經存在很久了，值得好好投入精力練習。
寫程式不用說了，學會跟電腦溝通，你就掌握了驅動科技的能力。
寫作呢？AI 這麼會寫，個人寫作還有意義嗎？我的案例應該可以證明是有的。
只是回到那句話：框架不會死，內容物會。
「寫作」這個社會功能不會死，但「寫作技巧」這個內容物會。
一年以前我的寫作技巧，有很多到現在已經被 AI 工具取代了，我不可能再回去用老方法寫。
但寫作這件事的意義，前所未見地重要——因為內容市場是由焦慮推動的，AI 有讓人們更平靜嗎？
在我看來其實寫作、寫提詞、寫程式都是同一件事。
都是「寫」。
都是把你大腦中的想法，轉譯成爲文字，不管是兩千年前寫在泥板上，還是今天寫在 Cursor IDE 、Claude 或 GPT 對話匡裡。
提詞工程，本質上還是寫作，就是在把大腦想法轉譯成文字。
因此，如果這三個只能選一個，我會毫不猶豫地選擇「對人類寫作」。
因為「故事」是大腦的程式語言，LLM 則是仿造大腦設計的機器。
懂得說故事，你同時會掌握驅動 LLM 與人類社會的能力。
