过去两年，“提示工程师”一词的前景已从充满希望变为过时。这个职业最初是为了弥补与语言模型高效交互方面的不足而出现的，随着语言学习模型（LLM）的兴起，它已成为提取相关答案的关键角色。麦肯锡的一项全球调查显示，7%采用人工智能的组织已经聘用了提示工程师，这表明各行各业已经开始采用这一角色。
曾经被视为区分企业优劣的关键因素——精准指令的编写，如今正逐渐实现自动化。DSPy 等工具正是这一趋势的典型代表，它将快速调整指令的过程转化为程序化流程，能够实时生成、测试、分析和优化指令。这种发展趋势引发了人们对是否还需要专门从事此项工作的专业人员的质疑。
快速工程的本质始终与反复试验息息相关。不断尝试不同的语句、分析结果、调整参数，构成了一个手工打造的过程。虽然在初期阶段行之有效，但却缺乏可扩展性和一致性。自动化打破了这些局限，提供了持续的优化循环，不易受人为错误的影响，也更适合日益复杂的人工智能应用。
这种转变也反映了概念上的转变，即关注点从人工提示转向编程过程。正如人工选择神经网络权重已被优化算法取代一样，提示编写现在也被视为一个需要系统性解决的技术问题。其结果是实现了仅靠人工操作无法达到的可预测性和速度。
这种影响远不止于提升运营效率。快速响应工程师角色的逐渐消失表明，在自动化浪潮下，专业技能可能会变得短暂。一些职业应运而生，填补暂时的空白，直到更先进的工具能够原生支持这些技能。在这种情况下，专业知识从手工操作转向系统架构、工作流程自动化和战略解决方案设计等领域。
这一变化也凸显了技术演进中一个反复出现的模式：凡是能够系统化的事物，最终都会走向自动化。快速工程这门学科，就其本质而言，已成为不可避免的目标。过去只能通过文本与模型交互的专业人士，如今发现自己的工作空间被持续自主运行的管道系统所压缩。
这种转变并非意味着摒弃已有的知识，而是重新分配这些知识。理解语言模型的工作原理及其局限性仍然至关重要，但其应用如今已扩展到价值链中更为抽象的层面。区别在于谁来设计和集成系统，而非谁直接操作命令文本。
快速响应工程师这一独立职业的消失，印证了人工智能重塑职业角色的速度之快。这一事件也预示着一个更广泛的趋势：过去需要数十年才能完成的变革，如今只需几年即可实现。在自动化甚至吞噬新兴智力活动的背景下，灵活性和战略预见能力对于专业人士和组织而言变得至关重要。
