在过去两年里，“提示工程师”（prompt engineer）这一术语从前景看好变得过时。该岗位最初出现以填补与语言模型进行高效交互的空白，随着大型语言模型（LLMs）的崛起，已巩固为提取相关答案的关键环节。麦肯锡的一项全球调查显示，7% 的采用人工智能的组织已经聘请了提示工程师，表明该职能在多个行业被提前采用。.
以往被视为差异化优势的编写精确命令的工作，正在逐步被自动化。像 DSPy 这样的工具通过将提示的调整转化为一种程序化的过程，能够实时生成、测试、分析并优化指令，体现了这一趋势。该动态对是否有必要继续保留专门从事这一职能的专业人员提出了质疑。.
提示工程（prompt engineering）的本质一直与试错法密切相关。改变措辞、分析结果并调整参数构成了一种手工式的过程，尽管在早期阶段有效，但缺乏可扩展性和一致性。自动化通过提供持续的优化循环打破了这些限制，这些循环不太容易受到人为错误的影响，也更适应人工智能应用日益增长的复杂性。.
这种转变也反映出一种概念上的变化，焦点不再是手动“prompting”，而是成为一个编程过程。正如神经网络权重的手动选择被优化算法取代一样，提示的撰写被视为一个需要系统性解决的技术问题。其结果是实现了人类单独操作无法企及的可预测性和速度水平。.
影响不仅限于运营效率。提示工程师这一角色的逐步消失表明，在自动化面前，某些专业化可能只是过渡性的存在。职业会出现以弥补暂时的空缺，直到更复杂的工具以原生方式将这些功能整合进来。在这种情况下，专业知识从手工式的执行转向诸如系统架构、流程自动化和解决方案的战略性设计等领域。.
这一变化也凸显了技术演进中一个反复出现的模式：凡能被系统化的事物，往往会被自动化。提示工程这一学科凭其本身的性质，已不可避免地成为了目标。那些仅限于与模型进行文本交互的从业者，如今看到自己的活动空间被能够以连续且自主方式承担该功能的流水线所压缩。.
这种转变并不意味着对既有知识的消除，而是对其的重新分配。理解语言模型的工作原理及其局限仍然很重要，然而其应用转向价值链中更抽象的层面。区别在于谁设计并集成系统，而不是谁直接处理指令文本。.
作为独立专业消失的提示工程师，证实了人工智能以惊人速度重塑职业职能。此一事件发出更广泛的警示：过去需要数十年才能完成的适应，如今可能在短短几年内发生。在自动化甚至吸纳新兴智力活动的情境下，灵活性与战略性前瞻对专业人士和组织而言变得不可或缺。.
