内容摘要： Don Giannatti认为：目前火热的提示词工程师（Prompt engineer）可能会很快凉凉，原因是：人工智能会自主学习，自己生成提示，人类只需给与少许的提示即可。 AI时代什么最重要：定义问题的能力。 定义问题包括：诊断、分解、重构和约束四种方法。今天看到了一篇Don Giannatti写的文章，主要的观点是：目前火热的提示词工程师（Prompt engineer）可能会很快凉凉。以下是这篇文章的内容：提示工程（Prompt engineering），现在是热门话题，我们可以随处看到这个词。世界经济论坛、Open AI 的CEO 山姆 奥特曼 和 推友们，都在不停地谈论它。还经常能看到广告：“选择提示工程，无需经验，轻松年入50万美元”。但有一个令人不安的事实是：提示工程已步入夕阳。这个刚才火起来的、利润丰厚的职业，为何这么快就没落了呢？主要有三个原因：原因1：人工智能变得越来越聪明。AI一直在学习，而且学的非常快。机器开始能理解我们说的单词、短语，就像我们人类一样。 我们不必完全清楚地说出我们的需求，机器也能理解。对微调提示的需求正在减少。只需提出问题，机器就会生成自己的提示。原因2：人工智能可以自己生成提示通过少量的输入，人工智能可能生成详细的提示。现在GPT4 已经完全能够做到这一点。以后对GPT5来说，这也不过是小菜一碟。所以说，虽然暂时提示工程收到营销人员和技术兄弟的支持，但是它的保质期即将到来。原因3: 提示并非一切如果你认为编写提示词就是未来的全部，那就说明你还没完全理解机器学习能做什么。提示词并不是通用的，它们是专门为特定的AI模型和版本定制的，所以它们的应用范围其实是有限的。并且，AI比人更快地找到了解决这些限制的办法。像我说的，快速地、用更少的信息、更少的困扰去完成任务，正是机器学习的核心特性。AI不会被人类的弱点所限制，比如我们写的提示词可能写得不太好。事实上，AI已经在学习这些技能并且在改进它们。那么，人类在AI时代能保持长久的优势是什么呢？我们在AI时代的强大工具是什么呢？定义问题人类的一项重要工作就是确定、分析和定义问题。当我们能够明确地描述出一个问题时，AI就能找到最高效的方法来解决它。现阶段，AI不能识别那些不可量化的，或者不属于现有系统的问题，这是人类的特长。至少现在是这样。让我们做个简单的比较。提示词设计其实是关注于词汇、句子结构和标点等细节。而定义问题，则是关于确定问题本身。它看的是更大的图景，更广的领域。区别：如果没有准确地定义问题，再好的提示词，也不过是花瓶而已。我们低估了定义问题的重要性。这东西，大学里也没有教，未来学家的书里也没有写。但它是非常重要的。在日常生活中，我们经常能听到“不要给我说问题，拿着解决方案过来”。这就是大多数的问题所在，是缺乏诊断问题能力的明显症状。85% 的高管认为他们的组织在诊断问题方面遇到困难，这并不奇怪。如何才能保持领先？更好地定义问题有四种方法可以检查和定义问题。诊断（diagnosis）分解（decomposition）重构（reframing)约束
(constraint)诊断（diagnosis）诊断就是发现人工智能能够解决哪些问题，不能解决哪些问题。也就是说，我们需要先理解问题，明确其性质，然后再决定它是否可以由AI解决。虽然AI可以做很多事情，但在问题发现和定义阶段，人类的思考和理解是必不可少的。一方面，我们需要学会提出正确的问题，即找出关键问题或是问题的核心。另一方面，我们也需要从不同的视角和角度来看待问题，这样可以帮助我们更全面、更深入地理解问题，从而找到最合适的解决方案。分解（decomposition）分解是将大问题拆分成小块的过程。把问题拆开，仔细研究，并让人工智能帮助你确定结果，因为它擅长处理数据。与其直接解决最大的问题，不如将其分解并着手处理较小的部分，以取得小而成功的进展。重构（reframing)重构是改变你的视角，并寻找新的解释。通过推断和重新组合问题的各个部分，以识别问题的元组件。也许可以从一个新的角度来看待问题，可能会发现一个隐藏在众目睽睽之下的解决方案。约束
(constraint)约束是为解决方案设置边界。知道要完成什么，以及何时完成。设置长度、风格和受众描述可以帮助 AI 理解其使命。只有当我们明确了这些信息，才能正确地指导AI完成它的任务。结语人工智能的世界正在快速变化。为了充分利用人工智能，必须要学会尽可能清晰地识别问题。一旦问题被明确识别和解释，人工智能将能够提示自己寻找潜在的解决方案。一旦问题被清楚地识别和解释，人工智能将能够自主地、无需人为干预地进行问题解决方案的探索。}