把整门手艺窄化为"替人把模糊想法翻译成机器能接住的话",这个前提我觉得值得商榷。它描述的只是最表层的那部分——面向普通用户的、一次性的 prompt 包装。但今天真正在生产线上的提示工程,干的是另一类活儿:few-shot 样例怎么选、输出 schema 怎么定、多步任务怎么拆、哪句话触发了模型的哪种 failure mode、怎么用 eval 把"这次碰巧对了"变成"每次都稳定对"。这些跟"模型听不听得懂人话"关系不大,它解决的是方差和可控性,不是语言障碍。
从某种角度看,被抹平的更多是消费级那一层(随手问一句就能拿到像样答案),而不是工程级那一层。模型意图理解越强,越不需要人替小白翻译;但越往上走,对"确定性输出"和"可复现流程"的要求反而越高。Anthropic、OpenAI 这几年推的 prompt caching、structured output、function calling,本质上都是在把提示工程往"接口设计"方向推,而不是让它消亡。
中间人那个比喻也想补一句:翻译和跟单确实被压缩了,但没消失,是被推到了价值链更上面。机器翻译干掉了低端的逐句翻译,却把本地化、创译、专业审校的需求顶上来了。提示工程很可能走同一条路——低端岗位塌方,但"会定义问题、会为结果负责"的那部分,反而会溢价。
你说护城河在"人身上"这点我基本认同,只是觉得它未必是取代手艺,更像是手艺本身在往上迁移。普通人用大白话能解决的问题变多了,但企业级场景里,prompt 从"话术"变成"工程约束"的趋势挺明显。你们做外贸那边的体感,是不是也类似