AI 只有在一种情况下会导致 Prompt Engineering 失去意义，那就是它可以像三体人一样读心了。

当需求明确、指令明确、方案明确的情况下，AI 编写代码快速而精准。AI 已经彻底抹去了编程语言这个技术鸿沟。

学了一条写 Prompt 的技巧，等于你学到了一个编程语法；而学会用 Prompt 解决问题，那才叫 Engineering。拆解任务本身就不是一项简单的能力。

自然语言也是语言，沟通的效率在于逻辑，在于清晰的表达。人和人之间还常常存在着鸡同鸭讲的问题，何况跟机器呢？

每隔一阵，AI 圈就会出现一波「AI 会取代 XX」的讨论。程序员、设计师、写作者、会计师……换个主语，结论好像都一样。

但我在 2024 年的一期视频里就认真回答过这个问题：AI 会替代一部分「只负责执行」的工作，但真正决定你能不能留下来的，是更上层的能力——把需求想清楚、把任务拆清楚、把验收标准写清楚，并且对结果负责。

今天把当时的答案整理成文章。因为到现在，它仍然成立。

AI 到底在「取代」什么？

「AI 会取代程序员」——这句话里藏着一个没被说清楚的前提：你说的是哪种程序员？做的是哪部分工作？

完成一项技术任务，需要三种能力：

1. 能想到解决方案。 遇到问题后，头脑中能迅速浮现可能的方向。这依赖领域知识、跨领域经验和对工具的直觉。
2. 编写代码 / 执行。 把方案翻译成机器能执行的指令。
3. 分析和定位问题。 结果不符合预期时，能找到原因、拿出修正方案，并对最终结果负责。

AI 在第 2 项上已经强到可以替代大部分人。需求明确、方案明确、指令明确的情况下，AI 写代码又快又准。如果一个程序员的全部能力就是「熟练运用编程语言」，那不管是 2024 年还是 2026 年，在 AI 面前都没有胜算。

但第 1 项和第 3 项，AI 做不到。

AI 抹平的是语言鸿沟，不是能力鸿沟。 就好比突然有一天世界上所有语言都统一了——你不用再学英语、法语、西班牙语，但这不意味着你能变成作家或演说家。

不仅仅是程序员。所有处于「初级执行」阶段的白领职位——数据分析、初级会计、律师助理——只要工作内容是「按明确标准交付」，都面临同样的压力。

关键卡点在哪里？

我在 2024 年那期视频里演示过一个真实的编程案例。

任务很简单：用 AI 写一段代码，批量修改视频编辑软件里的字幕动画参数。AI 理解目标没有任何问题，代码写得很快，运行也没报错。

但就是不起作用。

原因是 AI 找错了数据之间的对应关系。在项目文件的数据结构里，有很多 ID 之间的映射，AI 选错了。我只好自己翻了一遍项目文件，找到正确的映射，告诉它。然后 AI 立刻写出了正确的代码，一键批量修改完成。

这个例子说明的核心问题是：

1. AI 在「执行」这一步非常强——给它正确的方向，它又快又准
2. 但「定位问题在哪里」和「找到正确的结构关系」，仍然需要人
3. AI 不报错不代表 AI 做对了——验收正确性始终是人的责任

AI 越强，执行越廉价。但方案设计和问题定位越值钱。

Prompt Engineering 不是「咒语」，是「工程」

每次讨论到这里，都会有人说：AI 现在还不够聪明，等以后更聪明了，Prompt Engineering 就没用了，所以不用学。

这个说法至少忽略了三点。

第一，时间成本。
假设 5 年后 AI 发展到真的不需要 Prompt Engineering 了——你打算等吗？你觉得那些一直在用 AI、一直在练习的人，5 年后会突然傻眼，然后被你超越？

第二，沟通的本质。
AI 什么时候才不需要 Prompt？除非它能像三体人一样读心。否则，只要你用语言传达意图，沟通效率就取决于逻辑和表达清晰度。人和人之间还经常鸡同鸭讲，何况跟机器？

Prompt Engineering 的本质是教你用人类语言跟 AI 更好地沟通。就像学计算机科学——你学的不只是编程语法，你学的是解决问题的思路。学一条 Prompt 技巧，比如各种框架，那等于学了一个编程语法。而学会用 Prompt 解决问题——怎么拆解任务、怎么设定目标、怎么约束输出、怎么验收结果——那才叫 Engineering。

拆解任务本身就不是一项简单的能力。

第三，控制权。

AI 能优化你的 Prompt 了，那 Prompt 优化工具会不会取代 Prompt Engineering？不会。为什么有人喜欢越狱手机？一切让操作系统帮你管理不好吗？因为很多人更愿意掌握控制权。

AI 在优化你的 Prompt 时，会代替你做决定，你就会丧失控制。Gemini 曾经优化用户的提示词，优化到用户没办法画出一个白人——这就是失控的例子。
所以问题的本质不是「Prompt 会不会过时」，而是「把需求想清楚、说清楚、验收清楚」这项能力会不会过时。

答案很明显。

那该怎么做？

落到行动上，就三件事：

1. 练清晰表达。 任何任务，先写清楚：目标是什么、约束是什么、什么算完成。这不只是给 AI 的，是给你自己的思考练习。
2. 练任务拆解。 大问题拆成可执行的小步骤。这是思维链（COT）的本质，也是工程师最核心的能力之一。
3. 练验收与定位。 对结果负责。AI 的输出「看起来对」——你能不能判断它是不是真的对？

这三件事——清晰表达、任务拆解、验收定位——也是我在 MAPS 体系里反复训练的核心能力。不是追工具，而是造系统。

答案没变

这套观点我在 2024 年 4 月的视频里完整讲过，并用真实编程案例做了全程演示。那期视频至今大约 50 万次观看。

两年过去了，AI 的能力翻了好几倍。但这些答案一个字都不用改。

AI 越强，"工程"两个字越值钱：定义需求、设计流程、控制质量、验收结果。
这些事 AI 替不了你做。除非它能读心。

文章来源：@AxtonLiu