一句话结论
提示词工程师优化"模型的一次输出",FDE 对"系统的生产结果"负责——提示词是 FDE 的技能之一,但只占交付链路的一小段。
2023–2024 年"提示词工程师"曾作为独立岗位被高调招聘。需要先说清边界:我们的全球初始 100 家公司 JD 快照不能回答岗位增减趋势——它能说明的是职责重心:在 FDE 类 JD 中,Prompt 工程作为技能栈组成部分被明文提及(19/100,全球初始样本统计版本 v3),远低于系统 / API 集成(80/100)等交付类能力。原因很直接:光有好提示词拿不到生产结果——数据权限、检索质量、工具调用、评测与回滚,每一环都在提示词之外。
职责对照表
| 维度 | FDE | 提示词工程师 |
|---|---|---|
| 工作对象 | 完整系统:数据、检索、工具、评测、部署 | 提示词与上下文设计 |
| 核心产出 | 生产系统 + 评测报告 + 交付档案 | 提示词模板 / 用例集 / 输出规范 |
| 对结果负责 | 业务结果(成本、准确率、采纳) | 模型输出质量 |
| 岗位形态 | 一线大厂正式工程岗 | 多为项目制 / 兼职 / 角色化 |
| 本样本中的职责重心 | 端到端交付:需求收敛、生产代码、评测、上线与回滚(集成 80/100、评测 37/100,频次出自全球初始 100 家样本) | 单次输出质量:提示模式、结构化输出与上下文管理(在本样本 JD 中被 19/100 提及) |
| 考核口径 | 端到端交付证据(Git / 评测 / 答辩) | 输出质量对比 |
能力要求差异
- 提示词侧权重更高:提示模式与结构化输出设计、上下文管理、少样本构造、输出质量评测。
- FDE 侧权重更高:Python / TypeScript 生产编码、LLM API 与 function calling、RAG 与 Agent 工程、评测体系(grader / LLM-as-judge)、部署与安全回滚、客户沟通与 ROI。
- 重叠区:Prompt 工程(FDE 课程第 14 章整章覆盖)与输出评测意识。
提示词工程师 → FDE 转型路径(五步)
- 把提示词接入真实系统:脱离聊天框,用 Python 调 LLM API,处理真实(可脱敏)数据与错误重试(对应第 14 章)。
- 学工具调用:function calling / MCP,让模型能"动手"而不是只会"说话"(第 15、18 章)。
- 建评测集:为你的提示词建 30 条评测用例与 grader,把"感觉更好"变成通过率(第 20 章)。
- 补检索与部署:RAG 是企业交付第一主战场;再补灰度、监控与回滚(第 16、21 章)。
- 完成一次现场交付:从需求澄清到 ROI 一页纸的完整链路,攒下 FCB 口径的交付证据(第 30–31 章,见 FCB 白皮书)。
常见问题
关于提示词转型的常见问题。
提示词工程师岗位消失了吗?
这份对照无法回答趋势问题:样本是全球初始 100 家公司的 FDE 类 JD 快照,不含提示词岗位的时间序列数据。它能说明的只有职责重心——在本样本中,Prompt / 上下文工程被 19/100 的 FDE JD 明文提及,是 FDE 技能栈的组成部分之一,与系统集成(80/100)等交付类能力同时出现。
FDE 需要很强的提示词能力吗?
需要,但不止于此。提示词能力决定单次输出质量,而 FDE 还要对数据、检索、工具、评测、部署与回滚负责——提示词只占交付链路的一小段。
只学提示词能找到 AI 岗位工作吗?
纯提示词技能竞争力有限。建议按上面五步把提示词能力产品化(接入数据与工具、建评测集、完成端到端交付),即可对齐 FDE 的岗位要求。
