提示工程其实正在成为一份全职工作，它不仅仅涉及对ChatGPT进行提示，还需要进行全栈开发。

生成式人工智能的繁荣为人们带来了许多新的机会。过去一年里，生成式人工智能岗位的数量几乎增加了两倍。对开发人员来说，这创造了一个全新的抽象层和专业层，是一个完全的维度转换。人们通常把提示工程师称为给ChatGPT或类似软件提供提示的人。



然而，这实际上正在成为一份全职工作。在一篇最近热门的博客中，有人提出，与其将新开发人员称为“提示工程师”，我们应该称其为“AI工程师”。不过，这倒不是要与机器学习工程师混淆，机器学习工程师从头开始处理系统繁重的工作负载，构建模型。与这些机器学习或语言模型工程师相比，我们肯定会看到更多AI工程师的兴起。

Andrej Karpathy也对这个问题表达了类似的观点。他说，“提示工程师”这个术语可能会误导人，甚至让人感到尴尬，因为这个角色需要的远不止提示。

AI工程师的两面性

AI工程师这个角色预计会发展，这可能是好事，也可能是坏事。该领域的许多专家认为，随着语言模型的改进，在从这些工具生成代码后，甚至不需要进行当前需要做的事情。幻觉只是暂时的。

另一方面，随着领域的发展，也需要更多的专业知识。这在每个领域都是如此。将会有AI工程师，然后将会有全栈提示工程师。就像存在开发运维工程师、分析工程师、数据工程师等子学科一样，将会有处理AI任务中不同方面的角色。

以前，传统的机器学习通常涉及查找数据、构建模型，然后推出产品。现在，有了AI工程师，他们在试用产品之后进入这个行业，这个过程发生了逆转。他们在获得类似于ChatGPT的API之后，构建了一个名为Jasper或任何其他基于GPT的工具的产品。然后之后，他们着手使用数据进行微调，扩展模型。后两个步骤需要更多的技术知识，而不仅仅是提示工程。因此，这就是AI工程师的崛起。

随着API的可用性，AI工程师可以转向更多基于应用的角色，或通过回到基础知识深入研究。我们可以称之为MLops到LLMops的转变。

考虑到工作性质，这些AI工程师需要了解LLM应用堆栈的每一个步骤。这要求他们在提示工程之外扩展自己的知识。因此，虽然成为开发人员变得更容易了，但在进入这个领域后，成为最好的挑战是巨大而广泛的。

这是软件3.0吗？

往往情况是，公司更需要知道如何使用和推出产品或工具的人，而不是知道如何构建它的人。例如，HackerNews上的一名用户争论称，“如果我们有React工程师，为什么我们不能有AI工程师？”这是真的，这只是对不同技能的需求。

LLM/AI工程师还需要一个系统化的实验和可观察性工作流程，特别是在提示创建和系统开发方面。在LLM中，幻觉和推理间隙等挑战已经普遍存在，导致一致的认识是这些代理商是不可靠的。

传统模型和LLM系统都需要进行一些调整以实现最佳性能。传统模型可以通过训练和超参数选择进行改进，而LLM系统可以通过修改提示和链接LLM进行微调。现在，这不仅可以由LLM研究人员完成，还可以由提示工程师完成。

在过去，软件开发依赖于手动编写编程语言的指令。机器学习和神经网络使系统能够根据训练数据学习模式并进行预测。这被视为软件2.0，其中模型受过训练以执行特定任务。

微软表示每个人都是开发人员。Karpathy说，我们最热门的编程语言是我们自己的英语。软件1.0是经典编码，过渡到机器学习和神经网络，即软件2.0。提示为基础的开发人员的下一个转变应该是软件3.0。但是Karpathy表示，我们仍然处于抽象的第二层次，因为“我们仍然在人为设计的代码上进行提示，只是用英语进行提示”，这仍然是软件2.0的产物，而不是软件3.0。

 

来源：https://analyticsindiamag.com/prompt-engineers-then-ai-engineers-now/