2023 年，Anthropic 在 LinkedIn 上貼出一個 Prompt Engineer 的職缺，年薪上限寫著 $335,000。那則貼文被轉發幾萬次，評論區清一色是同一種情緒：「什麼？光是『寫提示詞』就可以賺這麼多？」
我那時也覺得這很荒謬。但荒謬的事後來都發生了。
現在是 2026 年。Prompt Engineer 的薪資中位數在美國落在 $126K，頂端可以超過 $270K。市場規模從 2024 年的 $2.8 億預計到 2032 年膨脹到 $25 億。求職市場的供需比大約是 1:5——每一個招聘職缺，只有不到一個合格求職者。
聽起來像是黃金時代。但同一時間，Nationwide 的 CTO 說了一句話，精準地刺穿了這個光環：
「提示工程將會變成一種能力，而不是一個職稱。」
這兩件事同時成立。這就是 Prompt Engineer 這個職業最詭異、也最值得認真討論的地方。
先說誰在賺錢
如果你今天打開 LinkedIn 搜尋「Prompt Engineer」，你會找到的不只是科技公司的職缺。金融機構、醫療集團、法律事務所、大型零售商——凡是認真在做 AI 整合的地方，幾乎都在找這類人才。
薪資之所以這麼高，有一個結構性原因：這個技能的供應還沒跟上需求。大學課程仍然在慢慢追趕，自學門檻相對低但系統性訓練少，加上「到底什麼算是好的 Prompt Engineer」在業界本身就還沒有共識——所以企業選擇用薪資來買確定性。
市場規模的增長背後是真實的商業需求。企業把 LLM 整合進客服、法規合規審查、內部知識管理、程式碼審查流水線……每一個場景都需要有人負責設計、測試、維護那些跟 AI 對話的介面。這不是泡沫式的需求，而是每一家公司數位轉型計畫中，必然出現的一個具體的人力缺口。
短期內，這個缺口不會自動消失。
再說誰面臨危機
問題在於，「短期」這個詞的長度，可能比你想像的更短。
AI 模型在快速進化，而這個進化的方向，恰好是在消蝕 Prompt Engineering 的核心價值。
早期的 GPT-3 對 prompt 的格式極度敏感。你說「請列出五點」和「給我五個建議」，輸出品質可能差異懸殊。一個懂得如何精確構建提示詞的人，確實能從同一個模型裡榨出遠超平均水準的輸出。這是真實的技術優勢。
但 GPT-4、Claude 3、Gemini 1.5 這一代開始，模型越來越「懂得意圖」。你不需要非常精確的 prompt，它也能理解你大概在問什麼。到了 2025 年的頂尖模型，許多之前需要精心設計的 chain-of-thought 提示，現在不用任何特殊技巧也能觸發。
換句話說：模型越強，精確 prompt 的邊際價值越低。
這就是 Nationwide CTO 說的那句話的真正含義。不是「不需要理解 prompt」，而是「理解 prompt 將會像理解 Excel 一樣，是一種基本的職場能力，而不是一個獨立的職業」。
你不會雇一個「Excel 工程師」負責公司所有的試算表需求。你會雇財務分析師、業務主管、供應鏈專員，然後他們都懂 Excel。
Prompt Engineering 正在走向同樣的命運。
灰色地帶：泡沫裡有真實需求，進化才是出路
這裡有一個認知陷阱很多人會掉進去：看到上面那段分析，然後得出「所以 Prompt Engineer 沒前途」的結論。
這是錯的。
真正的問題是：哪種 Prompt Engineer 沒前途？
純粹「寫 prompt」的職位確實會消失，或者說，它永遠不應該存在作為一個獨立的職業。如果你的工作描述是「想出好的提示詞讓 ChatGPT 輸出更漂亮的文案」，那這份工作現在可能還存在，但三年後大概率不會。
但「理解 LLM 行為、設計 AI 工作流程、把語言模型整合進商業系統」——這批人的需求只增不減。
差別在哪？差別在於你是在操作工具，還是在設計系統。
讓我舉幾個具體的例子說明這個進化方向：
情境一：AI 客服系統架構師
不是「幫客服機器人寫話術」，而是設計整個系統——決定什麼情境用哪個模型、怎麼做意圖分類、升級人工介入的觸發條件、如何評估輸出品質。這需要對 LLM 的深層理解，也需要系統設計能力。薪資跟 Prompt Engineer 一樣高，但門檻也更高。
情境二：LLM 評估工程師
模型越來越多，企業需要有人能科學地比較 GPT-4 和 Claude 3.7 在特定業務場景的表現差異。這不是「感覺哪個比較好」，而是建立評估 benchmark、設計測試集、統計分析輸出差異。這是一個新職業，但它正在從 Prompt Engineering 的土壤裡長出來。
情境三：AI 產品開發者
做一個面向使用者的 AI 產品。你需要懂 prompt 設計，但那只是工具之一。你還需要懂產品邏輯、懂用戶體驗、懂怎麼讓 AI 輸出符合商業需求，以及怎麼控制成本。這是市場上最搶手的複合型人才。
這三個角色有一個共同點：他們都在「整合 LLM 進入真實系統」，而不是「和 LLM 聊天」。
數字背後的現實
讓我們再回頭看一次那些數字，但這次從不同角度解讀。
市場從 $2.8 億增長到 $25 億——增長的是什麼？不是「寫提示詞服務」的市場，而是「AI 整合、諮詢、工具開發」的整體市場。Prompt Engineering 作為一個標籤被包含在這個增長裡，但它只是其中一個切片。
薪資 $95K–$270K——為什麼這麼大的跨度？因為市場本身在重新定義這個職業。$95K 的是「我懂得怎麼跟 AI 說話」；$270K 的是「我能設計整個 AI 工作流並接管系統交付」。兩個都叫 Prompt Engineer，但它們其實是完全不同的工作。
供需比 5:1——這個數字有點誤導。正確的說法應該是：「能做到上述系統性工作的人，供不應求；只會寫 prompt 的人，其實已經開始有點過剩。」
最殘酷的現實：大多數人追的是舊形態
如果你現在打開 YouTube 搜尋「Prompt Engineering 教程」，你會找到數不清的影片教你「如何用 GPT 做更好的輸出」「100 個必學 prompt 技巧」「提示詞大全」。
這些內容的觀看次數都很高。它們教的東西在今天還有一定價值，但它們代表的是一種舊思維：把 Prompt Engineering 理解為「話術」或「咒語」，而不是系統設計能力。
市場上正在搶的人才，學的不是話術。他們學的是：
- RAG（檢索增強生成）架構設計
- Agent workflow 的設計與除錯
- LLM 評估方法論
- 向量資料庫的選型與調優
- 成本控制和延遲優化
這些東西沒有辦法靠「100 個技巧大全」學到。它們需要真實的工程背景，或者至少需要大量的實際系統建構經驗。
所以這個職業的泡沫，存在於以下這個具體群體：花了時間學習「如何讓 AI 輸出更好的文案」，但沒有去學「如何讓 AI 真正進入商業系統運作」的人。
這批人現在可能有工作，但他們的護城河正在被每一次模型更新侵蝕。
進化路徑：不是消失，而是向上合併
我不覺得 Prompt Engineer 這個職業會消失。我覺得它會向上合併，成為幾個新職業的基礎層。
向上走，你變成 AI 產品開發者或 LLM 應用架構師。你需要的不只是 prompt 技巧，還需要工程思維、產品感，以及對整個 AI 系統的掌控能力。
橫向走，你把 prompt 能力注入本來的職業。你是法律人，學了 prompt engineering，你就能設計自己的法律文件審查系統。你是行銷人，你能建立自己的內容工作流。這不是一個新職業，而是讓你原本的職業更強。
停在原地，你繼續「優化提示詞」，收入慢慢縮水，最後被更聰明的模型架空。
這三條路，市場正在清晰地給出不同的定價。
結語：你在追哪種形態？
Prompt Engineer 的終局不是消失，而是進化。
但每次技術浪潮裡，最悲劇的不是沒有趕上浪的人，而是趕上了舊的浪的人——他們花了時間、精力，學到了一套正在貶值的技能，然後在浪退去的時候，沒有足夠的積累去追新的浪。
$270K 的工作是真實存在的。它存在於那些能把 LLM 變成真實商業價值的人身上。
但如果你現在學的是「100 個讓 ChatGPT 更聽話的技巧」，你可能要問自己一個問題：我學的是工具，還是設計工具的能力？
這個問題的答案，決定了你追的是哪種形態。
一見生財，2026-03-09
（本文為「AI 財富地圖：誰在賺、誰在死、誰在灰色地帶」系列第 09 集）
載入留言中...