提示词工程，是使用AI的入门能力

看到微信群里很多同学在讨论各自公司的AI落地情况，讨论的重点大多集中在企业级知识库如何搭建、Agent如何开发、MCP协议效果如何，却很少有人关注提示词。

毕竟提示词这东西，自从二月份DeepSeek爆火后带动了一波热度，随后大家便被层出不穷的新技术所吸引。再说一个提示词而已，谁都会打字谁都能提问，还不是轻松拿捏。

但从我个人角度来看，提示词很重要，甚至超过了RAG、MCP等技术实践。

正如我之前分享的一个思考所说：互联网时代不会用搜索引擎检索信息的人，现在也无法掌握正确使用AI的方法。

下图是AI这几十年的能力发展对比图：

从上图可以看出，AI的能力进化是越来越快的，当技术突破某一个奇点之后，能力的进步会出现爆炸性的增长。这就会导致一个很有意思的现象：即AI从业者或者关注AI的人对新技术的落地时间预期过高。

AI是一种新的先进的生产力，使用这种生产力是有代价的，而从业者们往往低估了这个代价。这个代价就是忽略了最基础的能力(提示词)和基础技术设施建设跟不上技术发展，这也是我为什么会专门写两篇关于AI Agent Infra文章的原因。

产业发展和技术落地适配需要长期的磨合，人们对AI的认知和接受程度，以及使用习惯也需要时间磨合。

新事物出现的时候，往往刚开始都过于乐观，这也是为什么现在各种大模型和Agent纷纷涌现，但实际落地效果不佳的原因。

以Agent为例，大家的预期是希望它能替代人类完成任务，看起来不是一个很难的事情。但实际上，背后要解决的问题多而复杂。

首先，Agent的能力最起码要比大多数普通人完成任务的质量更高，否则会因为边界问题，替换成本问题，以及用户心理接受问题而被弃用。

其次，Agent带来的新的解决问题的方案，要比以往的方案效率更高，且成本易于控制，否则如果只能带来百分之几十的提升，却要花费大量的成本去落地改造原有的成熟流程，这很难说服老板投入资源。

最后，还要做好长期面对各种困难的打算，一方面是相关的基础技术设施建设没跟上，另一方面则是企业的组织架构和认知并没有对AI有很好的认知和适应，当前的种种所谓落地AI不过是一种焦虑下的盲目。

对此，我个人有如下几点建议：

1、从提示词工程开始，学会如何正确的使用提示词，尽量让AI沿着我们预期的目标给出我们想要的结果，这也是大模型训练过程很重要的一步(训练集、测试集)。

2、要想企业内落地AI，企业级知识库的建立势在必行。要建立企业级知识库，需要行业经验和准确的高质量的数据结合，才能训练出适配企业自身的大模型(这是很多公司存在的痛点：数据量不够多、数据质量不够高、行业经验不匹配)。

3、找到具体的应用场景，在场景选择方面，尽可能贴近标准化场景，或者更易于标准化的场景。只有先保证统一的方向，才能进一步推动AI的落地应用，否则大概率会成为KPI导向的代码屎山。