一句话看懂：AI 领域知名学者、百度前首席科学家吴恩达（Andrew Ng）在最新公开分享中预言，传统意义上的人工编写提示词（Prompt Engineering）将在六个月内失去其作为独立技能的价值，原因是大模型正在快速具备自主优化指令的能力。
事件核心：发生了什么
吴恩达在一段发布于 YouTube、经 Hacker News 讨论区广泛传播的视频中表示，提示工程作为一门需要人类精心设计措辞来引导大模型输出的技术，其“半衰期”约为六个月。他并非否定提示技巧的作用，而是指出当前以 GPT 为代表的闭源模型与 Llama 等开源模型，正在通过增强推理能力和更强的指令遵循（Instruction Following）机制，自动消化含糊的人类表述。换言之，用户不再需要掌握复杂的“角色设定”或“分步引导”话术，模型自身会追问或直接补全意图。此判断延续了他此前在多场技术会议中对“Agent 化应用将取代一次性问答”的预判。
为什么重要
这一观点直接冲击了 AI 产业链上正在快速膨胀的“提示词工程师”岗位需求，也对大量售卖“Prompt 教程”的知识付费内容形成质疑。如果吴恩达的判断成立，那么未来竞争焦点将从“如何写指令”转向“如何构建评估与纠错体系”——即基于大模型 API 开发具备自我校验能力的 AI 应用。同时，该言论客观上为推理算力与上下文窗口扩展的商业价值做了注脚：模型在更长的上下文里自主处理模糊任务，意味着内存带宽与推理延迟的优化优先级将高于训练数据规模的堆砌。对于闭源厂商来说，这是强化平台粘性的机会；对于开源社区而言，则意味着微调（Fine-tuning）流程需更侧重于多轮自我修正数据的配比。
对用户/开发者/创作者的影响
对普通用户而言，使用门槛进一步降低，无需学习特定句式也能获得可用结果，但需要培养“描述目标而非描述步骤”的表达习惯。对开发者，投入精力研究提示模板的边际收益递减，应尽快转向 Function Calling（函数调用）流程编排与结果结构化校验，利用模型 API 的日志反馈自动修正输出。对内容创作者，依赖“破解某模型提示词”的教程类内容生命周期将被大幅压缩，更可持续的方向是制作针对垂直领域（如法律、医疗）的工作流演示，展示模型与外部知识库的协同而非单纯文案技巧。企业在采购决策上应警惕将“精通提示词”作为核心岗位能力要求，需同步评估模型版本迭代内部的指令遵循基准分变化。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，吴恩达言论中指出的“六个月”节点，可观察 OpenAI、Anthropic、Google 在下一代 API 中是否默认启用隐式提示改写功能。第二，开源社区能否通过微调让 Llama 等中等规模模型在客服、编程辅助等高频场景中实现同样的意图消解能力，仍是待验证的关键变量。第三，若该趋势兑现，目前流行的人机交互中间层产品（如各类 Prompt 管理工具）是否会主动转型为 Agent 行为追踪平台，是判断行业走向的重要信号。目前公开信息显示，上述言论以视频形式发表，未附带具体的基准测试报告，建议结合后续公布的评测论文进行独立判断。
