从提示词工程师（Prompt Engineer，PE）到前沿部署工程师（Forward Deployed Engineer，FDE）

最新推荐文章于 2026-09-03 18:17:27 发布

原创最新推荐文章于 2026-09-03 18:17:27 发布 · 298 阅读

本内容遵循CC 4.0 BY-SA版权协议

一个职业的过山车

提示词工程师的走红，始于一份高薪邀请。2022年，Riley Goodside凭借摸索出的提示词技巧，入职AI独角兽Scale AI，成为业内“第一个被招聘的提示词工程师”。此后，这一职业迅速火爆。国外年薪通常在25万至33万美元之间；国内北上广深，提示词工程师月薪普遍在1.5万至6万元之间。2023年4月，Indeed平台上该职位的搜索量飙升至峰值，达到每百万次搜索中144次。

然而好景不长。2025年，形势急转直下。微软一项涉及31000名员工的调查显示，“提示词工程师”已成为公司未来12至18个月内“最不愿新增”的岗位之一，排名倒数第二。Indeed上该职位的搜索量已回落至20至30次，降幅超80%。国内同样大幅收缩，2025年提示词工程师岗位数量较2023年锐减约70%，多集中在垂直领域，且多数企业要求从“不限专业”转向“需行业经验或复合技能”。

对企业高管和HR而言，这一数据释放了明确信号：与其花高价招一个只会写提示词的“调参工”，不如培养现有员工的AI素养。Nationwide等公司已为全体员工推出AI培训计划，其中提示词工程是最受欢迎的课程之一。

PE为什么“凉”了？

第一，AI模型变“聪明”了。智能水平的跃升，AI已能通过多轮追问、上下文理解等方式自主优化交互。

第二，标准化工具普及。技术厂商正在通过标准化工具让提示词工程门槛进一步降低。

第三，行业需求升级了。企业不再需要大量低门槛的“调参工”，而是转向兼具行业知识、数据分析能力的复合型人才。“最好的提示工程师一定是交叉学科背景的，而不是学了prompt工程就可以找到一份工作。”

对员工而言，这一变化意味着，单纯掌握提示词技巧已不足以构成职业护城河。提示词工程正在从“独立岗位”变成“职场标配技能”，无论你在财务、人力资源还是法律部门，这都将成为工作职能中的一项能力，而不是一个独立的工作头衔。

从Prompt到Loop

2026年AI行业最时髦的话题，早已不是Prompt Engineering。行业讨论的热点已经变成了Agent（智能体）、Agent Runtime、Agent OS、Loop Engineering（循环工程）。

什么是Loop Engineering？简单来说，就是你设计一套自动运转的系统，让它代替你去给AI下达指令、检查AI的输出、决定下一步该做什么，然后不断循环执行，直到达成预设目标。2026年6月，黄仁勋、吴恩达等行业领军人物明确提出，AI生产核心从手动编写Prompt转向设计自主循环系统。Anthropic内部80%以上工程师已在使用自改进循环。

同时，FDE来了。硬实力——全栈软件工程能力是FDE的基石。他们必须是扎实的软件工程师，熟练掌握主流AI框架，并具备将AI模型工程化的核心能力，包括模型微调、检索增强生成（RAG）系统构建、效果评估（Evals）、LLM部署与优化，以及智能体编排与开发。

鉴于FDE工作的核心是集成，他们必须擅长处理各种复杂的数据源，打通企业内部的数据孤岛，并能将AI产品无缝嵌入客户的IT基础设施中。

软技能——FDE需要具备深度的行业知识‍，具备咨询顾问式的沟通与问题解决能力。

产品与商业思维也是FDE需要具备的能力，从业务价值出发设计解决方案，并具备量化ROI的商业敏锐度，确保技术投入能转化为实实在在的商业成果。

FDE的能力模型

FDE的核心工作——约50%用于系统集成，25%用于编写定制化代码。编程与软件工程基础是非技术背景顾问转型的第一道，也是最高的门槛。给顾问的建议：不要一上来就啃《算法导论》。先去找一个开源AI项目，看别人的代码，自己改、跑起来，是更快的入门方式。

只懂AI概念是不够的，你必须亲手做出来。

Prompt Engineering：精通如何设计高效的提示词以驱动大模型完成复杂任务。
RAG（检索增强生成）：学习并实践如何构建结合企业私有知识库的RAG系统，这是当前企业级LLM应用最主流的模式。
模型微调与部署：理解Fine-tuning的原理与适用场景，并掌握使用Hugging Face、PyTorch等工具进行模型训练、评估和部署的流程。
AI框架与工具：熟悉LangChain、LlamaIndex等主流AI应用开发框架，能够快速搭建原型。

AI系统不是在你的笔记本上跑的，它要部署在云上、接入企业的旧系统。你需要掌握至少一个主流云平台的核心服务，并理解微服务、容器化等云原生技术。

理论学习之后，必须通过实践将知识内化。以下是一些可行的路径：

参加专业培训与认证项目：参加针对FDE角色的专业培训和实战课程，旨在系统掌握AI项目全生命周期管理和私有化部署等核心技能。
内部转型或从解决方案架构师、售前工程师切入：在当前所在的公司（如果是大型咨询公司或IT服务公司）内部，寻找参与AI项目落地实施的机会。从咨询顾问转为解决方案架构师，再向FDE演进，是一个相对平滑的路径。
个人项目与开源贡献：构建自己的AI应用项目（开发一个Agent，或搭建一个针对特定领域的RAG问答机器人），是展示技术实力、弥补商业项目经验不足的绝佳方式。
锁定准FDE岗位：AI部署工程师、现场解决方案工程师、客户解决方案工程师、LLM应用工程师等等，这些岗位的职责与FDE高度重合，是先上车再转正的好选择。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

大模型 AI 能干什么？
大模型是怎样获得「智能」的？
用好 AI 的核心心法
大模型应用业务架构
大模型应用技术架构
代码示例：向 GPT-3.5 灌入新知识
提示工程的意义和核心思想
Prompt 典型构成
指令调优方法论
思维链和思维树
Prompt 攻击和防范
…

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

为什么要做 RAG
搭建一个简单的 ChatPDF
检索的基础概念
什么是向量表示（Embeddings）
向量数据库与向量检索
基于向量检索的 RAG
搭建 RAG 系统的扩展知识
混合检索与 RAG-Fusion 简介
向量模型本地部署
…

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

为什么要做 RAG
什么是模型
什么是模型训练
求解器 & 损失函数简介
小实验2：手写一个简单的神经网络并训练它
什么是训练/预训练/微调/轻量化微调
Transformer结构简介
轻量化微调
实验数据集的构建
…

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

硬件选型
带你了解全球大模型
使用国产大模型服务
搭建 OpenAI 代理
热身：基于阿里云 PAI 部署 Stable Diffusion
在本地计算机运行大模型
大模型的私有化部署
基于 vLLM 部署大模型
案例：如何优雅地在阿里云私有部署开源大模型
部署一套开源 LLM 项目
内容安全
互联网信息服务算法备案
…

👇👇扫码免费领取全部内容👇👇

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。