deepseek对程序员的冲击

这个全新的程序员工种，面临着多少挑战？

开篇引入

逐段深度解析

DeepSeek的出现打破AI应用红沟 [00:00]

• 核心观点: DeepSeek的出现，通过显著降低AI模型的研发和使用成本，使得AI大模型得以跨越“红沟”，从少数科技巨头的专属技术转变为大众可获取的普适性技术，从而开启了AI大规模应用落地的时代。

• 深度阐述: 过去，像ChatGPT这样的早期AI模型因其高昂的研发和使用成本（上百亿美元），仅限于少数科技巨头或背后有巨头支持的AI独角兽进行应用探索。这形成了AI发展的“红沟”，阻碍了其广泛应用。然而，DeepSeek的出现，并未在AI能力上取得突破，而是在成本控制上实现了重大突破：研发成本降至百万级，使用成本更是跌至万元级别。这一改变使得AI大模型变得触手可及，在短短几十天内，汽车、手机、电视、甚至游戏等各个行业都完成了DeepSeek的接入。负责这种接入工作的，正是今天讨论的“提示词工程师”。

• 重要原话引用: "depse 的 出 現 是 有 利 益 程 序 員 的 因 為 它 代 表 了 ai 發 展 的 一 個 新 的 階 段 那 就 是 大 規 模 的 應 用 落 地" [00:27]

提示词工程师的诞生：驯服AI的不稳定性 [01:30]

• 核心观点: AI大模型的“黑盒子”本质和不稳定性，使其难以融入需要高度稳定性和可预测性的现代工业体系，因此诞生了提示词工程师这一职业，旨在通过设计输入文本来驯服AI，使其行为符合规范，实现稳定输出。

• 深度阐述: 现代科技和工业体系要求一切严丝合缝、紧密相连，以确保整个庞大机器的顺利运行。然而，AI大模型作为一个“黑盒子”，其输出结果的不可预测性（你永远不知道它下一个回答会是怎样的）在软件开发角度来看是灾难性的。我们能接触到的只是一个纯文本交流的API，输入文本，输出文本，没有语法规则，没有可重复性，甚至连单元测试都无法编写。在这种背景下，提示词工程师应运而生，他们的工作就是让AI遵守规则，使其像一个传统的API那样，可以与其他系统组件整合，成为一个稳定的产品。所有的技巧都围绕着如何设计输入给AI的文本。

• 重要原话引用: "他 們 的 工 作 就 是 讓 ai 遵 守 規 則 讓 它 像 一 個 傳 統 的 api 那 樣 從 而 可 以 和 系 統 的 其 他 組 件 整 合 在 一 起 成 為 一 個 穩 定 的 產" [02:12]

人类语言与机器对话的历史与演变 [02:22]

• 核心观点: 人类与机器对话并非新鲜事，SQL语言早在50多年前就实现了通过人类语言向数据库发送命令。AI大模型的提示词（Prompt）与SQL有着异曲同工之妙，并且AI对传统编程语言的设计思路，如变量和数据结构，也表现出一定的感应能力。

• 深度阐述: 早在50多年前，IBM工程师发明SQL（Structured English Query Language）的目的就是为了让用户能用简单的自然语言向数据库发送命令。SQL通过指定关键词来表达命令，数据库能理解需求并执行。在AI大模型中，输入文本被称为“提示词”（Prompt）。虽然提示词本身没有语法规则，不像SQL那样能发送精准命令，但科学家们已摸索出一些能让AI更敏感的词汇，其中一半与SQL语法关键词重叠。这表明大模型在训练阶段从海量数据中习得了类似的规律。此外，提示词工程师发现AI对传统编程语言设计思路也有感应，例如变量的使用 [04:00]。我们可以在提示词中定义变量，后续直接更新其值而无需重复整个提示。对于大模型输出作为流水线环节，涉及到数据结构和类型定义的问题，微软的TypeChat框架（基于TypeScript） [04:31] 提供了一个解决方案，允许用TypeScript语法规范大模型输出结构，实现与其他TypeScript代码的无缝衔接。视频作者大胆预测，TypeScript很有可能超越Python，成为AI应用行业的主流语言，因为很多落地应用面向用户，前端语言本身就具优势。

• 重要原话引用: "所 以 我 們 可 以 大 膽 的 推 測 正 是 因 為 sql 標 準 的 優 歷 史 以 及 它 對 人 機 交 互 設 計 的 影 響 深 遠 但 大 模 型 在 訓 練 階 段 就 從 海 量 的 數 據 中 結 出 了 同 樣 的 規" [03:31]

提示词工程师的核心工作：模型调教与In-Context Learning [05:07]

• 核心观点: 提示词工程师的核心工作更接近AI科学家，通过In-Context Learning（通过在提示词中提供大量例子）来调教模型，控制输出风格和规则，以弥补传统Fine-tuning成本高昂且耗时的问题。

• 深度阐述: 如果说前一部分工作围绕编程语法和数据结构，与普通程序员相似，那么提示词工程师真正的核心工作更接近AI科学家，即模型调教。大模型在训练过程中追求知识的广度而非深度，虽然足以应对普通用户的大部分问题，但在特定行业解决专业问题时，其深度不足。解决这一问题常用的方法是Fine-tuning（精调训练） [05:54]，即在现有模型基础上用特定领域数据进行再训练，但这种方法成本高昂，需要大量硬件、数据和漫长的等待时间。
然而，随着主流大模型可以接受10万字以上的提示词 [06:31]，提示词工程师有了直接在提示词中调教AI的空间，这种做法被称为In-Context Learning（FSP, Few-shot Prompting） [07:13]。通过在提示词中提供大量例子，让AI在处理问题时优先考虑例子中的规则。FSP更多用于对大模型的输出进行风格化控制，从输出规则到内容呈现形式都可以控制。视频中展示了一个简单的FSP例子，用于控制AI返回答案的结构，比如根据提供的例子，AI可以生成简洁、详细或分解的答案。提示词工程师在调教提示词时，也应用了许多技巧，如Chain of Thought、Tree of Thought、Role Prompting等 [08:11]，这些工程技巧更难掌握，需要反复测试和调整，如同科学家训练AI一般。

• 重要原话引用: "但 當 我 們 要 把 大 模 型 投 入 到 特 定 行 業 裡 要 他 去 解 決 專 業 問 題 的 時 候 我 們 的 要 求 就 會 更 加 嚴 格" [05:43]

提示词工程师的挑战：Prompt Sensitivity与保住下限 [08:37]

• 核心观点: AI大模型的“黑盒子”本质导致了“提示词敏感度”（Prompt Sensitivity）问题，即微小的文本改动可能导致AI回答的严重偏移。提示词工程师的重要工作之一就是“避坑”，在追求大模型能力上限的同时，努力保住其输出的下限。

• 深度阐述: 提示词工程师还有一个重要工作是“避坑”。由于大模型的黑盒子本质，其内部有多少“坑”无人能知。一个常见的问题是“提示词敏感度”（Prompt Sensitivity） [09:06]，即提示词中哪怕是细微的文字改动、标点符号甚至空格的差异，都可能导致AI回答的严重偏移。这是因为当前大模型在训练时追求极致的规模，放弃了大多数传统NLP技巧，有些甚至连分词都不做，直接将原始数据当作二进制字符串输入。在传统NLP中会被清理干净的符号、空格、停用词、大小写区分等干扰项，在当代大模型中反而具有举足轻重的影响。
这个问题目前无解，因为保持原始数据结构不变、不加人工干涉是当前AI发展的主流路线。理论上这能拉高大模型的上限，但在实践中也发现它会拉低大模型的下限 [09:55]。因此，如果说科学家的工作是突破上限，那么提示词工程师的工作就是保住下限。在大模型中保住下限比传统机器学习更难，因为传统机器学习能知道函数曲线、是否处于局部最小值，知道如何爬升；但在大模型这个黑盒子里，很多试错是毫无规律的。尽管有科学家指出，训练大模型的数据基本包含所有东西，从概率学角度看数据质量呈正态分布，通过反复试错（随机行为），在足够次数后应该能触碰到比较靠前的答案，但这些仍需提示词工程师自己去摸索。

• 重要原话引用: "當 你 的 提 示 詞 裡 有 一 些 非 常 細 位 的 文 字 改 動 標 點 符 號 甚 至 是 空 格 的 區 別 都 有 可 能 造 成 ai 回 答 的 嚴 重 移" [08:54]

AI应用场景的拓展与提示词工程师的需求增长 [10:53]

• 核心观点: 随着AI大模型成本的进一步压缩，各行各业和个人开发者将入场，挖掘出更多新的业务场景，这将催生对提示词工程师岗位需求的持续增长。

• 深度阐述: 除了前面提到的网红聊天服务 [10:54]，视频中还提到了帮助程序员在线面试自动作算法题的服务，以及自动优化简历的服务 [10:58]。这些服务都没有现成的竞争对手，因为它们都是在AI大模型的基础上才能提供的服务。随着AI大模型成本的进一步压缩，各行各业的企业甚至个人开发者都将入场，挖掘出更多新的业务场景，同时也会催生更多的提示词工程师岗位的需求。因此，视频作者认为，AI的发展不仅不会抢走程序员的工作，反而会创造更多新的机会。

• 重要原话引用: "更 多 的 新 的 業 務 場 景 會 被 挖 掘 同 時 也 會 催 生 更 多 的 及 事 工 程 師 崗 位 的 需 求" [11:16]

精华收获总结

• 提示词工程师的诞生与价值：AI大模型的不稳定性催生了提示词工程师这一职业，他们通过设计高质量的提示词来“驯服”AI，使其输出稳定且符合预期，从而将AI从实验室推向大规模应用。

• In-Context Learning的重要性：相对于成本高昂的Fine-tuning，In-Context Learning（通过在提示词中提供大量例子）成为提示词工程师调教AI、控制其输出风格和规则的核心技术。

• Prompt Sensitivity的挑战：AI大模型的“黑盒子”特性导致了提示词敏感度问题，即使是微小的文本改动也可能导致AI输出的巨大差异，提示词工程师需要不断试错以“保住下限”。

• AI与就业的新机遇：AI大模型的发展，尤其是成本的降低，将催生更多新的业务场景，从而创造出更多对提示词工程师等新兴岗位的需求，而非简单地取代现有工作。

个人洞察与价值提取

🎯 核心洞察 (Core Insight)

🧠 阅读启发 (Inspiration Points)

• “红沟理论”：此视频借用“红沟理论”解释了技术从实验室走向大规模应用的关键障碍——高昂的成本。这个模型可以被“窃取”来分析任何一项新技术能否普及，其核心是关注“成本曲线”和“可用性曲线”的交叉点，而非仅仅是技术能力的突破。DeepSeek的案例表明，成本突破有时比纯粹的能力突破更能推动技术普适化。

• “In-Context Learning”作为一种“软性调教”：与传统的模型训练（Fine-tuning）相比，In-Context Learning提供了一种更灵活、成本更低、迭代更快的模型调教范式。它启发我们，在处理复杂系统时，除了“硬编码”的修改，还可以通过“情境化输入”来引导系统行为，实现预期的结果。

🔑 关键提问 (Key Questions to Ponder)

🔗 逻辑链路分析 (Logical Chain Analysis)

• DeepSeek的定义：并非能力突破，而是成本突破，是AI普及的关键催化剂 [00:55]。

• 提示词工程师的定义：负责接入和驯服AI，使其遵守规则、稳定输出的新型技术工种 [01:30]。

• AI大模型的局限性：黑盒子特性、缺乏可重复性、难以进行单元测试 [01:49]。

• 工作边界：围绕如何设计向AI输入的文本，使其行为可预测。

• 历史类比：通过类比SQL的历史，指出人类与机器对话并非新鲜事，SQL的成功为AI提示词的语法探索提供了启发 [02:32]。

• 技术探索：展示了提示词工程师如何利用编程语言的设计思路（如变量 [04:00]、数据结构和类型定义 [04:27]）来提高AI的输出质量和稳定性，例如微软的TypeChat框架。

• 核心职责深化：从基础的编程语法应用深入到“模型调教”层面，引入Fine-tuning和In-Context Learning [05:54] 的对比，强调FSP作为一种更经济高效的模型调教方式。

• 挑战与应对：揭示了提示词敏感度（Prompt Sensitivity）这一核心挑战，并解释其产生的原因（大模型训练追求规模而放弃传统NLP技巧） [09:06]，指出提示词工程师在“保住下限”方面的艰巨任务。