脉脉高聘的数据看起来很热：2026年1—2月，新发AI岗位量同比暴涨约12倍，平均月薪达到60738元。
但把关键词换成“Prompt Engineer”，画面就没那么热闹了。原稿所引Q2招聘数据里，这个曾经很抢眼的头衔，招聘量比去年同期下降近70%。
这不是AI岗位退潮。更准确地说，企业不太愿意再为“只会写通用提示词”单独开一个岗位。
LinkedIn发布的《构建高效的未来工作模式》报告给了另一组背景数字：AI已在全球催生超过130万个新就业岗位，其中超过60万个来自AI数据中心领域。岗位还在长，只是名字和能力要求变了。AI工程师、前沿部署工程师、AI应用相关角色，已经不再等同于两年前那种“把问题问得更漂亮”的工作。
“会写提示词”为什么不够用了
2024年前后，“提示词工程师”火过一阵。那时模型还不够稳定，同一个需求换一种问法，结果可能差很多。企业愿意请人专门琢磨指令结构、角色设定、输出格式，因为提示词质量确实会明显影响结果。
到2026年，这件事的价值被压缩了。
一方面，模型更能理解模糊表达，也更擅长多轮对话和自我修正。微软研究院的2026年前沿观察提到，新一代AI能力正在继续向推理、交互和应用落地推进。放到招聘里看，企业自然会减少对“完美提示词手艺人”的依赖。
另一方面，工具把很多提示词工作吃掉了。Dify、Coze这类Agent编排平台，已经把提示模板、节点配置、流程调用做成界面化能力。过去需要单独写一段复杂prompt，现在可能变成拖一个LLM节点、填几个变量、接上知识库和业务系统。
Korn Ferry《2026人才招聘趋势报告》里有个判断更接近企业现场：84%的人力资源管理者表示将在2026年进一步使用AI，但真正难的问题不是买哪款AI工具，而是怎么把技术和人整合起来。换句话说，企业缺的不是“帮我写一句提示词”的人，而是能让AI进入业务流程的人。
这个岗位没有消失，只是被拆开了
提示词工程没有消失，它变成了基础能力。
就像会做PPT、会用Excel一样，单独写在简历上不再稀缺。招聘方更想知道的是：你能不能把模型、数据、流程、审核和业务结果串起来。
原来叫“Prompt Engineer”的工作，现在更多被吸收到几类岗位里。
AI工作流架构师：从一句话到一条链路
这类岗位关心的不是某一句prompt怎么写，而是整条AI业务链怎么跑。
用户输入从哪里来，调用哪个模型，是否需要知识库检索，要不要多Agent协作，输出结果怎么校验，最后如何接入CRM、工单系统或内部数据库。这些问题比“请用专业语气回答”复杂得多。
Dify、n8n、Coze各有侧重：有的适合LLM应用开发，有的偏系统集成，有的适合低门槛Bot搭建。但无论用哪种工具，能力重心都已经从“写话术”转到“搭流程”。会看API、懂Token消耗、知道什么时候用通用大模型、什么时候换垂直模型，才更接近企业愿意付费的位置。
垂直领域AI专家：行业知识开始值钱
医疗、法律、金融、制造这些行业，对AI的要求并不只是“回答得像专家”。它们更在意数据结构、合规边界、业务流程和责任归属。
医疗场景里，模型要理解影像、病历、检查指标，也要遵守诊疗流程。法律场景里，引用依据、风险提示、版本更新都不能随便。制造业更看重设备数据、工艺参数和现场可执行性。
所以，垂直领域AI岗位未必要求候选人写出多漂亮的提示词，却会要求他知道业务里哪些话不能让模型乱说，哪些数据不能出域，哪些结果必须留痕复核。
这也是“提示词工程师”头衔变少后的一个去向：懂AI工具的人往行业里走，懂行业的人补AI能力。两边都只懂一点，竞争力有限；能把行业规则翻译成模型约束，才是真需求。
AI运维与成本控制：账单也成了岗位
还有一个方向更容易被忽视：AI成本管理。
当Agent进入真实业务流，Token消耗就不再是演示环境里的小数字。长上下文、多Agent转发、失败重试、模型切换、日志留存，都会变成账单。模型单价下降，并不必然意味着企业总成本下降。
这类岗位需要看懂推理算力账单，能拆调用链路，知道哪些环节可以缓存，哪些问题不该上最贵的模型，哪些重试策略会把成本放大。
它不像传统IT运维，也不是单纯的提示词优化，更接近“把AI系统跑稳、跑便宜、跑得可控”。对已经做过Prompt Engineer的人来说，这是一个可迁移方向，但需要补工程和财务意识。
还在做提示词的人，简历要改了
如果简历上最醒目的一行还是“擅长撰写各类AI提示词”，2026年下半年的招聘市场可能不会太买账。
更好的写法，是把能力放进具体场景里。
比如，不写“熟悉提示词优化”，而写“能用Dify或Coze搭建客服问答流程，接入知识库，设置输出校验和人工复核节点”。这能让招聘方看到你不是只会聊天，而是知道业务如何落地。
再比如，选择一个行业深挖。医疗、合规、制造、金融都可以，但不要只停留在“AI+行业”的口号上。要知道这个行业的数据从哪里来，哪些环节最容易出错，哪些结果必须人工确认，哪些内容涉及合规风险。
如果走成本方向，就要学会看调用链路和账单。一次用户请求背后调用了几次模型，是否用了长上下文，是否有重复检索，失败重试有没有上限，这些细节会直接影响企业是否愿意把AI应用继续铺开。
企业买的不是焦虑，是可交付能力
Korn Ferry报告提到，很多领导者还不知道如何管理由人类和AI Agent组成的混合团队。这句话很现实。企业不是没有AI工具，而是不确定工具进了组织之后，谁负责流程，谁负责风险，谁负责效果。
LinkedIn的数据也说明，全球招聘节奏虽然比疫情前低了近两成，但AI相关岗位仍在创造新需求。岗位没有简单变少，更多是在换形态。
“Prompt Engineer”这个头衔退热，并不代表提示词工程没有价值。它只是从一个独立卖点，变成了AI岗位的基本功。
下一轮招聘里，更有分量的问题会是：你能不能把一个业务流程跑通？能不能让模型输出可控？能不能把成本算清楚？
只会写提示词的人，会越来越尴尬。能把提示词放进流程、行业和账本里的人，才更接近新的岗位需求。
