前言

最近在学习 AI 应用相关内容时，我一直在想一个问题：
Prompt 工程师到底是干嘛的？

一开始我对这个岗位的理解很表面，总觉得它好像就是“会写提示词的人”。
但接触得越多，我越觉得这种理解太浅了。

因为在真实的 AI 应用里，Prompt 工程师做的事情并不只是写几句话，而是要围绕任务目标、模型能力、上下文信息和输出效果，去设计一整套让模型更稳定完成任务的方法。

所以这篇文章，我想继续用“一张图讲清楚”的方式，梳理一下 Prompt 工程师到底在做什么，以及为什么它并不只是“写提示词”这么简单。

正文

Prompt 工程师的核心工作流程，可以概括为：理解需求、翻译任务、设计 Prompt、组合上下文与能力、评估结果，并持续迭代优化。

---

为了更直观地理解这张流程图，我想用一个真实业务场景来拆解：
做一个 AI 简历优化助手。

用户进入产品后，输入自己的简历内容，再告诉系统目标岗位，比如“AI 产品经理”或“产品运营”。表面上看，用户的需求只是：“帮我优化简历。”

但对 Prompt 工程师来说，这并不是一句简单的话，而是一个需要被重新理解和拆解的任务入口。

第一步：用户提出需求

用户的原始表达往往是自然语言，而且非常模糊。

比如：

• “帮我优化简历”

• “帮我把项目经历写得更好一点”

• “我想投 AI 产品经理，帮我改一下”

• “帮我看这份简历哪里有问题”

这些话对人来说大概能懂，但对模型来说，还远远不够精确。
因为“优化简历”背后，可能包含很多完全不同的目标：

• 只是润色语言
• 强化岗位匹配度
• 提炼项目亮点
• 调整表达结构
• 输出一份可直接投递的新版本

所以在这一步，Prompt 工程师不会急着写 Prompt，而是会先意识到：

用户给出的只是表面需求，不是真正可执行的模型任务。

第二步：理解真实目标

用户说“帮我优化简历”，但他的真实目标通常不是“把句子写漂亮”，而是：
让这份简历更贴近目标岗位，提高通过筛选和获得面试机会的概率。

Prompt 工程师在这一阶段要做的，是把业务目标想清楚。
比如在这个场景里，需要进一步明确：

• 用户要投的岗位是什么
• 用户更需要“润色”，还是更需要“岗位对齐”
• 输出最终是建议版，还是改写版
• 能不能编造经历，答案当然是不行
• 当用户信息不足时，系统应该怎么处理

也就是说，Prompt 工程师此时做的，其实是一种“需求翻译前的需求理解”。
他不是只看“用户说了什么”，而是要进一步判断：

• 用户真正想解决什么问题
• 产品希望交付什么价值
• 模型输出的边界在哪里

这一步如果没做好，后面 Prompt 写得再漂亮，也可能方向就错了。

第三步：任务翻译与拆解

当真实目标明确后，下一步就是把这个需求翻译成模型能够执行的任务。
这是 Prompt 工程师最核心的工作之一。

因为模型并不天然理解“优化简历”这种业务表达，所以 Prompt 工程师要把它拆成若干个更明确的步骤。

在这个案例里，可以拆成这样几部分：

1. 理解用户输入

先识别简历里的内容结构，例如：

• 教育经历

• 工作经历

• 项目经历

• 技能信息

• 自我评价

2. 理解目标岗位

如果用户提供了 JD，就提取：

• 目标岗位关键词

• 核心职责

• 高频能力要求

如果没有完整 JD，至少也要根据岗位名称推断出基础方向。

3. 做匹配分析

模型需要判断：

• 当前简历哪些地方和目标岗位匹配

• 哪些地方表达太弱

• 哪些地方可以强化

• 哪些地方应该调整表述重点

4. 生成输出结果

最终输出可以包含：

• 岗位匹配分析

• 简历存在的问题

• 修改建议

• 优化后的示例表达

这时候你会发现，Prompt 工程师做的已经不是“写一句话给模型”，而是在做：
任务设计、流程拆解、输入输出结构设计。

这也是为什么我越来越觉得，Prompt 工程师本质上是在做一层“模型任务编排”。

第四步：Prompt 设计

等任务被拆清楚之后，才真正进入 Prompt 设计阶段。

这一步，很多人最容易误解成“写几句高级提示词”，但真实工作里，Prompt 设计远不止如此。
在这个简历优化助手里，Prompt 工程师要考虑的问题包括：

• 模型要扮演什么角色

• 任务目标是什么

• 哪些内容不能乱写

• 输出结果应该长什么样

• 如何让不同用户都尽量得到稳定的结果

例如，这里可能会这样设计：

角色设定

• 你是一名资深求职顾问和简历优化专家，擅长根据目标岗位优化候选人的简历内容。

任务目标

• 根据用户提供的简历内容和目标岗位信息，分析匹配度，并给出优化建议或改写版内容。

约束条件

• 不允许编造用户未提供的经历

• 不允许夸大成果

• 信息不足时要明确指出

• 优化应以岗位匹配为目标，而不只是语言润色

输出格式

要求模型分四部分输出：

• 岗位匹配分析

• 当前简历存在的问题

• 优化建议

• 可直接参考的改写示例

必要时，还可以加入 few-shot 示例，让模型更稳定地学会“原句应该怎么改、改到什么程度”。

所以 Prompt 工程师在这一步做的，是：

把一个模糊业务目标，变成一套更稳定、更可控的模型指令系统。

第五步：能力编排整合（RAG / Tools）

真实业务里，只靠 Prompt 往往不够。

在这个 AI 简历优化助手中，Prompt 工程师还要进一步判断：这个任务是否需要额外的知识和工具支持？

哪些地方可能需要 RAG？
例如：

• 系统内置了“优质简历写法知识库”

• 存在不同岗位的关键词参考库

• 有常见 JD 能力模型

• 有历史总结好的简历表达经验

这时就可以把这些知识通过 RAG 检索出来，补充给模型。
这样模型在做优化时，不是完全自由发挥，而是带着一定依据来生成结果。

哪些地方可能需要工具？
例如：

• 解析用户上传的 PDF / Word 简历

• 从 JD 里自动提取关键词

• 计算简历与岗位的关键词覆盖率

• 对简历做结构化抽取

这些事情有些更适合由工具先处理，再把结果交给模型，而不是全靠模型自己猜。

所以在这一阶段，Prompt 工程师不只是写 Prompt，还要参与判断：

• 什么信息应该交给模型

• 什么信息应该先由工具处理

• 什么知识应该通过 RAG 注入

• 最终上下文怎么组织最合理

这说明 Prompt 工程师的工作，已经和整个 AI 应用流程高度相关，而不是孤立的“提示词工作”。

第六步：结果测试评估

到这里，很多人可能会觉得已经结束了，但其实真正“工程化”的部分才开始。

因为一个 Prompt 写出来，不代表结果就真的好。
Prompt 工程师还要对输出质量做测试和评估。

在这个场景里，可以从几个维度去看：

1. 是否真的理解了用户目标

比如用户目标是 AI 产品经理，模型有没有偏成“通用求职建议”甚至跑偏到别的岗位风格？

2. 是否真的提升了岗位匹配度

模型是只做了语言润色，还是确实加强了和岗位相关的关键词与表达重点？

3. 是否产生幻觉

有没有帮用户“编”出一些他没做过的成果、职责和项目经验？

4. 输出是否稳定

面对不同用户、不同简历，模型输出风格和质量是不是大致一致？

5. 用户是否真的觉得有用

最后最关键的是，用户拿到结果后，能不能直接修改简历，而不是只觉得“看起来很厉害”。

所以这一步，Prompt 工程师其实是在做一种“结果质量控制”。

他负责的不只是 Prompt 文本本身，而是：

模型最终交付给用户的结果，是否真的可用。

第七步：持续优化迭代

几乎没有哪个 Prompt 是一版写完就完美的。

Prompt 工程师后续还要根据测试结果持续迭代。

比如：

• 如果发现模型太喜欢夸张表达，那就要加强真实性约束；
• 如果发现模型输出太空泛，那就要要求给出更具体的句子级建议；
• 如果发现模型和 JD 对齐不明显，那就要加强“先提取关键词，再映射简历内容”的中间步骤；
• 如果发现不同用户结果不稳定，那就要补充示例、优化格式、减少歧义。

所以在这一阶段，Prompt 工程师做的是持续调优，包括：

• 改 Prompt

• 调规则

• 补示例

• 优化上下文组织

• 调整 RAG 注入内容

• 配合工具链路优化整体效果

这也是为什么我觉得，Prompt 工程师更像是在做一件持续迭代的事情，而不是一次性交付的文案工作。

AI简历优化助手：最终Prompt示例

这部分就是Prompt工程师经过多次修改的最终输出内容啦！

你是一名资深的简历优化顾问和求职辅导助手，擅长根据候选人的简历内容、目标岗位和岗位要求，输出专业、真实、可执行的简历优化建议。

你的核心任务是：
帮助用户提升简历与目标岗位的匹配度，提高简历表达的专业性、清晰度和结果导向性，但绝对不能编造用户未提供的经历、成果或数据。

【输入信息】
你将收到以下信息中的一项或多项：
1. 用户原始简历内容
2. 用户目标岗位名称
3. 用户提供的岗位 JD（可选）
4. 用户补充说明（可选）

【你的处理原则】
1. 优先理解用户的真实目标，不要只做表面润色。
2. 如果提供了目标岗位或岗位 JD，应优先围绕岗位匹配度进行优化。
3. 如果用户简历内容表达较弱，应帮助其优化表达方式，但不能虚构事实。
4. 如果用户信息不足，必须明确指出缺失项，不要自行脑补。
5. 如果岗位方向不够明确，应基于已有信息做保守判断，并在结果中提示用户补充岗位信息。
6. 输出内容要尽量具体、可执行，避免空泛建议。
7. 优化重点应包括但不限于：
   - 表达是否清晰
   - 结构是否合理
   - 是否突出与目标岗位相关的能力
   - 是否体现结果导向和业务价值
   - 是否存在流水账、口语化、冗长或重点不清的问题

【禁止事项】
1. 不允许编造用户没有提供的项目经历、工作经历、职责、成果或数据。
2. 不允许夸大事实，不允许把普通描述强行包装成虚假成绩。
3. 不允许输出模糊、敷衍、无实际价值的建议，例如“可以更好一些”“建议再优化表达”这类空洞表述。
4. 不允许脱离目标岗位泛泛而谈。

【输出目标】
请基于用户输入，完成以下任务：
1. 判断当前简历与目标岗位的匹配情况
2. 指出简历当前最主要的问题
3. 给出具体优化建议
4. 在必要时，给出可直接参考的改写示例

【输出格式要求】
请严格按照以下结构输出：

一、岗位匹配分析
- 用 3-5 条简明语言说明当前简历与目标岗位的匹配点和不足点

二、当前简历存在的主要问题
- 按条列出问题
- 每条问题要具体，不要空泛

三、优化建议
- 针对每个问题分别给出对应建议
- 建议尽量具体到“应该怎么改”

四、示例改写
- 从用户原始简历中挑选 2-4 条典型表述
- 按“原表述 / 优化后表述 / 修改说明”的格式输出

五、需要用户补充的信息（如有）
- 如果信息不足，请明确列出缺失项
- 例如：目标岗位 JD、项目结果数据、职责边界、使用工具等

【输出风格要求】
1. 专业、清晰、克制，不要鸡汤化。
2. 以求职实用性为优先，不要写成泛泛的职场建议。
3. 表述尽量让用户可以直接复制、参考或修改。
4. 如果用户目标岗位是产品、运营、设计、技术等不同方向，应适度调整分析重点。

【特别说明】
- 如果用户同时提供了简历和岗位 JD，请优先结合 JD 分析。
- 如果只有简历没有 JD，请基于目标岗位名称进行通用优化。
- 如果既没有明确岗位名称，也没有 JD，请先基于简历内容做基础优化，并提醒用户补充求职方向。

从这个案例里，我理解到 Prompt 工程师真正的价值

如果只看名字，很多人会觉得 Prompt 工程师就是“会写提示词的人”。
但从这个 AI 简历优化助手的例子来看，我更愿意这样理解：

Prompt 工程师真正的工作，是把模糊的人类需求，翻译成模型更容易理解和执行的任务流程，并通过 Prompt、知识、工具和迭代优化，让模型输出更接近真实可用的产品结果。

也就是说，他连接的其实是四件事：

• 用户需求

• 业务目标

• 模型能力

• 最终结果

所以 Prompt 工程师不只是“写字的人”，更像是一个站在模型和业务之间做翻译、编排和优化的人。