bingdadaAnthropic Claude Code负责人Boris Cherny表示，提示工程的重要性正在急剧下降。他认为，与其沉迷于精细提示词，不如给模型一个“太难的任务”，并提供验证工具。过度指定和追随AI网红技巧反而是自我挫败的行为。
在人工智能领域，提示工程（Prompt Engineering）曾被视为一项炙手可热的新兴技能，甚至催生了专门的“提示工程师”职位。然而，Anthropic公司旗下Claude Code的负责人Boris Cherny近期在接受Y Combinator的Diana Hu采访时，提出了一个颠覆性的观点：提示工程的重要性正在急剧下降，甚至可以说，它“并不那么重要”。这一观点迅速在AI社区引发了广泛讨论，尤其是在Search Engine Journal等专业媒体中，成为热议焦点。
Cherny指出，随着Claude Code等先进模型能力的提升，用户不再需要精心设计复杂的提示词来引导模型。相反，他建议用户“取消关注Twitter和LinkedIn上的AI网红”，因为那些所谓的“独家技巧”和“高级提示工程”方法，对于当前版本的Claude而言，往往是一种过度思考。
Cherny在采访中分享了一个内部实验，生动展示了Claude Code的惊人能力。工程师给了Claude访问OpenCV（开源计算机视觉库）的权限——这是一个包含数千种实时视觉算法的库，主要用于图像处理和机器学习。然后，工程师简单地要求Claude“画一些图像”。令人惊讶的是，Claude不仅理解了指令，而且成功完成了绘图任务。这一能力完全超出了团队的预期，因为Claude Code从未被明确训练过图像生成。
Cherny用这个例子强调了一个核心观点：Claude Code具备的能力远超用户对“提示工程”的依赖。模型本身已经足够智能，能够在没有精细提示的情况下，自主探索并完成任务。这种“意外能力”的涌现，恰恰证明了提示工程的必要性正在减弱。
当Diana Hu问到“模型激发”（Model Elicitation）——即解锁AI模型隐藏能力的过程——以及人们如何提升提示工程技能时，Cherny给出了一个坦诚的回答。他认为，过去一年里，就业市场从“提示工程师”转向“上下文工程师”，再到现在的变化，反映了这个领域的快速演进。但核心技能已经不再是编写完美的提示词。
Cherny解释说：“现在的技能更多在于如何给Claude一个看起来有点太难的任务？然后，如何让Claude在过程中能够验证自己的工作？我认为验证是大多数人做错的最重要的事情。”
他举了一个具体例子：他给了Claude Tag（在Slack中作为代理运行的Claude）访问Mac虚拟机的权限，然后分配了一个复杂的编程任务——将Claude桌面应用从开源的Electron框架重写为苹果原生编程语言Swift。Cherny的提示非常简单直接，没有过度设计指令或约束：
“好的，现在我希望你做的是：用Swift重写Electron应用。在Mac虚拟机中运行Electron应用，截图，然后逐像素对比，与Swift版本进行比较。不完成不要停。”
结果令人震惊：Claude不仅成功完成了重写任务，还自发地在Slack内部创建了一个频道，每隔几分钟发布截图，实时记录自己的进度。Cherny总结道：“这就是那些例子之一——模型今天就能做到，你只需要让它去做，不需要花哨的东西。你不需要/goal，不需要/loop。这些确实有帮助，但真正需要的只是给模型一个任务，给它一种验证输出的方式，这样它就不会卡住，然后它就会自动进行下去。”
面对“如何区分顶级1%的Claude用户”的问题，Cherny的回答直截了当：
“也许不要听LinkedIn网红的。不要听，不要读Twitter。关于模型，我认为每个人都在寻找那个‘神奇技巧’。但那不存在，根本没有这种东西。模型的工作方式是，你必须以实证的方式接近它。你必须给它一个太难的任务。你必须给它验证工作的工具，就像你自己做任务时一样。你必须观察它在哪里挣扎，然后修复那个问题——要么通过更好的提示，要么通过技能，如果模型缺少上下文，给它一个MCP（模型上下文协议），让它能拉取所需的上下文。就这样。”
这段话的核心在于“实证”方法。与其依赖网上流传的模板化提示技巧，不如通过实际任务来探索模型的能力边界，观察它的弱点，并针对性地调整。这种“任务驱动”的方法，远比纠结于提示词的措辞更为有效。
当Hu评论说这听起来很简单时，Cherny回应道，他认为“人们倾向于过度思考”。他的观点是，对于当今的Claude Code，过度指定（Over-Specifying）是不必要的。
Cherny进一步解释：“我认为人们倾向于过度工程化。因为在很多方面，过去我们构建系统时，必须那样做。所以当我看到那些编程多年甚至几十年的工程师时，这是一个非常非常常见的失败模式——试图过度指定，试图过分具体，让模型完全按照你本来会做的方式去完成任务。但模型的工作方式不是那样的。我认为很多人正在‘去学习’（Unlearn）这种习惯，这是一个旅程。”
他将Claude比作一个同事：“你需要学会如何像对待同事一样对待它。我认为这就是它现在达到的智能水平。”
基于Cherny的见解，我们可以总结出几条实用的建议：
放弃“神奇提示词”的幻想：不要浪费时间寻找所谓的“最佳提示词模板”。模型的能力已经足够，关键在于你给它什么任务。
从简单任务开始，逐步增加难度：给Claude一个“看起来有点太难”的任务，观察它如何应对。通过实证方式了解它的能力边界。
建立验证机制：这是最重要的环节。确保Claude能够验证自己的输出，比如通过对比、测试或反馈循环，这样它就不会在错误方向上持续前进。
避免过度指定：不要试图让模型完全按照你的思路去做事。给它目标，而不是步骤。让它发挥自己的智能。
关注任务本身，而非提示技巧：与其研究如何写提示词，不如思考如何拆解任务、提供适当的工具和上下文。
Boris Cherny的观点标志着一个重要的转变：从“如何让AI理解我们”到“如何让AI为我们工作”。提示工程作为AI发展初期的过渡技能，其重要性正在被模型自身的进步所削弱。未来的核心竞争力，将在于如何设计任务、提供验证机制，以及像对待同事一样与AI协作。
正如Search Engine Journal所报道的，这一趋势对于所有AI用户——从开发者到内容创作者——都具有深远意义。与其沉迷于提示词的雕琢，不如将精力放在更有价值的地方：理解任务本质、建立有效的反馈循环，以及信任模型的能力。
毕竟，最好的提示，可能就是没有提示。
SEO & GEO 技术探索者，专注于搜索引擎优化和生成式引擎优化。
Google 更新了爬虫预算优化指南，其编辑策略展示了如何通过精准表述、删繁就简和优化句子构建来提升内容质量。本文深入分析了这些变化，并为 SEO 从业者提供了内容优化的具体思路。
Bill Hartzer推出免费高级链接建设培训课程，涵盖九大模块五十节课，从基础原理到未来趋势，特别强调数字公关的独特策略，是SEO从业者不可错过的学习资源。
开放知识格式 v0.2 增加了信任层，但尚无 AI 代理读取。其真正价值在于迫使网站所有者以机器视角审视内容，通过诚实回答“来源、时效、背书”三问，揭示网站的结构与信任缺口。
获取最新的 SEO 与 GEO 技术资讯。
我们尊重您的隐私，随时可以取消订阅。
