从城市规划到Prompt Engineering：一年转行沉浮录

2014到2019年，我在安徽一所非双一流院校读城乡规划，然后去南京985读城市规划硕士。2022年毕业后，进了设计院做城市设计。那会儿我还挺有热情，真以为能改变点什么。

现实是，我被deadline追着跑。'节后第一天送审''下班前发给我'成了日常背景音。图纸改到半夜，周末不是加班就是在去加班的路上。领导画饼说沉淀两年当组长，再几年拿项目分成，可我只觉得在消耗自己。

2023年3月，ChatGPT炸出来。我试着用它生成那种堆满漂亮空话的PPT文案——几分钟就比我绞尽脑汁写的好。那一刻，既有解放感，也有恐慌：我学了五年的东西，好像不值钱了。

白天画图，晚上我躲进自习室啃大模型。资料零零散散，能看的都看。还在公司最贵的一台机器上折腾Stable Diffusion和本地模型。SD在建筑方案里表现一般，一眼惊艳，细看全是硬伤，但这件事让我对AI有了更具体的认知。

6月我开始面试。没有互联网经验，就把每次面试当和别人聊——从面试官那里套信息，再回头补课。7月，还真拿到了一家大模型公司的offer，成为Prompter。

当Prompter在做什么

简单说，就是设计、调试和大模型对话的指令。但远不止「写一句话」。日常大概分三层：

最基础的，是捏Prompt：明确角色、任务、约束，让模型输出符合预期。比如指定它是一位严谨的学术编辑，要求用特定格式提炼要点。

进阶一点，得跟Coze、Dify这类低代码平台打交道。搭个工作流，把模型、知识库、外部工具串起来，这就要清楚模型的能力边界，还得写点代码。

再往上，是跟产品、客户撕需求，协调资源推项目——说白了，沟通和项目管理那块儿，逃不掉。

技术栈慢慢铺开：LangChain、LlamaIndex这些框架得玩熟，API调用、限流重试这些坑一个都绕不开，还折腾过Chroma向量库去搭RAG链路。低代码平台是快速验证的利器，但真要落地，还得自己搭。

难题比想象多

工资从设计院的15万涨到30万左右，但压力一点没少。

垂直领域不够深。 让大模型写法律文书或医疗建议，它常常给出看似通顺、实则不严谨的答案，外行看不出，内行一眼就知道不靠谱。

数理推理是个大坑。 Transformer的生成方式决定了它不会像人一样反复斟酌。问3.11和3.9哪个大，它居然会错；让它数'草莓'里有几个r，它能卡住。24点基本玩不明白。

幻觉防不胜防。 训练数据过时，模型会一本正经地编造'林黛玉倒拔垂杨柳'，甚至把足球比分张冠李戴。幽默感也飘忽，有时候冷得让人尴尬。

遇到这些硬骨头，我们拉上算法、开发、产品一起碰。有些问题当前无解，只能靠加知识库、优化提示、调参数打补丁。迭代，再迭代。

说不清的未来

设计院的路是看得见的：画图、考证、熬资历。大模型这条赛道，连导航都没有。每周都有新论文、新工具冒出来，术语更新的速度逼着我偷偷问AI，生怕成了别人眼里的原始人。

学习速度永远赶不上模型迭代。同事有人卖掉公司all in，有人跳槽大厂薪资暴涨，也有实习生靠一个过年期间捣鼓的AI小游戏就收获了一波流。但也有人扎进法律大模型，增长缓慢。没人确定哪条路对。

好的部分

周末加班可以调休，会议基本在一小时内拉完，放假前一天能早点撤——这些在以前是奢望。偶尔晚上九点走，也已经觉得比过去轻松太多。

一年下来，我深刻觉得Prompt Engineering不只是写文本，是把心理学、语言学、逻辑揉在一起。几条原则刻在习惯里：指令必须清晰，要给够上下文，用示例规范输出，复杂任务让模型分步推理，然后对着结果反复调。

如果非要说建议给想转行的人：别只停留在Prompt技巧，补一点模型原理和API基础，保持刷前沿的习惯，以及最重要的——动手做项目。如果有垂直行业的know-how，试着结合，那才是差异化的地方。

我还在路上，不确定一年后、十年后会怎么想。但至少现在，我真实感受到了生产力上的变化。原本三天才能写完的设计说明，半天生成，半天修改，还能早下班。

智能正在变成新的水电煤。这个选择，先走着瞧吧。