Промпт-инженер в мире агентов: профессия или навык

В 2023 году словосочетание «промпт-инженер» стало символом новой золотой лихорадки: компании вроде Anthropic публиковали вакансии с вилкой, которую СМИ пересказывали как «до 335 000 долларов в год», а курсы по составлению запросов росли как грибы. К 2024 году отдельных вакансий с таким названием стало заметно меньше, а сам термин всё чаще звучит с иронией. Причина не в том, что навык устарел, а в том, что модели поумнели и научились чинить кривые запросы сами — а сверху пришли агенты, которые генерируют промпты друг для друга без участия человека.

Что вообще делал промпт-инженер

Задача была прикладной: добиться от языковой модели стабильного, воспроизводимого ответа в нужном формате. На практике это означало подбор формулировок, примеров внутри запроса (few-shot), разбиение сложной задачи на шаги, борьбу с галлюцинациями и утечкой инструкций. В 2023 году это было реальным узким местом: GPT-3.5 и ранние версии GPT-4 были чувствительны к тому, как именно сформулирован запрос, и разница между «плохим» и «хорошим» промптом давала разницу в качестве на десятки процентов.

Проблема профессии была в том, что она держалась на несовершенстве конкретных моделей. Как только модель начинает лучше понимать намерение пользователя, ценность ручной шлифовки формулировок падает.

Что изменили новые модели и агенты

Три сдвига подрезали профессию в её узком понимании.

• Модели стали устойчивее к формулировкам. Современные reasoning-модели (линейка OpenAI o1/o3, Claude с расширенным размышлением, DeepSeek-R1) сами раскладывают задачу на шаги. Магия «давай подумаем пошагово», которую промпт-инженеры вписывали руками, теперь встроена в модель.
• Появились агенты. Агент* сам порождает промежуточные запросы к модели, вызывает инструменты и переписывает собственные инструкции по ходу выполнения задачи. Человек описывает цель, а не каждый шаг.
• Промпты начали генерировать сами модели. В Anthropic и OpenAI встроены генераторы и оптимизаторы промптов: вы описываете задачу в консоли, а модель выдаёт готовый структурированный запрос. Одна нейросеть пишет инструкции для другой.

Профессия «человек, который знает магические слова» умерла. Профессия «человек, который умеет строить надёжные системы вокруг ненадёжной модели» — только начинается.

Не исчезновение, а растворение

Точнее говорить не о смерти профессии, а о её растворении в двух направлениях. Вверх — в сторону системного проектирования ИИ-приложений. Вниз — в базовую грамотность, которую ждут от любого специалиста, работающего с моделью, как когда-то ждали умения гуглить.

Куда ушёл навык

Работа по формулировке запросов не пропала, она переупаковалась. Вместо «промпт-инженера» на рынке всё чаще ищут AI-инженера или инженера по ИИ-приложениям: человека, который проектирует пайплайн целиком — от загрузки данных до оценки качества. Ручная шлифовка одного запроса стала лишь одной из его задач, и далеко не главной.

Как менялась роль

Кому это пригодится, а кому нет

Навык составления запросов пригодится:

• разработчикам, которые встраивают модели в продукты и отвечают за стабильность ответов на больших объёмах запросов;
• аналитикам, юристам, маркетологам — как базовая грамотность: понимать, почему модель галлюцинирует и как задать контекст, чтобы получить пригодный черновик;
• тем, кто настраивает агентов: здесь важна не красивая формулировка, а чёткие границы — что агенту можно, чего нельзя, когда остановиться и спросить человека.

Как отдельная профессия «на всю жизнь» — вряд ли:

• если вся ваша ценность в том, что вы знаете «правильные слова» для конкретной версии модели — эта ценность обнуляется с каждым релизом;
• если вы продаёте наборы готовых промптов как товар — модели генерируют их сами, бесплатно и под задачу;
• если вы не готовы уходить в код, данные и метрики качества, потолок роли низкий.

Что делать, если вы вложились в эту тему

1. Перестаньте коллекционировать «магические» формулировки. Освойте оценку качества (eval): как собрать набор тестовых примеров и измерить, стал ли ответ лучше, а не «кажется ли он лучше».
2. Разберитесь с RAG** — подходом, где модель отвечает, опираясь на подгруженные документы. Большинство корпоративных задач сегодня про это, а не про формулировку одного запроса.
3. Научитесь настраивать агентов: инструменты, границы прав, обработку ошибок, момент передачи задачи человеку.
4. Подтяните базовый код — Python и работу с API моделей. Без этого вы остаётесь на уровне интерфейса чата, а рынок ушёл в интеграции.

* Агент — программа на базе языковой модели, которая не просто отвечает на один запрос, а самостоятельно планирует шаги, вызывает внешние инструменты (поиск, код, API) и корректирует свои действия по результату.

** RAG (retrieval-augmented generation) — схема, при которой перед ответом система находит нужные фрагменты в базе документов и подставляет их в контекст модели, чтобы та отвечала по фактам, а не по памяти.