Prompt 的存在，实际上是证明了语言模型还没有足够理解语义信息，理想情况下，对于相同语义的任务，即使是不同的 Prompt，语言模型不应该会输出如此相差大的回复。

因此现在有一种新兴 Prompt 工程师的职业，就是希望他能给出恰当的 Prompt，来引导模型解决任务。

不过无论是 OpenAI，还是其他的开发者，一定会消除这种 Prompt 和回复之间的 Gap，我们从语言模型的角度出发，以往 NLP 有各种各样的子类任务，而通用语言模型就是希望用自然语言的方式去覆盖所有任务，就像正常的上司对下属的交流一样，用自然语言，所以，让普通人用普通人的方式去使用语言模型是必然趋势。

从技术的角度出发，语言模型训练时的任务是根据上文预测下一个的词，而非处理用户的指令（instruction，一种 Prompt），所以存在 gap 也是很自然的事。为了缓解这个问题，一个方法就是进行“对齐”（Alignment），缩小模型与人类对同一个指令之间理解的 gap，从而让模型能更好的理解用户的指令。这里面，SFT 和 RLHF 就是这样的技术，在不断迭代的过程中，一定会让模型收敛到一定的理解的水平。

自此之后，语言模型更是一个助手的角色，能通过口语化的自然语言对其下任务，不需要花里胡哨的 Prompt 来引导，甚至是绕过其限制，到时候，我们的语言描述越精确，生成的细节就越丰富，而所谓的 Prompt 工程师，实际上每个人都是，只要你能描述清楚需求，即使是口语化的方式。