最近思来想去，想讨论一下现在 AI 的大势，毕竟抛开 AI 是热门话题不谈，它已经关系就业吃饭的问题了。通过理解 AI 以获得更多信息，才能更好决策。
转折点
26年，感觉有一种大势了，各行业都已经度过初步接触阶段，进入到开始尝试建立共识的阶段了。比如说最近看见有《人工智能与数学莱顿宣言》，还有起点网文反抄袭倡议。
而对于更早一些年与 AI 接触的编程和绘画，编程虽然没有建立明显的公认规范，但也已经出现各大厂都开始推动 AI 进入开发岗，而绘画虽然还在不断进行激烈的博弈来确定共识，但绘画网站基本都已经承认 AI 绘画的普遍存在了。
就我个人而言，今年身边接受 AI 的比例和深度明显扩大，甚至今年还看见了 AI 为主题的小型比赛（这在之前没见过），同时还有不少具有影响力的机构对 AI 应用进行讨论——就连「token」的中文译名「词元」也是同样在今年才由全国标准化技术委员会正式确定，说明学界和业界正在从基础概念上建立共识。。
我认为，2026 年是量变引发质变的转折点。此前更像小规模试验和各方试探，而今年 AI 已真正步入具有严肃性的市场和社会视野——不论工作流、比赛，还是人员招聘中，都有明确体现。
侧重点偏移
就像在 AI 应用步入大众视野前，例如 gpt2 的时候，那时候其应用还主要在翻译上，应用侧对 AI 的重点还是在模型改进上（因为只能用来翻译）。
而在 gpt3 和千问 出现以后，应用侧对 AI 的重点便从模型上偏移开来，例如从最初的对话到 Agent 诞生，随后出现了 Prompt Engineering、REACT 模型、Function Call、CoT、RAG、Skill 这些以提示词书写方式为核心的技巧。
在上面断定 2026 年是转折点的假设上，AI 已经迈入严肃生产环节，而这意味着，提示词工程本身已经不再是瓶颈。前沿团队已经搞明白了「如何让 AI 稳定输出可用结果」——剩下的不是更精巧的提示词，而是如何把这个过程嵌入到真实工作流中，并且让它可管理、可追责。
因此接下来对提示词工程如何书写的侧重点可能会开始偏移，转而向如何建立人机协作规范进行。在先前，侧重点更偏向于如何指导 AI，而之后则可能偏向于如何指导人和 AI 协作。这就像是搞明白了如何书写局部解决问题的提示词而迈向全局框架的构建。
启示
具体情况需要具体分析，因此我只能给出对我自己行动的启示。
基于以上判断，我作为学生对自己接下来的计划重点进行调整。
其一，下调研究新的提示词技巧的优先级。而是应该反过来尝试总结之前听说和尝试过的各种提示词，将其进行抽象内化。
其二，不要过度沉迷评测模型使用和感受，避免在模型选择上花费太多时间。
其三，将重点转移到「如何设计人机协作流程」上。学习和实践，累积人机协作流程框架的搭建。以如何构建较为安全可靠的人机协作框架作为主题进行学习和探索。