AI工作流批评：行业在优化错误变量
原帖
**AI工作流：一个在优化错误变量的行业**
_AI workflows: an industry optimising the wrong variables_
> 本文批评了当前围绕大语言模型（LLM）的建议经济，指出许多优化技巧（如提示工程）的“保质期”很短，因为模型更新迅速，导致大量精力浪费在优化过时问题上。作者强调，行业缺乏持久的AI解决方案架构，即如何构建可靠、高效且经济的系统。文章以餐饮计划为例，说明将任务分解为不同组件（如解析、约束满足、结果生成）比使用单一“万能”提示更有效且可扩展。作者建议直接咨询模型本身以获得最新、具体的方法，并认为在生产环境中，系统架构设计比单纯的提示调优更为关键。
**来源信息**
- **来源**：Hacker News：AI 热帖
- **分类**：行业
- **发布时间**：2026-05-22 12:01（北京时间）
- **原文**：[打开原文](https://adsurg.substack.com/p/navigating-ai-with-paper-maps)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
文章批评当前围绕大语言模型的优化技巧（如提示工程）“保质期”短，因模型更新快导致精力浪费在过时问题上。行业缺乏持久的AI解决方案架构，系统设计比提示调优更关键。
答案说明
本文认为，许多AI工作流优化技巧（如提示工程）因模型快速更新而“保质期”短，导致精力浪费。行业缺乏持久的解决方案架构。作者以餐饮计划为例，说明将任务分解为组件比使用单一提示更有效，并建议直接咨询模型以获得最新方法，强调系统架构设计比提示调优更重要。
这篇帖子回答的问题
- 为什么AI工作流中的优化技巧（如提示工程）可能浪费精力？
- 对于构建可靠的AI系统，作者认为什么比提示调优更重要？
核心观点
- 文章批评当前许多围绕大语言模型的优化技巧（如提示工程）“保质期”短，导致精力浪费在优化过时问题上。
- 作者强调，在生产环境中，构建可靠AI系统的系统架构设计比单纯的提示调优更为关键。
FAQ
- Q: 文章对提示工程持什么观点？
- A: 文章认为提示工程等优化技巧“保质期”很短，因为模型更新迅速，导致大量精力可能浪费在优化过时问题上。
- Q: 作者认为构建可靠的AI系统时，什么因素最关键？
- A: 作者认为在生产环境中，系统架构设计比单纯的提示调优更为关键。
关键实体
- 大语言模型（LLM）
- 提示工程
- AI解决方案架构