歷史總是驚人相似：從 1999 年 COBOL 養老團的架構債，看 2026 年 Prompt Engineer 的抽象洩漏與崩盤

作為一名軟體架構師，我們必須透過第一性原理（First Principles）審視技術泡沫。1999 年的 Y2K 危機源於儲存成本的硬體限制，導致了對 COBOL 工程師的短期暴利需求；而 2023-2025 年間的「提示詞工程師（Prompt Engineer）」狂熱，本質上是對大型語言模型（LLM）隨機性與介面缺陷的暫時修補。本文將從編譯器設計與分散式系統的角度，分析為何手寫提示詞（Hand-crafted Prompts）註定被自動化優化（如 DSPy）所取代，以及為何依賴「黑箱魔法」的職業終將泡沫化。

摘要：技術債的輪迴

計算機科學的歷史，往往是一部關於「抽象化（Abstraction）」與「資源限制」的博弈史。1999 年，全球陷入 Y2K（千禧蟲危機）恐慌，企業不惜重金聘請退休的 COBOL 工程師重返戰場，修正那個為了節省 2 bytes 磁碟空間而犯下的架構錯誤。2026 年的今天，我們目睹了類似的場景：曾經年薪百萬美元的「提示詞工程師」需求雪崩式下跌。這並非市場無情，而是技術演進的必然——當我們試圖用自然語言（Natural Language）去修補隨機系統（Stochastic Systems）的確定性時，這本身就是一種巨大的技術債。

深度剖析：從 COBOL 到 Transformer 的底層邏輯

1. Y2K：硬體限制下的架構妥協

在大型主機（Mainframe）時代，記憶體與儲存極其昂貴。工程師使用 PIC 9(2) 來定義年份（如 99 代表 1999），這在當時是合理的最佳化策略。然而，當時序邏輯進入 2000 年，這種靜態型別系統的邊界條件被打破，導致了全球性的系統重構。這裡的教訓是：底層資料結構的假設一旦失效，上層應用的修補成本是線性的，甚至是指數級的。

2. Prompt Engineering：抽象洩漏（Leaky Abstractions）

來到 GenAI 時代，我們面對的是基於 Transformer 架構的機率模型。LLM 的核心是透過注意力機制（Self-Attention, $Attention(Q, K, V) = softmax(\frac{QK^T}{\sqrt{d_k}})V$）預測下一個 Token 的機率分佈。

所謂的「提示詞工程（Prompt Engineering）」，本質上是一種手動微調高維向量空間軌跡的行為。人類試圖用低維度的自然語言（英語、中文），去控制一個擁有數千億參數的高維度非確定性系統。這在軟體工程原則上，是一個典型的「抽象洩漏」案例。如果一個 API 需要使用者不斷猜測其內部狀態（Hidden States）才能獲得正確輸出，那麼這個 API 設計是失敗的。

3. 自動化的必然：從手動組語到編譯器優化

早期的程式設計師必須手寫組合語言（Assembly）來管理暫存器與記憶體。這與早期 Prompt Engineer 試圖通過 "Think step by step" 或 "You are an expert" 來引導模型如出一轍。

然而，計算機科學的發展方向永遠是自動化與決定論。

記憶體管理：從 malloc/free 進化到垃圾回收機制（Garbage Collection）。
提示詞優化：在 2026 年，我們看到像 DSPy (Declarative Self-improving Language Programs) 這樣的框架成為主流。開發者不再編寫具體的 Prompt 字串，而是定義模組的簽名（Signatures）與評估指標（Metrics），讓編譯器自動透過 Teleprompter 優化器來尋找最佳的提示詞參數。這就像是從手寫 Assembly 進化到了優化編譯器（Optimizing Compiler）。

批判與反思：泡沫的破滅

2026 年 Prompt Engineer 的泡沫破裂，並非 AI 的失敗，而是工程化（Engineering）的勝利。

決定性與隨機性的衝突：企業軟體需要 SLA（服務層級協議）和可重現性。依賴一個「會根據心情（隨機種子）變化輸出」的 Prompt Engineer 來構建核心業務，在架構上是不負責任的。
Agentic AI 的崛起：現在的系統是 Agentic Workflow。我們不再關注單一 Prompt 的寫作技巧，而是關注多個 Agent 之間的協作、狀態管理（State Management）與工具呼叫（Tool Usage）。這需要的是系統設計思維，而非文案撰寫能力。

結論

1999 年的 COBOL 工程師解決了儲存空間的遺留問題；2024 年的 Prompt Engineer 解決了模型可控性不足的過渡問題。隨著模型架構演進（如類腦晶片 Neuromorphic Chips 帶來的硬體級別改變）以及編譯器技術的成熟，我們終將回歸軟體工程的本質：構建可擴展、可維護、且具備確定性的系統。別再沈迷於與機器對話的「咒語」，去理解背後的機率分佈與系統架構，才是長久之道。