现在的硅谷，几乎每个人都在谈论 Prompt Engineering（提示词工程）。
仿佛只要写对那几句咒语，AI 就能帮你搞定一切。甚至有人靠卖“提示词模板”赚得盆满钵满。
但就在大家还在钻研怎么跟 ChatGPT “聊天”的时候，科技巨头 LinkedIn 却给这股热潮泼了一盆冷水。
他们直接把“提示词”扔进了垃圾桶。LinkedIn 的产品工程副总裁 Erran Berger 说得很直白：对于下一代推荐系统来说，提示词工程是个死胡同，他们甚至都没打算试。
这事儿有点意思。
一个坐拥数亿用户的职场社交平台，放着现成的大模型不用，非要自己磨刀霍霍去搞“小模型”？
这背后藏着大厂不愿意明说的技术真相。
别被大模型忽悠了，提示词救不了推荐系统
LinkedIn 在推荐系统这行当里已经摸爬滚打了 15 年。按理说，他们最有资格直接把 GPT-4 接进去，搞个“AI 驱动”的招聘助手。但 Berger 发现，这招根本行不通。
推荐系统讲究什么？
精准、低延迟、高效率。
你要让 AI 实时理解求职者的意图、简历的细微差别，还要匹配成千上万的职位描述。如果每次匹配都要调用一个庞大的云端大模型，还得靠精心设计的提示词来引导，那成本和速度简直是灾难。
“我们根本没试过用提示词来做下一代推荐系统，因为我们意识到那是个死胡同。”Berger 这句话，撕开了大模型落地的一层遮羞布。
直接调用 API 或者简单的提示词交互，在玩具级应用里很酷，但在这种需要极高并发和精准度的工业级场景里，就是个花架子。
他们需要的是更硬核的武器。
20 页文档和两个“老师”
既然不能靠“问”，那就只能靠“教”。
LinkedIn 搞出了一套非常反直觉的操作流程，他们管这叫 “多教师蒸馏”。
这听起来很玄乎，其实逻辑很硬。首先，产品经理和工程师坐下来，没写代码，先写了一份长达 20 到 30 页 的“产品政策文档”。
这不是那种没人看的行政文件，而是一套详细的评分标准。它规定了什么样的简历配什么样的职位，在各个维度上应该得多少分。
有了这本“圣经”，他们利用 ChatGPT 生成了数千个“黄金查询-简历”对，喂给模型学习。
这时候，第一个“老师”登场了。
这是一个拥有 70 亿参数 的大模型，它的任务只有一个：死磕那 30 页文档，把产品政策吃透，学会如何像 LinkedIn 一样思考。但光懂政策还不够。
推荐系统的核心是 “点击预测” 和 “个性化”。用户喜不喜欢，点不点，才是硬道理。
于是，团队又训练了第二个“老师”模型。这个老师不关心政策，只关心怎么让人点击。
一个教“规矩”，一个教“人性”。
这就是 Berger 口中的“突破”。
通过把这两个截然不同的目标拆解，他们可以独立地优化、迭代，最后再把这两个老师的知识，“蒸馏”进一个只有 17 亿参数 的“学生模型”里。> “通过混合它们，你得到了更好的结果，而且可以独立迭代。”
这个“小学生”模型，虽然参数量只有大老师的零头，但它既懂规矩，又懂人性，关键是跑得快、成本低。
这就像把一个百科全书式的教授，和一个街头巷尾的销售冠军，把他们的脑子里的精华，强行压缩进了一个年轻力壮的小伙子身体里。
这小伙子干活，既稳又狠。
产品经理和工程师的“联姻”
这场技术变革，不仅仅是换了个模型。
它彻底改变了 LinkedIn 的组织工作流。以前在硅谷大厂，产品经理（PM）负责画大饼、定策略，机器学习工程师（ML）负责写代码、调模型。大家井水不犯河水，中间隔着一道厚厚的墙。
但现在，这套“多教师蒸馏”玩法，强行把这两拨人绑在了一起。
你要搞那个 30 页的“产品政策文档”吗？
光靠 PM 写不出来，光靠工程师也看不懂。PM 必须把原本只存在于脑子里的“领域专家经验”，转化成工程师能理解的数学语言和评分规则。
“产品经理现在与机器学习工程师合作的方式，与我们以往所做的任何工作都不同。”Berger 说，这已经成为了 LinkedIn 所有 AI 产品的蓝图。
这不再是简单的“提需求”和“做开发”，而是一场深度的知识共创。
以前，PM 说“我要这个功能”；现在，PM 要说“这是判断这个功能好坏的数学逻辑”。
这种变化，可能比模型参数的缩小更让人细思极恐。
它意味着，未来的 AI 竞争，不再是比谁家显卡多，谁家模型大。
而是比谁能把业务逻辑，更精准地“翻译”成模型能懂的语言，再蒸馏成最高效的执行单元。## 大模型是面子，小模型是里子
LinkedIn 的这个故事，给当下的 AI 狂热症打了一剂清醒针。
大家都在卷千亿参数、卷万亿参数，卷谁的上下文窗口更长。
但在真实的商业世界里，效率才是王道。
那个 70 亿参数的“老师”，可能永远只在实验室里待着，或者偶尔出来指点江山。
真正每天面对数亿用户、处理几十亿次请求的，是那个被千锤百炼出来的 17 亿参数“学生”。
它不需要那么聪明，但它必须在特定的领域里，足够专业，足够快，足够便宜。Berger 透露，这种端到端的评估流程，给 LinkedIn 带来了多年来未曾见过的质量提升。
这就是大厂的“阳谋”。
表面上，他们在谈论大模型的无限可能；背地里，他们在疯狂地把大模型的能力，榨干、压缩、蒸馏，变成一个个不知疲倦的小模型，塞进自己的业务血管里。
毕竟，在商业战场上，能落地的，才是好 AI。
至于那些还在靠写 Prompt 炫技的团队，可能还没意识到，他们已经输在了起跑线上。
参考链接：
https://venturebeat.com/infrastructure/why-linkedin-says-prompting-was-a-non-starter-and-small-models-was-the