大家好，我是程序员乐锅,今天我把吴恩达老师的《AI Prompting for Everyone》看完了。
这门课表面上叫提示词课，真正讲的并不是怎么写一句更花哨的 prompt，而是怎么从「把 AI 当搜索框的新手」，变成「能和 AI 协作的高阶用户」。这两件事差别非常大，因为现在很多人不是没有用 AI，而是用了很久，依然只用到了它最浅的一层能力。
一句话概括我的感受，提示词作为咒语已经过时了，但提示词作为协作方式，才刚刚开始。
过去我们总以为会用 AI，就是收藏一堆神级模板，遇到写作、总结、翻译、编程，就把模板复制进去。但吴恩达这门课真正提醒我的地方是，高手和新手的差距，不在于谁背了更多模板，而在于谁更懂得给背景、定标准、做反馈、控制边界。
新手把 AI 当搜索框，高手把 AI 当分析师
吴恩达在课程一开始就做了一个很直接的对比，AI 新手和 AI 高手最大的区别，不是会不会背几个提示词模板，而是他们给 AI 的任务完全不一样。
新手通常是问一句答一句，像用搜索引擎一样用 AI，比如问「某个软件怎么安装」「某个概念是什么意思」「今年某场比赛谁赢了」。这种用法当然没问题，但它只是在让 AI 帮你节省一点搜索时间。
高手会怎么做？他会把资料、背景、限制条件、判断标准一起给 AI，然后让它读完再分析。
比如你要买车，新手可能问「哪辆车性价比高」，高手会上传几辆车的配置单、报价、保险方案、自己的预算和使用场景，再让 AI 分析每辆车的优劣。这个时候 AI 就不再是搜索框，而更像一个分析师，它会花时间阅读资料、比较信息、整理结论，最后给你一份相对完整的报告。
这也是我觉得这门课最有价值的地方。吴恩达没有把 AI 神化，反而用了一个很朴素的比喻，AI 就像一个特别聪明、特别勤奋，但对你一无所知的顶配实习生。
你不给它背景，它就只能猜。
你只说「帮我写一份年终自评」，它不知道你这一年做了什么、项目成果是什么、老板关心什么，自然只能写出一堆正确但没用的套话。比如「过去一年我认真负责，积极配合团队，持续提升个人能力」。你不能说它错，但它确实没用。
可如果你把工作记录、项目截图、关键成果、会议纪要，甚至自己口述的一段语音备忘录都给它，再告诉它这份自评是给直属领导看的，重点突出项目推进、问题解决和跨部门沟通，语气不要邀功，但要让成果被看见，它写出来的东西就会完全不同。
很多时候不是 AI 不行，而是我们给它的信息太少。
所以这里最该记住的不是某个 prompt，而是一种任务交代方式。你要告诉它读者是谁，目标是什么，材料有哪些，哪些信息必须使用，哪些信息只是背景，哪些表达不能出现。AI 现在能处理的上下文越来越长，有些模型能吃下几十万字，但上下文不是越多越好，而是越相关越好。和当前任务强相关的信息是燃料，不相关的历史聊天就是噪音。
很多人用 AI 得到一堆 AI 味，并不完全是模型的问题，而是自己给的材料只能支撑它写出公共语料里的标准废话。你不给它现场，它就只能去互联网上捞那些最常见、最安全、最没有个性的表达。最后你看到的，自然就是一碗工业糖精，甜，顺，但没营养。
用 AI 查资料，先弄清楚它的信息从哪来
课程里有一部分专门讲 AI 是怎么获取信息的
吴恩达把 AI 的信息来源分成三层，预训练知识、联网搜索、深度研究。这三个词听起来有点技术，但放到日常使用里，其实就是你要判断一个问题到底适合让 AI 凭记忆答、让 AI 上网查，还是让 AI 花时间做研究。
预训练知识，可以理解成 AI 在训练阶段从互联网上学到的内容。一个话题在网上出现频率越高，AI 对它通常越熟，比如做饭、电影、常见编程报错、热门工具使用方法，这些内容全网到处都是，AI 回答起来就相对稳定。
但反过来，如果是你公司的内部数据、刚发生的新闻、很冷门的专业知识，或者网上本来就资料稀少的领域，AI 就容易不靠谱。它可能不是故意乱说，而是压根没见过足够多的材料，只能根据相似模式去猜。
这时候就要用联网搜索。
但联网搜索也不是开了就万事大吉，AI 搜到的网页可能来自官方文档，也可能来自论坛、旧博客、营销软文，质量差别非常大。所以最好明确要求它优先参考官方机构、论文、标准文档或一手资料。
这点我以前也踩过坑。AI 确实去搜了，但搜回来的内容不一定靠谱。如果你不要求来源，它可能随手从一个过时网页里抓信息，然后一本正经地总结给你。这里最坑的是，它总结得越流畅，你越容易误以为它查得很扎实。
更复杂的问题，就该用深度研究。它适合处理多来源、多角度、需要整理成报告的任务，比如行业调研、竞品分析、课程学习总结、复杂决策辅助。它会花更多时间去搜索、筛选、归纳，成本更高，但结果也更接近一份真正的研究材料。
所以这里的关键你得知道什么时候该用哪一种能力。
- 搜索引擎
- 联网搜索
- 深度研究
AI 太会哄人了，所以你要学会让它说真话
这门课里最让我印象深刻的一点，是吴恩达专门讲了 AI 的谄媚效应，英文叫 Sycophancy。
说人话就是，AI 很容易顺着你说。
如果你问它「我有一个超棒的商业点子，你觉得怎么样」，它大概率会说「这个想法很有潜力」。如果你问它「我这篇文章写得这么好，能不能去发论文」，它很可能会鼓励你继续打磨，甚至说你的观点很有深度。
然后事实很可能并非如此
你已经在问题里把倾向给出来了。你说「超棒的点子」，它就顺着超棒去夸；你说「写得这么好」，它就顺着这么好去鼓励。很多模型在训练中本来就会倾向于让用户满意，而人类又更喜欢听赞美，久而久之，AI 就很容易变成一个礼貌的老好人。
这就是为什么我们经常会看到有人给了豆包一个很烂的idea,豆包却对你进行肯定鼓励
高手的问法会更中性，不是问「我这个点子是不是很棒」，而是问「请客观分析这个商业想法，从市场需求、竞争优势、执行难度、盈利空间四个维度打分，并指出最薄弱的地方」。这两种问法差别非常大，前者是在求夸，后者是在求真话。
我现在越来越觉得，会用 AI 的一个重要标志，就是你敢不敢让它反对你。你敢不敢让它指出方案里的漏洞，敢不敢给它评分标准，让它按标准扣分，敢不敢让它告诉你，这件事可能根本不值得做。
这个技能听着不酷，但非常重要，因为 AI 的赞美太便宜了，批评才值钱。老话说得好：忠言逆耳利于行。
AI 写作最重要的，不是润色，而是先搭骨架
我看这门课时，最有共鸣的是写作这一部分。
因为我自己也经常用 AI 辅助写东西，很清楚 AI 写作最常见的问题是什么。它能写得很通顺，每句话都完整，每一段看起来都像那么回事，但整篇读完之后，你会发现没什么记忆点。
吴恩达把这种东西叫 AI slop。用中文说，就是 AI 浆糊，或者 AI 工业糖精。它甜，顺，完整，但没营养。
很多人用 AI 写文章时，提示词是「帮我写一篇关于某某主题的文章，1000 字，逻辑清晰，语言流畅」。这类指令看起来明确，其实最关键的东西都没给，核心观点是什么、读者是谁、文章重点在哪里、哪些例子必须出现、哪些角度不要写，全都没有。
所以 AI 只能生成一篇平均文章。
吴恩达推荐的方法叫 Progressive Outlining，渐进式大纲。核心思路很简单，不要一上来就写全文，先反复打磨大纲。
第一步，让 AI 基于你的笔记列出几个大纲方向。第二步，你告诉它哪个角度对，哪个角度太平，哪个部分要前置，哪个例子可以删。第三步，让它把满意的大纲扩成核心要点。第四步，再改要点。第五步，最后才让它写正文。
这个流程看着慢，其实更快。
因为一篇文章最难改的从来不是某一句话，而是骨架。骨架错了，你后面再怎么润色，都只是给一栋歪楼贴墙纸。大纲阶段改一句话，可能影响后面整篇文章的走向；正文阶段再改结构，成本就高很多。
这也是我看完课程后最想记住的一点，写作时把 80% 的时间花在大纲和结构上，把 20% 的时间花在文本生成上，反而更容易写出能看的文章。
当然，这里还有一个前提，人不能消失。AI 可以帮你扩写，可以帮你找表达，可以帮你梳理逻辑，但核心观点、个人经历、真实情绪，最好还是你自己给。
写作这件事到最后还是很朴素，AI 可以把语言磨亮，但文章真正的重量，还是来自作者自己的判断。
让 AI 点评文章，别问感觉，要给标准
吴恩达还讲了一个很实用的技巧，Rubric，也就是评分标准。
很多人让 AI 修改文章时，会问「你觉得我这篇文章怎么样」或者「请你帮我润色这篇文章」。这太模糊了，AI 很容易开始礼貌性夸奖。它会告诉你结构清晰、表达流畅、观点明确，然后再给几个不痛不痒的建议。
想得到真正有用的反馈，你要给它一个明确的评分标准。比如评价一篇公众号文章，可以让它从开头吸引力、观点清晰度、案例密度、读者获得感、AI 味、结尾力度这几个维度检查。
比如：不要只写「是否吸引人」，而是写「前三段是否出现具体场景、反差或冲突」。不要只写「案例是否充分」，而是写「每个核心观点是否至少有一个具体例子支撑」。不要只写「表达是否自然」，而是写「有没有模板化过渡、空泛判断、没有真实细节的漂亮话」。
更进一步，你还可以做跨模型评审。让 ChatGPT 写，让 Claude 或 Gemini 按标准评；或者让一个模型出方案，另一个模型找漏洞。不同模型有不同的偏科，让它们互相拆台，有时候效果比自己反复看更好。
但最后拍板的还是人，AI 的批评也是一种参考，不是真理。它指出哪里可能有问题，你要不要改，怎么改，还是得回到自己的判断。说白了，我想到牛肉哥说的一句话：你得有自己的审美能力。
多模态和桌面应用，会让 AI 更像真正的工作伙伴
课程最后还讲了多模态能力，包括图片理解、图片生成、语音、视频、零代码做应用、数据分析。
它可以看图、读表格、分析数据、生成图像，甚至直接帮你搭一个简单应用。
比如你上传一张白板照片，它可以识别你写的内容，甚至根据图形推断你在讲什么。你上传一份 Excel，它可以调用代码分析数据，生成图表，找出趋势。你给它一个简单需求，比如番茄钟、AA 制计算器、单词卡片，它也可能直接生成一个能跑的小应用。
这些能力会越来越常见，也会越来越像真正的工作流。但这里也有一个很重要的提醒，能力越强，边界越重要。
尤其是桌面端 AI 应用，如果它能读取、修改、移动甚至删除你的文件，就一定要限制权限。
不要一上来给整个硬盘权限。最好只给它某个特定文件夹。涉及删除、覆盖、批量移动这类操作，一定要先让它提出计划，再由你确认。
AI 很勤奋，但它不一定懂你的文件有多重要。这句话放在任何 Agent 工具上都适用。
真正拉开差距的，不是模板，而是协作习惯
看完整门课，我发现其实真正有效的用法，背后其实都是一些很朴素的习惯，给足上下文，减少问题里的倾向，指定可靠来源，复杂任务先研究再回答，写作先改大纲再写正文，评价时给清晰标准，换话题时开新对话，涉及文件操作时限制权限。
如今AI 能做的事越多，你越需要告诉它你到底要什么；AI 能跑得越快，你越需要把方向盘握住。
如果你也在经常使用ai，我建议可以先试试几个很小的改变。
让它写文章时，先别写正文，先改大纲。
让它评价方案时，别问「怎么样」，给它评分标准。
让它查资料时，别只说「帮我搜」，告诉它优先找官方资料或论文。
它夸你时，别急着高兴，追问一句，反对意见是什么。
你会发现，AI 不是突然变聪明了，而是你终于不再把它当许愿机了。它开始更像一个伙伴，一个会犯错、会迎合、需要上下文、需要边界，但也真的能帮你把很多事情往前推一大截的伙伴。
我觉得这才是吴恩达这门课最有价值的地方。它没有教我们迷信 AI，而是在提醒我们别浪费 AI。
2026 年，真正过时的不是提示词，真正过时的，是那种把 AI 当搜索框、当许愿机、当复制粘贴模板机器的用法。