吴恩达新课《AI Prompting for Everyone》的10 个核心要点

不少使用AI的都遇到过同一个问题：别人用 AI 写出来的东西有血有肉，我写出来的全是那种一眼就看出是机器吐的套话。这不是 prompt 写得不够长的事。

现在的”提示词工程”早就不是当年那种”念咒”阶段了。真正拉开差距的是两个更靠后的东西：Context Engineering（上下文工程），还有 Harness Engineering——后者翻译成中文大概是”驾驭工程”，意思是你得像调度指挥一样安排 AI 系统之间怎么协作，不是简单把几个接口连起来就完事。

吴恩达和 DeepLearning.AI 最近推出了一门新课《AI Prompting for Everyone》。我把课看完了，课件里那些技术细节这里不啰嗦，只把我觉得最值得拎出来的 10 个核心要点整理出来——全是能马上改变你和 AI 对话方式的那种。

1. 别再甩一句话就指望 AI 能理解你

这是新手和老手差距最大的一个点。

新手的典型动作：打开对话框，敲一句”给我写个自我评价”，然后就等着 AI 给出一个和自己工作完全匹配的答案。

老手会怎么做？他会把项目追踪截图、最近在写的文档、甚至上周的周会纪要，一股脑先扔给 AI——就像给新来的同事交接工作一样。

AI 输出的质量，和你喂进去的信息密度是正相关的。 没有例外。

2. 问 AI 要”常识答案”，你就会拿到平庸答案

AI 训练方式决定了一件事：面对宽泛的问题，它总是倾向给你最安全、最平均的那个答案。

问它”怎么在家锻炼”，它 99% 会让你做深蹲加俯卧撑。这不是它不努力，是它在算概率——大部分人问这个问题，大部分合理答案就是这些。

但你只要在提示词里加点限制条件，它立刻就不一样了。

试试这样问：”我只有 15 分钟，家里有一个小蹦床，还有一只猫。给我设计一个能锻炼又能和猫互动的方案。”

它会给你”猫咪互动微运动”这种设计。约束多了，创意才会被逼出来。

3. 想让 AI 写的文章不像 AI 写的？先别让它一步写完

AI 写的文章里那些 delve、nuanced、多维度、深入探讨——这些东西之所以泛滥，很大一部分原因是我们太贪心了。一句话让它写完一篇 2000 字长文，它只能调用最保守的模板。

吴恩达的课里有个方法叫”渐进式大纲”，操作起来是这样的：

把骨架抓在你自己手里，AI 负责填肉。这样出来的东西，就有你的味道了。

4. AI 会拍马屁，别当真

这个毛病有个正式名字叫 Sycophancy（谄媚倾向）——AI 天生就想顺着你说。

你问”远程办公是不是真的降低了效率？”——这个问题里已经埋了一个倾向。AI 多半会附和你：”是的，有研究表明……”

三个破解办法：

5. 把 AI 当思考陪练，不是自动贩卖机

别问一句答一句就散。真正有价值的洞察通常出现在第三、第四轮之后。

比如你让它帮你做个还款计划，第一步要它给 3 个方案。拿到之后像对下属一样反馈：

“方案 1 太被动了不喜欢。方案 2 的思路可以，但月供太重。结合方案 2 的逻辑再出 3 个新的，月供压到 X 以下。”

这么来回几轮，你得到的东西才是真正针对你情况的。一次性答案几乎永远是平均水准。

6. “快速搜索”和”深度研究”不是一回事

很多人觉得 AI 答案太浅，其实是选错了模式。

界面上这两个按钮长得差不多，但答案质量差了一个量级。复杂问题切到 Deep Research，别将就用快速搜索。

7. 让模型”慢思考”需要你主动说出来

面对复杂的逻辑、分析、决策题，要主动激活模型的深度推理。最简单的一招——在 prompt 里加一句：

“仔细读完所有内容，回答之前先 think hard。”

给顶级模型足够的时间去推演、比对细节（比如汽车贷款方案和保险组合的权衡），它的表现会和默认模式差一大截。这叫”系统 2″——慢、但准。

这个习惯养成之后，你会发现以前觉得 AI 不够聪明的那些时刻，有一半是你没给它思考空间。

8. 上下文窗口够大了，别吝啬投喂

现在主流模型的上下文窗口动辄几十万、上百万 token——意思是你可以把过去一年的材料一股脑塞进去。

举个例子，让 AI 帮你排个训练计划，不要只打字描述。把下面这些都丢过去：

当 AI 能基于你真实的数据做推理，它给的就不是通用建议了，是能直接执行的计划。

9. 做图和做视频，要换一套提示词语言

文本任务可以来回试错——第一版不满意改一下就行。但图像和视频生成不是：慢、贵、一旦开始没法喊停。

所以多模态任务得学”视觉语言”：

靠纯文字反复重试，成本比你以为的高得多。先把视觉参考准备好再动手。

10. 让 AI 写代码，然后用它写的代码去分析

这条对非技术背景的产品人特别重要——AI 不只是能写代码，它还能在后台跑代码。

有一份销售数据表，想看哪些商品销量异常？别指望它肉眼扫表格。直接说：

“分析这份数据，找出销量异动的商品，用代码画图给我看。”

它会自己写 Python、跑计算、画图表、返回结果。更进一步——你可以让它帮你写个番茄钟、一个账单计算器，专门用于你自己的日常工作。

不会写代码不是障碍了，代码是现在分析数据的标准工具。 你只需要下指令。

最后

看完这 10 条你会发现一个共同点：所有技巧都指向同一件事——你得从”问问题的人”变成”安排任务的人”。

问题抛得越笼统，AI 给你的就越套路。任务安排得越具体、背景越充分、反馈越及时，它能给你的就越接近你真正想要的。

下次打开对话框之前，不妨先花 30 秒想一下：我现在是扔一个问题让它猜，还是给它一份工作交底？

这 30 秒，决定了接下来 10 分钟你是在读”机器废话”还是真正有用的东西。