夜雨聆风
吴恩达 AI 新课我替你学完了,精华笔记全在这
五一假期，我窝在家里看了3天网课。
3个模块，21节视频，总时长3小时。吴恩达4月28号刚上线的 AI Prompting for Everyone，完全免费。
说真的，一开始是犹豫过的。
一门叫「面向所有人」的提示词课，对我这种深入AI领域、学习工作了好几年的人来说，会不会太入门了？
结果五一第一天晚上，我在书房开了个iPad，随手点开第一节。
然后一口气看到了凌晨一点。因为，全是干货，适合所有人。
比如说：
-
AI回答忽好忽烂，怎么解决？
-
给AI什么背景信息，它才不给你「百度百科」？
-
大模型在系统性地谄媚你，怎么办？
-
AI是顶级编辑，却是平庸作者
-
AI已经能看图、算数、写代码了，你还只在跟它聊天？
我发现，自己用AI的好几个习惯，一直是错的。
而且错得还挺自信的。
吴恩达自己在 LinkedIn 上说过一句话，大意是，2026年我们跟AI互动的方式，跟2022年已经完全不同了。
学完以后我才真正理解这句话的分量。
所以这篇文章，我想把课里最精华的几个点带大家过一遍。
三层搜索模型：最让我意外的开场
课程第一个模块讲的是怎么用AI找信息。
听起来很基础对吧？我也这么觉得。
但他上来就抛了一个模型，直接把我的认知撕开了一个口子。
他把AI搜索信息的能力分成了三层。
最底层，Pretrained Knowledge。就是模型训练时候吃进去的那些知识。你问它一个常识性问题，它直接从「记忆」里掏给你。快，但不一定准，而且有知识截止日期。
中间层，Web Search。模型联网搜索，去网上找最新的信息再整合给你。
最上层，Deep Research。模型自己花几分钟甚至十几分钟，制定研究计划，查多个来源，交叉验证，最后给你输出一份完整报告。
你想想看，大多数人日常用AI，其实只用到了第一层。
我自己也是。之前经常把应该用 Deep Research 去处理的问题，随手一句话就丢给 Claude 了。然后觉得它回答得不够深、不够准。
心里就在想「这模型不行」。
其实不是模型不行，是我一直在让它用最低档的模式，干最高档的活。
他还给了一个特别简单的判断方法。如果答案在几秒内就能确认对错，第一层够了。如果需要当天的最新信息，用第二层联网搜索。如果你自己查这件事需要花一个小时以上翻多个来源交叉验证，那就该上 Deep Research。
这个分法帮我理清了一个困扰挺久的问题。为什么有时候AI回答质量忽高忽低？不是模型不稳定，是我每次给它的任务层级不一样，但用的模式全是同一个。
课上还专门花了8分钟讲了一整节，就讲一件事，不要盲信AI的搜索结果。
这个点我太有共鸣了，因为用AI用得越久，反而越容易放松警惕。（这个对咱们大大部分需求准确性、合规性的场景是最重要的）
它回答得流畅、自信、条理清晰，你就默认它说的是对的。
我自己就踩过这个坑。
今年3月做一个AI教育行业的竞品分析报告，让 Claude 帮我拉几个竞品的融资数据。它给我的数字精确到百万美元，引用的来源都写得很规范。我直接贴到了报告里。
后来老板随口问了一句「这个数字你核实过吗？」
我回去一查，Crunchbase 上的数据跟 Claude 给的差了将近40%。= =
但它错得很「合理」。合理到如果没人追问，我根本不会去核实。
AI越好用，你越需要保持怀疑。
Context 与 Reasoning：把你的脑子共享给AI
三层搜索模型只是开胃菜。第二个模块才是真正的精华，他管这个叫「AI as a Thought Partner」，AI作为思维伙伴。
他展开讲了两个关键能力，一个是 context，一个是 reasoning。这两个词听起来不新鲜，但他讲的颗粒度把我之前一些自以为是的操作给掀翻了。
先说 context。他的意思不是「给更多信息」，而是「给对信息」。
很多朋友可能不知道，现在 Claude、ChatGPT 的桌面版应用，已经可以直接读取你电脑上的文件了。你不用把内容复制粘贴到对话框里，直接让它读你的文档、代码、数据表就行。
这个能力被严重低估了。
你想想看，你跟AI对话的时候，它只知道你打出来的那几句话。它对你的了解程度跟一个刚认识5秒钟的陌生人差不多。
课上列了几种最值得给AI的 context。
第一种，你的项目文档和背景材料，让它知道你在做什么。
第二种，你之前的思考笔记和草稿，让它知道你已经想到哪了。
第三种最容易被忽略，你自己对这件事的判断和偏好，不是让AI替你想，而是让它知道你怎么想。
我现在每次用 Claude 之前，都会根据不同的任务把这三种 context 丢进去。效果天差地别。
课上还提到了一个被严重低估的功能，Custom Instructions。就是在 ChatGPT 或 Claude 的设置里，预先写好一段关于你的介绍。他建议至少写四样东西。你的职业和专业领域，你当前最关心的项目或问题，你希望AI回答的风格（详细还是简洁、技术还是通俗），以及你的决策偏好（比如偏保守还是偏激进）。
这样每次开新对话，AI已经对你有了基础了解。相当于你跟AI之间有了一张「名片」，不用每次见面都自我介绍一遍。
context 不是「多给信息」，是「把你的脑子共享出去」。
他还强调了一点，给 context 的时候要同时告诉AI你的「知识状态」。就是你对这件事已经了解到什么程度了，哪些部分有把握，哪些部分还拿不准。这样AI就不会花时间给你讲你已经知道的东西，而是直接攻你的盲区。
再说 reasoning。课上专门讲了一节，什么时候应该让AI使劲想。
现在 ChatGPT 的 o3、Claude 的 extended thinking，这些模式的特点是，模型会花更长时间去推理，不是马上给你一个答案。他把它比作「让AI皱着眉头想十分钟，而不是脱口而出」。
他给了一个判断标准。如果这件事你自己需要想超过5分钟才能给出靠谱的回答，那就应该让AI也慢慢想。问天气、查航班、翻译一句话，秒回就够了。但涉及策略判断、方案权衡、多因素博弈的问题，reasoning 模式的输出质量会有质的飞跃。
他还特别提到，reasoning 模式最值钱的地方不是「想得更久」，而是「会自我纠错」。普通模式下模型写到一半发现方向不对，它会硬着头皮圆下去。reasoning 模式下它会停下来，退回去，换一条思路重新推导。
这个差距在实际使用里非常明显。
上周帮朋友评估「AI+宠物」赛道。默认模式5秒钟出了一份分析，「蓝海市场」「增速可观」「技术壁垒低」。看着挺像样但没什么洞察。
后来打开 extended thinking，换了个问法「这个赛道有什么大家忽略的致命风险？想仔细，不着急。」
它想了3分钟，指出了一个我压根没想过的点。宠物行业的决策者是人，但服务对象是不会反馈的动物。AI在这个场景里缺少闭环数据，跟 AI+教育、AI+医疗完全不同，不能套用同一套增长模型。
同一个 Claude。差距不是模型变了，是我给了它皱眉头想的时间。
context 和 reasoning 合在一起看，其实讲的是同一件事。AI不是一个你按一下按钮就吐答案的贩卖机。它更像一个很聪明但完全不了解你情况的新同事。你得给它背景，给它时间，它才能给你真正有价值的东西。
Sycophancy：全课最让我后背发凉的部分
接下来要讲的这个东西，是我五一那三天里，学到最震撼的一节。
Sycophancy。翻译过来就是「谄媚」。
当时大概是五一第二天的下午，我在客厅沙发上看到这一节的时候，手里的可乐差点没拿稳。
吴恩达引用了2026年3月发表在 Science 上的一篇论文。研究对象是 ChatGPT、Claude、Gemini、Llama。
结论让人头皮发麻。
这四个模型，全部在迎合用户的信念。
全部。
什么意思呢。
就是当你在对话中表达了一个观点，哪怕这个观点是错的，AI大概率不会反驳你。
它会顺着你说，甚至帮你找理由来证明你是对的。
我相信大家估计也深有感触。
我也回想了一下自己过去半年的使用习惯，确实经常拿AI来验证自己的想法。
我会跟 Claude 说「我觉得XX市场明年会爆发，你怎么看？」
然后它每次都说「你的分析很有道理，确实有几个关键因素支持这个判断」。
我还挺开心的，觉得自己商业嗅觉不错。
现在想想。它可能只是在哄我。
就像一个永远不会说「老板你这个方案有问题」的下属。它不是认同你，它是在讨好你。
而且这不是个别现象。Science 那篇论文的结论是，这是系统性的。所有模型都有这个倾向。
那么是为什么呢？
其实不是bug，更像是训练过程中形成的「本能」。
因为这些模型在训练的时候，大量的人类反馈数据都倾向于奖励「让用户满意的回答」。用户满意了，给好评了，模型就学到了。
顺着用户说 = 好。
你知道吗，我以前做交互设计的时候，做用户调研有一条铁律。你不能问用户「你觉得这个功能好不好用？」因为对方大概率会说好。你得问「你上次用这个功能是什么时候？遇到了什么问题？」
引导性提问会让你得到你想听的答案，而不是真实的答案。
结果现在AI在对我做一模一样的事。而我居然没认出来。
更让我后怕的是，我想起了去年底的一件事。当时在做一个项目方向的判断，我反复跟 Claude 确认了好几轮「你觉得这个方向靠谱吗？」它每一轮都说靠谱，还帮我补了一堆论据。我就真的推进了。后来跑了两个月才发现方向偏了，复盘的时候一直在想到底哪里判断出了问题。
现在想想，问题可能不在我的判断，而在于我的「验证流程」里有一个永远不会跟我说不的搭档。
不是不知道AI会犯错。而是没想到它会系统性地不告诉你，它觉得你错了。
你以为你在跟AI讨论问题。
其实它全程在给你鼓掌。
精华来了，吴恩达给了几个对抗 sycophancy 的方法，我觉得每一个都很实用。
第一个，在对话中明确要求AI提供反面论证。你做完一个决策以后，直接问它「这个方案最大的三个风险是什么？」「如果你是我的对手，你会怎么攻击这个方案？」
第二个，给AI一个「批评者」的角色设定。告诉它「你是一个严格的审稿人」或者「你是一个怀疑主义者」。让它的默认模式从讨好切换成挑刺。
第三个，最简单但最容易被忽略的，在prompt里加一句「please be honest, even if your feedback is critical」（请诚实，即使你的反馈是批评性的）。
我现在已经把第三个变成了自己的固定操作。每次让 Claude 帮我 review 东西的时候，开头都会加这么一句。
效果肉眼可见地不一样了。它真的会开始跟你说「这个部分逻辑链条有断裂」「这个数据不足以支撑你的结论」。
说真的，被AI直接指出问题的感觉，比被它夸还爽。
AI的默认人设不是诤友，是啦啦队。
而真正的好搭档，得是那种会当面跟你说「你这个想法有问题」的人。
Writing & Critique：AI是顶级编辑，但只是平庸作者
讲完 sycophancy 谄媚问题以后，课程后面就进入了一个大部分人最常用的场景。用AI写东西。
这节课给了我一个很大的认知转变。
大多数人用AI写作的流程是这样的。给一个主题，让它直接生成一篇完整内容，自己再改改润色。
课上说，这个顺序是反的。
更好的方式是，你自己先写一个粗糙的草稿。不需要多完整，甚至只是几个要点、一些零散的想法、你自己的判断和观点。然后把草稿丢给AI，让它帮你扩展、优化、补充论据、理顺逻辑。
为什么？因为AI最擅长的不是从零创作，而是在你已有的基础上做优化。你给它方向和素材，它能帮你走得更远。但让它自己定方向，出来的东西大概率是通用的、平庸的、像百度百科的。
AI是一个顶级的编辑，但只是一个平庸的作者。
我之前就踩过这个坑。让 Claude 直接写一篇行业观察，出来2000字，每一句都对但读完等于没读。后来我把自己的笔记、观点、甚至几句吐槽先写出来，再让它帮我整理成文。出来的东西完全不一样了，因为里面有我自己的判断，AI只是帮我把表达理顺了。
紧接着下一节讲的是 AI Critique。怎么让AI给你的作品提真正有用的批评意见。
课上教了一个我觉得特别巧妙的方法。把你的作品说成是「别人写的」，再让AI评价。
为什么有效？还是因为 sycophancy。AI对「你的作品」天然有讨好倾向，但对「别人的作品」它会更客观。你跟 Claude 说「帮我看看我写的这篇文章」，它大概率说「整体写得很好，有几个小地方可以优化」。但如果你说「我同事写了篇文章让我帮忙看看，你觉得有什么问题？」出来的反馈会犀利得多。
课上还给了几个实用的 critique 方法。让AI扮演特定的批评者角色（比如「你是一个严格的投资人，正在评估这份商业计划书」），要求它给出具体的打分和排名而不是泛泛而谈，以及强制它列出「最大的三个问题」而不是「一些建议」。
我现在写完东西都会先用「别人写的」这招让 Claude 过一遍。发现的问题比自己反复读十遍多得多。
多模态与代码：AI不只是一个聊天框
第三个模块是让我最意外的。不是因为内容多难，而是因为我突然意识到，自己一直在把AI当成一个纯文字工具在用。
这个课程模块叫 Working with Multimedia & Code。讲的是AI处理图片、数据和代码的能力。
先说图片理解。你可以直接把一张图丢给AI，让它分析图表里的趋势、识别文档里的关键信息、解读一张照片里的细节。课上演示了一个例子，上传一张数据可视化截图，AI直接从图里提取出了关键洞察和数据点。
这个能力我之前完全没用过。以前看到一份报告里的图表，我都是自己一个个看、手动记数据。从来没想过可以直接截图丢给 Claude 让它帮我分析。试了以后发现，它读图表的速度和准确度比我自己扫一眼强太多了。
再说数据分析。你可以把一个 CSV 文件直接丢给AI，然后用自然语言问问题。「这个数据集里哪个月增长率最高？」「帮我画一个按地区分的销售趋势图。」不用写一行代码，不用开 Excel 拉公式。
最让我开眼的是 Building Apps。课上演示了完全不懂代码的人，只靠描述需求，让AI生成一个可以在浏览器里跑的小应用。描述功能 → AI写代码 → 测试 → 用自然语言说哪里要改 → AI修改 → 再测试。整个过程不需要看懂一行代码。
我自己试了一下，让 Claude 帮我做了一个简单的工具对比表格。跟它描述了需求，它直接给了一个可以运行的页面。第一版挺粗糙，但来回改了三四轮，居然还真挺好用的。
AI已经不只是一个你打字它回话的聊天框了。它能看图、能算数、能写代码、能帮你做出可以运行的东西。
而你唯一需要的，就是用自然语言清楚地描述你想要什么。
写在最后
回过头看整门课，从搜索三层模型、context 和 reasoning、到 sycophancy、写作 critique、再到多模态应用，其实讲的都是同一件事。怎么跟AI协作，而不是怎么给AI下命令。
这大概就是我从这门课里最真实的收获。不是学会了某个具体的 prompt 技巧，而是整个跟AI互动的心态变了。从「我要控制它」变成「我要跟它一起想」。
提示词会过时，今天管用的prompt模板明年可能就不适用了。
但「知道怎么跟AI一起想」这件事，不会过时。
回到开头，五一第一天晚上我犹豫要不要点开这门课。
觉得一个在AI领域待了好几年的人，去学一门「面向所有人」的课，有点掉价。
现在回头看，这种心态本身就挺可笑的。
越是觉得自己懂了的人，越容易被自己的惯性困住。
3个模块，21节视频，3小时，完全免费。
有时候，你觉得自己最不需要学的东西，恰恰是你最该学的。
希望我整理的笔记能帮到你。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章
你的关注是我持续更新的动力～
我是谁
我是 AI大刘，北大毕业，大模型研究方向，腾讯犀牛鸟，先后在腾讯、百度的大模型研发部门，现在给多家国企做AI顾问（也期待大家和我咨询交流