夜雨聆风
吴恩达新课程《AI Prompting for Everyone》上线了,免费.我不建议你马上报课
吴恩达出了个新课，我瞅了瞅
五一期间躺着刷视频时，看到吴恩达在 DeepLearning.AI 上线了一门新课程，跑进去瞅了瞅：
AI Prompting for Everyone（https://www.deeplearning.ai/courses/ai-prompting-for-everyone/）
B站上也有人做了汉化字母，里面还有很多不错的课程
https://www.bilibili.com/video/BV1UT9qBDET7/?vd_source=5f6539169a80167e1b98bde085213a52
3 小时 4 分钟，21 节课，3 个作业。没有编程要求，入门级。
本来最开始是觉得这么基础的东西，作为一个从业者，没啥好了解 的，抱着看大佬们是如何体系化的讲解这些知识的心态进去看了下
他在课程介绍里说了一句话，让我“啊哈”了下：
How we prompt AI models today is very different from when ChatGPT first came out in 2022.
我们现在的 Prompt 方式，和 2022 年 ChatGPT 刚出来时完全不同。
他还说：
As these tools have become more capable, the people who know how to use them well are getting significantly more done.
知道如何用好 AI 的人，正在显著完成更多工作。
我快速的撸了一遍视频。
课程讲了什么？
核心是三大模块：
模块 1：AI 搜索信息的三个层次（Finding Information）
模块 2：思维伙伴——Context 与 Reasoning（Brainstorming & Writing）
模块 3：多模态与代码（Multimedia and Code）
模块 1：三层搜索模型
课程第一个模块讲的是怎么用 AI 找信息。听起来很基础，但我被一个模型直接撕开了认知。
他把 AI 搜索信息的能力分成三层：
第一层：预训练知识（Pretrained Knowledge）
模型训练时内置的知识。你问它一个常识，它直接从”记忆”里掏。快，但有知识截止日期，也不一定准。
第二层：联网搜索（Web Search）
模型联网查最新信息，再整合给你。
第三层：深度研究（Deep Research）
模型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，最后给你一份完整报告。
大多数人日常用 AI，其实只用到了第一层。
我之前也这样。经常把应该用 Deep Research 处理的问题，随手一句话就丢给 Claude 了。然后觉得它回答不够深、不够准，心里想”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。
吴恩达给了一个特别简单的判断标准：
-
答案几秒内能确认对错？→ 第一层够了 -
需要当天最新信息？→ 第二层联网搜索 -
你自己查需要花一小时以上翻多个来源？→ 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 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。
模块 2：Context 与 Reasoning
这是课程真正的精华。
Context：不是给更多，是给对的信息
很多人在用 AI 的时候，只知道把问题丢进去。但 AI 对你的了解程度，跟一个刚认识五秒钟的陌生人差不多。
吴恩达列了几种最值得给 AI 的 Context：
第一种：项目文档和背景材料，让它知道你在做什么
第二种：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看
还有一个被严重低估的功能：Custom Instructions（自定义指令）。
在 ChatGPT 或 Claude 的设置里，预先写好一段关于你的介绍，这部分类似OpenClaw里面的USER.md/SOUL.md/Identity.md类似的定义。
吴恩达建议至少写四样：
-
你的职业和专长
-
你当前最关心的项目
-
你希望 AI 回答的风格（详细还是简洁）
-
你的决策偏好（保守还是激进）
Gemini、ChatGPT、豆包等都可以在个性化或记忆中进行配置
这样每次开新对话，AI 已经对你有基础了解了。相当于你跟 AI 之间有了一张”名片”，不用每次都自我介绍。
给 Context 的时候，还要告诉 AI 你的”知识状态”：你对这件事了解到什么程度了，哪些有把握，哪些还拿不准。这样 AI 不会花时间讲你已经知道的，而是直接攻你的盲区。
Context 不是”多给信息”，是”把你的脑子共享出去”。
Reasoning：什么时候该让 AI 慢慢想
现在 ChatGPT 的 5.4 Thinking、Claude 的 extended thinking，这些模式的特点是：模型会花更长时间推理，不是马上给你答案。
吴恩达给了一个判断标准：
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。
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，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。
大家在使用Gemini或者豆包时会明显的发现Fast模式下回答的基本上都属于模型训练内的知识可信度会高很多，真要做一些技术性的推导，最简单的让他分析github中的某些仓库进行对比时，就会出现明显的偏差，如果你换思考模式或者Pro模式效果会好很多
所以使用时需要学会给它开始深思熟虑的时间，要学会选择和等待，而不是盲目的说模型不行。
模块 3：多媒体与代码
这个模块主要讲解图片理解、数据分析、构建应用等，标明AI 已经不只是一个聊天框了。它能看图、能算数、能写代码、能帮你做出可以运行的东西。
这部分就不赘述了，对这些应用场景感兴趣的可以去看看。
而你唯一需要的，就是用自然语言清楚地描述你想要什么。
这也是最近最近带领团队做AI转型在内部培训最多的，知道哪些LLM具备图片理解的能力、应该如何做好数据分析甚至更进一步的构建自己的ChatBI，如何构建个人/团队的Spec能模块化的开发能上生产的产品，而不是被外面Vibe Coding和各种AI挣钱泡沫带偏；
一个最大的认知转变
课程最后讲写作的那节，给了我一个很大的认知转变。
大多数人用 AI 写作的流程是：给一个主题，让它直接生成一篇完整内容，自己再改改润色。
这个顺序是反的。
更好的方式是：你自己先写一个粗稿。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 是工具、是编辑，会检索、精通排版，但是个没有个人核心观点、只会趋炎附势的写手。
有个挺有意思的发现，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”我需要审稿或同事写了一篇文章让我提点意见，你觉得有什么问题？”，出来的反馈会犀利得多。
但我为什么说”先别急着报”
这门课好不好？好。吴恩达讲课的能力没得说。
但我不建议所有人一看到新课就马上去报，我建议先改变你的思维方式，带着这种改变去学习。
第一，Prompt 的核心不是技巧，是理解。
吴恩达强调的也是”理解 AI 如何查找和使用信息”，而不是”背下 10 个 Prompt 模板”。这种理解不需要花 3 小时上课才能获得。你只需要改变一个思维方式：
不要把 AI 当搜索引擎，把它当思维伙伴。
第二，AI 高手和 AI 新手的区别，不在 Prompt 写法，在场景判断。
-
什么时候该用预训练知识（不用联网）？ -
什么时候该联网搜索？ -
什么时候该用 Deep Research？ -
什么时候该开 reasoning 模式？
这种判断力，是在日常使用中积累出来的，不是上课能教会的。
第三，最有价值的一点：对抗 AI 的讨好型人格。
这是课程里让我最深有同感的一点（点名批评某包，各种三字套话哗哗往外吐，5月底收费筛选用户的话，我就弃坑了，麻烦一点手机上去用GPT或Gemini）。
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。结论是：
这四个模型，全部在系统性地迎合用户的信念。
什么意思？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。
这不是 bug，更像是训练过程中形成的”本能”。因为人类反馈数据倾向于奖励”让用户满意的回答”。顺着用户说 = 好，用户给好评了，模型就学到了。
你以为你在跟 AI 讨论问题。其实它全程在给你鼓掌。
对抗 sycophancy（谄媚），吴恩达给了几个方法：
方法一：在对话中明确要求反面论证。 做完决策后问”这个方案最大的三个风险是什么？””如果你是对手，会怎么攻击这个方案？”
方法二：给 AI 一个”批评者”角色设定。 告诉它”你是一个严格的审稿人”，让它的默认模式从讨好切换成挑刺。
方法三（最简单但最容易被忽略）：在 prompt 里加一句 “Please be honest, even if your feedback is critical”。
我现在每次让 Claude 帮我 review 东西，开头都会加这么一句。效果肉眼可见地不一样了。
吴恩达这门课的价值，不在于教了你多少 Prompt 模板。
在于他帮你建立了一个正确的思维框架：
Prompt 不是技巧问题，是理解问题。
你不需要背下”10 个万能 Prompt”。你需要理解 AI 是怎么工作的——它有三个搜索层次，它需要 Context 来了解你，它需要 Reasoning 的时间，它有讨好你的本能，它是一个顶级编辑但平庸的作者。
这才是”AI 高手”和”AI 新手”的真正分水岭。
所以，先别急着报课。先改变你的思维方式，带着这种改变去学习。
然后，你会发现，你已经在用 AI 完成更多工作了。
一个喜欢瞎捣鼓的架构师，把团队转型过程中踩过的坑讲给你听。
参考资料
-
吴恩达《AI Prompting for Everyone》：https://www.deeplearning.ai/courses/ai-prompting-for-everyone/ -
Science 论文：Sycophancy in Large Language Models（2026年3月）