夜雨聆风吴恩达在《AI Prompting for Everyone》课程里系统讲解了大模型的基础认知、典型应用场景、以及高效交互方法，帮助不同层次的用户快速掌握与 AI 对话的艺术与技术。
课程包括三大模块：信息检索、AI充当思维搭档、多媒体与代码 。
模块1: 信息检索（Finding Information）
1、预训练知识（Pretrained Knowledge）
大模型在训练阶段（通过海量文本数据）已经内化、记忆并压缩在参数中的静态知识库。
适用场景：
通用常识：如历史事件、科学原理、经典文学或基础编程语法。
创意与头脑风暴：写故事、构思文案、生成设计大纲。
逻辑推理：不依赖最新事实的数学计算、代码逻辑纠错。
2、网络搜索及来源（Web Search & Sources）
大模型连接搜索引擎，实时捕捉互联网上的最新信息，打破知识的时间限制。
适用场景：
时效性信息：今日新闻、最新股票行情或近期发布的财报。
事实核查（Fact-Checking）：验证预训练知识中的模糊概念，获取精准的数字或定义。
搜索的三个关键（Web Search Sources）：
可信度校验：评估搜索结果的来源（如官方媒体、学术期刊、知名技术社区对比个人博客或营销号）。
多源交叉验证：不依赖单一网页的说法，通过多个独立来源的重合度来确认事实。
透明度与引用：优秀的 Prompt 实践会要求模型在回答中附带原文链接或引用标记，便于人类用户溯源和复查。
3、深度研究（Deep Research）
多步骤、自主迭代的检索模式。模型不仅仅是执行单次搜索，而是像人类研究员一样，根据初步搜索结果发现新线索，自动修正关键词，进行连续的多轮纵深搜索与整合。（明确研究目标 ➔ 初始搜索 ➔ 评估结果 ➔ 发现知识缺口 ➔ 调整方向再次搜索 ➔ 综合提炼 ➔ 产出深度报告）
适用场景：
复杂主题调研：如“某新兴行业的市场竞争格局及未来5年发展趋势分析”。
多角度对比：跨学科、跨领域的综合课题（如：水务管理系统在海绵城市建设中的应用及全球案例对比）。
长篇报告撰写：需要扎实的数据支撑和全方位论证的学术或商业报告。
模块2: AI充当思维搭档（AI as a Thought Partner）
将AI从单纯的“执行工具”升级为“共创伙伴”。通过双向互动、深度推理和批判性反馈，辅助人类打破思维局限。
1、创新激发：用AI头脑风暴 (Brainstorming)
面对新项目脑子一片空白，或陷入思维定势。
转换视角：让AI扮演不同角色（如：精明的投资人、挑剔的用户、科幻作家）来提供多维度点子。
限定条件：给出明确的边界（如“低成本”、“针对Z世代”），能激发出更具实操性的创意。
迭代衍生：对AI给出的初步想法进行追问，如：“把第3个点子放大，演变成3个不同的具体方案”。
2、信息对齐：提供上下文 (Context)
AI给出的回答太空泛、不切实际，像是在说漂亮话。
黄金法则：给AI的任务越具体，背景越丰富，产出越精准。
输入要素：在Prompt中主动包含目标、受众、格式限制、风格基调以及既往背景资料。
动态调整：如果AI偏离轨道，及时补充新的上下文进行校准。
3、深度协作：用AI推理 (Reasoning)
面对逻辑复杂、需要多步思考的问题，AI容易犯错或直接给出错误结论。
思维链提示 (CoT)：在Prompt中加入“请一步步思考（Think step by step）”，强迫AI拆解问题。
逻辑拆解：让AI先列出解决问题的逻辑框架（如：因果分析、SWOT），确认无误后再填充具体内容。
4、人机共创：用AI写作 (Writing)
AI写出的文章充满“AI味”（大话、套话堆砌），缺乏人情味和深度。
拒绝一步到位：采用“人类定大纲 -> AI扩写 -> 人类微调 -> AI润色”的交互式写作。
风格迁移：提供你过去写得好的文章片段，让AI“模仿这个语气和节奏”进行创作。
素材喂养：将零散的灵感和事实扔给AI，让它负责结构化和连贯性的组织。
5、质量把控：AI评审 (Critique)
当局者迷，自己写的方案或文章很难看出漏洞。
黑面判官：命令AI扮演“极其严苛的审查员”，专门寻找你方案中的逻辑漏洞、潜在风险或错别字。
建设性反馈：不仅要让AI找问题，还要追加指令：“针对这些问题，请给出具体的修改建议”。
6、警惕“迎合性” (Sycophancy)
AI有强烈的“讨好人类”倾向。如果你在提问中带有偏向性（如：“我觉得A方案比B好，你觉得呢？”），AI大概率会顺着你的话说，失去客观性。
保持中立提问：“请客观评估A方案和B方案的优缺点。”
强制唱反调：“无论我怎么说，请坚决站在我的对立面寻找我观点的漏洞。”
7、效率飞跃：AI桌面应用 (AI desktop apps)
打破浏览器网页的限制，AI无缝融入日常工作流。
全局唤醒：通过快捷键（如
Alt + Space）在任何软件界面随时呼出AI。划词/截屏搜索：无需复制粘贴，直接对屏幕上的文字或图片进行翻译、解释、总结。
本地联动：部分高级应用支持读取本地文件或与系统生态深度整合，极大缩短交互路径。
模块3: 多媒体与代码 (Working with Multimedia & Code)
本模块核心探讨如何利用大模型（LLM/VLM）突破纯文本限制，跨越到多媒体（图像、音频、视频）的处理与生成，并结合代码能力实现高级应用开发与自动化数据分析。
1、处理多媒体数据 (Working with multimedia data)
现代 AI 不仅能读懂文字，还能直接接收并处理图像、音频和视频等多种媒介。
音频/视频转文本： 提取会议纪要、生成字幕、自动翻译。
长视频内容分析： 跨模态定位特定画面或对话，快速检索核心信息。
2、图像理解 (Image understanding)
大模型通过视觉语言模型（VLM）“看懂”图片中的物体、场景、文字（OCR）及其空间关系。
图表与数据解读： 识别复杂的工程图、财务报表折线图、科学文献图表并解释含义。
日常物体识别： 拍照识别植物、故障设备诊断、商品类目归档。
复杂场景推理： 结合常识解释幽默梗图、分析海报的视觉设计意图或指出图片中的逻辑错误。
3、图像生成 (Image generation)
通过描述性文本（Prompt）控制画面主体、风格（如写实、赛博朋克、中国风）、构图和色彩。
垫图/风格迁移： 以原图为底稿，变换艺术风格或调整局部。
局部重绘 (Inpainting) / 图像外扩 (Outpainting)： 擦除/替换画面特定元素，或向外延伸画幅。
结构化提示词（主体 + 场景 + 细节描述 + 艺术风格 + 渲染参数），利用“反向提示词 (Negative Prompt)”排除不需要的元素。
4、构建应用 (Building apps)
降低开发门槛，非程序员也能通过自然语言描述需求，让 AI 生成前后端代码。
架构设计与代码编写： 生成 HTML/CSS/JavaScript 原型，编写 Python 后端逻辑。
代码解释与调试： 将复杂代码翻译成人类语言，快速定位 Bug 并提供修复方案。
应用形态： 快速搭建单页 Web 应用（如计算器、小游戏）、自动化脚本、或集成 LLM API 的智能小工具。
5、数据分析 (Data analysis)
AI 在后台编写并运行 Python 代码，直接对上传的数据集进行处理。
数据清洗： 自动处理缺失值、异常值和格式转换。
统计分析： 计算描述性统计量、运行回归模型、挖掘数据关联。
数据可视化： 自动绘制柱状图、散点图、热力图等，并输出深度分析报告。
整体思维导图如下：
课程地址：
https://www.deeplearning.ai/courses/ai-prompting-for-everyone