吴恩达AI提示词进阶指南：从新手到高手的核心方法论

吴恩达（Andrew Ng）近日发布了一系列面向所有人的AI提示词教程，系统总结了从2022年ChatGPT问世至今，AI使用方式的巨大变化。作为全球人工智能领域最具影响力的学者和教育者之一，吴恩达曾担任斯坦福大学人工智能实验室主任，联合创立了在线教育平台Coursera，并先后领导了Google Brain项目和百度AI部门。他创办的DeepLearning.AI已为全球数百万学习者提供了AI课程。2022年11月ChatGPT发布后，AI工具从实验室走向大众，吴恩达敏锐地意识到"如何正确使用AI"已成为一项普适性技能，因此推出了这一系列面向非技术背景人群的提示词教程。

他指出，善用AI已经成为当下最具影响力的技能之一，而大多数人仍停留在"AI新手"阶段，远未发挥出现代AI工具的真正潜力。本文基于吴恩达的分享，梳理AI新手与AI高手之间的核心差距，帮助你少走99%的弯路。

AI新手 vs AI高手：两种截然不同的使用方式

吴恩达开篇就点明了一个关键观察：AI新手把AI当搜索引擎用，而AI高手把AI当思维伙伴用。

新手的典型行为是向AI提出简单的事实性问题，比如"Taco Bell还有双层塔可吗？"——这和用Google搜索没有本质区别。而高手则会向AI提出复杂的分析性问题，比如上传多份汽车规格、报价、保险方案等文档，让AI分析不同车型的权衡利弊，并明确告诉它"请深入思考后再回答"。

这种差异的背后是一个重要认知：当前的AI模型已经具备深度推理能力，它可以花费数秒甚至数分钟来"思考"，然后生成一份详尽的分析报告。这种深度推理能力与近年来大语言模型的重要技术进展密切相关。2024年，OpenAI推出了o1系列模型，引入了"思维链"（Chain-of-Thought）推理机制——模型在给出最终答案前，会在内部生成一系列中间推理步骤，类似于人类的逐步思考过程。这种机制使模型在数学、逻辑、编程和复杂分析任务上的表现大幅提升。用户在提示词中加入"请深入思考"或"请一步步分析"等指令，可以显式激活模型的推理模式，让它花费更多计算资源来处理复杂问题，而非仅凭模式匹配快速生成回答。

如果你只用它来回答简单问题，就像买了一台超级计算机却只用来查天气。

提供充分上下文：把AI当作聪明的新员工

吴恩达提出了一个非常实用的类比：把AI想象成一个极其聪明、积极性很高的应届毕业生——能力很强，但对你的情况一无所知。

新手常犯的错误是使用过短的提示词，然后期望AI自己"填补空白"。比如简单地说"请帮我写一份好的年度自评发给老板"，AI根本不知道你过去一年做了什么，只能生成一份泛泛而谈的模板文本。

而AI高手几乎对AI有一种"共情能力"——他们会设身处地地想：如果我是一个刚入职的新人，收到这条指令，我有足够的信息来完成任务吗？因此，高手会主动上传项目追踪表、近期项目文档、语音备忘录等大量背景资料，然后再让AI撰写自评。这样生成的内容才能真正捕捉到你最引以为豪的成就。

提供上下文的核心原则

• 上下文越丰富，AI输出质量越高
• 不要假设AI知道你的情况
• 上传相关文档、数据、笔记作为参考

这一原则的技术基础在于大语言模型的"上下文窗口"（Context Window）机制。当前主流模型（如GPT-4o、Claude 3.5等）的上下文窗口已扩展到12.8万甚至100万个token，这意味着你可以在单次对话中输入数十页甚至数百页的文档内容。模型会基于你提供的所有上下文信息进行推理和生成，上下文越丰富、越具体，模型的输出就越贴合你的实际需求，而非依赖训练数据中的通用模式。

获取诚实反馈：克服AI的"讨好倾向"

AI有一个大家都知道的问题——谄媚性（Sycophancy）。大多数AI系统在训练时被优化为"让用户满意"，这意味着如果你的提问暗示了你期望的答案，AI很可能会顺着你说。

谄媚性的根源在于RLHF（基于人类反馈的强化学习）训练阶段。在RLHF中，人类标注员对模型的多个回答进行偏好排序，模型据此学习生成"更受人类欢迎"的回答。然而，这一机制存在副作用：模型可能学会迎合用户的既有观点而非提供客观分析，因为"让用户感到被认同"往往能获得更高的偏好评分。Anthropic、OpenAI等公司已在后续研究中尝试通过对抗性训练和宪法AI（Constitutional AI）等方法来缓解这一问题，但谄媚性至今仍未被完全消除。

吴恩达举了一个生动的例子：如果你说"我有一个很棒的创业点子——移动扎染服务，请评价一下"，因为你已经用了"很棒"这个词，AI会倾向于附和你，告诉你这确实是个好主意。

高手的做法是提出中性问题，不给AI任何关于你期望答案的暗示。 更进一步，你可以提供一个评分标准（Rubric），比如：

• 这个问题是否真实存在？
• 市场规模有多大？
• 我是否具备竞争优势？

这种"提供评分标准"的方法在提示词工程中被称为结构化评估框架。其核心原理是通过预定义的评估维度来约束模型的输出方向，使其从多个角度进行客观分析，而非简单地给出"好"或"不好"的判断。这种方法借鉴了教育学中的Rubric评估法——教师在批改作业前先制定明确的评分维度和标准，以确保评估的一致性和客观性。在AI应用中，Rubric不仅能减少谄媚性，还能让输出更加结构化和可操作。

当你给出明确的评估框架时，AI不知道你是希望它说"这是个好主意"还是"这个想法有问题"，它就更可能给出客观、诚实的分析。这种方法可能会让你得到一个"8/100"的评分——虽然扎心，但远比盲目投入时间和金钱要好得多。

AI写作进阶：从"AI泡沫文"到高质量内容

这可能是新手和高手之间最显著的差距所在。

新手的做法是直接说"写一篇关于黑莓手机的博客文章"，然后得到一堆看起来像AI生成的泛泛之谈——吴恩达称之为**"AI slop"（AI泡沫文）**，即大量占据空间但毫无深度的通用文本。这类文本的特征通常包括：过度使用"在当今快速发展的世界中"等空洞开头、堆砌显而易见的常识、缺乏具体案例和独到见解、段落之间逻辑松散。随着AI生成内容在互联网上的泛滥，"AI slop"已成为内容质量下降的一个标志性现象。

高手的工作流程则是一个多轮迭代的过程：

1. 先让AI列大纲：基于你上传的笔记和素材，让AI先生成文章大纲
2. 批评和修改大纲：告诉AI你喜欢和不喜欢大纲的哪些部分，来回迭代几轮
3. 展开为要点：将满意的大纲展开为详细的要点列表，再次迭代
4. 最终成文：只有在要点都确认后，才让AI展开为完整文本

这种多轮迭代工作流的本质，是将软件工程中的"敏捷开发"理念应用于AI辅助创作。在传统的瀑布式方法中，用户一次性给出完整需求，期望AI一步到位地交付成品——这类似于软件开发中的"一次性交付"模式，失败率极高。而迭代式方法将复杂任务分解为多个可验证的小步骤（大纲→要点→成文），每一步都有人类的审核和反馈介入。这种方法的优势在于：错误在早期就能被发现和纠正，人类的判断力与AI的生成能力形成互补，最终产出的质量远高于单次生成。

这种工作流的本质是把AI当作思维伙伴，用它来帮你头脑风暴、探索不同的写作方向，而不是简单地让它"替你写"。最终产出的内容融合了你的思考和AI的能力，质量远超一步到位的生成结果。

正确认识AI的错误率

很多人因为社交媒体上疯传的AI翻车案例（比如"strawberry里有几个r"的经典错误），而对AI的能力产生了过度悲观的判断。

吴恩达指出了一个重要事实：AI确实会犯错，但犯错的频率可能比大多数人以为的要低得多——尤其是在你提示词写得好的情况下。2022-2023年的AI模型确实错误率较高，但当前最新的模型已经有了质的飞跃。

这一观点有坚实的数据支撑。以数学推理能力为例，在GSM8K（小学数学题基准测试）上，GPT-3.5的准确率约为57%，而GPT-4o已超过95%，o1模型更是接近满分。在MMLU（大规模多任务语言理解）基准测试中，模型准确率从2022年的约70%提升到2024年的近90%。这种能力跃升意味着，用户基于2022-2023年早期模型体验形成的"AI不靠谱"印象，已经严重滞后于技术现实。当然，AI在事实性问题上仍可能产生"幻觉"（Hallucination）——即自信地生成错误信息——因此对关键事实的人工核验仍然必要。

那些病毒式传播的翻车案例并不能代表AI的真实能力。高手知道，AI在以下场景中能提供巨大价值：

• 深度研究：生成系统性的研究报告
• 个人数据分析：分析健康数据、运动数据等
• 网站搭建：直接帮你构建网站
• 专业写作：在充分上下文下生成高质量内容

总结：成为AI高手的四大心法

吴恩达的这期教程虽然面向所有人，但其中蕴含的方法论对任何水平的AI使用者都有启发：

1. 给AI足够的思考时间和复杂任务，不要只把它当搜索引擎
2. 提供丰富的上下文，像给新员工交代任务一样详尽
3. 用中性问题和评分标准获取诚实反馈，避免AI的讨好倾向
4. 采用多轮迭代的工作流，先大纲再细节，把AI当思维伙伴

正如吴恩达所说，掌握AI提示词不仅能节省大量时间、提升工作和生活质量，更是一项在任何岗位上都极具竞争力的职业技能。而理解AI知识的来源——它什么时候可靠、什么时候不可靠——则是成为真正AI高手的基础认知。

值得注意的是，提示词工程（Prompt Engineering）本身也在快速演进。从最初的简单指令，到少样本提示（Few-shot Prompting）、思维链提示（Chain-of-Thought Prompting），再到如今的多智能体协作（Multi-Agent）和工具调用（Tool Use），AI的使用范式正在不断升级。吴恩达在本教程中分享的这些原则——提供上下文、迭代优化、中性提问——是跨越具体技术版本的底层方法论，无论AI模型如何更新迭代，这些核心思维方式都将持续适用。