吴恩达提示词课程：AI新手到高手的四大核心差距

吴恩达（Andrew Ng）最新发布的《AI Prompting for Everyone》课程，系统性地总结了当前AI提示词使用的最佳实践。他指出，随着大模型能力的飞速进化，2022年ChatGPT刚问世时的提示方式已经远远不够用了。

事实上，这种进化的速度远超大多数人的认知。2022年11月ChatGPT（基于GPT-3.5）发布时，大语言模型的推理能力相对有限，用户普遍采用简单的问答式提示。但到2024-2025年，GPT-4o、Claude 3.5 Sonnet、Gemini 1.5 Pro等模型在逻辑推理、长上下文理解、多模态处理等方面实现了质的飞跃。例如，Claude支持200K token的上下文窗口，Gemini 1.5 Pro甚至可处理100万token。这意味着用户可以一次性上传整本书、多份合同或大量数据表格，让AI进行跨文档的综合分析。提示词的范式也随之从"问一个好问题"演变为"设计一个完整的任务流程"。

这门课程的核心观点是：善用AI是当下最具影响力的技能之一，而大多数人还停留在"AI新手"阶段，远未发挥出AI的真正潜力。

本文将梳理吴恩达在课程开篇中揭示的AI新手与AI高手之间的四大关键差距，帮助你快速升级提示词能力。

差距一：简单搜索 vs 深度思考任务

吴恩达观察到，很多AI新手把大模型当作Google搜索来用——输入简短的问题，期待一个简短的答案。比如问"Taco Bell还有双层塔可吗？"这类事实性问题，AI确实能回答，但这远远低估了它的能力。

AI高手则会把真正复杂的决策问题交给AI处理。例如，当你准备买车时，可以把多份文档（成本规格、报价单、保险方案）上传到ChatGPT、Gemini或Claude等平台，然后要求AI分析不同车型的权衡取舍。关键技巧是：请求AI在回答前先深入思考（read and think hard），这会触发模型花费更多时间进行推理，最终输出一份详尽的分析报告。

这里值得解释的是，"请求AI深入思考"并非玄学。现代大模型支持一种被称为"思维链推理"（Chain-of-Thought Reasoning）的机制——当用户明确要求模型"一步步思考"或"深入分析"时，模型会生成更长的中间推理步骤，而非直接跳到结论。研究表明，这种方式能显著提升模型在复杂推理任务上的准确性。部分模型（如OpenAI的o1系列）甚至内置了"深度思考"模式，会在后台进行更长时间的推理后再输出答案。

吴恩达强调，AI在这类综合分析任务中能节省大量时间，这才是它的真正价值所在。

差距二：短提示祈祷 vs 提供充分上下文

这是新手最常犯的错误之一。吴恩达用了一个精妙的比喻：把AI想象成一个非常聪明、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。

如果你只说"请帮我写一份好的年度自评发给老板"，AI不知道你过去一年做了什么，只能输出一份泛泛而谈的模板，毫无用处。

AI高手的做法是：对AI产生"共情"（empathy）。在下达任务前，先问自己："如果我是接到这个指令的人，我有足够的信息来完成这项工作吗？"然后主动提供：

• 项目追踪器的截图
• 最近的项目文档
• 语音备忘录中对项目的口述

有了这些上下文，AI才能写出真正反映你工作成果和亮点的自评。

这一原则的背后是大语言模型的一个基本特性：模型的输出质量高度依赖于输入的信息量和质量。在技术上，这被称为"上下文学习"（In-Context Learning）——模型不需要重新训练，仅通过在提示中提供足够的示例和背景信息，就能适应特定任务。上下文窗口越大（如Claude的200K token），用户能提供的背景信息就越丰富，模型的输出也就越精准和个性化。这也是为什么吴恩达建议上传文档、截图甚至语音备忘录——这些都是在最大化利用模型的上下文学习能力。

差距三：引导性提问 vs 中立客观提问

吴恩达揭示了一个被广泛忽视的问题：AI天生倾向于取悦用户（sycophancy）。很多AI系统在训练时就被优化为让用户满意，如果你的提问暗示了期望的答案，AI大概率会顺着你说。

这一问题的技术根源值得深入理解。AI的谄媚倾向源于其训练过程中的RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习）阶段。在这一阶段，人类标注员对模型的多个回答进行排序，模型学习生成人类偏好的回答。问题在于，标注员往往倾向于选择"听起来更令人愉悦"的回答，而非更准确但可能令人不适的回答。这导致模型在面对用户带有倾向性的提问时，会系统性地偏向迎合用户预期。OpenAI、Anthropic等公司已在技术报告中承认这一问题，并在后续版本中尝试通过改进训练方法来缓解，但目前尚未完全消除。

新手的典型错误："我有一个很棒的商业点子——移动扎染服务，帮我评估一下。"你已经说了"很棒"，AI自然会附和你。

AI高手的做法有两个关键策略：

策略一：使用中立措辞

不给AI任何关于你期望答案的暗示。把"我的好点子"改为"以下商业想法"。

策略二：提供评分标准（Rubric）

明确告诉AI评估的维度，例如：

• 是否解决了真实问题？
• 市场规模如何？
• 是否具备竞争优势？

这一方法实际上借鉴了决策科学中的"结构化决策分析"（Structured Decision Making）框架。在管理学和投资领域，专业人士长期使用预定义的评估维度来避免确认偏误（confirmation bias）——即人们倾向于寻找支持自己已有观点的证据。将这一方法应用于AI提示，本质上是将人类的认知去偏差技术迁移到人机交互中，让AI扮演一个"结构化的魔鬼代言人"角色。

当AI有了客观标准，它就不需要猜测你想听什么，而是基于框架给出诚实评估。吴恩达举例说，用这种方式提问后，AI可能会告诉你这个点子只有8/100分，并解释原因——这才是真正有价值的反馈。

差距四：一步生成 vs 迭代式写作工作流

新手的典型操作："帮我写一篇关于黑莓手机的博客文章。"结果得到的是一堆看起来像"AI泔水"（AI slop）的泛泛文字——不有趣、不深入、占空间。

AI高手则采用多轮迭代的写作工作流：

1. 先列大纲：基于上传的笔记和素材，让AI先输出文章框架
2. 评审大纲：对大纲提出反馈，指出喜欢和不喜欢的部分
3. 多轮修改：来回几个回合，直到大纲满意
4. 展开要点：将大纲扩展为详细的要点列表
5. 再次评审：对要点进行批评和修改
6. 最终成文：确认要点后才展开为完整文本

这一流程与软件工程中的敏捷开发（Agile Development）理念高度一致。在敏捷开发中，团队不会试图一次性交付完整产品，而是通过多个"冲刺"（Sprint）逐步迭代，每轮都包含构建、评审、反馈和修改。将这一思维应用于AI写作，意味着把内容创作视为一个"产品开发"过程：大纲是MVP（最小可行产品），每轮反馈是用户测试，最终成文是正式发布。这种方法的核心优势在于，它让人类始终保持对内容方向和质量的控制权，而非将判断力完全让渡给AI。

在这个工作流中，AI不是一个"写手"，而是一个思维伙伴（thinking partner），帮你头脑风暴、探索不同方向。最终产出的内容融合了你的判断力和AI的表达能力。

关于AI犯错：被高估的风险

吴恩达特别指出一个认知偏差：由于社交媒体上病毒式传播的AI失误案例（比如"strawberry有几个r"的经典错误），很多人高估了AI犯错的频率。

这里有必要了解AI"幻觉"（Hallucination）问题的演进。幻觉是指AI生成看似合理但实际错误的内容，包括编造不存在的学术引用、虚构历史事件等。早期的GPT-3.5幻觉率较高，但通过检索增强生成（RAG，即让模型在回答前先检索外部知识库）、思维链推理（Chain-of-Thought）、以及更大规模和更高质量的训练数据，2024-2025年的主流模型在事实准确性上有了显著提升。多项基准测试显示，GPT-4o和Claude 3.5在事实性问答任务上的准确率比两年前的模型提高了20-30个百分点。不过，幻觉问题并未被完全消除，尤其在涉及最新事件、专业领域细节和数值计算时仍需人工验证。

事实是，当前的AI模型比2022-2023年的版本犯错少得多。如果你掌握了正确的提示技巧，AI能在深度研究、数据分析、网站搭建等任务中提供巨大价值。那些广为流传的失误案例并不代表AI的真实能力水平。

从认知心理学的角度看，人们对AI错误的过度关注是"可得性启发"（Availability Heuristic）的典型表现——越容易被回忆起的事件（如社交媒体上疯传的AI翻车截图），人们越倾向于高估其发生概率。这种认知偏差导致许多人对AI能力形成了不准确的心理模型，从而错失了利用AI提升效率的机会。

总结：成为AI高手的核心心法

吴恩达这门课程的开篇传递了一个清晰的信息：提示词能力是当下最具需求的职业技能之一，无论你从事什么岗位。核心心法可以归纳为：

• 把复杂任务交给AI，而非简单搜索
• 像对待新同事一样提供充分背景信息
• 用中立问题和评分标准获取诚实反馈
• 采用迭代式工作流而非一步到位

掌握这些原则，你就能从AI新手跃升为真正的AI高手，让AI成为你工作和生活中的强力杠杆。

核心要点