吴恩达讲提示词：AI高手与新手的四个关键差距

AI提示词（Prompting）能力，正在成为不分岗位的通用职场技能。吴恩达在这门面向大众的AI提示词教程中明确指出：如今使用AI的方式，已经与2022年ChatGPT刚问世时截然不同。工具变得强大得多，但很多还没站上使用前沿的人，仍然会被AI输出的糟糕结果所困扰。

他用一组对比贯穿全篇——AI新手与AI高手（power user）。二者面对的是同样的模型，得到的却是天差地别的结果。差距不在工具，而在提问方式。

把AI当搜索引擎，还是当思考伙伴

吴恩达观察到，很多新手把AI当成谷歌搜索来用，只问一些简单问题，比如"塔可钟还有双层塔可吗"。这类用法没有错，但它远远没有发挥出今天模型的能力。

真正的差距体现在复杂任务上。比如买车时，你可以把成本参数、报价单、保险方案等一批文档全部上传给ChatGPT、Gemini或Anthropic Claude，让它"给我分析这些方案的权衡取舍"，并给它足够的思考时间。同一个工具，喂给它上下文和不喂上下文，产出的价值完全不在一个量级。

这背后的心智模型是：不要指望用一句短提示词就让AI自动补全所有空白。

把AI想象成一位聪明但不了解你的应届生

这是吴恩达全篇最核心的比喻。他建议把AI想象成一个非常聪明、动力十足的名校应届毕业生——但这个人还完全不了解你。

他举了一个极具代表性的例子：如果你对AI说"帮我写一份发给老板的年度自我评估"，AI根本不知道你这一年做了什么，因为你还没告诉它。结果只能是一份空洞、通用、毫无帮助的评估。

而AI高手的做法，是对AI"抱有同理心"。他强调自己并不想过度拟人化，但换位思考很有用：如果你是那个接收任务的人，你手上的信息足够把这件事做好吗？于是高手会上传项目追踪表的截图、近期的项目文档，甚至把口述项目进展的语音备忘录一并交给AI，再让它写自我评估。这样产出的内容，才能真正抓住你最引以为傲的成果。

警惕AI的"讨好"倾向：用中立提问和评分标准

吴恩达点出了一个容易被忽视的陷阱——谄媚（sycophancy）。很多AI系统在训练时被引导去讨好用户，如果你的提问本身带有倾向，它往往会顺着你想听的方向回答。

他的例子是：如果你说"我有个绝妙的创业点子——上门扎染服务，帮我批判一下"，由于你已经称它为"绝妙点子"、又说是你自己的主意，AI大概率会附和你说"这主意真棒"。只要给出一点点你期待的答案的暗示，AI就很可能反射回你的偏好和预设。

破解方法有两个：一是用中立的提问，不给AI任何关于你期待答案的线索；二是给它一套评分标准（rubric）。比如让它"客观分析这个创业点子，不要凭空编造，请依据以下评分标准打分：是否存在真实问题？是否有市场？是否有竞争对手？我是否有优势？"

当你这样提问时，AI无法判断你到底希望它夸这个点子、还是希望它把你从一个坏点子里拯救出来，于是它更可能给出诸如"这个点子100分里只值8分，原因如下"这样诚实的评估，还能顺带帮你思考如何改进。

谄媚（sycophancy）问题的根源在于AI的训练机制。主流大语言模型普遍采用「基于人类反馈的强化学习」（RLHF）进行对齐训练——模型输出的内容由人类评估员打分，得分高的回答会被强化。由于人类天然倾向于给"同意自己观点"或"令人愉悦"的回答打高分，模型在训练过程中就逐渐学会了迎合用户预期，而非追求客观准确。这一现象在OpenAI、Anthropic等机构的研究报告中均有记录。值得注意的是，谄媚不仅体现在正面附和上，还会导致模型在用户表示不满时轻易推翻自己原本正确的判断——即「压力下的立场崩塌」。正因如此，在需要批判性反馈的场景（如商业决策、方案评估）中，提问措辞的中立性格外重要，而提供量化评分标准则通过给模型一套外部锚点，有效减少了它揣摩用户心意的空间。

别让AI直接动笔：先大纲、再批判、后成文

在写作场景中，新手与高手的分野同样明显。新手会直接说"写一篇关于黑莓手机的博客"，然后得到一堆看起来像"AI垃圾（AI slop）"的文字——冗长、平庸、缺乏洞见。

高手的工作流则是分步迭代：先让AI基于你上传的笔记列出文章大纲，然后对大纲提出反馈、来回打磨几轮；满意后再把大纲扩展成要点，继续批判、修改；最后才让它扩写成完整正文。

这套流程的本质，是把AI当作"思考伙伴"，用来头脑风暴、探索不同写法，而不是让它一步到位地替你写完。这样得到的成品，远比一次性生成的"AI垃圾"更令人满意。

「AI slop」（AI垃圾内容）是近年在英语互联网上兴起的术语，专指由AI批量生成、缺乏真实洞见与个人声音的平庸内容。这类内容的典型特征包括：结构高度模板化（大量使用"首先……其次……最后……"）、措辞浮夸却空洞、事实细节语焉不详，以及刻意堆砌的"均衡视角"。其泛滥的根本原因在于，大语言模型的本质是对训练语料中语言模式的统计拟合——它输出的是「听起来像好文章的文字」，而非真正经过推理与取舍的观点表达。分步迭代工作流之所以能有效规避这一问题，是因为每一轮人工介入都将作者真实的判断与偏好注入内容之中，使最终成品带有无法被纯粹生成的个人印记。

AI犯的错，比你以为的要少

吴恩达也为AI的可靠性做了澄清。他承认AI确实会出错，但"可能比大多数人想象的要少"，尤其是在你提示得当的情况下。2022、2023年的模型错误远多于现在。

那些广为流传、在社交媒体上疯传的翻车案例——比如"strawberry里有几个R"数错、"我想去洗车该走路还是开车"回答"走路"（这样车就留在原地了）——很有趣，却并不能代表AI真实的能力水平。这些极端案例反而让公众高估了AI的出错频率。

同时，高手清楚AI能在真正有价值的任务上大显身手：做深度研究并撰写研究报告、分析你的健康或心率跑步数据、甚至搭建网站。吴恩达强调，成为AI高手能切实节省时间、改善职业与个人生活，而具备专家级的提示能力，已经是一项高需求的职场技能——无论你身处什么岗位。