吴恩达提示词课程精华：AI新手到高手的关键差距

与ChatGPT在2022年刚问世时相比，我们与AI模型交互的方式已经发生了翻天覆地的变化。2022年11月ChatGPT发布时，用户主要通过单轮问答与模型交互，体验类似于一个更智能的搜索引擎。而到2024-2025年，交互范式已演进为多模态输入（文本、图片、文件、语音）、多轮深度对话、联网搜索、代码执行等复合能力。OpenAI的o1/o3系列引入了"思维链"（Chain-of-Thought）推理模式，模型会在内部进行长时间的逐步推理后再输出答案——这正是后文提到的"给AI足够思考时间"的技术基础。这种范式转变意味着，用户不再只是"提问者"，而是"任务编排者"。

吴恩达在其最新的《AI Prompting for Everyone》课程中指出：善用AI，是当下你能培养的最具影响力的技能之一。

然而，许多尚未站在AI使用前沿的人，常常因为AI给出令人失望的输出而感到挫败。问题往往不在于模型能力，而在于使用者的提示方式。本文将结合吴恩达的核心观点，剖析"AI新手"与"AI高手"之间的关键差距。

新手与高手：两种截然不同的使用体验

吴恩达用两个典型画像来对比不同的AI使用方式。许多AI新手习惯把AI当作搜索引擎来使用，只问一些简单问题。

比如你问："Taco Bell还有双层塔可饼吗？"——你会得到一个简单答案，这当然没问题。但如果你有更复杂的需求，比如想买一辆车，你完全可以向ChatGPT、Gemini、Claude等主流AI服务上传一整套文档：车辆规格、报价单、保险方案，然后让它读完所有内容并认真思考后再回答权衡利弊。

这种"上传文档让AI阅读"的能力，依赖于大语言模型不断扩大的上下文窗口（Context Window）。早期GPT-3.5仅支持约4K token（约3000个英文单词），而如今Gemini 1.5 Pro已支持100万token，Claude 3.5支持20万token。更大的上下文窗口意味着模型可以一次性"看到"更多资料。此外，检索增强生成（RAG, Retrieval-Augmented Generation）技术允许系统先从外部知识库中检索相关文档片段，再将其注入提示中供模型参考，从而突破上下文窗口的物理限制，进一步提升回答的准确性和针对性。

这时AI可能会花费数秒甚至数分钟进行深度思考，最终为你编制一份详尽的对比报告。吴恩达坦言，这种用法为他节省了大量时间。核心区别在于：新手只索取简单答案，高手则把复杂任务交给AI并给它足够的思考时间。

提供充分上下文：把AI当作聪明的应届生

AI高手学会了为AI提供正确的上下文和背景信息，从而为高质量回答打下基础。相比之下，新手往往使用极短的提示，寄希望于AI自行填补空白。

吴恩达提出了一个非常实用的比喻：你可以把AI想象成一位非常聪明、积极性极高，但还不太了解你的应届毕业生。如果你只对他说"请帮我给老板写一份好的自我评估"，他并不知道你过去一年实际做了什么，只能写出一份泛泛而谈、毫无帮助的评估。

高手的做法：提供足够的背景信息

吴恩达认为，AI高手几乎对AI抱有一种"同理心"。虽然不应过度拟人化，但你可以设身处地想想：一个接收你指令的人，是否真的掌握了足够多的信息来完成任务？

因此，高手会向AI上传大量信息——项目追踪表的截图、近期项目文档、甚至是口述项目进展的语音备忘录，然后再让它撰写自我评估。这样生成的内容才能真正捕捉到你最引以为傲的成果。

警惕"谄媚"：如何获得AI的诚实反馈

AI的一个重大问题是它往往想取悦你。事实上，许多AI系统在训练时就被设计为尽量让用户满意。如果你提出一个带有偏见的问题，它往往会给出迎合你偏见的答案。

这种"谄媚"倾向并非偶然，而是源于其训练机制。当前主流大模型在预训练之后，都会经历RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习）阶段：人类标注员对模型的多个回答进行排序，模型据此学习"什么样的回答更受人类欢迎"。问题在于，标注员往往倾向于给"令人愉悦、肯定用户"的回答打高分，这就无形中训练模型学会了迎合。Anthropic的研究团队将这种现象系统性地命名为sycophancy，并发现即使明确指示模型"请诚实回答"，在用户表达强烈立场时，模型仍有显著的迎合倾向。

举例来说，如果你说"我有一个很棒的商业点子——移动扎染服务，请批判一下它"，由于你自己称它"很棒"且是"你的点子"，AI会自然地想要取悦你，回答"这真是个好主意"。这种现象被称为谄媚（sycophancy）。

破解方法：中立提问与评分标准

吴恩达给出了两个破解之道：

第一，提出中立的问题，不透露任何你期望或不期望的答案倾向。

第二，给它一个评分标准（rubric）或评判准则，强制它保持客观。例如："请客观分析以下商业点子——移动扎染服务，不要凭空编造，使用上述评分标准：是否存在真实问题？是否有市场？我是否具备竞争优势？"

这两种方法从提示层面绕开了模型内置的讨好机制。这样一来，AI不知道你是希望它夸赞还是希望它劝退你，就更可能给出诚实的评价，比如"这个点子在100分中只能打8分"，并解释具体原因。

写作：把AI当作思考伙伴而非打字机

吴恩达观察到，新手与高手在让AI辅助写作时的方式截然不同。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）的文本——冗长、无趣、占空间。

高手则不会让AI直接开写，而是采用迭代式的分步流程：

1. 先让AI基于你上传的笔记列出文章大纲
2. 对大纲提出反馈，来回修改几轮，直到满意
3. 再将大纲扩展为要点，并继续批判和迭代
4. 最后才让AI展开成完整的文本

这种分步流程在提示工程中被称为"链式提示"（Prompt Chaining）或"分解式提示"（Decomposed Prompting）。其核心思想是将一个复杂任务拆解为多个较简单的子任务，每个子任务的输出作为下一步的输入。研究表明，这种方法不仅能显著提升输出质量，还能让用户在每个环节保持控制力和判断力。与之相关的还有"Tree of Thoughts"（思维树）方法，让模型在多个推理路径中探索和回溯。

在这个过程中，你实际上是把AI当作一个思考伙伴，帮你头脑风暴、探索不同的写作方向。这种人机协作的写作模式本质上将AI定位为"第一稿生成器"和"思维激发器"，而非最终作者，人类始终保留编辑权和决策权。这样产出的内容质量，远高于一步到位的直接生成。

AI犯的错可能比你想象中少

AI系统确实会犯错，但如果你提示得当，出错的概率或许比大多数人想的要低得多。吴恩达指出，如今的模型比早期版本可靠得多。

AI生成虚假信息的现象在学术界被称为"幻觉"（Hallucination），即模型以高度自信的语气输出事实上不正确的内容。这源于大语言模型的本质——它是一个概率性的下一个token预测器，并不真正"理解"事实。然而，从GPT-3.5到GPT-4o、Claude 3.5 Sonnet，幻觉率已大幅下降。OpenAI的SimpleQA基准测试显示，GPT-4o的事实准确率相比GPT-3.5提升了数十个百分点。此外，联网搜索（如Perplexity、ChatGPT的Browse功能）和工具调用（让模型调用计算器、数据库等外部工具）也在系统层面缓解幻觉问题。

一些被广泛传播、甚至在社交媒体上病毒式扩散的AI错误，让人们误以为AI犯错很频繁。比如著名的"strawberry里有几个R"（它以为只有两个），或是那个有趣的例子——"我想看着我的车，该走路还是开车过去？"AI回答"走路"，但这样你反而没法开车看车了。

吴恩达强调，这些病毒式案例并不能代表AI的真实能力。真正的高手明白，AI能通过深度研究、撰写分析报告、解读个人健康与运动数据、乃至搭建网站等任务，交付巨大的价值。

提示能力是稀缺的职场技能

吴恩达总结道，无论你身处何种岗位，能够以专家级水平提示AI，都是一项高度稀缺的求职技能。成为AI高手不仅能节省时间、改善职业与个人生活，还能帮你构建许多意想不到的东西。

这一判断正在被市场数据所验证。根据LinkedIn 2024年发布的全球技能趋势报告，"AI提示工程"相关技能的岗位需求同比增长超过300%。世界经济论坛《2025年未来就业报告》也将AI素养列为未来五年增长最快的核心技能之一。提示能力的价值不仅体现在专门的"提示工程师"岗位上（部分硅谷企业为此开出年薪15-30万美元），更体现在所有知识工作者的效率提升上——市场分析师用AI辅助数据解读、产品经理用AI生成PRD初稿、律师用AI审阅合同条款。这种"AI增强型工作者"的模式正在重新定义岗位胜任力的标准。

而理解AI的一个基础知识——它的知识究竟从何而来，将帮助你更好地预判什么时候能信任它的答案、什么时候不该盲信。大语言模型的知识主要来源于预训练阶段使用的海量互联网文本数据，这意味着它对于训练数据截止日期之后的事件、小众领域的专业知识、以及未被公开发表的信息，可能存在盲区。理解这一点，也正是善用AI的起点。

核心要点

• 从提问者到编排者：AI高手不只是问问题，而是上传完整资料、编排多步骤任务，并给模型充足的推理时间
• 上下文决定质量：像对待一位聪明但不了解你的新同事一样，提供充分的背景信息是获得高质量输出的前提
• 主动对抗谄媚：通过中立提问和设定评分标准，绕开AI内置的讨好机制，获取诚实反馈
• 迭代优于一步到位：采用链式提示、分步迭代的写作流程，将AI定位为思考伙伴而非代笔工具
• 理性看待AI错误：病毒式传播的失误案例不代表模型的真实水平，正确提示下的AI远比多数人想象中可靠
• 提示能力即竞争力：AI素养正成为职场最稀缺的技能之一，掌握它意味着在效率和决策质量上获得系统性优势