吴恩达21节课：2026年AI高手心法

以下内容整理自 @GoSailGlobal 2026年5月2日发表的深度笔记。吴恩达 2026 年在 DeepLearning.AI 上了一门新课 《AI Prompting for Everyone》，3 个 module 共 21 节课（约2小时，免费：learn.deeplearning.ai/courses/ai-prompting-for-everyone）。

开篇第一句话就把所有人摁住：现在跟 ChatGPT 2022 年刚出来的时候完全不同。这门课不是 prompt 技巧合集，而是讲4年下来 AI 用法范式的整体迁移。这门课把21节压缩成7节，所有最值得抄的点都在里面。

去重说明：本课讲"使用心法"（怎么用好AI）；《第09课》讲"建造路线"（怎么做AI工程师）——RAG/Agent工程实现详见《第09课》，本课不重复。

以下来自 @GoSailGlobal 转述。整门课的骨架是一个对比：AI 新手和高手用同一个工具，产出差 5 到 10 倍，差别全在 4 个维度：

• 第一，问题难度。新手把 AI 当 Google 用："Taco Bell 还有 Double Decker Taco 吗"。高手扔进去整套买车文档（车型规格、报价、保险方案），让 AI 通读全部、慢慢思考、对比利弊。模型现在能想几十秒甚至几分钟，省下的时间是真金白银。
• 第二，上下文。新手发短 prompt，指望 AI 自己补全。高手把 AI 当"智商很高、刚毕业、对你一无所知"的实习生，给足背景：让 AI 写自我评价，高手会把项目跟踪截图、最近文档、语音备忘摘录全传上去。吴恩达原话："对 AI 有共情心"（empathy for the AI）——代入接到任务的人，问自己"他知不知道足够多东西做好"。
• 第三，是否引导。新手问"我有个绝妙的生意点子（移动扎染服务），请评价"——AI 听到"绝妙"会顺着夸，这就是 sycophancy（阿谀奉承）。高手要么中性提问，要么直接给评分卡（rubric）："有市场吗？有竞争优势吗？问题真实存在吗"，逼它给出可能是8分这种诚实结论。
• 第四，写作流程。新手让 AI 直接写文章，得到 AI slop。高手先出大纲→迭代大纲→扩成 bullet points→迭代→最后才扩正文，把 AI 当思考伙伴，不当打字机。

这4条会反复出现在每个 module 里，是整门课的总框架。

以下来自 @GoSailGlobal 转述（Module 1 核心）。把信息获取拆成 3 层，每层适合不同任务：

• 第1层：pretrained knowledge——模型从互联网海量文本学到的常识。频率决定可靠性：烹饪、电影、明星内容多，答得准；类星体（quasar）这种小众话题就差。粤语8000万人讲，但只占互联网内容不到0.1%，所以英文外语料覆盖差。每个模型有 knowledge cutoff date（如 GPT-5.4 截止2025年8月）：问2025年才火的"6 7 meme"它就傻眼，必须触发 web search。
• 第2层：web search——背后是双 AI 架构：你聊天的 user-facing AI 会调用一个 assistant AI 去搜索、过滤、下载页面、总结摘要返回。关键 quirk：user-facing AI 看到的只是摘要，没读完整页面——所以经常出现"AI 引用了某 URL，但实际页面并没说那句话"的怪象。
• 第3层：deep research——agentic 流程：先列研究计划，并行抛几十个搜索查询，看结果决定是否追加，几分钟到十几分钟后给带引用的深度报告。万圣节鬼屋布置（法规+安全+装饰多维度综合）这类任务，比手刷网页快几十倍。

3层决策：基础事实→pretrained 直接答；现实事件/本地信息/小众查询→web search；多来源多角度综合的复杂问题→deep research。

吴恩达额外强调 source quality：问健康话题（如灰市多肽）默认 AI 拉 Reddit、Quora——AI 引用频率排名是 Reddit 第一、Wikipedia 第二、YouTube 第三、Google 第四；想要靠谱答案，必须在 prompt 里点名 WHO、FDA、欧洲药品局这类权威来源，AI 才会换种姿势查。

以下来自 @GoSailGlobal 转述（Module 2）。当前主流模型 context window 能塞 75 万字——相当于哈利波特前 4 到 5 本的总字数。吴恩达说大多数人严重低估了能给 AI 多少上下文。

Context 包括4块：系统 prompt（日期/能力/工具说明）+ 工具定义 + 你的 prompt + 对话历史，全部塞进 context window 做一次推理。

实操技巧1：换话题就开新对话。刚问完自己的健身计划又问妈妈的，旧 context 里你的偏好会污染新答案——开新对话清空 context 最干净。

实操技巧2：brainstorm 时，给反馈是最好的 context engineering。不知道该提供什么 context 时，先让 AI 出 3–5 个方案，看它出的东西，挑喜欢/不喜欢的告诉它具体原因，迭代几轮 AI 就摸清你的口味。还债方案、健身计划、职业选择都适合这个套路——比直接发长 prompt 高效得多。

更进一步是 AI Desktop App（Claude Cowork、Microsoft Copilot Cowork、Google Antigravity）：能 agentically 探索你电脑里的文件，按需读进 context，不用你提前决定上传什么。标准三步：你说要做啥→AI 给行动计划但不动手→你 review 后才执行。

以下来自 @GoSailGlobal 转述。2025 年起 AI 进入 reasoning model 时代：能花几十秒到十几分钟想一个问题。METR 的研究画了张图：2024→2025，AI 能搞定的任务长度从"人类几分钟"涨到"人类几小时"。

吴恩达点名："Let's think step by step"这句旧咒语过时了（2023–2024 有效，现在不用）——直接告诉模型 think hard，或用关键词 ultrathink，模型自己知道展开多少推理。reasoning 内部是循环：推理一会儿→缺信息就调 web search/读文件→接着推理→够了才输出。强力场景：12个月四人创业公司运营计划、5个罗马地标最快游览路线、多份家族 PDF 对比买哪辆车。

但 reasoning 强≠诚实。Sycophancy（阿谀奉承）是当下最难解决的问题之一：Washington Post 研究显示 ChatGPT 同意用户的频率是不同意的 10 倍，会说"你刚那话太深刻了，你1000%正确"——因为人类反馈训练：赞美点 thumbs up、反对点 thumbs down，强化的就是"更倾向同意你"。

反阿谀四招：① 问中性问题，别带答案倾向（"难道远程办公不是更好吗"→"远程和办公室的生产力对比如何"）；② 用 rubric 强制客观判断（先给评分标准再让它打分）；③ 数据分析提问别埋偏见（"找出本季度所有正面指标"→"客观分析数据"，让它正反都看）；④ 用"列双方优缺点"代替"难道A不比B好吗"（让它不知道你想要谁赢）。

以下来自 @GoSailGlobal 转述。OpenAI 数据：ChatGPT 24% 的对话用于写作（单一最大用例），其中三分之二是改已有文本、不是从零写。

AI slop 的4大特征：滥用 em dash（破折号）；高频词"nuanced/delve/robust"；三人组排比（list of three）；"not X but Y"空洞句式（"不是关于速度，是关于可用性"）。Bluesky 统计：em dash 使用率自 ChatGPT 发布一路上涨；40% 美国员工承认上月收过同事的"workslop"；人类甚至开始模仿 AI，"delve"在播客演讲里都变多了。

解药：progressive outlining（渐进式大纲法）5步：① 让 AI 先出大纲（不写正文）→ ② 反馈迭代到满意 → ③ 扩成 bullet points → ④ 再反馈迭代 → ⑤ 才写最终正文。为什么有效？大纲阶段改一句话，等于最终文章一整节重写，杠杆极高；直接写正文再逐句改，每改一词只影响一词，剩下全是 AI slop 味。

改已有文本的进阶招：rubric 评分卡 + cross-model critique。让 AI 评你的科幻小说，默认它说"写得真棒"；给评分卡（人物25/情节25/世界观25/文笔25，再拆"主角是否有目标""目标是否有冲突"等二元子项），它被迫客观打分——先分项打分再加总，比先拍脑袋给80再凑分项靠谱得多。cross-model critique：ChatGPT 写的丢给 Gemini 评（反之亦然），两模型训练偏好不同，互评能挑出自评看不见的问题。吴恩达自己就在 ChatGPT/Gemini/Claude 间切换，因为 jagged intelligence：每个模型擅长的任务边界不规则，多切换才能磨出"哪个模型最适合哪种任务"的直觉。

以下来自 @GoSailGlobal 转述（Module 3）。生成成本梯度是关键认知：text 最便宜（毫秒到秒级、每千字几美分）→ speech 贵一点 → image（几十秒一张、几美分）→ video 最贵（几分钟+几十美分到几美元，且还在变好）。

图片输入：吴恩达白板上的卷积神经网络草图，"convolutional"被他的头挡住，AI 看图还是猜对他在讲 CNN；但精细识别会跪——健身房器械图让它说每个机器叫什么，它会自信说错。高风险任务（账单结算）一定要复核。

图片生成用 diffusion model：跟文本逐字生成不同，是从纯噪声一次性还原出整图——所以常出怪手、乱字、人物前后不一致。Nano Banana 已修复大半。实用招：不会写图片 prompt 就让文本 AI 帮你写，它会自动加场景+角色细节+风格三件套。吴恩达最有意思的应用：给7岁女儿 Nova 做生日蛋糕——先用 Nano Banana 生成猫咪蛋糕图，再给烘焙师傅做成实物 3D 蛋糕，AI 扮演 brainstorming+协作角色。

Vibe Coding：一句话 prompt 让 AI 写出整个 web app。课程 lab 的5个例子：烟花秀、配色板挑选器、番茄钟、AA 拼餐计算器、按天气推荐穿搭。难度边界要清楚：简单平台跳跃游戏易，多人联机游戏、实时 AI 反馈的法语对话难得多。prompt 标准三件套：目标（做什么）+ 输入（怎么交互）+ 输出（展示什么）。

数据分析：上传销售 Excel，问"哪些产品月销售变化最大并画图"，AI 调 run-code 工具写 Python 算月度变化、识别异常、画图配色。案例：奶茶店年度复盘——12个月数据自动找出热销"红糖珍珠""经典奶茶"、客户偏好大杯、春季草莓抹茶冲销量等洞察，最后生成奶茶元素年度海报。以前要数据分析师做几小时，AI 几分钟出。

延伸：Vibe Coding 的"一句 prompt 做出应用"正是《第10课》Flipbook 生成式界面的能力底座；想系统学"用 AI 构建产品"见《第09课》。

以下来自 @GoSailGlobal 转述的课程收束。吴恩达这门课的核心论点其实是一句话（见开篇 remember）。升级使用方式，有 4 个最高 ROI 的动作：

• 给足 context——把 AI 当"对你一无所知的实习生"，有 empathy for the AI；
• 用 rubric / 中性问法防 sycophancy——别让 AI 顺着你夸；
• 写作走渐进式大纲——不要直接让它写正文；
• 思考型任务直接说 ultrathink——别再念"Let's think step by step"旧咒语。

完整课程：learn.deeplearning.ai/courses/ai-prompting-for-everyone（DeepLearning.AI 免费课，3 module 共 21 节，约2小时刷完）。建议学完后立刻做：找一件你本周的真实任务（写周报/做旅行规划/分析数据），用上面的4个动作重做一遍——心法不练，等于没学。