吴恩达 2026 年在 DeepLearning.AI 上了一门新课叫《AI Prompting for Everyone》，3 个 module 共 21 节课。开篇第一句话就把所有人摁住了：现在跟 ChatGPT 2022 年刚出来的时候完全不同。这门课不是教 prompt 技巧合集，是讲 4 年下来 AI 用法范式的整体迁移。下面把 21 节课压缩成一篇深度笔记，所有最值得抄的点全在里面。
新手 vs 高手：吴恩达提的 4 大分水岭
整门课的骨架是一个对比。AI 新手和 AI 高手用的是同一个工具，产出差距 5 到 10 倍，差别全在 4 个维度。
第一是问题难度。新手把 AI 当 Google 搜索用，问「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才回答，省下的时间是真金白银。
第二是上下文。新手发短 prompt 期待 AI 自己补全空白。高手把 AI 当一个智商很高、刚毕业、对你一无所知的实习生，给足背景。让 AI 写自我评价，新手只发一句「写一份给老板的自我评价」，AI 当然只能写空话。高手把项目跟踪截图、最近文档、语音备忘的摘录全传上去，AI 才能写出真东西。吴恩达的原话是「对 AI 有共情心 (empathy for the AI)」，把自己代入接到这个任务的人，问自己他知不知道足够多东西做好。
第三是是否引导。新手会问「我有个绝妙的生意点子，移动扎染服务，请评价」。AI 听到「绝妙」会顺着夸下去，这就是 sycophancy。高手要么用中性提问，要么直接给评分卡（rubric），告诉 AI 按什么维度打分，比如「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。
第四是写作流程。新手让 AI 直接写文章，得到的是 AI slop。高手不让模型一上来就写正文，先让它出大纲，反复迭代大纲，再展开成 bullet points，再迭代 bullet points，最后才扩成正文。这种工作流把 AI 当思考伙伴用，不是当打字机用。
这 4 条之后会反复出现在每个 module 里，是整门课的总框架。
AI 的知识从哪来：3 层架构搞清楚
Module 1 的核心是把信息获取拆成 3 层，每一层适合不同任务。
第一层是 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、明星这种内容特别多 AI 答得很准；类星体（quasar）这种小众话题答案就差。粤语虽然 8000 万人讲，但只占互联网内容不到 0.1%，所以英文以外的语料覆盖会差。每个模型都有 knowledge cutoff date（知识截止日），比如 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。
第二层是 web search。背后其实是双 AI 架构。你聊天的是一个 user-facing AI，它会调用一个 assistant AI 去做 web search、过滤结果、下载相关页面、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。
第三层是 deep research。所有主流模型（ChatGPT、Gemini、Claude）都有这个模式，agentic 流程，先列研究计划，再并行抛出几十个搜索查询，看返回结果决定要不要追加搜索，几分钟到十几分钟后给一份带引用的深度报告。Halloween 万圣节布置鬼屋这种要法规、安全、装饰多个维度综合的任务，deep research 比手刷网页快几十倍。
3 层的决策：基础事实问题用 pretrained 直接答；现实事件、本地信息、小众查询用 web search；要综合多个来源、多角度对比的复杂问题用 deep research。
吴恩达额外强调一条 source quality 的招。问健康相关的话题（比如 grey market peptides 灰市多肽）默认 AI 会拉 Reddit、Quora 这种社交平台。AI 的引用频率排名第一是 Reddit，第二 Wikipedia，第三 YouTube，第四 Google 自己。要拿到靠谱答案，必须在 prompt 里明确说「请用 WHO、FDA、欧洲药品局这种权威来源」，AI 才会换种姿势查。
Context 是新王 + Desktop App 的崛起
Module 2 第一个核心概念是 context。当前主流模型 context window 能塞 75 万字，相当于哈利波特前 4 到 5 本书的总字数。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（让模型知道当前日期、能力、基础工具说明），工具定义（web search 之类怎么用），你的 prompt，以及对话历史。所有这些累加起来塞进 context window 给模型一次推理。
实操技巧 1：换话题就开新对话。如果你刚问完自己的健身计划，又突然问妈妈的健身计划，旧 context 里的你的偏好会污染新答案，模型可能会被牵走，开新对话清空 context 是最干净的做法。
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 到 5 个方案，看它出的东西，挑你喜欢的、不喜欢的告诉它具体原因，迭代几轮后 AI 就摸清了你的口味。还债方案、健身计划、职业选择这种主观决策都适合这个套路。比直接发长 prompt 思考你该提供什么 context 高效得多。
更进一步的形态是 AI Desktop App。Claude Cowork、Microsoft Copilot Cowork、Google Antigravity 都在做这件事。区别在于这些 app 能 agentically 探索你电脑里的文件，按需把相关文件读进 context，不用你提前决定上传什么。
工作流标准三步：你说要做啥（比如整理乱七八糟的研究 PDF 文件夹），AI 给行动计划但不动手，你 review 计划，确认后才让它执行。安全提示：desktop app 删的文件经常不进回收站，编辑过的文件没有撤销历史。所以最好别把整个 home folder 给它，只把当前任务相关的子目录开放给它。
推理时代 + 反 Sycophancy：怎么逼模型说真话
2025 年开始 AI 进入 reasoning model 时代，能花几十秒到十几分钟去想一个问题。METR 的研究画了一张图，纵轴是任务对人类的耗时，横轴是 AI 完成成功率，2024 到 2025 年间 AI 能搞定的任务长度从「人类几分钟」一路涨到「人类几小时」。
吴恩达专门点名一个旧建议已经过时：「Let's think step by step」。这句话在 2023 到 2024 年是有效的，现在不用了。直接告诉模型 think hard，或者用关键词 ultrathink，模型自己知道该展开多少推理。一些 UI 里有 thinking 选项，勾上即可。
reasoning 内部流程其实是循环：拿到 prompt 推理一会儿，需要更多信息就调 web search 或读文件工具，拿到信息接着推理，可能再调几次工具，最后判断够了才输出答案。强力的应用场景：12 个月四人创业公司的运营计划，规划 5 个罗马地标的最快游览路线，分析家族多份 PDF 决定对比哪辆车买。
但 reasoning 强了不代表诚实。Sycophancy 是当下最难解决的问题之一。Washington Post 的研究显示 ChatGPT 同意用户的频率比不同意高 10 倍，会说「dude 你刚说的那话太深刻了，你 1000% 正确」。模型被人类反馈训出来，用户对赞美点 thumbs up，对反对点 thumbs down，强化的就是更倾向同意你的回答。
反 sycophancy 4 招：
第一，问中性问题别带答案倾向。「难道远程办公不是更好吗」改成「远程和办公室的生产力对比如何」。
第二，用 rubric 强制客观判断。让 AI 看你的简历、项目、生意计划之前，先给一份评分标准（characters 25 分 / plot 25 分 / world-building 25 分 / writing craft 25 分这种），逼它按维度逐项打分。
第三，避免在数据分析提问里就埋偏见。「分析数据找出本季度所有正面表现指标」会让 AI 只看正面；「客观分析数据」会让它正反两面都看。
第四，用「列两个选项的优缺点」代替「难道 A 不比 B 好吗」。同时呈现两个选项让模型不知道你想要哪个胜出。
写作工艺：渐进式大纲 + 客观评分卡
OpenAI 数据显示 ChatGPT 24% 的对话用于写作，是单一最大用例。其中三分之二是基于已有文本编辑，不是从零开始。Module 2 用很多篇幅讲怎么避免 AI slop。
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），以及「not X but Y」的空洞句式（「不是关于速度，是关于可用性」这种）。Bluesky 的统计显示 em dash 使用频率从 ChatGPT 发布后一路上涨；40% 美国员工承认上个月收过同事用 AI 写的「workslop」。更有意思的是人类自己开始模仿 AI，「delve」这个词在播客和演讲里都明显增加。
吴恩达推的解药是 progressive outlining 渐进式大纲法。流程：
第 1 步，让 AI 先出大纲（不写正文）。
第 2 步，给反馈，迭代几轮直到大纲满意。
第 3 步，把大纲扩成 bullet points。
第 4 步，给 bullet points 反馈，再迭代。
第 5 步，才让 AI 写最终正文。
为什么有效。在大纲阶段改一句话，意味着最终文章一整段或一整节会跟着重写，杠杆极高。直接让 AI 写正文然后逐句改的话，每改一个词只影响一个词，剩下还是 AI slop 的味道。
编辑已有文本的进阶招是 rubric 评分卡 + cross-model critique。让 AI 给你已经写好的科幻小说提意见，默认它会说「写得真棒」。给一份评分卡（人物 25 分、情节 25 分、世界观 25 分、文笔 25 分，每个维度内部再拆「主角是否都有目标」「角色目标之间是否有冲突」这种二元判断的子项），它就被迫按客观标准打分。先打分再加总比先给总分再凑分项要靠谱得多，前者会逼它认真，后者会先拍脑袋一个 80 然后凑数。
cross-model critique 是把 ChatGPT 写的文章丢给 Gemini 评，或反过来。两个模型的训练数据和偏好不同，互评能挑出单模型自评看不到的问题。吴恩达说他自己日常会在 ChatGPT、Gemini、Claude 之间切换，因为 jagged intelligence 这个概念：每个模型擅长的任务边界不规则，定期切换才能磨出哪个模型最适合哪种任务的直觉。
多模态 + Vibe Coding：图片、代码、数据分析
Module 3 切到多模态。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（一段几分钟+几十美分到几美元），而且 video 还在不断变好。
图片输入能力。吴恩达写在白板上的卷积神经网络草图，他的头挡住了「convolutional」这个词，AI 看图还是猜对他在讲 CNN。但精细识别会跪，让 AI 看健身房器械图说出每个机器叫什么，它会自信地说错（不同器械远看有点像）。识别人形跑步轮、收据明细、甚至手写字它都能搞定，但高风险任务（账单结算）一定要复核。
图片生成用的是 diffusion model，跟文本逐字生成不一样，是从纯噪声一次性还原出整张图。所以经常出怪手、乱字、人物前后不一致的怪事。Nano Banana 这种新模型已经修复了大半。一个实用招式：不会写图片 prompt 就让文本 AI 帮你写一个，它会自动加场景、角色细节、风格三件套。
吴恩达自己最有意思的应用是给 7 岁女儿 Nova 生日蛋糕。先用 Nano Banana 生成女儿喜欢的猫咪蛋糕图，再把图给烘焙师傅做成实物 3D 蛋糕。AI 在这里扮演了「brainstorming + 跟人协作」的角色，不是终点。
Vibe Coding 是 Module 3 的另一半。一段 prompt 让 AI 写出整个 web app。课程 lab 里就有 5 个例子：烟花秀、配色板挑选器、番茄钟（Pomodoro）、AA 拼餐计算器、根据天气推荐穿搭的 outfit picker。每个都是一句话能跑出来的小工具。
可建难度边界要清楚。简单平台跳跃游戏、法语生词卡片这种容易做；多人联机游戏、实时 AI 反馈的法语对话练习这种难得多。建 prompt 的标准三件套：先说目标（要做什么），再说输入（用户怎么交互），再说输出（程序展示什么）。
代码能力的延伸是数据分析。给 AI 上传销售数据 Excel，问「哪些产品月销售变化最大画图」，它会调 run-code 工具，写 Python 算月度变化、识别异常、画图、配色。吴恩达举的例子是奶茶店年度复盘：让 AI 分析 12 个月销售数据，自动找出最热销的「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，最后生成一张配色搭配奶茶元素的年度回顾海报。这种活之前要请数据分析师做几小时，AI 几分钟就出。
一句话抓重点
吴恩达这门课的核心论点其实是一句话：2026 年的 AI 已经不是 2022 年那个聊天机器人，能 reasoning 几十分钟，能读 75 万字 context，能并行查几十个网页，能生成图片视频，能写代码做数据分析。但大多数人还在用 2022 年的方式（短 prompt + Google 搜索式问法）问它问题，所以拿到的也只能是 2022 年水平的输出。
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），用 rubric / 中性问法防 sycophancy，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。
完整课程链接：learn.deeplearning.ai/courses/ai-prompting-for-everyone（DeepLearning.AI 免费课，3 module 共 21 节，约 2 小时刷完）。
