大家好，我是程序員魚皮。

如果你自學過 AI，那你大概率聽過吳恩達老師（Andrew Ng）的名字。他是斯坦福大學的教授，Coursera 聯合創始人，全球最知名的 AI 教育者之一。從最早的《Machine Learning》到后來的深度學習系列課程，全世界幾百萬人通過他的課入了 AI 的門。

最近，吳恩達老師又出新課了，課程名叫《AI Prompting for Everyone》，一共 21 節視頻課，總時長 3 小時出頭，零門檻、免費學。

課程指路：https://www.deeplearning.ai/courses/ai-prompting-for-everyone/

剛看到「Prompting」這個詞的時候，我第一反應是：都 2026 年了還講提示詞？這不是 23 年就卷爛了嗎？

但點進去看了幾節課之后，我發現自己想錯了。。。

這門課真正在講的，不是怎么寫好一個提示詞模板，而是 怎么從一個 AI 新手變成 AI 高手。

下面我幫大家拆解一下這門課到底在教什么，哪些內容最值得學，能幫你節省至少一個小時。

建議收藏，我們開始~

AI 新手和高手有啥區別？

課程第一節就直接對比了 AI 新手和高手在使用 AI 方式上的差別。

簡單來說：新手把 AI 當搜索引擎，高手讓 AI 當分析師。

新手問 AI 的問題，跟使用 Google 搜索差不多，比如：Taco Bell 還有雙層塔可嗎？

高手的做法是，直接上傳一堆文檔，幾份車的配置單、報價、保險方案，然后說：幫我分析這幾輛車的優劣，把所有材料都讀完再回答，不要著急。

AI 可能會花好幾分鐘思考，最后給你一份詳細的對比報告。

接下來他講了第 2 個差距：新手寫一句話提示詞，高手給 AI 充足的上下文。

吳恩達老師舉了個特別好的例子，你跟 AI 說：幫我寫一份給老板的工作總結。

結果 AI 壓根不知道你這一年干了啥，只能輸出一堆正確但毫無營養的廢話。

高手的做法是，上傳項目追蹤截圖、最近的文檔、甚至語音備忘錄，讓 AI 充分了解你的情況再動筆。

把 AI 想象成一個聰明但剛入職的大學畢業生，能力很強，但對你一無所知。你不給足信息，它就只能瞎編。

還有一個我之前沒想過的觀點：新手讓 AI 拍馬屁，高手讓 AI 說真話。

這個是整門課最讓我印象深刻的部分。吳恩達老師專門講了「Sycophancy」，也就是 AI 的諂媚問題。

比如你問 AI：我有個很棒的創業點子，移動扎染服務，幫我評估一下？

你都說了「很棒」了，AI 當然順著你夸。

但高手會怎么問呢？

請客觀分析以下創業想法：移動扎染，評估是否有需求？市場多大？有沒有競爭優勢？

這樣 AI 才會老老實實告訴你，這個想法大概只有 8 分（滿分 100）。

華盛頓郵報做過一項研究，ChatGPT 說 that's correct、good point 這類認同表達的概率，是說 not quite right、that's not the case 的 10 倍。

有的模型甚至會說：老哥，你剛才說的太深刻了，我 1000% 同意你！

吳恩達老師覺得 AI 一味附和你，對做決策毫無幫助。

你可能會質疑，這些大家不是都知道么？還用教學？

但其實存在 幸存者偏差。你平時看到那些 AI 博主、程序員把 AI 玩得飛起，但他們只是少數。絕大部分人用了一兩年 AI，還停留在「問一句答一句」的階段，壓根兒沒發揮出 AI 的真正能力。

下面我會按課程的 3 個模塊，把最值得學的內容整理出來。

這門課到底教了什么？

整門課分 3 個模塊，共 21 節課，信息量還是很大的。

看看別人的課程目錄，也能幫咱們快速了解「用好 AI」到底要學哪些內容。

模塊 1、怎么用 AI 找信息

這部分一共 5 節課，把 AI 獲取知識的 3 個層次講清楚了：預訓練知識 → 聯網搜索 → 深度調研。

預訓練知識，簡單來說就是 AI 在訓練階段從互聯網海量文本中學到的知識，相當于 AI 的「底子」。

吳恩達老師舉了個有趣的例子，NASA 1970 年代發射的旅行者 1 號上有一張金唱片，AI 居然知道上面錄了 55 種語言的問候語。

但是要注意，AI 的知識是有偏差的。

互聯網上關于做飯、明星的文章遠多于關于類星體的，所以 AI 對熱門話題回答得更準，冷門的就不靠譜。

而且訓練數據有截止日期，比如 GPT-5.4 的知識截止到 2025 年 8 月，之后出現的「6 7 ?！顾筒恢懒?。

那如果需要最新的信息怎么辦？

這就要用到聯網搜索了。

聯網搜索這節課中，我覺得值得關注的是：AI 搜索到的結果也有質量問題。

吳恩達老師講了一個朋友的真實案例，讓 AI 推薦內華達州亨德森市的跑步地點，結果 AI 搜到了一個 20 多年前的網頁，推薦了一個早已不對公眾開放的學校。

所以他建議我們在問健康、安全之類的問題時，主動要求 AI 使用官方機構的來源，比如世衛組織、FDA 這些。

如果你不主動指定來源，AI 很可能就從 Reddit 這些地方抓信息，質量參差不齊。

雖然聯網搜索能獲取最新信息，但有時候你面對的問題更復雜，需要綜合大量來源深入分析，這時候就該用深度調研（Deep Research）了。我覺得這是一個被嚴重低估的功能。

吳恩達老師演示了用 Deep Research 幫自己策劃萬圣節鬼屋。AI 自己制定調研計劃，同時搜索幾十個網頁，評估哪些有用，迭代幾輪之后輸出一份詳細報告，還帶有預算餅圖和檢查清單。

Deep Research 的成本會更高，所以要在合適的場景運用合適的方法。簡單的事實查詢用聯網搜索就夠了，需要綜合幾十個來源做深度分析時，才用 Deep Research。

模塊 2、讓 AI 當你的思維搭檔

這是內容最充實的模塊，一共 7 節課，從頭腦風暴、上下文管理、桌面應用、推理能力、諂媚問題、到 AI 寫作和 AI 批評，覆蓋了日常使用 AI 最高頻的場景。

這部分的第一課是「用 AI 頭腦風暴」（Brainstorming with AI）。

這節課講了一個有意思的創造力測試：給你一塊磚頭，你能想出 200 種用途嗎？

大部分人想幾個就卡住了，但 AI 能給你列一大堆。

不過 AI 給的默認答案往往是最常規的。

為什么呢？

因為 AI 是從互聯網上學的，而互聯網上關于「磚頭能砌墻、能鋪路」之類常規用途的文章數量，遠比「用磚頭當貓的跳臺觸發健身」這種奇思妙想多得多。所以 AI 默認會傾向于給你最大眾的答案。

想要更有創意的答案，關鍵是 給更多上下文 + 多輪迭代反饋。

他用制定健身計劃做了演示，告訴 AI 你有蹦床和一只貓，AI 就可能給出「蹦床間歇訓練」或「貓觸發微型鍛煉」這種有創意的方案。

頭腦風暴解決的是 怎么讓 AI 給你好點子，但不管什么任務，AI 能給出多好的回答，很大程度取決于你喂給它多少信息。上下文管理（Context）這節課就在講這件事。

課里提到一個數據，現在主流 AI 模型的上下文窗口大概能裝 75 萬個單詞，差不多相當于 4 ~ 5 本《哈利波特》。

很多人嚴重低估了可以給 AI 提供多少信息，結果就是只給一句話提示詞，得到一個泛泛而談的回答，然后抱怨 AI 不好用。

如果你在一個對話里突然換了完全不相關的話題，之前的上下文反而會干擾 AI 的判斷，這時候應該 開一個新對話。

接下來是「AI 桌面應用」這節課，講的是 Claude、Microsoft Copilot 這類桌面端應用，它們能直接讀取你電腦上的文件來干活。

老師演示了讓 AI 整理一個亂七八糟的文件夾。AI 自動掃描文件內容，提出整理方案，人工確認后執行。

操作很簡單，但是一定要注意安全！AI 刪除的文件不會進回收站，編輯文件也沒有撤銷歷史，所以建議 只給它你需要處理的那個文件夾的權限。

到這里，課程已經把「怎么給 AI 足夠的信息」講透了。

接下來的問題是：有了充足的上下文，AI 能思考到什么程度？

AI 推理能力（Reasoning with AI）這節課就在回答這個問題。

老師提到，現在的 AI 模型能處理 需要人類花好幾個小時才能完成的任務，還引用了 METR 組織的一項研究數據。

他說以前大家讓 AI「think step-by-step」逐步思考，這個技巧已經過時了；現在直接告訴 AI「think hard」認真想，甚至「ultrathink」使勁想，AI 知道該怎么做。

下一節課是「AI 寫作」，吳恩達老師講了一個概念叫 Progressive Outlining 漸進式大綱法，不要一上來就讓 AI 寫全文，而是先列大綱，反復討論修改大綱，展開成要點，再反復打磨，最后才寫正文。這個跟我之前分享過的 Vibe Writing 套路一致。

他還專門分析了什么是「AI slop」，就是 AI 生成的看起來每句話都挺通順，但合在一起就是沒什么內容的廢話。

AI 還特別愛用長破折號、愛用 nuanced（細致入微）、delve（深入探討）這些看起來高級，但其實沒什么營養的詞。

有意思的是，人類自從跟 AI 聊天多了以后，自己說話也開始像 AI 了。播客和演講中使用 delve 這個詞的頻率明顯上升。。。

光會用 AI 寫作還不夠，怎么判斷寫出來的東西好不好呢？

「AI 批評與評估」這節課教了個實用技巧，給 AI 一個評分標準（Rubric）來評估內容。

比如評價一篇科幻小說，你定義角色 25 分、情節 25 分、世界觀 25 分、寫作技巧 25 分，每項再細化成客觀可判斷的標準（比如每個主角是否有明確目標，是或否，10 分）。

這樣 AI 就會被迫客觀評價，而不是無腦夸你。

他還提到一個跨模型評審的技巧，讓 ChatGPT 寫，讓 Gemini 評，效果會比自己評自己稍微好一點。這也是我 AI 編程時一直在用的技巧，多模型交叉驗證。

模塊 3、用 AI 玩多媒體和編程

前面兩個模塊主要圍繞 AI 生成文本展開，第三個模塊的花樣就更多了，5 節課覆蓋了圖片理解、圖片生成、零代碼做應用、和數據分析。

吳恩達老師分享了一個自己的故事：他女兒 Nova 7 歲生日，他用 AI 生成了很多貓咪蛋糕的設計方案，女兒選了一個最喜歡的，然后拿去給面包師照著做成了真實的 3D 蛋糕。

他還展示了 AI 生成的語音克隆，用自己的聲音克隆讀了一篇 DeepLearning 的新聞。然后把這段錄音放給父母聽，一個聽出來是假的，一個沒聽出來。

AI 不僅能生成圖片和聲音，還能「看」圖。

圖片理解（Image Understanding）這節課講了 AI 讀圖的能力和局限。

吳恩達老師上傳了自己在白板前講課的照片，AI 不僅認出了他在講卷積神經網絡，甚至他的頭擋住了「convolutional」這個單詞，AI 也能根據白板上的圖形推斷出來。

但讓 AI 識別健身房器械就不太行了，很多器械隔著一層模糊的鏡頭看長得都差不多。

能看圖、能生圖、能生視頻和語音，那能不能再進一步，直接幫你做一個 AI 應用出來？

零代碼做應用（Building Apps）這節課就演示了這件事。用一句話提示詞讓 Claude 生成了一個障礙物放置游戲，還做了一個煙花模擬器。

他建議初學者從簡單的應用入手，比如番茄鐘、AA 制計算器、天氣穿衣推薦這些功能明確的小工具。

最后一節是數據分析，講的是把數據扔給 AI，讓它自動寫代碼分析并生成可視化圖表。

他用一個奶茶店的銷售數據做了演示。AI 自動識別出草莓抹茶在春季促銷時賣得特別好、椰奶茶在秋季有增長趨勢，還生成了一張帶奶茶配色的年度回顧圖。

整套課看下來，包含了非常多吳恩達老師自己使用 AI 的經驗和事例，就像一個人在跟你聊天講故事一樣，很有溫度。

這門課值不值得學？

這門課 適合沒有任何編程基礎的普通人，作為全面了解 AI 用法和原理的科普課來看，非常合適。

它不太側重實戰，但能幫你建立起「AI 到底能干什么、怎么用才對」的完整認知。

之前我給大家分享過 和 ，那兩門課都偏開發者向，有一定的編程門檻。而吳恩達老師這門課完全沒有門檻，甚至可以推薦給不懂技術的朋友和家人。

不過缺點是，課程是全英文的，有英文字幕但沒有中文翻譯，不過你可以讓 AI 幫你翻譯字幕來看。

另外課程整體偏基礎，如果你已經是 AI 深度用戶了，可能會覺得部分內容不夠硬核。

如果你對 AI 有一定的了解，想進一步用 AI 編程做點實際的東西。可以看看我免費開源的 ，上千張圖、幾十萬字，結合了我兩年半的 AI 編程經驗。幫你從 0 開始快速學會 AI 編程，再到做出自己的產品、跑通變現全流程，一次拿捏。

開源指路：github.com/liyupi/ai-guide

吳恩達老師的課教你怎么跟 AI 高效對話，我的教程教你怎么用 AI 把東西做出來，兩者正好互補。

2026 年，AI 已經不是什么遙遠的概念了。

它就在你手邊，每天都能用上。

學會用好 AI，不是為了追風口，而是讓自己的時間更值錢一點，讓重復的事情少做一點，讓生活多一點余裕。

OK 以上就是本期分享，我是魚皮，持續分享 AI 編程干貨。學會的話記得點贊收藏和關注，也歡迎在評論區聊聊：你都用 AI 做了些什么？有什么使用 AI 的小技巧？