吳恩達(dá)又上新了，《AI Prompting for Everyone》看名字我本來是不想點(diǎn)開的——2026 年了還在講 Prompting，多少有點(diǎn)"賣白菜"的感覺

learn.deeplearning.ai/courses/ai-prompting-for-everyone/information

大致看了一下，內(nèi)容總體相當(dāng)基礎(chǔ)，適合對(duì) AI 使用尚未入門的同學(xué)，畢竟標(biāo)題也寫了 for Everyone，不是進(jìn)階課

但是閑著沒事，我抽著看了感興趣的三章，還是有點(diǎn)收獲的

課程全貌

就三個(gè) Module

Module

主題

大致包含的單元

Module 1

Finding Information

預(yù)訓(xùn)練知識(shí) vs Web Search vs Deep Research

Module 2

AI as a Thought Partner

給上下文、Brainstorming、讓 AI 反駁你、 寫作（Writing with AI）

Module 3

Working with Multimedia & Code

圖片輸入、生成視覺、 構(gòu)建應(yīng)用 、 數(shù)據(jù)分析

? 課程定位：給已經(jīng)在用 ChatGPT/Claude/Gemini 但想用得更好的非工程師門檻非常低，但內(nèi)功很扎實(shí)

我沒有逐節(jié)看完，只挑了三個(gè)我覺得 2026 年還有 90% 的人沒用對(duì)的 lesson 重點(diǎn)研讀：Deep Research、Writing with AI、Building Apps + Data Analysis

課程全貌：三個(gè) Module 與本文聚焦的三個(gè) lesson 第一章：找信息有三個(gè)檔位，你別一直掛在 D 檔

很多人用 AI 找東西就兩種姿勢(shì)：要么直接問，要么開聯(lián)網(wǎng)搜這其實(shí)是把一輛 6 速變速箱當(dāng)自動(dòng)擋開

吳恩達(dá)把"找信息"明確拆成了三檔：

檔位

觸發(fā)方式

數(shù)據(jù)源

耗時(shí)

適用場(chǎng)景

預(yù)訓(xùn)練知識(shí)

直接問

模型腦子里那點(diǎn)存貨

秒級(jí)

"我手機(jī)掉湯里了"、定義/常識(shí)/總結(jié)

Web Search

自動(dòng) or 手動(dòng)

幾個(gè)網(wǎng)頁(yè)

十幾秒

"迪拜這周天氣"、"附近評(píng)分高的健身房"

Deep Research 必須顯式觸發(fā)

幾十個(gè)甚至上百個(gè)網(wǎng)頁(yè)

幾分鐘到幾十分鐘

"天氣如何影響迪拜旅游業(yè)"這種要綜合多視角的復(fù)雜問題

三檔變速箱 + Deep Research 內(nèi)部 Agentic Loop

這張表的關(guān)鍵不是"哪個(gè)最強(qiáng)"，而是你得先判斷你的問題值不值得讓 AI 等你幾分鐘

? 劃重點(diǎn)：Deep Research 幾乎不會(huì)自動(dòng)觸發(fā)你不在 UI 上點(diǎn)那個(gè)按鈕，模型默認(rèn)不會(huì)讓你等幾分鐘——這是產(chǎn)品設(shè)計(jì)上的克制，也是你必須主動(dòng)選擇的責(zé)任

吳恩達(dá)在課里畫了一張內(nèi)部流程圖

我把它翻譯成更直觀的版本：

你的問題
   ↓
[制定研究計(jì)劃]  ←── 很多產(chǎn)品會(huì)讓你審核/修改這個(gè)計(jì)劃
   ↓
[并行發(fā)起 N 個(gè)網(wǎng)頁(yè)搜索]   ←── 不是一個(gè)一個(gè)搜，是同時(shí)搜
   ↓
[閱讀 + 評(píng)估相關(guān)性]
   ↓
[決定要不要換關(guān)鍵詞再搜一輪?]  ──→ 是 → 回到上一步
   ↓ 否
[綜合所有頁(yè)面，加引用，輸出報(bào)告]

這個(gè)循環(huán)里藏著 agentic AI 的核心定義：模型在過程中自己做決策——下一步搜什么、還要不要再搜、什么時(shí)候停它不是一條預(yù)定的流水線，它有自由度

吳恩達(dá)舉了個(gè)挺好玩的例子：用 Gemini 的 Deep Research 幫他規(guī)劃萬圣節(jié)鬼屋 Gemini 不僅給了報(bào)告，還順手把它做成了一個(gè)帶餅圖、帶核查清單、帶噪音條例可視化的小網(wǎng)頁(yè)

這才是 Deep Research 的正確打開方式：把它當(dāng)一個(gè)會(huì)跑腿、會(huì)讀、會(huì)畫的初級(jí)研究員用，而不是當(dāng)一個(gè)更慢的搜索引擎

第二章：對(duì)抗 AI Slop 的最高效武器叫"漸進(jìn)式大綱"

OpenAI 自己的數(shù)據(jù)：用戶跟 ChatGPT 的所有任務(wù)里，寫作占 24%，是單一最大類

但寫作也是 AI 翻車率最高的場(chǎng)景，翻車后的產(chǎn)物有個(gè)專屬名詞：AI Slop（AI 泔水）

AI Slop 六大指紋 + 漸進(jìn)式大綱杠桿原理 你怎么一眼識(shí)別一段是不是 AI 寫的？

吳恩達(dá)列了幾個(gè)"指紋"，我整理成一張速查表，平時(shí)審稿、審 PR 描述、審周報(bào)都能用：

AI Slop 指紋

典型表現(xiàn)

過度使用破折號(hào)

em dash 在 Bluesky 上的使用頻率自 ChatGPT 發(fā)布后一路飆升

濫用某些"顯學(xué)"詞

nuanced（微妙的）、delve（深入探討）出現(xiàn)頻率遠(yuǎn)高于常人

三件套排比上癮

什么都要"列三點(diǎn)"，哪怕原本只有兩點(diǎn)

"不是 X，而是 Y"句式泛濫

"這不只關(guān)乎速度，更關(guān)乎可用性"——X 和 Y 經(jīng)常都很空

形容詞堆疊少名詞

"這是一篇結(jié)構(gòu)穩(wěn)健、洞見深刻的論文"

空泛卻又顯得很重要的金句

"但它確實(shí)改變了一切"

? 一個(gè)有趣到有點(diǎn)恐怖的副作用：人類自己也在變得像 AI研究發(fā)現(xiàn) ChatGPT 發(fā)布后，人在播客和演講中（不是念稿，是即興說話）使用 delve 這個(gè)詞的頻率顯著上升我們正在被自己造的工具反向訓(xùn)練

不要讓 AI 一上來就給你寫正文流程應(yīng)該是：

Step 1  研究證據(jù) ────────?  讓 AI 搜索/查找正反兩方證據(jù)
Step 2  生成 3 種大綱 ───?  brainstorm，給你選項(xiàng)
Step 3  你給反饋，迭代 ──?  改結(jié)構(gòu)、加歷史類比、調(diào)整順序
Step 4  擴(kuò)成 bullet 點(diǎn) ──?  還不要正文，先擴(kuò)成要點(diǎn)
Step 5  對(duì) bullet 再迭代
Step 6  最后才讓它寫正文

為什么這樣杠桿最大？吳恩達(dá)講了一個(gè)非常戳的對(duì)比：

直接讓 AI 寫正文

先迭代大綱

你不滿意 → 改一個(gè)詞 → 只換一個(gè)詞

你不滿意 → 改大綱一句 → 整個(gè)段落甚至整節(jié)都變了

改動(dòng)的杠桿 ≈ 1× 改動(dòng)的杠桿 ≈ 100×

? 大綱是支點(diǎn)，正文是石頭你想撬動(dòng)一篇文章，永遠(yuǎn)從支點(diǎn)上發(fā)力

OpenAI 的另一個(gè)數(shù)據(jù)順便也分享一下：在所有寫作類對(duì)話里，約 2/3 不是從零寫，而是基于一段已有文字讓 AI 修改、批評(píng)、潤(rùn)色這才是 AI 寫作的主流姿勢(shì)——它不是替你寫，它是你的編輯

第三章：讓 AI 寫代碼 + 做數(shù)據(jù)分析，關(guān)鍵在那個(gè)"工具"

第三章其實(shí)講了兩件事：用 AI 造小應(yīng)用、用 AI 分析數(shù)據(jù)我看完發(fā)現(xiàn)兩件事是同一件事的兩面——都是模型在調(diào)用一個(gè)叫 code execution（代碼執(zhí)行） 的工具

3.1 一個(gè) Prompt 能搓出來的 App，長(zhǎng)什么樣？

吳恩達(dá)舉的幾個(gè)例子有意思：煙花點(diǎn)擊模擬器、25 分鐘番茄鐘、AA 制賬單計(jì)算器、根據(jù)天氣挑衣服的小工具這些有一個(gè)共同點(diǎn)：

? 任務(wù)定義清晰、不依賴外部數(shù)據(jù)/賬號(hào)、能獨(dú)立運(yùn)行、用一會(huì)兒就關(guān)掉

如果你剛開始玩 vibe coding，記住這套提示詞三件套就夠了：

 Goal    我要做什么？        （一個(gè)煙花模擬器）
 Input   用戶給什么？        （點(diǎn)擊屏幕）
 Output  應(yīng)用返回什么？      （彩色煙花動(dòng)畫）

吳恩達(dá)順手畫了一條難度光譜，用來校準(zhǔn)你的"AI 直覺"：

難度

例子

? 容易

簡(jiǎn)單平臺(tái)跳躍游戲、法語(yǔ)單詞測(cè)驗(yàn)、單機(jī)小工具

?? 中等

多頁(yè)面網(wǎng)站、帶狀態(tài)的工具

? 困難

聯(lián)網(wǎng)多人對(duì)戰(zhàn)游戲、帶 AI 實(shí)時(shí)反饋的法語(yǔ)口語(yǔ)陪練

判斷標(biāo)準(zhǔn)很簡(jiǎn)單：有沒有聯(lián)網(wǎng)、有沒有持久化、有沒有多人協(xié)同一旦涉及這三個(gè)，難度就指數(shù)上升

3.2 數(shù)據(jù)分析：AI 比你想象的更可靠，但也別忘了核對(duì)

數(shù)據(jù)分析這塊是我個(gè)人最被打動(dòng)的——因?yàn)?AI 給出的數(shù)字不是"猜"出來的，是"算"出來的

來看吳恩達(dá)畫的這條流水線：

你扔過來一個(gè) sales.csv
     ↓
模型推理：這事得算，不能瞎說
     ↓
調(diào)用 code execution 工具
     ↓
現(xiàn)場(chǎng)寫 Python（pandas / matplotlib...）
     ↓
真的跑一遍代碼
     ↓
返回帶圖、帶數(shù)字、帶洞察的報(bào)告

這就是為什么數(shù)據(jù)分析的可靠性會(huì)比一般問答高一檔：模型在寫代碼、跑代碼、看結(jié)果，而不是在憑"語(yǔ)感"輸出數(shù)字

吳恩達(dá)舉的奶茶店例子很經(jīng)典：上傳銷售數(shù)據(jù)，問"哪些飲品銷量變化最大？畫出來"模型不是把所有飲品都畫一遍，而是**先識(shí)別"大部分飲品銷量平穩(wěn)，只有 4 款明顯跳出來"**，然后只畫那 4 款這個(gè)"識(shí)別什么值得畫"的判斷力，才是它和 Excel 透視表的差距所在

但吳恩達(dá)也補(bǔ)了一刀警告：

? AI 的數(shù)據(jù)分析能力，簡(jiǎn)單分析很強(qiáng)，復(fù)雜分析夠嗆在做完看似漂亮的"年度回顧圖"后，記得自己核對(duì)幾個(gè)關(guān)鍵數(shù)字——它依然可能幻覺，尤其是當(dāng)你把多步驟分析壓在一個(gè) prompt 里的時(shí)候

把第一章和第三章的邏輯合起來，其實(shí)模型腦子里有這樣一棵決策樹：

收到你的問題
     │
     ├── 是常識(shí)/定義嗎？        → 用預(yù)訓(xùn)練知識(shí)，幾秒返回
     │
     ├── 需要時(shí)效性單點(diǎn)信息？   → 調(diào)用 Web Search
     │
     ├── 需要多源綜合判斷？     → 調(diào)用 Deep Research（用戶必須主動(dòng)開）
     │
     └── 需要算數(shù)/畫圖/處理數(shù)據(jù)？→ 調(diào)用 Code Execution，寫代碼跑代碼

這棵樹才是吳恩達(dá)這門課真正想塞進(jìn)你腦子里的東西

寫在最后：這門課真正的"私貨"

現(xiàn)代 AI 不是一個(gè)文本生成器，它是一個(gè)會(huì)調(diào)度多種工具（搜索、深研、代碼、圖表）的智能體你的任務(wù)不是寫更花哨的 prompt，是判斷「這個(gè)問題該讓它調(diào)哪個(gè)工具」

這才是 2026 年還有人能開《AI Prompting for Everyone》的底氣

我個(gè)人收獲最大的三句話，分享給你：

1. Deep Research 是一個(gè)"會(huì)跑腿的初級(jí)研究員"，不是更慢的搜索引擎

2. 大綱是支點(diǎn)，正文是石頭——永遠(yuǎn)在支點(diǎn)上發(fā)力

3. 當(dāng)問題里出現(xiàn)"算"和"畫"，模型就該寫代碼了——?jiǎng)e讓它光用嘴說

如果覺得有用，點(diǎn)個(gè)贊 + 在看，我是老章，我們下篇見