吳恩達上新，DeepResearch、AI寫作、數據分析、AI編程

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

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

大致看了一下，內容總體相當基礎，適合對 AI 使用尚未入門的同學，畢竟標題也寫了 for Everyone，不是進階課

但是閑著沒事，我抽著看了感興趣的三章，還是有點收獲的

課程全貌

就三個 Module

Module

主題

大致包含的單元

Module 1

Finding Information

預訓練知識 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、 構建應用 、 數據分析

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

我沒有逐節看完，只挑了三個我覺得 2026 年還有 90% 的人沒用對的 lesson 重點研讀：Deep Research、Writing with AI、Building Apps + Data Analysis

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

很多人用 AI 找東西就兩種姿勢：要么直接問，要么開聯網搜這其實是把一輛 6 速變速箱當自動擋開

吳恩達把"找信息"明確拆成了三檔：

檔位

觸發方式

數據源

耗時

適用場景

預訓練知識

直接問

模型腦子里那點存貨

秒級

"我手機掉湯里了"、定義/常識/總結

Web Search

自動 or 手動

幾個網頁

十幾秒

"迪拜這周天氣"、"附近評分高的健身房"

Deep Research 必須顯式觸發

幾十個甚至上百個網頁

幾分鐘到幾十分鐘

"天氣如何影響迪拜旅游業"這種要綜合多視角的復雜問題

三檔變速箱 + Deep Research 內部 Agentic Loop

這張表的關鍵不是"哪個最強"，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：Deep Research 幾乎不會自動觸發你不在 UI 上點那個按鈕，模型默認不會讓你等幾分鐘——這是產品設計上的克制，也是你必須主動選擇的責任

吳恩達在課里畫了一張內部流程圖

我把它翻譯成更直觀的版本：

你的問題
   ↓
[制定研究計劃]  ←── 很多產品會讓你審核/修改這個計劃
   ↓
[并行發起 N 個網頁搜索]   ←── 不是一個一個搜，是同時搜
   ↓
[閱讀 + 評估相關性]
   ↓
[決定要不要換關鍵詞再搜一輪?]  ──→ 是 → 回到上一步
   ↓ 否
[綜合所有頁面，加引用，輸出報告]

這個循環里藏著 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、什么時候停它不是一條預定的流水線，它有自由度

吳恩達舉了個挺好玩的例子：用 Gemini 的 Deep Research 幫他規劃萬圣節鬼屋 Gemini 不僅給了報告，還順手把它做成了一個帶餅圖、帶核查清單、帶噪音條例可視化的小網頁

這才是 Deep Research 的正確打開方式：把它當一個會跑腿、會讀、會畫的初級研究員用，而不是當一個更慢的搜索引擎

第二章：對抗 AI Slop 的最高效武器叫"漸進式大綱"

OpenAI 自己的數據：用戶跟 ChatGPT 的所有任務里，寫作占 24%，是單一最大類

但寫作也是 AI 翻車率最高的場景，翻車后的產物有個專屬名詞：AI Slop（AI 泔水）

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

吳恩達列了幾個"指紋"，我整理成一張速查表，平時審稿、審 PR 描述、審周報都能用：

AI Slop 指紋

典型表現

過度使用破折號

em dash 在 Bluesky 上的使用頻率自 ChatGPT 發布后一路飆升

濫用某些"顯學"詞

nuanced（微妙的）、delve（深入探討）出現頻率遠高于常人

三件套排比上癮

什么都要"列三點"，哪怕原本只有兩點

"不是 X，而是 Y"句式泛濫

"這不只關乎速度，更關乎可用性"——X 和 Y 經常都很空

形容詞堆疊少名詞

"這是一篇結構穩健、洞見深刻的論文"

空泛卻又顯得很重要的金句

"但它確實改變了一切"

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

不要讓 AI 一上來就給你寫正文流程應該是：

Step 1  研究證據 ────────?  讓 AI 搜索/查找正反兩方證據
Step 2  生成 3 種大綱 ───?  brainstorm，給你選項
Step 3  你給反饋，迭代 ──?  改結構、加歷史類比、調整順序
Step 4  擴成 bullet 點 ──?  還不要正文，先擴成要點
Step 5  對 bullet 再迭代
Step 6  最后才讓它寫正文

為什么這樣杠桿最大？吳恩達講了一個非常戳的對比：

直接讓 AI 寫正文

先迭代大綱

你不滿意 → 改一個詞 → 只換一個詞

你不滿意 → 改大綱一句 → 整個段落甚至整節都變了

改動的杠桿 ≈ 1× 改動的杠桿 ≈ 100×

? 大綱是支點，正文是石頭你想撬動一篇文章，永遠從支點上發力

OpenAI 的另一個數據順便也分享一下：在所有寫作類對話里，約 2/3 不是從零寫，而是基于一段已有文字讓 AI 修改、批評、潤色這才是 AI 寫作的主流姿勢——它不是替你寫，它是你的編輯

第三章：讓 AI 寫代碼 + 做數據分析，關鍵在那個"工具"

第三章其實講了兩件事：用 AI 造小應用、用 AI 分析數據我看完發現兩件事是同一件事的兩面——都是模型在調用一個叫 code execution（代碼執行） 的工具

3.1 一個 Prompt 能搓出來的 App，長什么樣？

吳恩達舉的幾個例子有意思：煙花點擊模擬器、25 分鐘番茄鐘、AA 制賬單計算器、根據天氣挑衣服的小工具這些有一個共同點：

? 任務定義清晰、不依賴外部數據/賬號、能獨立運行、用一會兒就關掉

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？        （一個煙花模擬器）
 Input   用戶給什么？        （點擊屏幕）
 Output  應用返回什么？      （彩色煙花動畫）

吳恩達順手畫了一條難度光譜，用來校準你的"AI 直覺"：

難度

例子

? 容易

簡單平臺跳躍游戲、法語單詞測驗、單機小工具

?? 中等

多頁面網站、帶狀態的工具

? 困難

聯網多人對戰游戲、帶 AI 實時反饋的法語口語陪練

判斷標準很簡單：有沒有聯網、有沒有持久化、有沒有多人協同一旦涉及這三個，難度就指數上升

3.2 數據分析：AI 比你想象的更可靠，但也別忘了核對

數據分析這塊是我個人最被打動的——因為 AI 給出的數字不是"猜"出來的，是"算"出來的

來看吳恩達畫的這條流水線：

你扔過來一個 sales.csv
     ↓
模型推理：這事得算，不能瞎說
     ↓
調用 code execution 工具
     ↓
現場寫 Python（pandas / matplotlib...）
     ↓
真的跑一遍代碼
     ↓
返回帶圖、帶數字、帶洞察的報告

這就是為什么數據分析的可靠性會比一般問答高一檔：模型在寫代碼、跑代碼、看結果，而不是在憑"語感"輸出數字

吳恩達舉的奶茶店例子很經典：上傳銷售數據，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**先識別"大部分飲品銷量平穩，只有 4 款明顯跳出來"**，然后只畫那 4 款這個"識別什么值得畫"的判斷力，才是它和 Excel 透視表的差距所在

但吳恩達也補了一刀警告：

? AI 的數據分析能力，簡單分析很強，復雜分析夠嗆在做完看似漂亮的"年度回顧圖"后，記得自己核對幾個關鍵數字——它依然可能幻覺，尤其是當你把多步驟分析壓在一個 prompt 里的時候

把第一章和第三章的邏輯合起來，其實模型腦子里有這樣一棵決策樹：

收到你的問題
     │
     ├── 是常識/定義嗎？        → 用預訓練知識，幾秒返回
     │
     ├── 需要時效性單點信息？   → 調用 Web Search
     │
     ├── 需要多源綜合判斷？     → 調用 Deep Research（用戶必須主動開）
     │
     └── 需要算數/畫圖/處理數據？→ 調用 Code Execution，寫代碼跑代碼

這棵樹才是吳恩達這門課真正想塞進你腦子里的東西

寫在最后：這門課真正的"私貨"

現代 AI 不是一個文本生成器，它是一個會調度多種工具（搜索、深研、代碼、圖表）的智能體你的任務不是寫更花哨的 prompt，是判斷「這個問題該讓它調哪個工具」

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

我個人收獲最大的三句話，分享給你：

1. Deep Research 是一個"會跑腿的初級研究員"，不是更慢的搜索引擎

2. 大綱是支點，正文是石頭——永遠在支點上發力

3. 當問題里出現"算"和"畫"，模型就該寫代碼了——別讓它光用嘴說

如果覺得有用，點個贊 + 在看，我是老章，我們下篇見