吳恩達已經不寫Prompt了
整理版優先睇
吳恩達預測三到六個月內手動 prompt 消失，AI agent 系統全面取代
呢篇文章係由 Macaron 🧁 整理，主要引用吳恩達、Anthropic 工程師同 Karpathy 嘅最新觀點。吳恩達一向係 AI 界嘅「冷靜派」，過去幾年不斷叫人踏踏實實由簡單任務開始、建立評估體系，唔好俾 hype 帶跑。但最近佢話自己 100% 嘅工作都交曬俾 AI agent，仲話實際體驗超出預期，三到六個月內所有人都會用上，到時唔再需要手動寫 prompt。呢個反差好大，令作者覺得值得深挖。
文章解釋咗「唔再需要寫 prompt」嘅真正意思：唔係 prompt 概念消失，而係從「每次手動輸入」變成「系統自動生成同管理」。關鍵在於 memory——有 memory 嘅 agent 每次循環都比上次好，記住你嘅偏好同改動，好似一個老同事，唔使每次都從頭教。吳恩達話自己所有工作（研究、寫課程、營運公司、諮詢、演講）都交俾 agent，前提就係呢個 memory 系統。
作者認為呢個時間表唔係亂講，因為模型能力（Claude Fable 5、GPT-5.5 等）、上下文窗口（4K 到 1M）、工具鏈（CLAUDE.md、AGENTS.md、MCP server）都已經到位。Anthropic 工程師同 Karpathy 嘅講法亦互相印證，強調要造一個會自己寫 prompt 嘅系統，而唔係每次手寫。作者自己用 Claude Code 嘅經驗都印證咗：寫好 CLAUDE.md 同 loop 之後，慢慢連「問」嘅動…
- 吳恩達親自驗證：100% 工作已由 AI agent 處理，包括研究、課程、營運等複雜任務
- Prompt 唔會消失，但會從手動輸入變成系統自動管理，核心係建立有 memory 嘅 self-improving loop
- 三到六個月係實際時間表，基礎條件已成熟：模型能力、長上下文、工具鏈（CLAUDE.md 等）
- Anthropic 工程師同 Karpathy 嘅觀點交叉驗證：應該造系統而唔係寫 prompt，角色從操作者轉為審閲者
- 效率拐點喺搭建 system 後一到兩週：短期手寫快，但長期 system 徹底碾壓，差距類似當年 Excel
吳恩達嘅反差：由冷靜派變全面擁抱
吳恩達過去幾年不斷叫人冷靜，由簡單任務開始、建立評估體系、先搞 pipeline 再搞 agent。但最近佢話自己所有任務都交曬俾 AI agent，仲話實際體驗超出預期。呢個反差好大，一個勸人唔好 hype 嘅人承認自己判斷保守咗。
佢原話大意係：自己所有任務都已經交俾 AI agent，下一步係 self-improving loop，三到六個月內所有人都會用上，到時唔再需要手動寫 prompt。
「唔再需要寫 prompt」真正意思
佢講嘅 prompt 消失，唔係概念冇咗，而係從「你每次手動輸入」變成「系統替你生成同管理」。舉個例：你而家用 ChatGPT 寫週報，每次要話佢知做咗咩、格式係點、老闆關心咩。但 agent 做法係：你建立一個 memory file，放曬工作記錄、週報模板、老闆反饋、格式偏好，agent 每次自己讀、提取信息、組織格式、寫完 check。你要做嘅只係最後睇一眼。
關鍵區別在 memory。冇 memory 嘅 agent 每次對話從零開始，你同一個失憶實習生合作。有 memory 嘅 agent 每次循環都比上次好，記得你上次改咗乜，知道你的偏好。
- 1 冇 memory：每次從頭教，效率低，同一個項目要重複講好多嘢
- 2 有 memory：好似老同事，講半句話就知道你要乜，幾秒鐘一次循環就進步
三到六個月嘅時間表，基礎設施已經到位
要搭一個有 memory 嘅 self-improving loop，幾個條件要同時滿足。模型能力夠強（Claude Fable 5、GPT-5.5、GLM-5.2）、上下文窗口夠長（4K 到 1M）、工具鏈跟得上（CLAUDE.md、AGENTS.md、MCP server）。半年前仲要自己造輪子，而家打開 Claude Code 寫個 CLAUDE.md 配檢查步驟就得。
以前只有工程師先搞得掂，而家文檔驅動，你會寫字就搭到。呢個係最大變化，門檻低到普通人夠得着。
- 模型能力：複雜多步推理同工具調用已經成熟
- 上下文窗口：1M token 可以處理大型項目，唔使頻繁壓縮遺忘
- 工具鏈：CLAUDE.md 等標準已出現，半年前仲好原始
交叉驗證：三個人從三個方向講同一件事
Anthropic 工程師幾乎同時話：唔應該俾 Claude 寫 prompt，要造一個會自己寫 prompt 嘅系統。大多數人都做錯，冇 memory file，每次循環從零開始。Karpathy 都話：別再用 AI 寫 code 了，用佢去 build，造一個能持續產出結果嘅系統。
三個人方向高度一致，但吳恩達嗰條係錨點：100% 活、三到六個月、唔再需要 prompt。Anthropic 同 Karpathy 算交叉驗證，唔係樂觀問題，而係趨勢。
拐點已到：唔好再停留喺優化 prompt
拐點唔係某日突然變曬，而係吳恩達呢啲人先變，然後周圍人跟，最後變成默認做法。佢俾咗三到六個月時間表。如果你仲喺度一筆一劃優化 prompt，可能該抬頭睇睇。唔係 prompt 冇用，而係要上一個層次。
三到六個月之後，會用 self-improving loop 嘅人同唔會用嘅人之間，會出一個效率差，同當年 Excel 差類似，一旦拉開就好難追。
差距唔在於知道唔知道，在於動手冇動手。一個一直幫 AI 降温嘅人話 hype 超預期，仲俾埋時間表。剩下嘅事你自己判斷。
吳恩達話自己100%嘅工都交俾AI agent做曬。
我睇到呢條消息嗰陣呆咗一呆。唔係因為agent做到嘢，呢樣大家都經歷緊。係因為講呢句嘢嘅人係吳恩達。
過去幾年佢一路做緊一件事，就係幫AI降温。當所有人都嗌革命嘅時候，佢走出嚟話要腳踏實地，由簡單任務開始，要建立評估體系，要先做pipeline再做agent。佢嘅DeepLearning.ai課程，佢嘅每星期通訊，都係講緊同一個意思，唔好俾個hype帶住走，踏踏實實咁用。
然後呢個人突然話，實際體驗超出咗自己之前嘅預期。
一個一路勸人冷靜嘅人，承認自己判斷保守咗。
呢個反差真係忍唔住。
據推友轉述，吳恩達原話大意係咁。自己所有嘅任務都已經交俾AI agent喇。下一步係自改進循環（self-improving loop）。三到六個月之內，所有人都會用到。到時唔再需要手動寫prompt。
最勁嘅係嗰個100%。吳恩達嘅工作包括做研究、寫課程、營運公司、幫企業做諮詢、周圍演講。呢啲嘢佢都交俾agent喇。全部。一個一路叫人「先由簡單任務開始」嘅人，而家話自己所有任務都交曬出去。
然後係嗰個時間表。三到六個月。2026年底之前。一個有具體截止日期嘅判斷。
而支撐呢個時間表嘅，係佢自己講嘅一句「實際體驗超出預期」。呢個人一路話AI應用要腳踏實地，先由簡單任務開始。
「唔再需要寫prompt」係咩意思
呢句話最容易被誤解。
佢講嘅prompt消失，唔係呢個概念本身冇咗，而係prompt由「你每次手動輸入」變咗做「系統幫你生成同管理」。
舉個具體例子。
你而家用ChatGPT寫週報。每次都要話俾佢知，呢個星期做咗乜、格式係點、邊啲要重點講、老細關心咩。寫一次就話啫，每星期一次就攰啦。而且每次格式可能都唔同，你要再執。
agent嘅做法係點樣。你建立一個memory file，將工作記錄、週報模板、老細意見、格式偏好都放曬入去。agent每次自己讀，提取資訊，組織格式，寫完初稿自己檢查一次。你要做嘅就係最後睇一眼。
關鍵分別在memory。
冇memory嘅agent，每次對話由零開始。你係同一個失憶嘅實習生合作，每日朝早佢都唔記得你係邊個。
有memory嘅agent，每次循環都比上一次好少少。佢記得你上次改咗咩，知道你嘅偏好，知道邊啲路行過唔使再行。由「每次陌生人」變成「老同事」。
你同一個新同事合作，第一星期效率最低，佢唔知你嘅習慣。第二星期開始快啲。一個月之後，你講半句佢就知你要咩。Agent行嘅係同一條路，只不過佢嘅「一星期」可能係一次循環，幾秒鐘嘅事。
吳恩達講嘅100%任務交俾agent，前提就係呢個memory。冇記憶嘅agent只係更聰明嘅聊天機械人。有記憶嘅agent先係能夠接手工作嘅系統。
講咗咁多，prompt俾系統吸收咗。你唔使再每次手寫，系統自己知應該寫咩。
點解係三到六個月
呢個時間表唔係隨口噏。
要搭建一個有記憶嘅自改進循環，幾個條件要同時滿足。模型能力要夠強，Claude Fable 5、GPT-5.5、GLM-5.2都要做到複雜嘅多步推理同工具調用。上下文窗口要夠長，由4K到1M，agent可以喺一個會話入面處理大型項目，唔使成日壓縮同遺忘。工具鏈都要跟得上。Claude Code的CLAUDE.md、OpenAI Codex嘅AGENTS.md、各式MCP server，呢啲半年前仲好原始，而家已經有可用嘅標準。
半年前想搭一個self-improving loop，要自己整一大堆輪子。而家打開Claude Code，寫一個CLAUDE.md，配一個檢查步驟，loop就可以轉起嚟。
以前係得工程師先掂到嘅嘢，而家變咗做文件驅動嘅。你識寫字就搭到。呢個係最大嘅變化。
門檻已經低到普通人掂得到嘅位置。
…
呢個都解釋咗點解吳恩達而家講呢句嘢。基礎設施真係到位喇。
交叉驗證
Anthropic嘅一位工程師差唔多同一時間講咗類似嘅說話。準確啲講，係一位推友轉述咗Anthropic工程師嘅觀點。
大意係，你唔應該俾Claude寫prompt，你應該整一個會自己寫prompt嘅系統。大多數人都做錯咗，冇memory file，每次循環都由零開始。
你唔係在用Claude，你係在整一個用Claude嘅系統
吳恩達係使用者視角，佢已經咁樣做咗。Anthropic工程師係工具製造者視角，佢哋整嘅工具就係為咗令呢件事更容易。兩個視角，一個結論。prompt正俾系統吸收。
Karpathy都發表咗意見，大意係唔好再用AI寫code喇，用佢去build。
寫code係執行一個任務。build係整一個能夠持續產出結果嘅嘢。Karpathy教咗幾年人寫code，而家佢話唔好停喺呢個層面。由「等AI幫你做一件事」到「等AI幫你持續做一類事」，呢個係佢俾嘅方向。
三個人嘅說話擺埋一齊睇，方向高度一致。但吳恩達嗰條係錨點。100%嘅工。三到六個月。唔再需要prompt。Anthropic同Karpathy嘅話算交叉驗證，單獨睇吳恩達呢條，資訊量已經夠曬。一個人講你可以話佢樂觀，三個人由唔同方向講同一件事，咁就唔係樂觀嘅問題。
我自己嘅體感
我自己用Claude Code嘅過程就係一條好直接嘅曲線。
一開始花好多時間寫好長嘅prompt。上下文、要求、格式、注意事項，全部寫清楚。效果係好，但係攰。每次開新對話都要重新嚟過。有時同一個項目，對AI講嘅嘢比我自己寫code仲多。
之後開始寫CLAUDE.md。將項目偏好、code風格、常見任務模板、踩過嘅坑都塞曬入去。prompt時間少咗一大半。
再之後開始建loop。等AI自己行一輪，檢查結果，唔啱就重新嚟過。我只需要喺關鍵節點確認。
呢個仲只係好初級嘅system。但方向係啱嘅。真正嘅system唔會令你每次諗「今次要點問」，佢會令你慢慢唔記得咗「問」呢個動作。
你嘅角色由提問者變成咗審閲者。呢個比任何benchmark分數都更能說明agent究竟進化到咗邊一步。
花咗最多時間寫prompt嘅嗰個階段，啱啱係效率最低嘅階段。每次對話都重複傳遞相同嘅資訊，每次都要教一個失憶嘅人認路。真正慳時間嘅，係建好基礎設施之後，prompt自然變短、變少、甚至消失嘅嗰段時間。AI知道項目背景，知道你嘅習慣，知道邊啲路唔使再行。你話俾佢知方向，其餘嘅佢自己安排。
…
而且你會發現一個悖論。愈係花時間將system搭好，後來用嘅時候花嘅時間愈少。反過來，愈係懶得搭system只靠手寫prompt，每次都在重複勞動。短期睇手寫快啲，長期睇system徹底碾壓。交叉點大概喺搭好system嘅一到兩星期之後。過咗嗰個點你就再都唔想返轉頭。
同非程序員有咩關係
ChatGPT的Custom Instructions，你用過未。你喺入面寫過自己係邊個、鍾意咩風格、唔要咩格式。嗰個就係system嘅雛形。ChatGPT記住你嘅對話上下文，嗰個就係memory嘅雛形。
呢啲功能已經存在咗一段時間。大多數人仲在被動咁用佢哋。吳恩達講嘅嗰三到六個月，係呢啲功能由「被動存在」變成「主動編排」嘅窗口。
被動係你要每次醒起去用Custom Instructions。主動係agent自己知道應該去讀memory、應該去拆任務、應該去檢查結果。你由操作者變成確認者。
呢個角色轉換好貼身。
你由親手做每件事，變成審核AI做完嘅事。呢個變化聽起嚟微妙，實際感受起嚟好徹底。你唔使再諗「點話俾AI知我要咩」，你只需要睇AI做完之後話「呢個唔啱，改一改」或者「搞得掂」。提問嘅負擔轉移咗去系統嗰邊。
拐點係點樣
拐點唔係某一日突然所有嘢都變曬。
係吳恩達呢啲人先變咗。然後佢周圍嘅人跟住變。然後佢教嘅學生跟住變。然後佢影響嘅企業跟住變。最後變咗做默認做法。
佢俾咗三到六個月嘅時間表。如果你仲喺度一筆一劃優化prompt，可能係時候抬頭睇睇。
唔係prompt冇用。係時候上多一層喇。
三到六個月之後，識用self-improving loop嘅人同唔識用嘅人之間，會出現一個效率差。呢個差同當年識用Excel同唔識用Excel嘅差類似，一拉開就好難追。差距唔在於知唔知，在於有冇動手。
一個一路幫AI降温嘅人話hype超預期喇。仲俾埋時間表。淨低嘅事你自己判斷。
Macaron 🧁 | Prompt係時候退休喇
吳恩達說自己100%的活都交給AI agent了。
我看到這條的時候愣了一下。不是因為agent能幹活，這個大家都在經歷。是因為說這話的人是吳恩達。
過去幾年他一直在做一件事，給AI降温。當所有人喊革命的時候，他站出來說腳踏實地，從簡單任務開始，要建評估體系，要先做pipeline再做agent。他的DeepLearning.ai課程，他的每週通訊，都在說同一個意思，別被hype帶跑，踏踏實實用。
然後這個人突然說，實際體驗超出了自己之前的預期。
一個一直在勸別人冷靜的人，承認自己判斷保守了。
這個反差藏不住。
據推友轉述，吳恩達原話大意是這樣。自己所有的任務都已經交給AI agent了。下一步是自改進循環（self-improving loop）。三到六個月內，所有人都會用上。到時候不再需要手動寫prompt。
最狠的是那個100%。吳恩達的工作包括做研究、寫課程、運營公司、給企業做諮詢、到處演講。這些事他都交給agent了。全部。一個一直在勸人「先從簡單任務開始」的人，現在說自己所有任務都交出去了。
然後是那個時間表。三到六個月。2026年底之前。一個有具體截止日的判斷。
而支撐這個時間表的，是他自己說的一句「實際體驗超出了預期」。這個人一直在說AI應用要腳踏實地，先從簡單任務開始。
「不再需要寫prompt」是什麼意思
這句話最容易被誤讀。
他說的prompt消失，不是這個概念本身沒了，而是prompt從「你每次手動輸入」變成了「系統替你生成和管理」。
舉個具體的例子。
你現在用ChatGPT寫週報。每次得告訴它，這周做了什麼、格式是什麼、哪些要重點說、領導關心什麼。寫一次還行，每週一次就累了。而且每次格式可能還不一樣，你得再調。
agent的做法是什麼樣的。你建一個memory file，把工作記錄、週報模板、領導反饋、格式偏好都放進去。agent每次自己去讀，提取信息，組織格式，寫完初稿自己檢查一遍。你要做的只是最後看一眼。
關鍵區別在memory。
沒有memory的agent，每次對話從零開始。你在跟一個失憶的實習生合作，每天早上他忘了你是誰。
有memory的agent，每次循環都比上一次好一點。它記得你上次改了什麼，知道你的偏好，知道哪些路走過不用再走。從「每次陌生人」變成「老同事」。
你跟一個新同事合作，第一週效率最低，他不知道你的習慣。第二週開始快了。一個月以後，你說半句話他就知道你要什麼。Agent走的是同一條路，只不過它的「一週」可能是一次循環，幾秒鐘的事。
吳恩達說的100%任務交給agent，前提就是這個memory。沒有記憶的agent只是更聰明的聊天機器人。有記憶的agent才是能接手工作的系統。
說一千道一萬，prompt被系統吸收了。你不用再每次手寫，系統自己知道該寫什麼。
為什麼三到六個月
這個時間表不是拍腦袋。
要搭一個有記憶的自改進循環，幾個條件得同時滿足。模型能力得夠強，Claude Fable 5、GPT-5.5、GLM-5.2都能做複雜的多步推理和工具調用。上下文窗口得夠長，從4K到1M，agent可以在一個會話裏處理大型項目，不用頻繁壓縮和遺忘。工具鏈也得跟得上。Claude Code的CLAUDE.md、OpenAI Codex的AGENTS.md、各種MCP server，這些半年前還很原始，現在已經有了可用的標準。
半年前想搭一個self-improving loop，得自己造一大堆輪子。現在打開Claude Code，寫一個CLAUDE.md，配一個檢查步驟，loop就能轉起來。
以前是隻有工程師能碰的東西，現在變成了文檔驅動的。你會寫字就能搭。這是最大的變化。
門檻已經低到了普通人夠得着的位置。
…
這也解釋了為什麼吳恩達現在說這句話。基礎設施真的到了。
交叉驗證
Anthropic的一位工程師幾乎同時說了類似的話。準確地說，是一位推友轉述了Anthropic工程師的觀點。
大意是，你不應該給Claude寫prompt，你應該造一個會自己寫prompt的系統。大多數人都做錯了，沒有memory file，每次循環都從零開始。
你不是在用Claude，你是在造一個用Claude的系統
吳恩達是使用者視角，他已經這麼幹了。Anthropic工程師是工具製造者視角，他們在造的工具就是為了讓這件事更容易。兩個視角，一個結論。prompt正在被系統吸收。
Karpathy也發表了看法，大意是別再用AI寫代碼了，用它去build。
寫代碼是執行一個任務。build是造一個能持續產出結果的東西。Karpathy教了幾年人寫代碼，現在他說別停在這個層面了。從「讓AI幫你做一件事」到「讓AI幫你持續做一類事」，這是他給的方向。
三個人的話放在一起看，方向高度一致。但吳恩達的那條是錨點。100%的活。三到六個月。不再需要prompt。Anthropic和Karpathy的話算交叉驗證，單獨看吳恩達這一條，信息量已經夠了。一個人說了你可以說他樂觀，三個人從不同方向說了同一件事，那就不是樂觀的問題了。
我自己的體感
我自己用Claude Code的過程就是一條很直接的曲線。
剛開始花很多時間寫很長的prompt。上下文、要求、格式、注意事項，全部寫清楚。效果好，但累。每次開新對話都要重來。有時候同一個項目，對AI說的話比自己寫代碼還多。
後來開始寫CLAUDE.md。把項目偏好、代碼風格、常見任務模板、踩過的坑都塞進去。prompt時間少了一大半。
再後來開始建loop。讓AI自己跑一輪，檢查結果，不對就重來。我只需要在關鍵節點確認。
這還只是非常初級的system。但方向對了。真正的system不會讓你每次都想「這次該怎麼問」，它會讓你慢慢忘了「問」這個動作。
你的角色從提問者變成了審閲者。這比任何benchmark分數都更能說明agent到底進化到了哪一步。
花了最多時間寫prompt的那個階段，恰恰是效率最低的階段。每次對話都在重複傳遞相同的信息，每次都在教一個失憶的人認路。真正省時間的，是建好基礎設施之後，prompt自然變短、變少、甚至消失的那段時間。AI知道項目背景，知道你的習慣，知道哪些路不用再走。你告訴它方向，剩下的它自己安排。
…
而且你會發現一個悖論。越是花時間把system搭好，後來用的時候花的時間越少。反過來，越是懶得搭system只靠手寫prompt，每次都在重複勞動。短期看手寫更快，長期看system徹底碾壓。交叉點大概在搭好system的一到兩週之後。過了那個點你就再也不想回去了。
跟非程序員有什麼關係
ChatGPT的Custom Instructions，你用過嗎。你在裏面寫過自己是誰、喜歡什麼風格、不要什麼格式。那就是system的雛形。ChatGPT記住你的對話上下文，那就是memory的雛形。
這些功能已經存在了一段時間。大多數人還在被動地用它們。吳恩達說的那三到六個月，是這些功能從「被動存在」變成「主動編排」的窗口。
被動是你得每次想起來去用Custom Instructions。主動是agent自己知道該去讀memory、該去拆任務、該去檢查結果。你從操作者變成確認者。
這個角色轉換貼臉了。
你從親手做每件事，變成審核AI做完的事。這個變化聽起來微妙，實際感受起來很徹底。你不用再想「怎麼告訴AI我要什麼」，你只需要看AI做完之後說「這個不對，改一下」或者「可以了」。提問的負擔轉移到了系統那邊。
拐點長什麼樣
拐點不是某一天突然所有東西都變了。
是吳恩達這樣的人先變了。然後他周圍的人跟着變。然後他教的學生跟着變。然後他影響的企業跟着變。最後變成默認做法。
他給了三到六個月的時間表。如果你還在一筆一劃優化prompt，可能該抬頭看看了。
不是prompt沒用。是該往上走一層了。
三到六個月之後，會用self-improving loop的人和不會用的人之間，會出一個效率差。這個差跟當年會用Excel和不會用Excel的差類似，一旦拉開就很難追。差距不在知道不知道，在動手沒動手。
一個一直在給AI降温的人說hype超預期了。還給了時間表。剩下的事你自己判斷。
Macaron 🧁 | Prompt該退休了