吳恩達最新Prompt課3000字筆記：沒有複雜框架，只有讓你AI變好用的小技巧
整理版優先睇
吳恩達AI提示詞新課實用技巧：善用上下文、思考模式與評分表，提升AI輸出品質
呢篇文章係阿昆學習吳恩達新課程《AI Prompting for Everyone》嘅筆記分享。課程針對所有需要用AI完成日常任務嘅普通人，冇複雜嘅提示詞框架，只有實用嘅小技巧。
作者認為，提升AI輸出質量嘅關鍵在於：提供豐富且高質量嘅上下文、引導AI使用可靠信息源、俾AI思考嘅時間同空間、利用深度研究模式處理複雜任務、選擇先進模型同埋進行人工或多模型驗證。另外，課程仲教咗點樣令AI更有創意（逃離常識空間、頭腦風暴公式）、避免AI討好（中立表達、評分表）、提升寫作質量（漸進式大綱、剔除AI廢話）同埋利用AI做批判性思維助手。
整體結論係：掌握呢啲技巧，普通用戶都可以令AI變得好用好多，尤其係提供上下文同引導思考嘅方法最關鍵。
- 提供豐富且高質量嘅上下文係提升AI回覆質量嘅基礎，包括個人檔案、工作文檔等，並保持上下文乾淨。
- 引導AI使用可靠信息源，例如官方網站或權威機構報告，以減少軟文幹擾。
- 俾AI思考時間與空間，使用思考模式或提示「請你深入思考」，能顯著提升推理質量。
- 利用深度研究模式處理需要綜合幾十個來源嘅複雜任務，例如市場研究、企業調研等。
- 採用漸進式大綱法同評分量表，先擬大綱再細化，並設定清晰評分標準，提升寫作同批判性思維效果。
吳恩達AI Prompting for Everyone課程
免費課程，適合所有人學習提示詞技巧
高階用戶使用技巧
吳恩達建議將AI當作新員工，提供必要嘅背景同原始資料。高質量上下文包括個人信息、健康數據、工作文檔等。
提供豐富且高質量嘅上下文係提升AI回覆質量嘅基礎
- 1 提供個人檔案：年齡、水平、可用設備、鍛鍊時長、目的等。
- 2 健康數據：過去一個月嘅步數、心率、訓練日程表、疾病信息。
- 3 特殊要求：例如唔鍾意去健身房、屋企有跑步機、唔鍾意深蹲等。
- 4 工作報告：提供過去一週嘅工作文檔、備忘錄、聊天記錄、項目進度等。
引導AI使用可靠信息源，例如官方網站或權威機構報告。
要求AI「僅使用官方網站、權威機構或研究來源嘅報告及數據」
給予AI思考時間：使用思考模式或提示「請你深入思考/非常深入地思考」。
「請你深入思考」能令AI多花時間進行內部推理
深度研究模式適用於需要綜合幾十個來源嘅複雜任務。
選擇最先進嘅模型：複雜任務用最新模型，基礎任務用最適合模型。
作者主力用codex+GPT 5.5/5.4，國內模型按任務類型揀
人工或多模型驗證：高風險數據人工核對，或跨模型評審。
跨模型評審：提規則，用Gemini審查GPT嘅結果
令AI更有創意
幫AI逃離「常識空間」：提供高質量上下文，例如個人特殊情況。
例如話你有一隻粘人嘅貓，AI就會根據呢個情況定製方案
使用頭腦風暴公式：高質量創意 = 提供上下文 + 要求多個選項 + 持續迭代
- 要求AI提供更多不同選項，從中揀選有啟發性嘅創意。
- 給予詳細反饋，例如「太保守」、「太直白」，作為新上下文推動迭代。
- 結合深入思考或深度研究進行頭腦風暴。
避免AI討好
AI訓練時靠點贊反饋，習慣咗俾出「更有可能被點讚嘅回答」。
避免讓AI猜到你的傾向，例如問「目前研究對遠程辦公同辦公室辦公嘅效率對比有何看法？」而非「遠程辦公係咪更好？」
邪修用法：故意引導AI走入「歧途」，揾積極角度。
話「我認為呢次活動數據特別好」，AI就會幫你分析積極視角
利用評分表：要求AI客觀分析，或設定評分標準由另一個AI評價。
提高AI寫作質量
採用漸進式大綱法：先擬1-3份不同側重方向嘅大綱，然後分步迭代。
先擬大綱 -> 細化大綱 -> 擴展要點 -> 生成全文
- 大綱最好係不同側重方向，AI可能俾出你冇諗到嘅更優解。
- 對大綱一兩點修改就能產生結構性優化，比直接改正文更高效。
識別並剔除「AI廢話」：剔除破折號、無序列表、AI高頻詞，同埋空洞句式。
剔除「不是-而是」、「不僅-更是」等空洞句式
結合上下文、腳註評分表同深度研究，進一步提升寫作質量。
AI作為批判性思維助手
在提示詞中明確要求「請客觀分析」或「作為一名嚴厲嘅編輯進行評估」。
「我認為呢份內容需要較大改進」反用AI討好
設定評分標準，要求一個AI評價另一個AI嘅產出。
- 定義明確標準：每個標準清晰無歧義，例如「每個有名字嘅角色都有清晰目標」。
- 建立評分體系：給出具體分數分配，例如「有清晰目標 +10分」。
- 先分項後總計：避免先行評分幹擾推理，分項打分交AI，彙總得分交公式。
最後建議多換用不同模型，保持對模型邊界嘅敏感度。
Hello大家，我係阿昆。
吳恩達老師今年又出咗一堂提示詞新課，仍然係俾所有人嘅（AI Prompting for Everyone）。
提示詞嘅思路喺思考模型出現之後，同之前有好大分別。
呢堂課我學完覺得，適合所有需要用AI完成日常任務嘅普通人士。
冇太多複雜嘅提示詞框架，淨係有啲令你再用好少少嘅小技巧。
今次就當係分享我嘅學習筆記，希望對你有啲幫助。
好推薦去聽下原課程，唔長，2-3個鐘就學得完。
https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/information
筆記目錄
高階用戶點樣用AI？
提供豐富同高質量嘅上下文 引導AI用可靠嘅資訊來源 俾AI「思考」嘅時間同空間 利用「深度研究」（Deep Research） 揀最先進嘅模型 人工或多模型驗證 點樣令AI俾出更有創意嘅答案？
幫AI逃離「常識空間」 用「腦震盪公式」 點樣避免AI擦鞋？
用中立嘅表達 利用評分表 點樣提高AI嘅寫作質素？
採用「漸進式大綱」法 識別並剔除「AI廢話」 點樣令AI做批判性思維助手？
高階用戶點樣用AI
1. 提供豐富同高質量嘅上下文
AI而家處理到嘅上下文長度已經遠遠超出我哋日常需要。
最好嘅方法，就係將AI當成一個「人」，想像佢係你嘅新員工，俾佢必要嘅背景、原始資料等資訊。
個人定製：「幫我制定一個健身計劃」。
高質量素材需要繼續俾佢你嘅個人檔案。
比如
個人資訊：年齡、水平、可用設備、可用鍛鍊時間、目的係減重定增肌…… 健康數據：過去一個月嘅步數、心率、訓練日程、疾病資訊…… 特殊要求：唔鍾意去健身房、屋企有跑步機、唔鍾意深蹲、唔鍾意重複訓練……
或者工作報告：「幫我寫今個星期嘅週報」
就需要你提供過去一週嘅工作文件、備忘錄，甚至係聊天記錄、項目進度等等。
呢個都係而家OpenClaw、Hermes等個人Agent爆紅嘅部分原因。
AI天生就可以從你嘅電腦、飛書度拎到呢啲所需資訊，大大降低輸入成本，提高回覆質素。
特別注意：唔好喺一個對話入面講多個話題。
高質素嘅上下文都包括保持上下文乾淨。
你正在幫自己制定鍛鍊計劃，突然同AI講，幫我老公都制定一套鍛鍊計劃啦。
就可能令AI混淆，佢唔知應該用通用嘅思路，定係要結合你上面俾嘅資訊。
2. 引導AI用可靠嘅資訊來源
假設，我而家需要AI幫我整理「最近某行業嘅新鋭品牌名單或數據」。
唔指定嘅情況下，AI會參考好多垂類媒體網站，咁必然會有好多軟文影響最終嘅分析結果。
要求AI：「淨係用官方網站、權威機構或研究來源嘅報告同數據。」
AI喺限制下更有可能用更真實嘅權威網站嘅數據源，俾我更真實嘅分析結果。
3. 俾AI「思考」嘅時間同空間
首先，唔好再用「step by step」嚟引導AI思考喇，已經過時。
我記得喺23-24年嘅時候，提示詞入面都會帶一段「Workflow 步驟」嚟定義AI嘅工作流程。
但喺DeepSeek R1呢類思考模型出現之後，呢部分已經越來越少見。
（當然，喺最近skill.md嘅設定中，又開始出現步驟設定，但呢個就唔係語言模型溝通嘅範疇喇。）
新方法，有思考模式嘅，直接勾選工具提供嘅思考模式，或者喺提示詞入面，同AI講：請你深入思考/非常深入咁思考。
確實可以令AI花多少少時間做內部推理、查閲工具或分析文件，從而生成更詳盡嘅結果。
4. 利用「深度研究」（Deep Research）
淨係需要聯網查嘅任務唔使用到佢。
當你需要綜合幾十、甚至上百個來源嘅資訊，進行多來源、複雜比較、可驗證引用嘅任務時，就一定要用深度研究模式喇。
佢可以規劃步驟、同時檢索好多網頁，並對結果做深度整合。
比如：
市場研究：幫我研究2026年美國中小企使用AI客服工具嘅趨勢、主要廠商、價格區間、機會同風險，並俾出進入市場建議。 企業調研：研究某間公司最近兩年嘅財報、新聞、競爭環境、監管風險同增長空間，整理成一份盡職調查摘要。 科研分析：綜述過去五年關於遙距辦公對生產力影響嘅研究，按結論分歧、研究方法、樣本限制同未來研究方向整理。 產品選型：比較PostgreSQL、MongoDB同DynamoDB喺多租户SaaS產品中嘅適用場景、擴展性、成本同維修複雜度。
5. 揀最先進嘅模型
大模型嘅能力提升雖然放緩，但模型之間嘅巨大差異仍然存在。
呢個我哋之前都講過，有條件用御三家（GPT、Claude、Gemini）一定要嘗試去用。
複雜任務揀最新嘅模型，基礎任務揀最適合嘅模型。
我自己目前主力係codex+GPT 5.5/5.4。
國內模型，我淨係代表我自己嘅主觀感受，不分先後。
編程：GLM 5.1 或者 KIMI 2.6，性價比最高 KIMI 2.5 Agent：GLM 5.1 或者 KIMI 2.6，性價比最高 KIMI 2.5 純事件寫作：DeepSeek v4 或者 豆包 2.0Pro 日常搜索：豆包
6. 人工或多模型驗證
AI而家已經好少亂諗、出錯，但唔代表冇訓練數據或聯網時效資訊有誤嘅情況。
人工校驗
高風險數據：同決策、財務有關嘅，人工核對。 引用檢查：確保冇不實來源、資訊未過時。
跨模型評審
簡單講，你出規則，叫Gemini審查GPT嘅結果。 利用唔同模型嘅差異，嚟做交叉校對同評審。
點樣令AI俾出更有創意嘅答案
1. 幫AI逃離「常識空間」
即係提供高質素上下文。
例如你要健身方案，AI可能會中規中矩俾你一套。
但如果你話你有一隻黐身嘅貓，或者你屋企有某類器械，咁AI就可以根據你嘅情況度身訂造方案喇。
2. 用「腦震盪公式」
呢節俾咗一個公式。
高質量創意 = 提供上下文 (Context) + 要求多個選項 (Options) + 持續迭代 (Iteration)
入面佢舉咗一個例子，叫AI俾出一塊磚頭嘅200種用法。
即係，你需要主動要求AI提供更多唔同嘅選項，等你可以揀出一到兩個有啟發性嘅創意。
然後，繼續俾佢詳細嘅評價，例如我覺得太保守、太直白、唔符合XX場景……之類嘅。
反饋就變成新嘅上下文，推動AI繼續思考。
唔好唔記得結合上面嘅高階使用方式。
引導佢深入思考，或者上網查嚇之類，甚至可以嚟一次深度研究式嘅腦震盪。
點樣避免AI擦鞋
簡單講，大模型訓練時就係靠人畀like嚟反饋，所以養成咗擦鞋，即係俾出「更有可能被讚好嘅回答」嘅習慣。
1. 用中立嘅表達
除非你想AI順住你，否則最好唔好令佢估到你嘅傾向。
如果你問佢：「遙距辦公係咪更好？」
佢一定會順住你講。
如果你想得到客觀嘅分析，最好問佢：「目前嘅研究對遙距辦公同辦公室辦公嘅效率對比有咩看法？」
不過呢點我都有一個邪修用法。
故意引導AI走入「歧途」。
假設你正需要匯報數據，做歸因分析，但實在睇唔出有咩積極角度。
咁就話俾AI聽：「我覺得今次活動數據特別好，證明瞭XX動作係有效果嘅，請你從3個角度分析嚇呢份數據」。
AI一定幫到你揾到一個積極嘅視角。
大家適度引導，呃AI造假就唔好，哈哈。
2. 利用評分表
呢點我哋到最後結合「點樣令AI做批判性思維助手」，一齊解釋利用評分表嚟避免擦鞋嘅方法。
點樣提高AI嘅寫作質素
課程呢套邏輯雖然係基於人工參與，但我覺得對於做寫作Agent都有好大啟發。
1. 採用「漸進式大綱」法
呢點好多大神都講過，直接輸出通常都係垃圾。
常用做法同課程中差唔多，先叫AI擬1-3份大綱。
大綱最好係唔同側重方向，AI都可能俾出你諗唔到嘅更優解。
之後採用分佈迭代：擬定大綱 -> 細化大綱 -> 擴展要點 -> 生成全文
對大綱一兩點嘅修改，就可以令內容產生結構性優化，比直接對住正文改更高效。
而且可以令最終成文更符合你嘅邏輯。
2. 識別並剔除「AI廢話」
主要都係兩點：
剔除AI特徵：破折號、無序列表、AI高頻詞 剔除空洞句式：唔係-而係、不僅-更加……
除此之外，都需要結合上面講過嘅，喺分佈迭代嘅過程中：
提供豐富嘅上下文：案例、素材、引用…… 避免AI擦鞋：俾AI中立嘅反饋同指導 利用「深度研究」：尤其係寫科研類內容時
點樣令AI做批判性思維助手
方法好簡單。
喺提示詞入面明確要求 「請客觀分析」 或 「作為一名嚴厲嘅編輯進行評估」。
或者反過來利用AI嘅擦鞋，直接話俾佢聽：「我認為呢份內容需要較大改進」。
另外，就係設定評分標準，要求一個AI去評價另一個AI嘅產出結果。
例如叫Gemini從幾個角度對GPT嘅輸出物打分。
定義評分量表
呢個我之前都分享過自己嘅經驗我試咗幾十種Prompt，呢套AI打分最準
今次課程入面都有一套方法：
定義明確標準
打分維度入面每一個標準都係清晰冇歧義嘅。
例如唔好話「人物寫得好」，可以拆解成：
每個有名字嘅角色都有清晰目標？ 角色之間是否存在衝突？ 係咪至少做出咗一個引發事件逆轉嘅決定？
建立評分體系
要俾出具體應該分配嘅分數，唔好話點樣高、點樣低嘅模糊設定。
比如：
有清晰目標 +10分 存在衝突 +10分
都可以叫AI幫手梳理一套合理嘅打分標準。
先分項後總計
唔好先「請幫呢個作品打個總分，然後再分項說明」。
呢種「先行評分」會干擾AI嘅推理過程，令佢先跳到結論，然後再去為呢個結論揾理由，產生唔客觀嘅評價。
我嘅經驗，如果係工作流程，分項打分交俾AI，總分交俾公式。
咁樣比較穩陣。
最後
課程中建議大家多啲換用唔同模型，保持自己對模型邊界嘅敏感度。
都係強烈建議大家聽嚇原課程。
課程本身都係免費嘅。
https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/information
裝一個「沉浸式翻譯」嘅瀏覽器插件就有雙語字幕喇。
另外，考慮到有啲朋友訪問唔到，我都準備咗課程嘅PPT打包。
如果你需要嘅話，請在公眾號私信我回覆「提示詞課件」，就可以拎到。
好啦，今次嘅分享就到呢度。
如果對你有幫助，唔好唔記得幫我like👍🏻，你嘅支持係我出文嘅動力。
我哋下次再傾～
Hello大家，我是阿昆。
吳恩達老師在今年又上了一門提示詞新課，仍然是給所有人的（AI Prompting for Everyone）。
提示詞的思路在思考模型出現之後，跟之前有了比較大的區別。
這門課我學完感覺，適合所有需要利用AI完成日常任務的普通人。
沒有太多複雜的提示詞框架，有的都是讓你再用好一點點的小技巧。
這次就算是把我自己的學習筆記分享出來，希望能對你有所幫助。
十分推薦去聽下原課程，不長，2-3小時就能學完。
https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/information
筆記目錄
高階用戶如何使用AI？
提供豐富且高質量的上下文 引導AI使用可靠的信息源 給予AI“思考”的時間和空間 利用“深度研究”（Deep Research） 選擇最先進的模型 人工或多模型驗證 如何讓AI給出更有創意的回答？
幫助AI逃離“常識空間” 使用“頭腦風暴公式” 如何避免AI討好？
使用中立的表達 利用評分表 如何提高AI的寫作質量？
採用“漸進式大綱”法 識別並剔除“AI 廢話” 如何讓AI作為批判性思維助手？
高階用戶如何使用AI
1. 提供豐富且高質量的上下文
AI現在能處理的上下文長度已經遠超我們日常的需求。
最好的辦法，是把AI當成一個“人”，想象它是你的新員工，給它提供必要的背景、原始資料等信息。
個人定製：“幫我制定一個健身計劃”。
高質量素材需要繼續給它提供你的個人檔案。
比如
個人信息：年齡、水平、可用設備、可用鍛鍊時長、目的是減重還是增肌…… 健康數據：過去一個月的步數、心率、訓練日程表、疾病信息…… 特殊要求：不愛去健身房、家裏有跑步機、不喜歡深蹲、不喜歡重複訓練……
或者工作報告：“幫我寫本週的週報”
則需要你提供過去一週的工作文檔、備忘錄，甚至是聊天記錄、項目進度等等。
這也是目前OpenClaw、Hermes等個人Agent爆火的部分原因。
AI天然就可以從你的電腦、飛書裏獲取這些所需信息，大大降低了錄入成本，提高了回覆質量。
特別注意：不要在一個對話裏聊多個話題。
高質量的上下文也包括保持上下文乾淨。
你正在給自己制定鍛鍊計劃，突然跟AI說，幫我丈夫也制定一套鍛鍊計劃吧。
就可能給AI造成困惑，它不知道該用通用的思路，還是要結合你上面給出的信息。
2. 引導AI使用可靠的信息源
假設，我現在需要AI幫我整理“最近某行業的新鋭品牌名單或數據”。
在不指定的情況下，AI會參考很多垂類媒體網站，那必然會有很多軟文影響最終的分析結果。
要求AI：“僅使用官方網站、權威機構或研究來源的報告及數據。”
AI在限制下更有可能使用更真實的權威網站的數據源，給我更真實的分析結果。
3. 給予AI“思考”的時間和空間
首先，不要再用“step by step”來引導AI思考了，已經過時了。
我記得在23-24年的時候，提示詞裏都會帶一段“Workflow 步驟”來定義AI的工作流程。
但在DeepSeek R1這類思考模型出現之後，這部分就已經越來越少見了。
（當然，在最近skill.md的設定中，又開始出現步驟設定，但這就不是語言模型溝通的範疇了。）
新方法，有思考模式的，直接勾選工具提供的思考模式，或者在提示詞中，跟AI說：請你深入思考/非常深入的思考。
確實能讓AI多花費一些時間進行內部推理、查閲工具或分析文件，從而生成更詳盡的結果。
4. 利用“深度研究”（Deep Research）
只是需要聯網查的任務不必用它。
當你需要綜合幾十、甚至上百個來源的信息，進行多來源、複雜比較、可驗證引用的任務時，就一定要用深度研究模式了。
它可以規劃步驟、同時檢索很多網頁，並對結果進行深度整合。
比如：
市場研究：幫我研究 2026 年美國中小企業使用 AI 客服工具的趨勢、主要廠商、價格區間、機會和風險，並給出進入市場建議。 企業調研：研究某家公司最近兩年的財報、新聞、競爭環境、監管風險和增長空間，整理成一份盡調摘要。 科研分析：綜述過去五年關於遠程辦公對生產力影響的研究，按結論分歧、研究方法、樣本限制和未來研究方向整理。 產品選型：比較 PostgreSQL、MongoDB 和 DynamoDB 在多租户 SaaS 產品中的適用場景、擴展性、成本和運維複雜度。
5. 選擇最先進的模型
大模型的能力提升雖然放緩，但模型之間的巨大差異仍然存在。
這個咱們之前也聊過，有條件用御三家（GPT、Claude、Gemini）一定要嘗試去用。
複雜任務選最新的模型，基礎任務選最適合的模型。
我自己目前主力是codex+GPT 5.5/5.4。
國內模型，我僅代表我自己的主觀感受，不分先後。
編程：GLM 5.1 或者 KIMI 2.6，性價比最高 KIMI 2.5 Agent：GLM 5.1 或者 KIMI 2.6，性價比最高 KIMI 2.5 純事件寫作：DeepSeek v4 或者 豆包 2.0Pro 日常搜索：豆包
6. 人工或多模型驗證
AI目前已經很少臆想、錯誤了，但不代表沒有訓練數據或聯網時效性信息有誤的情況。
人工校驗
高風險數據：跟決策、財務有關的，人工核對。 引用檢查：確保沒有不實信源、信息未過時。
跨模型評審
簡單來說，你提規則，讓Gemini審查GPT的結果。 利用不同模型的差異，來進行交叉校對和評審。
如何讓AI給出更有創意的回答
1. 幫助AI逃離“常識空間”
就是提供高質量上下文。
比如你要健身方案，AI可能會中規中矩的給你一套。
但如果你說你有一隻粘人的貓，或者你家裏有某類器械，那AI就能根據你的情況定製方案了。
2. 使用“頭腦風暴公式”
這節給出了一個公式。
高質量創意 = 提供上下文 (Context) + 要求多個選項 (Options) + 持續迭代 (Iteration)
這裏面他舉了一個例子，讓AI給出一塊磚頭的200種用法。
也就是，你需要主動要求AI提供更多不同的選項，以便你能挑選出一到兩個啓發性的創意。
然後，繼續給他詳細的評價，比如說我覺得太保守了、太直白了、不符合XX場景……之類的。
反饋就成了新的上下文，推動AI繼續思考。
別忘了結合上面的高階使用方式。
引導他深入思考，或者上網查查之類的，甚至可以來一次深度研究式的頭腦風暴。
如何避免AI討好
簡單來說，大模型訓練時就是靠人點贊反饋，所以養成了討好，也就是給出“更有可能被點讚的回答”的習慣。
1. 使用中立的表達
除非你希望AI順着你，不然最好不要讓它猜到你的傾向。
如果你問它：“遠程辦公是不是更好？”
它一定順着你說。
如果你想獲得客觀的分析，最好問它：“目前的研究對遠程辦公和辦公室辦公的效率對比有何看法？”
不過這點我也有一個邪修用法。
故意引導AI走入“歧途”。
假設你正需要彙報數據，做歸因分析，但實在看不出什麼積極的角度。
那就告訴AI：“我覺得這次活動數據特別好，證明了XX動作是有效果的，請你從3個角度分析一下這份數據”。
AI一定能幫你找到一個積極的視角。
大家適度引導，騙AI造假不可取，哈哈。
2. 利用評分表
這點我們到最後結合“如何讓AI作為批判性思維助手”，一起解釋利用評分表來避免討好的方法。
如何提高AI的寫作質量
課程這套邏輯雖然是基於人工參與的，但我覺得對於做寫作Agent也有很大的啓發。
1. 採用“漸進式大綱”法
這點很多大神也都說過，直接輸出往往都是垃圾。
常用做法跟課程中差不多，先讓AI擬1-3份大綱。
大綱最好的不同側重方向的，AI也可能給出你沒想到更優解。
之後採用分佈迭代：擬定大綱 -> 細化大綱 -> 擴展要點 -> 生成全文
對大綱一兩點的修改，就能使得內容產生結構性優化，比直接對着正文改更高效。
而且能讓最終成文更符合你的邏輯。
2. 識別並剔除“AI 廢話”
主要還是那兩點：
剔除AI特徵：破折號、無序列表、AI高頻詞 剔除空洞句式：不是-而是、不僅-更是……
除此之外，也需要結合上面說過的，在分佈迭代的過程中：
提供豐富的上下文：案例、素材、引用…… 避免AI討好：給AI中立的反饋和指導 利用“深度研究”：尤其是寫科研類內容時
如何讓AI作為批判性思維助手
方法很簡單。
在提示詞中明確要求 “請客觀分析” 或 “作為一名嚴厲的編輯進行評估”。
或者反向利用AI的討好，直接告訴它：“我認為這份內容需要較大改進”。
另外，就是設定評分標準，要求一個AI去評價另一個AI的產出結果。
比如讓Gemini從幾個角度對GPT的輸出物進行打分。
定義評分量表
這個我之前也分享過自己的經驗我試了幾十種Prompt，這一套AI打分最準
這次課程裏也有一套方法：
定義明確標準
打分維度裏每一個標準都是清晰無歧義的。
比如說不要說“人物寫得好”，可以拆解成：
每個有名字的角色都有清晰目標？ 角色之間是否存在衝突？ 是否至少做出了一個引發事件逆轉的決定？
建立評分體系
要給出具體應該分配的分數，不要說怎樣高，怎樣低的模糊設置。
比如：
有清晰目標 +10分 存在衝突 +10分
也可以讓AI協助你梳理一套合理的打分標準。
先分項後總計
不要先“請給這個作品打個總分，然後再分項說明”。
這種“先行評分”會干擾AI的推理過程，導致它先跳到結論，然後再去為這個結論尋找理由，產生不客觀的評價。
我自己的經驗，如果是工作流，分項打分交給AI，彙總得分交給公式。
這樣比較保險。
最後
課程中建議大家多換用不同模型，保持自己對於模型邊界的敏感度。
還是強烈建議大家聽一下原課程。
課程本身也是免費的。
https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/information
裝一個“沉浸式翻譯”的瀏覽器插件就有雙語字幕了。
另外，考慮到有的小夥伴訪問不了，我也準備了課程的PPT打包。
如果你需要的話，請在公眾號私信我回復“提示詞課件”，就能獲取到了。
好啦，這次的分享就到這裏。
如果對你有幫助，別忘了幫我點個贊👍🏻，你的支持是我發文的動力。
我們下次再聊~