吴恩达上新，DeepResearch、AI写作、数据分析、AI编程

吴恩达又上新了，《AI Prompting for Everyone》看名字我本来是不想点开的——2026 年了还在讲 Prompting，多少有点"卖白菜"的感觉

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

大致看了一下，内容总体相当基础，适合对 AI 使用尚未入门的同学，毕竟标题也写了 for Everyone，不是进阶课

但是闲着没事，我抽着看了感兴趣的三章，还是有点收获的

课程全貌

就三个 Module

❝课程定位：给已经在用 ChatGPT/Claude/Gemini 但想用得更好的非工程师门槛非常低，但内功很扎实

我没有逐节看完，只挑了三个我觉得 2026 年还有 90% 的人没用对的 lesson 重点研读：Deep Research、Writing with AI、Building Apps + Data Analysis

课程全貌：三个 Module 与本文聚焦的三个 lesson

课程全貌：三个 Module 与本文聚焦的三个 lesson

第一章：找信息有三个档位，你别一直挂在 D 档

很多人用 AI 找东西就两种姿势：要么直接问，要么开联网搜这其实是把一辆 6 速变速箱当自动挡开

吴恩达把"找信息"明确拆成了三档：

三档变速箱 + Deep Research 内部 Agentic Loop

三档变速箱 + Deep Research 内部 Agentic Loop

这张表的关键不是"哪个最强"，而是你得先判断你的问题值不值得让 AI 等你几分钟

❝划重点：Deep Research 几乎不会自动触发你不在 UI 上点那个按钮，模型默认不会让你等几分钟——这是产品设计上的克制，也是你必须主动选择的责任

Deep Research 内部到底在干嘛？

吴恩达在课里画了一张内部流程图

我把它翻译成更直观的版本：

你的问题
   ↓
[制定研究计划]  ←── 很多产品会让你审核/修改这个计划
   ↓
[并行发起 N 个网页搜索]   ←── 不是一个一个搜，是同时搜
   ↓
[阅读 + 评估相关性]
   ↓
[决定要不要换关键词再搜一轮?]  ──→ 是 → 回到上一步
   ↓ 否
[综合所有页面，加引用，输出报告]

这个循环里藏着 agentic AI 的核心定义：模型在过程中自己做决策——下一步搜什么、还要不要再搜、什么时候停它不是一条预定的流水线，它有自由度

吴恩达举了个挺好玩的例子：用 Gemini 的 Deep Research 帮他规划万圣节鬼屋 Gemini 不仅给了报告，还顺手把它做成了一个带饼图、带核查清单、带噪音条例可视化的小网页

这才是 Deep Research 的正确打开方式：把它当一个会跑腿、会读、会画的初级研究员用，而不是当一个更慢的搜索引擎

第二章：对抗 AI Slop 的最高效武器叫"渐进式大纲"

OpenAI 自己的数据：用户跟 ChatGPT 的所有任务里，写作占 24%，是单一最大类

但写作也是 AI 翻车率最高的场景，翻车后的产物有个专属名词：AI Slop（AI 泔水）

AI Slop 六大指纹 + 渐进式大纲杠杆原理

AI Slop 六大指纹 + 渐进式大纲杠杆原理

你怎么一眼识别一段是不是 AI 写的？

吴恩达列了几个"指纹"，我整理成一张速查表，平时审稿、审 PR 描述、审周报都能用：

❝一个有趣到有点恐怖的副作用：人类自己也在变得像 AI研究发现 ChatGPT 发布后，人在播客和演讲中（不是念稿，是即兴说话）使用 delve 这个词的频率显著上升我们正在被自己造的工具反向训练

真正能用的方法：Progressive Outlining（渐进式大纲）

不要让 AI 一上来就给你写正文流程应该是：

Step 1  研究证据 ────────►  让 AI 搜索/查找正反两方证据
Step 2  生成 3 种大纲 ───►  brainstorm，给你选项
Step 3  你给反馈，迭代 ──►  改结构、加历史类比、调整顺序
Step 4  扩成 bullet 点 ──►  还不要正文，先扩成要点
Step 5  对 bullet 再迭代
Step 6  最后才让它写正文

为什么这样杠杆最大？吴恩达讲了一个非常戳的对比：

❝大纲是支点，正文是石头你想撬动一篇文章，永远从支点上发力

OpenAI 的另一个数据顺便也分享一下：在所有写作类对话里，约 2/3 不是从零写，而是基于一段已有文字让 AI 修改、批评、润色这才是 AI 写作的主流姿势——它不是替你写，它是你的编辑

第三章：让 AI 写代码 + 做数据分析，关键在那个"工具"

第三章其实讲了两件事：用 AI 造小应用、用 AI 分析数据我看完发现两件事是同一件事的两面——都是模型在调用一个叫 code execution（代码执行） 的工具

3.1 一个 Prompt 能搓出来的 App，长什么样？

吴恩达举的几个例子有意思：烟花点击模拟器、25 分钟番茄钟、AA 制账单计算器、根据天气挑衣服的小工具这些有一个共同点：

❝任务定义清晰、不依赖外部数据/账号、能独立运行、用一会儿就关掉

如果你刚开始玩 vibe coding，记住这套提示词三件套就够了：

🎯 Goal    我要做什么？        （一个烟花模拟器）
📥 Input   用户给什么？        （点击屏幕）
📤 Output  应用返回什么？      （彩色烟花动画）

吴恩达顺手画了一条难度光谱，用来校准你的"AI 直觉"：

判断标准很简单：有没有联网、有没有持久化、有没有多人协同一旦涉及这三个，难度就指数上升

3.2 数据分析：AI 比你想象的更可靠，但也别忘了核对

数据分析这块是我个人最被打动的——因为 AI 给出的数字不是"猜"出来的，是"算"出来的

来看吴恩达画的这条流水线：

你扔过来一个 sales.csv
     ↓
模型推理：这事得算，不能瞎说
     ↓
调用 code execution 工具
     ↓
现场写 Python（pandas / matplotlib...）
     ↓
真的跑一遍代码
     ↓
返回带图、带数字、带洞察的报告

这就是为什么数据分析的可靠性会比一般问答高一档：模型在写代码、跑代码、看结果，而不是在凭"语感"输出数字

吴恩达举的奶茶店例子很经典：上传销售数据，问"哪些饮品销量变化最大？画出来"模型不是把所有饮品都画一遍，而是**先识别"大部分饮品销量平稳，只有 4 款明显跳出来"**，然后只画那 4 款这个"识别什么值得画"的判断力，才是它和 Excel 透视表的差距所在

但吴恩达也补了一刀警告：

❝AI 的数据分析能力，简单分析很强，复杂分析够呛在做完看似漂亮的"年度回顾图"后，记得自己核对几个关键数字——它依然可能幻觉，尤其是当你把多步骤分析压在一个 prompt 里的时候

一张图看懂：AI 什么时候用什么"档位"？

把第一章和第三章的逻辑合起来，其实模型脑子里有这样一棵决策树：

收到你的问题
     │
     ├── 是常识/定义吗？        → 用预训练知识，几秒返回
     │
     ├── 需要时效性单点信息？   → 调用 Web Search
     │
     ├── 需要多源综合判断？     → 调用 Deep Research（用户必须主动开）
     │
     └── 需要算数/画图/处理数据？→ 调用 Code Execution，写代码跑代码

现代 AI 的工具调度决策树 + Vibe Coding 三件套

现代 AI 的工具调度决策树 + Vibe Coding 三件套

这棵树才是吴恩达这门课真正想塞进你脑子里的东西

写在最后：这门课真正的"私货"

现代 AI 不是一个文本生成器，它是一个会调度多种工具（搜索、深研、代码、图表）的智能体你的任务不是写更花哨的 prompt，是判断「这个问题该让它调哪个工具」

这才是 2026 年还有人能开《AI Prompting for Everyone》的底气

我个人收获最大的三句话，分享给你：

1. Deep Research 是一个"会跑腿的初级研究员"，不是更慢的搜索引擎
2. 大纲是支点，正文是石头——永远在支点上发力
3. 当问题里出现"算"和"画"，模型就该写代码了——别让它光用嘴说

如果觉得有用，点个赞 + 在看，我是老章，我们下篇见