Andrew Ng 公开课 2026年AI Prompting指南：从新手到高手的20个核心技巧
你用的是同一个AI，为什么别人的结果比你好十倍？AI大神最近在DeepLearning.ai上发布了新的公开课，很值得学习。以下是懒人版。文章很长，但是值得认真读完。
2022年，ChatGPT横空出世，很多人第一次感受到AI的魔力。那时候，我们把它当作一个聪明的搜索引擎：输入一个问题，得到一个答案，然后继续下一个问题。
四年过去了，AI的能力已经不可同日而语。今天的AI可以帮你做深度市场调研、分析财务数据、打磨一篇长文、甚至写出一个可以运行的小程序。但与此同时，一个现象也越来越明显：同样在用AI，有人效率倍增、产出惊人；有人却只能得到一堆空话废话，用完之后觉得"也不过如此"。
差距不在工具，在用法。
这里整理了20个核心提示技巧，帮你真正发挥AI的潜力。同时，文章最后还会梳理2022年和2026年AI用法的本质区别，让你对自己的"进化方向"有一个清晰的认知。
第一部分：理解AI的知识来源
技巧1：了解AI的"知识截止日期"
每一个AI模型都有一个知识截止日期。在这个日期之前发生的事，它知道；之后发生的事，它不知道。
这听起来是常识，但很多人会忘记。当你问AI"最近股市怎么样"或者"这个月有什么新剧"，如果它的知识截止日期是半年前，给出的答案可能已经严重过时。
养成一个习惯：遇到时效性强的问题，主动要求AI联网搜索，或者使用支持实时联网的模式。
技巧2：学会触发联网搜索
主流AI平台（ChatGPT、Claude、Gemini）都支持联网搜索，但触发方式略有不同。有些时候AI会自动判断需要搜索，有些时候则需要你明确提出。
如果你不确定，最简单的方法就是在提示里直接写："请联网搜索后再回答。"这样AI会主动抓取最新资料，而不是凭记忆作答。
特别是涉及时事、具体地点、冷门领域的问题，主动触发联网搜索往往能让答案准确度大幅提升。
技巧3：复杂研究任务，启用"深度研究"模式
普通的联网搜索，AI通常只看几个来源，花几秒钟给你一个答案。但如果你面对的是一个需要综合几十个资料、权衡多个维度的复杂问题，就需要用到"深度研究"（Deep Research）模式。
ChatGPT、Gemini、Claude都提供这一功能。启动后，AI会自动制定研究计划，同时发起多条搜索，阅读并筛选大量网页，最终整合成一份有引用来源的深度报告。整个过程可能需要几分钟甚至更长时间，但输出质量远高于普通搜索。
比如你想了解"每日步数对长期健康的影响"，普通搜索给你的可能是某个科普文的摘要；深度研究则会帮你梳理最新的医学文献，给出有据可查的结论。
第二部分：给AI提供更好的上下文
技巧4：把AI当成刚入职的聪明新员工
这是理解AI使用逻辑最重要的比喻之一。
想象你手边有一个高学历、高智商、高执行力的新员工。他什么都懂，但他对你一无所知，不知道你在做什么项目、有什么约束、偏好什么风格。如果你只给他一句"帮我写个自我评价"，他能给你的，只是一份套话满满的通用模板。
但如果你给他看你过去一年的项目截图、工作记录、最近做成的几件事，再说"帮我写一份发给老板的年终总结"，他就能写出真正属于你的内容。
AI也是一样。背景信息越充分，输出质量越高。
技巧5：上传文件、截图、备忘录作为上下文
今天的主流AI几乎都支持文件上传。这个功能被大量用户忽视，但它是让AI真正"了解你的情况"的最高效方式。
几个实际场景：
正在选房子？把几份租约合同、小区评价、周边交通数据一起上传，让AI综合分析每个选项的利弊。
准备买车？把各款车的配置参数、保险方案、贷款报价打包上传，告诉AI你的使用场景和预算，它能帮你梳理出清晰的决策框架。
写年终总结？把项目进度截图、会议记录、你自己的随手笔记一并提供，AI才能写出有血有肉的内容，而不是千篇一律的套话。
技巧6：明确说出你的限制条件和个人偏好
越具体，答案越有用。这是一条简单但被严重低估的原则。
"帮我制定一个健身计划"得到的，是一份适用于所有人的通用方案。
"我38岁，完全没有运动基础，家里只有两个哑铃和一张蹦床，每天最多15分钟，不喜欢深蹲"得到的，才是真正适合你的方案。
你的限制条件、过往经历、个人偏好，都是帮助AI缩小答案范围、提高回答精准度的重要信号。不要假设AI能猜到，直接说出来。
第三部分：避开AI最常见的陷阱 - 奉承
技巧7：用中立方式提问，不要暗示期望答案
AI有一个众所周知的问题：它很想让你满意。这种倾向被称为"奉承性"（Sycophancy）。
研究显示，如果你在问题里隐含了倾向，AI会以极高的概率顺着你说。问"远程办公是不是比坐班好？"，它会说远程有优势；换个角度问"坐班是不是更有利于效率？"，它又会说坐班有道理。
解决方法很简单：换成中立提问。把"我觉得X更好，你同意吗？"改成"X和Y各有哪些优缺点？"，把带有立场的问题，换成开放式的比较题。
这一条习惯，能帮你从AI那里得到真正客观的分析，而不是被你自己的偏见反射回来。
技巧8：给AI一份评分标准（Rubric）
如果你想让AI认真评估一份商业计划、一篇文章，或者任何你写的东西，直接问"你觉得怎么样？"往往得不到真正有用的批评。AI会先夸你，再提几条无关痛痒的建议。
更有效的做法是给它一份明确的评分标准。比如："请从以下四个维度评估这份方案，每项满分25分：是否有真实市场需求、目标用户是否清晰、竞争优势是否成立、执行可行性如何。请逐项打分，最后汇总。"
当AI需要按照具体标准逐项评分，它就无法笼统地说"这个方案很有潜力"，而必须认真审视每一个维度。你得到的，才是真正有参考价值的反馈。
技巧9：让多个AI模型互相"审稿"
不同的AI模型各有所长，也各有盲区。一个有趣的技巧是：用一个模型生成内容，再让另一个模型用评分标准来审查。
比如用ChatGPT写一份用户手册，然后把这份手册和一份详细的评分标准一起发给Claude，让它批判性地打分和点评。这种"跨模型审查"往往能发现单一模型难以察觉的问题，同时也能帮你理解不同模型在同类任务上的差异。
即便你只让同一个模型审查自己的输出，也比直接接受第一个答案好很多。
第四部分：更高效的头脑风暴
技巧10：要求AI一次给出多个选项，而不是一个答案
"给我一个最好的解决方案"和"给我三到五个不同方向的解决方案"，这两个提示会带来完全不同的体验。
前者逼着AI做选择，给你一个"最优解"，但这个最优解是根据AI的判断而非你的判断得出的。后者让你看到更宽的可能性，由你来选择最符合自己情况的方向，再深入展开。
不管是制定计划、头脑风暴还是解决问题，习惯性地要求"给我几个不同方案"，会让你的思路更开阔，也更容易找到真正适合自己的路径。
技巧11：通过反馈不断迭代，而非期待一次到位
很多人习惯把要求一次性说清楚，然后等待一个"完美答案"。但这并不是使用AI最高效的方式。
更有效的方式是迭代对话。第一轮你提出需求，得到几个方案；第二轮你表达偏好，"我不喜欢方案一，太保守；方案三的思路不错，但能不能结合一下我刚想到的这个条件……"；第三轮AI根据你的反馈给出更贴合的方案。
这种来回迭代的过程，表面上花了更多时间，实际上往往比反复修改一个不满意的答案要高效得多。你给的反馈，本质上是在帮AI理解你真正想要什么。
技巧12：加入非常规限制，激发真正的创意
AI是基于海量训练数据生成答案的，这意味着它最擅长给出"平均水平"的回答 - 普通的、常见的、大多数人都会想到的。
如果你想要真正有创意的方案，就需要打破常规提问。给它一些不寻常的约束条件，逼它往非标准方向思考。
"帮我设计一个适合有猫、有蹦床、讨厌传统动作的人的健身方案" 这种提示会让AI从常规健身建议的领域里跳出来，给你真正新鲜的想法。
第五部分：用AI写作的正确姿势
技巧13：先打磨大纲，再生成正文
让AI直接写文章，十有八九得到的是"AI垃圾文"（AI Slop）：每一句单独看还算通顺，但整体读下来空洞乏味，充满"这值得我们深思"、"这一趋势不容忽视"之类的废话。
正确的工作流程是：先让AI生成大纲，对大纲进行多轮反馈和打磨，直到结构满意；再让AI把大纲扩展成要点；在要点层面再做一轮确认；最后才让AI生成正文。
这样做有一个关键优势：在大纲阶段改动一个要点，可以影响后续整段文章；而在正文阶段改一个词，只能改那一个词。提前在结构层面投入时间，效率远高于在文字层面反复修改。
技巧14：逐段编辑，而非整篇重来
很多人在写完整篇文章后，才发现哪里不对。但这时候如果让AI"重写整篇"，往往改过头了，把本来不错的部分也搞乱了。
更稳妥的方式是逐段工作。把一段话发给AI，让它给出三种不同的表达方式，你来选择或者融合；选定一段后，再继续下一段。这种节奏感更强、更可控，最终的文章也更像"你写的"，而不是AI写的。
技巧15：上传你自己的素材，让AI"说你的话"
AI从训练数据学习表达方式，如果你没有给它任何个人素材，它只能写出通用风格的文字。
如果你想让AI生成真正属于你的内容，就把你自己的东西给它看：你的原始笔记、语音备忘录的文字版、你过去写过的段落、你做过的项目的简单描述。基于这些素材生成的文字，会更贴近你的表达习惯和视角，而不是千人一面的AI腔。
第六部分：让AI真正动脑筋
技巧16：告诉AI"认真思考"
对于需要深入推理的问题，在提示末尾加上"请认真思考后再回答"或直接使用"ultrathink"（这是AI能识别的关键词），AI会启动更长时间的推理过程。
这看起来很简单，但效果明显。AI可能会为此多花几十秒乃至数分钟进行内部推理，在回答前权衡更多角度和细节。尤其是在处理需要多维度判断的问题时，这一个小小的指令能显著提升答案质量。
技巧17：把复杂决策的所有资料一次性提供
面对复杂决策（换工作、租房、选学校、投资某个项目），很多人会把问题拆成很多个小问题一次次去问AI，这样效率很低，而且AI无法在不同问题之间建立关联。
更好的做法是：一次性把所有相关资料整合好，比如多个选项的对比数据、你的个人限制条件、你最在乎的优先级，然后给AI一个综合性的提问："请综合以上所有信息，帮我分析每个选项的利弊，并给出你的建议。"
AI面对完整的背景信息，才能做出真正有价值的综合判断。
技巧18：定期测试不同模型，找到最适合你的工具
ChatGPT、Claude、Gemini以及其他模型，各自有不同的强项。AI圈有一个概念叫"锯齿形智能"（Jagged Intelligence）：每个模型在某些任务上超越人类，在另一些任务上却表现平平，而且不同模型的"锯齿形状"各不相同。
养成一个习惯：定期把同一个提示发给两三个不同模型，观察结果的差异。这种对比练习会帮你逐渐建立直觉，知道写作类任务找谁、分析类任务找谁、创意类任务找谁。
第七部分：AI能做的，比你想象的更多
技巧19：用AI分析数据，不需要写一行代码
你有运动记录、月度销售表、个人财务数据？把这些文件上传给AI，告诉它你想知道什么，它会自动写代码来处理数据、生成图表、提炼洞察。
你不需要懂编程，也不需要懂数据分析。只需要上传文件，说出你的问题，比如"这几个月哪类产品增长最快？"或者"我的跑步配速有没有在进步？"，AI会帮你把数据变成结论。
这项能力在商业场景下极具价值。很多原本需要数据分析师花半天完成的基础分析，AI几分钟就能搞定。
技巧20：用AI构建你自己的小工具
开发应用程序曾经是程序员的专属领域。今天，只需要用文字描述清楚你的需求，AI就可以帮你生成一个可以运行的小程序。
比如你需要一个番茄钟计时器，描述清楚："请帮我做一个番茄钟工具，25分钟工作，5分钟休息，有开始和暂停按钮，有声音提示。"AI可以直接生成代码，你打开浏览器就能用。
你也可以做账单分摊计算器、衣物搭配推荐工具、单词记忆小程序……关键是把需求说清楚：目标是什么，用户输入什么，程序输出什么。
2022年与2026年，AI使用方式的本质变化
维度| 2022年的用法| 2026年的用法
---|---|---
提示长度| 一句话| 详细背景加具体要求
核心指令| "请一步一步思考"| "请认真思考"或开启推理模式
信息来源| 仅凭预训练知识| 联网搜索加深度研究
写作方式| 直接生成全文| 大纲迭代后再生成正文
反馈机制| 一次性得到答案| 多轮迭代不断优化
使用场景| 简单问答| 研究、写作、数据分析、开发工具
对AI的定位| 智能搜索引擎| 思考伙伴和执行助手
四年前，"告诉AI一步一步思考"是公认的提示技巧。今天，这条建议已经过时了。今天的AI理解"认真思考"，它知道该如何推理，而你只需要给它足够的背景，然后说清楚你真正想要什么。
AI的能力会继续进化，但提示的核心逻辑不会改变：你给的越清晰、越具体、越有深度，它回给你的，就越有价值。
从今天开始，把AI当成你最聪明的合作者，而不是一个等待指令的工具。
本文内容整理自 DeepLearning.AI《AI Prompting for Everyone》课程，由 Andrew Ng 主讲。
Follow my WeChat
Scan to follow