人工智能新手和人工智能高级用户
吴恩达用两类用户的真实工作方式开场。新手把 AI 当成搜索框，丢进去一句短问题，然后用第一次回答判断 AI 行不行；高手把 AI 当成一位聪明但不了解你的新同事，会先交代资料和标准，再通过多轮反馈把结果做出来。
01
短问题，只能换来猜测
模型不知道你的经历、目标、资料和偏好。只说“写一份总结”或“评价这个方案”，等于让一个第一次来上班的人自己补齐背景。它可能写得流畅，却只能依赖常见套路。
高手会上传文件、截图、报价、历史记录或语音笔记，再告诉 AI 要比较什么、为谁服务、怎样算好。复杂任务因此从一句问答变成基于材料的分析。
比较几辆车时，不只问哪辆好，而是放入车型参数、报价和保险方案，让 AI 阅读后比较成本、风险与取舍。
02
不要在问题里暗示你想听的答案
许多模型被训练得乐于帮助、倾向取悦用户。你先说“这是个很棒的商业创意”，再让它评价，它很容易顺着你的立场找优点，这种现象叫谄媚。
更可靠的做法是把问题写成中立任务，并给出评价量表。让模型分别检查问题是否真实、市场是否存在、竞争优势是否成立、证据是否充足。评价标准比一句“请客观”更有约束力。
不要问“我的方案是不是很好”，而要问“按需求强度、可执行性、成本、风险四项分别评分，并列出反证”。
03
先搭骨架，再逐层展开
直接要求 AI 写成品，容易得到占满篇幅却没有观点的通用文字。高手通常先让 AI 根据资料列大纲，再批评大纲、补充要点，最后才扩写成完整文本。
这个过程的价值不是让提示词变长，而是把人的判断放在关键节点：方向是否正确、证据是否够、结构是否服务目标。AI 负责加速，人负责选择。
先生成文章大纲，删掉重复观点，补进真实笔记，再扩成段落；每一步都比一次性生成更容易纠偏。
04
用真实任务判断 AI，而不是用网络段子判断
模型确实会出错，但几个广为传播的失败例子不能代表它在所有任务上的能力。真正的判断方式，是拿自己的资料和任务去测试它能否做研究、分析数据、形成报告或构建工具。
会用 AI 的人既不迷信，也不轻视。他们知道什么时候需要搜索、补资料、换模型和人工复核，并把错误变成下一轮改进的依据。
本节自测
能用自己的话回答，才算真正听懂
- 为什么只写一句短要求，模型往往只能给出通用答案？
- 怎样通过中立提问和评分标准降低 AI 谄媚？
- 为什么“先大纲、再批评、后成稿”通常优于一次生成？