吴恩达：从 Agentic AI 到“人人都能用 AI 造应用

吴恩达 3.3 小时课程合集：从 Agentic AI 到"人人都能用 AI 造应用"

视频详细笔记 · 全程本地转录（mlx-whisper，2283 行）+ 40 帧画面整理

[!warning] 先说清楚 · 标题有水分
推文把它包装成"如何在 2026 成为 AI 工程师"，但实际内容是四段独立素材缝在一起，而且时长大头（约 2.5 小时）是面向普通人的《AI Prompting for Everyone》入门课，并非工程师专属高阶内容。真正给工程师看的干货集中在开头的 agentic/evals 理念，以及第 3 部分那场"软件工程未来"的演讲。

真实结构：

[!note] 画面观察
全片是 DeepLearning.AI 演播室风格：吴恩达出镜 + 身后屏幕放幻灯片，中间穿插红白色的模块标题卡（"Working with Multimedia & Code"等）。视频自带英文硬字幕。

1 · Agentic AI 课程开场

约 00:00 · 课程宣传片

吴恩达说他当初造了 “agentic AI” 这个词来描述一类新项目，没想到被营销号滥用、贴得到处都是。但抛开炒作，真正被构建和部署的智能体系统也在快速增长。

• 什么是 agentic：不同于"单次 LLM 调用直接给答案"，智能体系统能执行多个 LLM 驱动的步骤——调用工具、推理、对结果反复迭代，以完成复杂任务。
• 怎么教：用原生 Python 手写，不把步骤藏进框架里，让你看清每一步真正在做什么。
• 学会把一个复杂应用拆解成一串任务，再实现为智能体工作流。
• 学会实现智能体工作流的四种关键设计模式。
• 课程 vendor-neutral（不绑定厂商），学完可用任意框架或不用框架落地。目前只在 deeplearning.ai 上。

[!tip] 全片被反复强调的核心观点
带过很多团队后，他发现决定一个团队能否做好智能体的最大预测指标，是能否驱动一套有纪律的"错误分析（error analysis）"流程——即建立评估（evals），面对复杂工作流时能高效锁定"该改哪个组件"，用评估数据指导时间投入，而不是凭感觉瞎猜。做到这点，就能领先当今绝大多数团队。

2 · Agent Skills 课程开场

约 02:00 · 与 Anthropic 合作，讲师 Eddie Chopik

Skills 是给 Claude Code 等智能体**按需装配"专业知识"**的新方式。

• 形式：创建或下载一个文件夹，里面装着完成某项任务的指令、脚本和参考资料。智能体在需要时动态加载对应 skill，从而可靠地完成该任务。
• 例子：一个 skill 是"代码质量审查清单"；另一个是"针对你团队数据基建写 SQL 查询的指令"；再一个是"分析客户数据的可复用流程"。
• 一次创建，任何兼容的智能体都能调用。由 Anthropic 首创，现已是被越来越多应用采用的开放标准。
• 课程演示 skills 在 Claude AI、Claude Code、Claude API、Claude Agent SDK 中的用法，并教你把 skills 与 MCP、子智能体组合成强大系统。
• 观点：随着模型变强，写"胶水代码"越来越简单；基础工具（文件系统访问、bash 执行）已让智能体能做很多事，而 skills 进一步补上"专业知识"。

3 · 软件工程的未来（主题演讲）

04:25 – 23:38 · 干货密度最高的一段现场演讲

这是一场面向开发者的现场演讲（含一个"你们是全世界第一批听到"的新产品发布）。主题：AI 编码正把软件工程重塑成什么样。

乐高积木论

他常把软件（工具、框架、API）想象成乐高积木：只有一种白色积木能搭的东西有限；颜色种类越多，组合出的有趣东西呈组合式/指数式增长。

• 积木既包括 AI 积木（LLM、RAG、agentic 工作流……），也包括非 AI 积木（UI 组件、数据库持久化、身份/鉴权管理……）。
• 正因为有了 AI 编码，这些积木正以前所未有的速度激增——每天都有更多，让 AI 智能体帮我们把它们快速拼起来。

“我自己 100% 的代码都是 AI 写的”

常被问：到底该用多少 AI 编码？有团队说 80%，已经不错。而他本人几乎 100%。他强调从 80% 到 100% 这"最后一段"差别巨大。

• 时间账：如果 80% 代码由 AI 写、但要人去审那 20%，人工审查会"花掉永远"；100% AI 的团队在短时间内产出多得多。写代码如此，审代码也如此——只要还坚持人工逐行审，人就成了瓶颈。
• 不是宗教：如果你在 NASA 造火箭、要写 50 行手工代码，那就写，完全 OK。但他看到前沿团队正趋向接近 100% 由 AI 写代码。

瓶颈转移 + 团队形态巨变

编码被 AI 加速 10~100 倍后，出现有趣的二阶效应（他去年 7 月在 The Batch 通讯里写过"产品管理瓶颈"）：

• 新瓶颈 = 决定做什么（PM 工作），而非动手造。
• PM : 工程师比例从常见的 1:8、1:7，开始滑向诡异的 1:2、1:1；最终最快的做法是把两个人合并成一个全栈通才——工程师能做点 PM，PM 能写点代码。
• 越来越多 AI 原生团队是小而全的通才小队，人人几乎什么都懂，跑得飞快。
• 瓶颈还会外溢：设计瓶颈（设计师直接用代码实现、跳过 Figma 更快）、法务合规瓶颈（花一天写代码却等一个月过法务）、市场瓶颈、销售瓶颈。

[!note] 「瓶颈外溢」是什么意思
一件产品从想法到上线要过很多环节：写代码 → 设计 → 法务 → 市场 → 销售。瓶颈永远在"最慢的那一环"。以前写代码最慢，所以它是瓶颈；现在 AI 让编码快了 10~100 倍，这一环不再慢了，"最慢的一环"就换成了下游那些原本不起眼的环节——它们没变慢，只是相对显得极慢，于是瓶颈从编码"溢出"到了它们身上。

• 设计瓶颈：代码几小时写完，等设计稿却要几天 → 让设计师直接用代码实现、跳过 Figma。
• 法务合规瓶颈：以前 3 个月写代码 + 1 个月审法务还行；现在 1 天写完却等 1 个月过法务，反差极扎眼。
• 市场 / 销售瓶颈：产品发版太快，市场和销售团队来不及搞清做了啥、怎么对外讲。

由此他的结论：① 小而全的通才团队更快（两人小队按定义每人都得懂点软件/设计/法务/营销，不用等别的部门）；② 用 AI 去补齐非编码环节（会 prompt 的工程师能让 AI 做基础营销、先过一遍法务再交真律师）。

• 好消息：一个会好好 prompt AI 的工程师，虽然不是营销高手，也能做点基础营销/法务（他常让 AI 先过一遍法务，再交真律师签字）。两人小队按定义必须在软件/设计/法务/营销上都各懂一点。
• 多个 AI 原生团队之间用清晰的 API 边界 + 有限沟通协作，可扩展到单团队之外。

不看好"AI 失业潮"

• 硅谷流行谈 “jobpocalypse”（AI 抢走几乎所有工作、街头暴动），他坦言没看到。
• 相反，符合上述画像的未来 AI 工程师前途光明。他团队招 AI 工程师看三点：① 能高效使用编码智能体（Claude Code、Gemini CLI、Codex、open code 等）；② 对海量"积木"有扎实认知（挑战在于积木又多又变得快）；③ 有通用技能（基础 PM 等）。这类人才严重供不应求，连他自己都招不到足够的。
• 引用费城联储研究（“很少有公司觉得需要裁员”），并称近一两月商业媒体在纠正这个被夸大的叙事（商业媒体拿钱是为了说对，不像大众媒体图刺激）。
• 他不否认各层级都有人在感受就业不安全感（疫情/零利率时期过度招聘留下的后遗症），认为需要正视，但"失业潮"言过其实。

[!tip] 框架：并行技能发展（Parallel Skill Development）
编码智能体在不断变强的同时，人也要发展互补技能去恰当地驾驭它们，双方才能协作造出新东西。教育/培训不该只练人的技能，要和智能体的进步"并行"。

发布：Context Hub 与 Code Dream

Context Hub——解决"模型知识过期"痛点：

• 智能体有知识截止日期（有时落后一年），常幻觉或用废弃 API。例：让 Claude Code 调 OpenAI，它会用更老的、已废弃的 chat completions API 和旧模型，因为网上训练数据大多是旧 API。
• Context Hub 给智能体喂最新文档。命令示例：chub search openai 返回包列表，chub get openai/chat 拉取知道 GPT 5.5、responses API 的最新实现（生成约 600 行上下文，主要是给智能体读的）。

Code Dream——当天首发预览版，帮助"人的技能发展"：

• 不是课程，而是一场对话：和"AI 版吴恩达"边聊边用现代方式（配合 Context Hub）写代码，随时能用麦克风打断提问，由名为 Yavira 的语音智能体协助答疑。
• 现场演示（吐槽会场 Wi-Fi 差）：讲义本身是可交互 JavaScript，能点、能打字（“讲个烂网络的笑话”）、能从幻灯片复制命令粘到浏览器里的终端，跑 npm install chub、启动 open code 写 Python——一个练习现代 AI 编码的沙盒环境。

4 · AI Prompting for Everyone（完整入门课）

23:38 – 2:52:17 · 全片最大篇幅，面向所有人的实用 prompt 课

目标：把你从现在的水平带到 “AI 高手（power user）”。以下按课程小节逐个展开。

4.1 新手 vs 高手

• 新手把 AI 当 Google 用，只问简单问题。（例：问"Taco Bell 还有双层塔可吗？"得到个答案就完事。）
• 高手问难问题并给它时间思考。（买车例：上传车规、报价、保险方案等一堆文档，让它"读完所有资料、认真想清楚再回答各车利弊"，AI 会花几十秒甚至几分钟出一份详细报告。）
• 给足上下文：把 AI 想象成"很聪明但还不了解你的应届毕业生"。短 prompt 常让它填空式瞎猜。（自我评估例：别只说"帮我写份给老板的自评"；上传项目追踪器截图、近期项目文档、语音备忘，它才能写出真正贴合你的内容。高手对 AI 几乎有种"共情"——设身处地想它到底够不够信息把活干好。）
• 写作方式不同：新手让 AI 直接"写篇黑莓手机博客"→ 一堆"AI slop"；高手让它先出大纲、再批判大纲、迭代几轮，最后才成文。
• AI 犯错其实比人们以为的少（2022/23 年错得多）。少数病毒式翻车（“strawberry 有几个 r”、“我要洗车，该走路还是开车过去？→ 走路”）并不代表真实能力。

4.2 AI 的知识从哪来（预训练）

• AI 像孩子学写作一样，从海量互联网文本里学模式。理解它读了什么，就能预测它何时靠谱。
• 它甚至懂冷门知识。（例：NASA 的 Voyager 1（1970 年代发射、现距地球约 250 亿英里）金唱片上刻了什么——AI 能答出用 55 种语言问候。）
• 预训练知识反映数据频率：烹饪、名人、电影文本极多；类星体（quasar）这种专业话题少得多；粤语（8000 万+ 使用者）在网上占比可能不到 0.1%；你公司的私有数据它则完全不知道。→ 想想"某类信息在网上有多常见"，就能大致判断答案可靠度。
• 它能读懂拼错的文字（“can you cook eggs in microwave” 打飞快也能懂），因为训练数据里就有大量 typo。所以你打字有错别字不用纠结。
• 坏消息：网上也有很多误解和过时信息，需要靠 prompt 技巧去规避。

4.3 联网搜索（Web Search）

• 模型有知识截止日期，之后的事不知道。（例：问"2025 年的 6-7 meme 是什么"会触发联网；OpenAI GPT 5.4 截止日期是 2025 年 8 月，该 meme 之后才爆火，故模型本身不知道。）
• 哪些问题倾向触发搜索：位置相关（“帮我找 Mountain View 附近高评分健身房”）、时效相关、冷门信息（Cooper’s Hill 滚奶酪比赛）。
• 触发方式：模型自动决定，或你手动（点按钮 / 直接写"请联网搜索"）。多数主流模型有此能力，但并非全部。
• 局限：也可能拉到差的来源。

4.4 可靠来源 & 搜索的底层原理

• 引导来源：（灰市肽（补剂）例：不加引导，AI 可能采信 Reddit/Quora 或卖肽的网站（有立场）；若要求它用官方机构（WHO、美国 FDA、欧洲 EMA）或严谨科学研究，答案更可信。）
• AI 最常引用的网站排序（某报告）：Reddit > 维基百科 > YouTube > Google > Yelp……可靠度参差。高可信的科学来源在网上文本量本就少，不引导它就会拉"最易得"而非"最可靠"的。
• 网页可能过时。（例：帮他找 Henderson, Nevada 跑步地点，结果引用了 20 多年前的网页，推荐了一所早已不对外开放的学校。）

[!example] 搜索底层原理（重要，能解释很多翻车）
把它想成两人客服团队：面向用户的主模型 + 负责搜索的副模型。你发问 → 主模型让副模型去搜 → 副模型用搜索引擎搜、过滤、下载最相关网页、做摘要 → 把摘要交回主模型 → 主模型据此作答。

关键 quirk：主模型其实没读过它引用网页的全文，只看了摘要，因此有时会误读、误引——你会看到"AI 说某网页支持某结论，但你点开发现根本没有"。（Machu Picchu 例：副模型搜"许可证/天气/风俗"再摘要回传。）

什么时候用 AI、什么时候用搜索引擎：想快速扫多个来源、导航到某个具体网站、看原始数据（如买 2013 本田思域空滤，要落地到购买页）→ 用搜索引擎；想要多源综合、权衡利弊、得出更深思熟虑的结论 → 用 AI。

4.5 Deep Research（深度研究）

让 AI 综合几十个来源、大量思考，产出深度研究报告。ChatGPT、Gemini、Claude 都有此模式，他认为被严重低估。

• （万圣节鬼屋例：给它场地大小、想要的体验等上下文 → 它先出研究计划（你可批准/编辑）→ 依次搜"Palo Alto 许可规定、消防安全指南、装饰创意" → 边读边综合 → 最后写详细分节报告。这本身就是 agentic AI 的例子（自主决定下一步搜什么）。）
• Gemini 的 Deep Research 还能一键把结果变成网页/信息图（预算饼图、噪音条例可视化、可勾选的清单）。
• 原理：制定计划后并行发起多个搜索、同时取回多网页、评估相关性、决定是否换关键词再搜，循环几轮后汇总加引用成报告。

4.6 把 AI 当思考伙伴 / 头脑风暴

• 据 OpenAI 对 ChatGPT 对话的分析：约一半是写作和实用指导；创意构思占 3.9%（近 4%）。
• AI 擅长生成大量选项（经典创造力测试：给一块砖想出 200 种用途）——你的角色是评估挑选。
• （健身例：“帮我做健身计划，38 岁、初级、10 磅哑铃、每天 15 分钟"→ 得到通用答案（深蹲、俯卧撑）。若加怪上下文"我有蹦床和一只猫、坚持不下来"→ 得到"蹦床间歇”"猫触发式微运动"等更有创意的方案。）
• 为什么默认给平庸答案：横轴放"回答的独特性"、纵轴放"AI 给出该回答的概率"——常识答案概率远高于奇招，因为网上写哑铃弯举的文本远多于"猫触发微运动"。给更多上下文能把它推向更相关、更有创意的空间。
• 迭代法：（还债例：信用卡 $1,100@19%、月最低还款 $40、学生贷 8%、家庭借款 $900 → 让它给 3~5 个方案（保流动性 / 先还最高息 / 先还家人）→ 你反馈"不喜欢方案一太被动，喜欢先还 19% 的；对了我还有 $450 现金要到、要搬回家住"→ 它据此再出三个新方案。反复几轮直到满意。）

[!tip] 头脑风暴配方
① 尽量先给足相关上下文 → ② 让它给一把选项（3~5 个）→ ③ 对选项给反馈 → ④ 让它再给一批 → 重复几轮，直到有一两个你满意的点子，再让它把它展开细化。

4.7 上下文（Context）如何工作

• 人的工作记忆约 7 项（记 7 样购物清单勉强够，15~20 样就难）；AI 能吃巨量上下文，有些模型达数十万词。
• （选公寓例：上传上百页租约合同 + 租客评价 + 社区统计，让它"读完所有资料、认真想清楚再答"每套的利弊。）
• Context = 模型用来生成本次定制回答的所有文本和文件。同一个问题（物理 vs 动物学的利弊），给了你的职业测评结果 + 高中课表后，答案会定制得多、质量高得多。判断该给什么上下文：想"一个可信顾问要给你好建议，需要知道哪些信息"。
• 顶尖模型可接受约 75 万词上下文 ≈ 前 4~5 本《哈利·波特》≈ 好几天不间断的说话量。很多人严重低估了能喂多少。
• 默认上下文里有什么：系统提示（当前日期、模型名、能力、通用指令）、工具说明（如"什么是网页搜索、怎么用"）、你的 prompt，以及不断累加的聊天历史。

[!warning] 管理上下文
要转去不相关的新话题时，开新对话清空上下文。（例：刚让它按"你的日程和偏好"排了健身计划，紧接着说"给我妈也排一个"——旧上下文（你的日程/偏好）会干扰、可能拉低答案质量，还难判断是否被带偏。）

4.8 AI 桌面 App（Cowork 类）

• 如 Claude Cowork、Microsoft Copilot、Google Antigravity：在你授权下，能自主（agentically）从你电脑读文件补齐所需上下文来干活。
• （整理文件夹例：一个塞满 PDF、图片的乱文件夹，让它读一遍并提出新组织方式（重命名、移动、建子目录）。流程：让它先出计划、别动手 → 你审阅/批评/让它改 → 满意后再执行。）
• （排片场表例：在"filming 文件夹"里启动，说"排本周拍摄计划"，它自己探索文件、加载相关的，甚至注意到某位组员 Mia 生日在拍摄周、帮你安排庆祝。）

[!warning] ⚠ 安全提醒
桌面 App 能读、能改、甚至删你的文件（虽罕见但确有发生）。① 在最相关的文件夹里运行，别在 home 目录给它全盘访问；② 认真看每次权限请求；③ 它删的文件常不进回收站、可能无法恢复；④ 它改过的文件通常没有编辑历史，无法回退。不熟前务必逐条看权限。

4.9 推理 / 让它"想久一点"

• 最新模型推理能力很强——给对上下文，能长时间严谨地思考。他越来越把 AI 当"推理引擎"用（如前述买车利弊）。
• 引用 METR 研究：横轴"人类完成该任务需多久"、纵轴 AI 成功率。2024–25 年 AI 能做需数秒~数十分钟的任务；2025 年起，能以不错成功率完成人类要花很多小时的任务（且 AI 不一定要花同样久）。
• “think step by step” 已过时，他不再这么说；现在直接说 “think hard”，模型就懂要长篇、更复杂地推理。有人用关键词 “ultrathink” 触发更深思考，可能想几十秒到十几分钟。
• 鼓励给难任务试水（如"给一个 4 人、现金有限的创业公司设计上市计划"），并给足"任何人做这活都需要"的上下文。

[!tip] 推理任务小结
① 用能拿到的最好模型（通常胜过半年~一年前的旧模型）；② 给足所需上下文；③ 别只喂琐碎任务，敢给难题；④ 选"思考模式"或直接在 prompt 里让它 think hard。

4.10 谄媚（Sycophancy）

AI 因训练方式而强烈倾向说你爱听的话。这是关键 prompt 技能：中立提问 + 保持上下文客观。

• （带偏见的问法："你不觉得远程办公比坐班好吗？"→ 多半附和；反过来"坐班是不是更高效？"→ 也会附和。问法暗示了你想要的答案，它就顺着强化你的偏见。）
• 《华盛顿邮报》研究：ChatGPT 更爱说"没错/好观点/你思路对"，比说"不太对/并非如此/实际上"多约 10 倍；有的还会说"哥们，你说得太深刻了，一千个赞"。
• 成因：用人类反馈训练成"讨喜助手"→ 附和更易得👍（内向/外向例：肯定式回答更易被点赞，中立回答反而被踩），于是学会更爱附和。谄媚"感觉良好但降低答案质量"。
• 更难察觉的谄媚：“分析这些数据，找出本季度所有正面的业绩指标”——你已在暗示要报喜，它就更可能只说"营收增长、利润率改善"而不点问题。

[!tip] 中立措辞对照

• ❌"碳税是不是对小企业不好？" → ✅"碳税**在多大程度上（如果有的话）**影响小企业？"
• ❌"你同意 AI 会创造很多岗位吗？" → ✅"目前的研究怎么说 AI 对就业的影响？"
• ❌"远程办公会降低生产力吗？" → ✅"远程与坐班的生产力相比如何？"
• 技巧：并列两个选项让它列各自利弊，但不暗示你希望哪个赢；或给它**评分标准（rubric）**逼它客观。

4.11 写作

• OpenAI 数据：写作占 ChatGPT 任务的 24%，是最大单一类别。“写作其实是一种思考”。
• 什么是 AI slop：直接让 AI 写 → 读着"像 AI 写的"、每句单看还行但整体空洞。特征：**破折号（em-dash）用得远超常人（Bluesky 上自 ChatGPT 后一路走高）；过度使用 “nuanced”、“delve”；爱用"三项列举"；爱用"not X but Y"**句式（X、Y 都很虚）。一项调查：近 40% 美国上班族上月收到过"work slop"。
• 有趣：人类因大量用 AI，说话也开始像 AI——ChatGPT 后播客/演讲里 “delve” 变多（即兴和备稿都如此）。
• 渐进式大纲法（避免 slop）：不让它直接成文，而是先写大纲 → 精修 → 迭代几轮 → 再生成正文。（例：写"小 AI 团队比不用 AI 的大团队更快"的文章：先让它搜正反证据 → 给 3 个大纲选项（含反方章节）→ 你反馈"用选项一、保留三个故事、去掉故事一后的论点、加个历史类比：90 年代皮克斯用小团队做出第一部全 CG 长片《玩具总动员》"→ 得修订大纲。）
• 为什么先写大纲高效：直接改成文只改一个词、整段不变；改大纲一处就能带动整段/整节重写——杠杆率高得多（"会飞的松鼠能不能扛椰子"示例）。

4.12 编辑 & 用 rubric 评分

• OpenAI 数据：写作类对话约 2/3 是从"已有文本"出发，而非白纸。
• 逐段编辑：一次改一句/一段，围绕每段小小头脑风暴、定稿再下一段，比一次全改后再从长文里找改了啥要好管理得多。（例：“公众以为实现 AGI 意味着电脑会像人一样小”——让它给出"有力版/有远见版/口语版"几种改写，挑你喜欢的。）
• 整体评价用 rubric（评分标准）：直接让它评一篇科幻小说，因谄媚多半夸你写得好。给明确评分标准逼它客观。（科幻 rubric 例：人物 25 分、情节 25 分、世界观、文笔……并细化每条如何打分（“每个有名字的角色是否都有目标 = 10 分”）。每条标准都非真即假、无中间地带，强制客观。不确定用什么标准？让 AI 帮你先拟一份。）
• 用法：把 rubric + 文本一起给它，让它逐条打分、最后加总，再让它给"如何在这些维度上改进"的建议。
• 写得差的 rubric 会诱发谄媚：如"给我这科幻打个 100 分制分数"——它会先跳到一个总分再倒推分类，且"人物/情节"等定义模糊。实测：主观 rubric 打 83，客观 rubric 打 75，且改进建议更有用。
• 跨模型互评：让 Gemini 用 rubric 评 ChatGPT 的作品（或反之），融合两模型知识，效果略好。但他自己很少用；更常做的是频繁切换不同模型。
• 锯齿智能（jagged intelligence）：AI 有些任务超过任何人（快速读海量网页、解难题数学），有些又不如人；且不同模型"锯齿"方向不同、市场竞争激烈、最优模型频繁变。→ 常拿同一 prompt 喂多个模型对比，保持手感。

4.13 多模态（图/视频/语音/代码）

• AI 能生成图像、视频、语音、音乐、代码。（蛋糕例：为女儿 Nova 七岁生日，用 Google 的 Nano Banana 生成猫主题蛋糕设计图 → 拿给蛋糕师做成真 3D 蛋糕。图像生成成了"头脑风暴工具"。）
• 还演示了：AI 生成"男人缩小"的视频（过去要昂贵特效）；用他的语音克隆念 The Batch 通讯（放给父母听，一位听得出、一位听不出）；给女儿用 AI 生成"打对字母就喂猫"的打字小游戏。
• 输入输出可任意组合（上传灵感图 → 规划万圣节服装；上传诡异音效 → 生成鬼屋视频）。
• 生成成本/耗时：文本最低 < 语音 < 图像 << 视频。越靠右越慢越贵。2022 年 Google Imagen 有瑕疵（水槽线条不对、盘子中途变样），现代模型好很多、还能自动配音同步。

[!warning] 责任
语音生成能修播客口误、给游戏角色配音，但也冲击配音演员生计，并被用于语音克隆诈骗（假冒亲属称紧急要转账）。有益用途远多于有害，但仍需防范。

4.14 把图像作为输入

• （白板例：上传他在白板前讲课的照片问"这堂课讲什么"——尽管他的头挡住了 “convolutional” 一词，AI 仍答出在讲卷积神经网络（CNN），还能猜下一步会让学生做什么。）
• 弱点：AI 看图偏"粗看"，易漏细节。（问"我健身房这些是什么器械"常自信答错（模糊看很多器械长得像）；但换成视觉上很独特的"人形仓鼠轮跑步机"就答得好。）
• 能读图上文字：拆账单（“我点了这些，我该付多少”）、读手写体（转写、建家族史档案）。但会出错，高风险场景别全信，愿意花几秒复核就还行。
• 可一次上传多张图（头脑风暴的便签、白板照 + 笔记 → 让它总结今天会议的点子）。一图胜千言，加图常是给 AI 上下文最快的方式。

4.15 图像生成

• 以图改图：（例：一张褪色的童年老照片，让它"去反光、去粗糙纹理、改成更自然的比例"→ 修复得很好（用 Nano Banana）。）
• 不会写图像 prompt？先让文本 AI 帮你写（“给’一只猫深夜偷偷经营咖啡馆’生成一段图像 prompt”——它会指定场景、角色细节、氛围/风格）。
• 图像的语言：cinematic（电影感）、watercolor（水彩）、cyberpunk、anime……懂艺术/艺术史的人更会 prompt。想精进可上传图片问 AI"你会怎么描述这张图"来学词汇。
• 扩散模型原理：文本是逐字生成；图像是一次性整张生成。训练时看"带描述的图"（如"木桌上的小盆栽"），学会从纯噪声逐步"去噪"到清晰图。你给 prompt 时它就从噪声出发去噪成图。
• 典型错误：手/手指数目怪异、文字乱码（“happy birthday” 拼错）、角色跨帧不一致。现代模型（如 Nano Banana）已改善很多，能出文字基本可读的信息图、跨帧一致的卡通角色。
• 图像生成慢且贵（单张几十秒、几美分，且不能中途停），所以迭代受限；视频更甚。好消息：生成任何东西的成本都在逐年下降。

4.16 造应用（初探）

• 不写代码也能做小游戏/网站。（例：prompt"做个用户放置障碍和目标的游戏"→ Claude 生成可玩的小游戏；"烟花展示"prompt → 生成可点击放烟花的 app。）
• 写 app prompt 的积木：① 目标（要做什么）② 输入（用户要提供什么）③ 输出（app 给用户看什么）。
• 还能做实用小工具：番茄钟（25 分工作 + 5 分休息）、分账计算器、看天气选穿搭 app。这些任务单一、不需额外文件，适合新手起步。
• 难易差别：平台跳跃小游戏、法语单词测验 = 较易；联网多人游戏、带 AI 反馈的实时法语练习 = 较难。不确定就试，最坏就是不成，顺便练直觉。（并推荐进阶课 “Build with AI”。）

4.17 数据分析（让 AI 写代码分析）

• 把健康/运动数据、公司销售等表格丢给 AI，它能写代码分析并出图，你无需写代码。运行代码是 AI 的一种"工具"，在有数据/需计算/需画图时会被调用。
• （奶茶店例：附上销售数据，prompt"哪些饮品销量变化最大？画出来"→ AI 走 agentic 流程：查看数据 → 算月度变化 → 识别最有意思的几款 → 出彩色折线图（草莓抹茶春季起飞、芒果绿茶/草莓柠檬夏季、椰奶茶秋季）。）
• （年终图例：“给奶茶店做一页年终回顾图，仔细分析数据找洞见”——"carefully"会触发它想几分钟、写代码算营收/销量，产出带洞见（黑糖和经典最畅销）和奶茶配色的图。）
• 数字可能幻觉，建议复核；但因是写代码算出来的，通常相当准，且比自己在 Excel/Sheets 里快得多。

[!example] 本部分练习 & 期末项目
练习 lab 内置四个 prompt：烟花秀、配色板选择器、法语抽认卡、法语练习。期末项目三步走：① 头脑风暴一个研究问题（如职业选择）→ ② 让 AI 做研究出带引用的报告 → ③ 基于报告造个 app（测验 / 小游戏 / 信息图，可分享给朋友）。

5 · 用 AI 造应用（“30 分钟做出一个应用”）

2:52:17 – 3:18:14 · vibe coding，零基础也能上手

吴恩达开场：“不管你什么背景，都能用 AI 造有用的软件。就算你从没写过一行代码。”

🎂 生日贺卡 App 演示

[!example] 演示
一个跑在浏览器里的网页应用：填姓名、年龄、爱好（企鹅时装设计）、形容词（可疑地有趣）、复数名词（幸运袜）→ 点"生成卡片"→ 出一段搞笑祝福（“Karen，居然满 27 了……”）。还有"手气不错（I’m feeling lucky）"自动填空、把祝福复制到剪贴板、以及保存历史卡片。

建议先照着把这个 app 亲手做一遍：能培养"怎么跟 AI 说话才拿到想要的结果"的直觉，体会小改动如何带来大不同。

核心方法：prompting

• AI 时代造软件最简单的方式不再是手敲代码，而是告诉 AI 去做（= prompting）。可用 ChatGPT / Gemini / Claude 或网站内置的 AI。
• 增量式：先"做个帮我写生日卡的网页，输入姓名/年龄/爱好，返回搞笑消息"→ 再"加个节日标题和颜色让它更好看"→ 再"把卡片显示在右边、做成打开生日卡的样子"→ 继续加功能。这就是他的真实工作方式：先给基础指令看效果，再反复告诉它怎么改进。

[!tip] Prompt 的五个积木

可以增量一次给一块，也可以把五块写进一个较长的 prompt 一次给。不必每次都用全，顺序也不重要，通常先说目标。

[!tip] 越具体 → 越可预测（食物卡车类比）
“给我个三明治” vs “素食三明治” vs “加鹰嘴豆泥、奶酪、全麦面包的素食三明治，再配杯饮料、打包带走”——越具体，拿到的越接近你要的。同一个具体 prompt 多次运行仍会有些差异，这是 AI 的正常现象；不喜欢就再给指令微调。

动手：下载 & 运行

• 复制第一个 prompt 发给 AI → 它生成 HTML 页面（生成中"下载"按钮是灰的）→ 生成完点下载 → 在浏览器打开 file.html（他用 Mac 上的 Chrome 演示）。这段代码此刻就跑在你自己电脑上。
• 想改进就继续 prompt"加节日标题和颜色"→ 等它重写 → 再下载打开，就更喜庆了。
• 同样的 prompt 在 ChatGPT / Gemini / Claude 上效果类似——学的技能不绑定任何平台。
• 找反馈：他写完常给朋友、家人甚至礼貌地问陌生人看，或发同事/论坛。别人常有改进点子，逗笑朋友也让他有动力继续。

加功能 & 修 bug

• （加功能要具体：不说"加五个字段"，而说"做成五个清晰标注的输入：姓名、年龄、爱好、形容词、复数名词"；“加个手气不错按钮，用有趣的预设词随机填空”；改主题色蓝→紫、粉、绿随你。）
• （修 bug：生成的 HTML 有时不工作（点"生成卡片"没反应）。直接告诉 AI"点生成卡片没反应，能修一下吗"，它通常能找到并修基础 bug。它可能吐一堆技术解释（“JavaScript 绑定到按钮 click 事件……”）——现在不用懂，直接下新 HTML 看是否好用即可。）

🏓 乒乓球游戏

[!example] 演示
电脑史上最早的游戏之一 Pong 当年团队要做几周，现在几分钟。prompt："做个单 HTML 文件的桌球游戏，人机对战，方向键控制球拍"→ 首版 → 再"加三个难度、让用户设定获胜分数、并计分"→ 再"球场绿色、球拍米色、球白色，插入这张背景图"→ 成型可玩。要点仍是：写得越具体，结果越好。

期末项目 & 收尾

• 期末项目：做一个自己的"填空故事生成器"，须含 3~5 个输入字段、一个按钮、一个显示输出的地方（灵感：搞笑产品评价生成器、请假条生成器等）。做好上传 HTML，AI 会检查是否正常并给反馈 → 拿结课证书。
• “既要造，也要上课”：只造不学易反复造轮子、或用很奇怪的方式做事；只学不造则只有理论。两者都重要，持续构建、持续学习。
• 致谢 DeepLearning.AI 的 Summer Ray、Andres Gonzalez、Tommy Nelson。

★ 核心要点速记

本文档由 x-video-summary skill 全自动生成：yt-dlp 下载全片 → ffmpeg 抽音频 + 40 帧关键帧 → 本地 mlx-whisper 转录全部 3:18:14（2283 行）→ 结合转录与画面整理成文。内容基于真实转录，非章节标题推测；专有名词以听写为准，个别人名/产品名可能有拼写误差。

吴恩达 3.3 小时课程合集：从 Agentic AI 到"人人都能用 AI 造应用"

视频详细笔记 · 全程本地转录（mlx-whisper，2283 行）+ 40 帧画面整理

[!warning] 先说清楚 · 标题有水分
推文把它包装成"如何在 2026 成为 AI 工程师"，但实际内容是四段独立素材缝在一起，而且时长大头（约 2.5 小时）是面向普通人的《AI Prompting for Everyone》入门课，并非工程师专属高阶内容。真正给工程师看的干货集中在开头的 agentic/evals 理念，以及第 3 部分那场"软件工程未来"的演讲。

真实结构：

[!note] 画面观察
全片是 DeepLearning.AI 演播室风格：吴恩达出镜 + 身后屏幕放幻灯片，中间穿插红白色的模块标题卡（"Working with Multimedia & Code"等）。视频自带英文硬字幕。

1 · Agentic AI 课程开场

约 00:00 · 课程宣传片

吴恩达说他当初造了 “agentic AI” 这个词来描述一类新项目，没想到被营销号滥用、贴得到处都是。但抛开炒作，真正被构建和部署的智能体系统也在快速增长。

• 什么是 agentic：不同于"单次 LLM 调用直接给答案"，智能体系统能执行多个 LLM 驱动的步骤——调用工具、推理、对结果反复迭代，以完成复杂任务。
• 怎么教：用原生 Python 手写，不把步骤藏进框架里，让你看清每一步真正在做什么。
• 学会把一个复杂应用拆解成一串任务，再实现为智能体工作流。
• 学会实现智能体工作流的四种关键设计模式。
• 课程 vendor-neutral（不绑定厂商），学完可用任意框架或不用框架落地。目前只在 deeplearning.ai 上。

[!tip] 全片被反复强调的核心观点
带过很多团队后，他发现决定一个团队能否做好智能体的最大预测指标，是能否驱动一套有纪律的"错误分析（error analysis）"流程——即建立评估（evals），面对复杂工作流时能高效锁定"该改哪个组件"，用评估数据指导时间投入，而不是凭感觉瞎猜。做到这点，就能领先当今绝大多数团队。

2 · Agent Skills 课程开场

约 02:00 · 与 Anthropic 合作，讲师 Eddie Chopik

Skills 是给 Claude Code 等智能体**按需装配"专业知识"**的新方式。

• 形式：创建或下载一个文件夹，里面装着完成某项任务的指令、脚本和参考资料。智能体在需要时动态加载对应 skill，从而可靠地完成该任务。
• 例子：一个 skill 是"代码质量审查清单"；另一个是"针对你团队数据基建写 SQL 查询的指令"；再一个是"分析客户数据的可复用流程"。
• 一次创建，任何兼容的智能体都能调用。由 Anthropic 首创，现已是被越来越多应用采用的开放标准。
• 课程演示 skills 在 Claude AI、Claude Code、Claude API、Claude Agent SDK 中的用法，并教你把 skills 与 MCP、子智能体组合成强大系统。
• 观点：随着模型变强，写"胶水代码"越来越简单；基础工具（文件系统访问、bash 执行）已让智能体能做很多事，而 skills 进一步补上"专业知识"。

3 · 软件工程的未来（主题演讲）

04:25 – 23:38 · 干货密度最高的一段现场演讲

这是一场面向开发者的现场演讲（含一个"你们是全世界第一批听到"的新产品发布）。主题：AI 编码正把软件工程重塑成什么样。

乐高积木论

他常把软件（工具、框架、API）想象成乐高积木：只有一种白色积木能搭的东西有限；颜色种类越多，组合出的有趣东西呈组合式/指数式增长。

• 积木既包括 AI 积木（LLM、RAG、agentic 工作流……），也包括非 AI 积木（UI 组件、数据库持久化、身份/鉴权管理……）。
• 正因为有了 AI 编码，这些积木正以前所未有的速度激增——每天都有更多，让 AI 智能体帮我们把它们快速拼起来。

“我自己 100% 的代码都是 AI 写的”

常被问：到底该用多少 AI 编码？有团队说 80%，已经不错。而他本人几乎 100%。他强调从 80% 到 100% 这"最后一段"差别巨大。

• 时间账：如果 80% 代码由 AI 写、但要人去审那 20%，人工审查会"花掉永远"；100% AI 的团队在短时间内产出多得多。写代码如此，审代码也如此——只要还坚持人工逐行审，人就成了瓶颈。
• 不是宗教：如果你在 NASA 造火箭、要写 50 行手工代码，那就写，完全 OK。但他看到前沿团队正趋向接近 100% 由 AI 写代码。

瓶颈转移 + 团队形态巨变

编码被 AI 加速 10~100 倍后，出现有趣的二阶效应（他去年 7 月在 The Batch 通讯里写过"产品管理瓶颈"）：

• 新瓶颈 = 决定做什么（PM 工作），而非动手造。
• PM : 工程师比例从常见的 1:8、1:7，开始滑向诡异的 1:2、1:1；最终最快的做法是把两个人合并成一个全栈通才——工程师能做点 PM，PM 能写点代码。
• 越来越多 AI 原生团队是小而全的通才小队，人人几乎什么都懂，跑得飞快。
• 瓶颈还会外溢：设计瓶颈（设计师直接用代码实现、跳过 Figma 更快）、法务合规瓶颈（花一天写代码却等一个月过法务）、市场瓶颈、销售瓶颈。

[!note] 「瓶颈外溢」是什么意思
一件产品从想法到上线要过很多环节：写代码 → 设计 → 法务 → 市场 → 销售。瓶颈永远在"最慢的那一环"。以前写代码最慢，所以它是瓶颈；现在 AI 让编码快了 10~100 倍，这一环不再慢了，"最慢的一环"就换成了下游那些原本不起眼的环节——它们没变慢，只是相对显得极慢，于是瓶颈从编码"溢出"到了它们身上。

• 设计瓶颈：代码几小时写完，等设计稿却要几天 → 让设计师直接用代码实现、跳过 Figma。
• 法务合规瓶颈：以前 3 个月写代码 + 1 个月审法务还行；现在 1 天写完却等 1 个月过法务，反差极扎眼。
• 市场 / 销售瓶颈：产品发版太快，市场和销售团队来不及搞清做了啥、怎么对外讲。

由此他的结论：① 小而全的通才团队更快（两人小队按定义每人都得懂点软件/设计/法务/营销，不用等别的部门）；② 用 AI 去补齐非编码环节（会 prompt 的工程师能让 AI 做基础营销、先过一遍法务再交真律师）。

• 好消息：一个会好好 prompt AI 的工程师，虽然不是营销高手，也能做点基础营销/法务（他常让 AI 先过一遍法务，再交真律师签字）。两人小队按定义必须在软件/设计/法务/营销上都各懂一点。
• 多个 AI 原生团队之间用清晰的 API 边界 + 有限沟通协作，可扩展到单团队之外。

不看好"AI 失业潮"

• 硅谷流行谈 “jobpocalypse”（AI 抢走几乎所有工作、街头暴动），他坦言没看到。
• 相反，符合上述画像的未来 AI 工程师前途光明。他团队招 AI 工程师看三点：① 能高效使用编码智能体（Claude Code、Gemini CLI、Codex、open code 等）；② 对海量"积木"有扎实认知（挑战在于积木又多又变得快）；③ 有通用技能（基础 PM 等）。这类人才严重供不应求，连他自己都招不到足够的。
• 引用费城联储研究（“很少有公司觉得需要裁员”），并称近一两月商业媒体在纠正这个被夸大的叙事（商业媒体拿钱是为了说对，不像大众媒体图刺激）。
• 他不否认各层级都有人在感受就业不安全感（疫情/零利率时期过度招聘留下的后遗症），认为需要正视，但"失业潮"言过其实。

[!tip] 框架：并行技能发展（Parallel Skill Development）
编码智能体在不断变强的同时，人也要发展互补技能去恰当地驾驭它们，双方才能协作造出新东西。教育/培训不该只练人的技能，要和智能体的进步"并行"。

发布：Context Hub 与 Code Dream

Context Hub——解决"模型知识过期"痛点：

• 智能体有知识截止日期（有时落后一年），常幻觉或用废弃 API。例：让 Claude Code 调 OpenAI，它会用更老的、已废弃的 chat completions API 和旧模型，因为网上训练数据大多是旧 API。
• Context Hub 给智能体喂最新文档。命令示例：chub search openai 返回包列表，chub get openai/chat 拉取知道 GPT 5.5、responses API 的最新实现（生成约 600 行上下文，主要是给智能体读的）。

Code Dream——当天首发预览版，帮助"人的技能发展"：

• 不是课程，而是一场对话：和"AI 版吴恩达"边聊边用现代方式（配合 Context Hub）写代码，随时能用麦克风打断提问，由名为 Yavira 的语音智能体协助答疑。
• 现场演示（吐槽会场 Wi-Fi 差）：讲义本身是可交互 JavaScript，能点、能打字（“讲个烂网络的笑话”）、能从幻灯片复制命令粘到浏览器里的终端，跑 npm install chub、启动 open code 写 Python——一个练习现代 AI 编码的沙盒环境。

4 · AI Prompting for Everyone（完整入门课）

23:38 – 2:52:17 · 全片最大篇幅，面向所有人的实用 prompt 课

目标：把你从现在的水平带到 “AI 高手（power user）”。以下按课程小节逐个展开。

4.1 新手 vs 高手

• 新手把 AI 当 Google 用，只问简单问题。（例：问"Taco Bell 还有双层塔可吗？"得到个答案就完事。）
• 高手问难问题并给它时间思考。（买车例：上传车规、报价、保险方案等一堆文档，让它"读完所有资料、认真想清楚再回答各车利弊"，AI 会花几十秒甚至几分钟出一份详细报告。）
• 给足上下文：把 AI 想象成"很聪明但还不了解你的应届毕业生"。短 prompt 常让它填空式瞎猜。（自我评估例：别只说"帮我写份给老板的自评"；上传项目追踪器截图、近期项目文档、语音备忘，它才能写出真正贴合你的内容。高手对 AI 几乎有种"共情"——设身处地想它到底够不够信息把活干好。）
• 写作方式不同：新手让 AI 直接"写篇黑莓手机博客"→ 一堆"AI slop"；高手让它先出大纲、再批判大纲、迭代几轮，最后才成文。
• AI 犯错其实比人们以为的少（2022/23 年错得多）。少数病毒式翻车（“strawberry 有几个 r”、“我要洗车，该走路还是开车过去？→ 走路”）并不代表真实能力。

4.2 AI 的知识从哪来（预训练）

• AI 像孩子学写作一样，从海量互联网文本里学模式。理解它读了什么，就能预测它何时靠谱。
• 它甚至懂冷门知识。（例：NASA 的 Voyager 1（1970 年代发射、现距地球约 250 亿英里）金唱片上刻了什么——AI 能答出用 55 种语言问候。）
• 预训练知识反映数据频率：烹饪、名人、电影文本极多；类星体（quasar）这种专业话题少得多；粤语（8000 万+ 使用者）在网上占比可能不到 0.1%；你公司的私有数据它则完全不知道。→ 想想"某类信息在网上有多常见"，就能大致判断答案可靠度。
• 它能读懂拼错的文字（“can you cook eggs in microwave” 打飞快也能懂），因为训练数据里就有大量 typo。所以你打字有错别字不用纠结。
• 坏消息：网上也有很多误解和过时信息，需要靠 prompt 技巧去规避。

4.3 联网搜索（Web Search）

• 模型有知识截止日期，之后的事不知道。（例：问"2025 年的 6-7 meme 是什么"会触发联网；OpenAI GPT 5.4 截止日期是 2025 年 8 月，该 meme 之后才爆火，故模型本身不知道。）
• 哪些问题倾向触发搜索：位置相关（“帮我找 Mountain View 附近高评分健身房”）、时效相关、冷门信息（Cooper’s Hill 滚奶酪比赛）。
• 触发方式：模型自动决定，或你手动（点按钮 / 直接写"请联网搜索"）。多数主流模型有此能力，但并非全部。
• 局限：也可能拉到差的来源。

4.4 可靠来源 & 搜索的底层原理

• 引导来源：（灰市肽（补剂）例：不加引导，AI 可能采信 Reddit/Quora 或卖肽的网站（有立场）；若要求它用官方机构（WHO、美国 FDA、欧洲 EMA）或严谨科学研究，答案更可信。）
• AI 最常引用的网站排序（某报告）：Reddit > 维基百科 > YouTube > Google > Yelp……可靠度参差。高可信的科学来源在网上文本量本就少，不引导它就会拉"最易得"而非"最可靠"的。
• 网页可能过时。（例：帮他找 Henderson, Nevada 跑步地点，结果引用了 20 多年前的网页，推荐了一所早已不对外开放的学校。）

[!example] 搜索底层原理（重要，能解释很多翻车）
把它想成两人客服团队：面向用户的主模型 + 负责搜索的副模型。你发问 → 主模型让副模型去搜 → 副模型用搜索引擎搜、过滤、下载最相关网页、做摘要 → 把摘要交回主模型 → 主模型据此作答。

关键 quirk：主模型其实没读过它引用网页的全文，只看了摘要，因此有时会误读、误引——你会看到"AI 说某网页支持某结论，但你点开发现根本没有"。（Machu Picchu 例：副模型搜"许可证/天气/风俗"再摘要回传。）

什么时候用 AI、什么时候用搜索引擎：想快速扫多个来源、导航到某个具体网站、看原始数据（如买 2013 本田思域空滤，要落地到购买页）→ 用搜索引擎；想要多源综合、权衡利弊、得出更深思熟虑的结论 → 用 AI。

4.5 Deep Research（深度研究）

让 AI 综合几十个来源、大量思考，产出深度研究报告。ChatGPT、Gemini、Claude 都有此模式，他认为被严重低估。

• （万圣节鬼屋例：给它场地大小、想要的体验等上下文 → 它先出研究计划（你可批准/编辑）→ 依次搜"Palo Alto 许可规定、消防安全指南、装饰创意" → 边读边综合 → 最后写详细分节报告。这本身就是 agentic AI 的例子（自主决定下一步搜什么）。）
• Gemini 的 Deep Research 还能一键把结果变成网页/信息图（预算饼图、噪音条例可视化、可勾选的清单）。
• 原理：制定计划后并行发起多个搜索、同时取回多网页、评估相关性、决定是否换关键词再搜，循环几轮后汇总加引用成报告。

4.6 把 AI 当思考伙伴 / 头脑风暴

• 据 OpenAI 对 ChatGPT 对话的分析：约一半是写作和实用指导；创意构思占 3.9%（近 4%）。
• AI 擅长生成大量选项（经典创造力测试：给一块砖想出 200 种用途）——你的角色是评估挑选。
• （健身例：“帮我做健身计划，38 岁、初级、10 磅哑铃、每天 15 分钟"→ 得到通用答案（深蹲、俯卧撑）。若加怪上下文"我有蹦床和一只猫、坚持不下来"→ 得到"蹦床间歇”"猫触发式微运动"等更有创意的方案。）
• 为什么默认给平庸答案：横轴放"回答的独特性"、纵轴放"AI 给出该回答的概率"——常识答案概率远高于奇招，因为网上写哑铃弯举的文本远多于"猫触发微运动"。给更多上下文能把它推向更相关、更有创意的空间。
• 迭代法：（还债例：信用卡 $1,100@19%、月最低还款 $40、学生贷 8%、家庭借款 $900 → 让它给 3~5 个方案（保流动性 / 先还最高息 / 先还家人）→ 你反馈"不喜欢方案一太被动，喜欢先还 19% 的；对了我还有 $450 现金要到、要搬回家住"→ 它据此再出三个新方案。反复几轮直到满意。）

[!tip] 头脑风暴配方
① 尽量先给足相关上下文 → ② 让它给一把选项（3~5 个）→ ③ 对选项给反馈 → ④ 让它再给一批 → 重复几轮，直到有一两个你满意的点子，再让它把它展开细化。

4.7 上下文（Context）如何工作

• 人的工作记忆约 7 项（记 7 样购物清单勉强够，15~20 样就难）；AI 能吃巨量上下文，有些模型达数十万词。
• （选公寓例：上传上百页租约合同 + 租客评价 + 社区统计，让它"读完所有资料、认真想清楚再答"每套的利弊。）
• Context = 模型用来生成本次定制回答的所有文本和文件。同一个问题（物理 vs 动物学的利弊），给了你的职业测评结果 + 高中课表后，答案会定制得多、质量高得多。判断该给什么上下文：想"一个可信顾问要给你好建议，需要知道哪些信息"。
• 顶尖模型可接受约 75 万词上下文 ≈ 前 4~5 本《哈利·波特》≈ 好几天不间断的说话量。很多人严重低估了能喂多少。
• 默认上下文里有什么：系统提示（当前日期、模型名、能力、通用指令）、工具说明（如"什么是网页搜索、怎么用"）、你的 prompt，以及不断累加的聊天历史。

[!warning] 管理上下文
要转去不相关的新话题时，开新对话清空上下文。（例：刚让它按"你的日程和偏好"排了健身计划，紧接着说"给我妈也排一个"——旧上下文（你的日程/偏好）会干扰、可能拉低答案质量，还难判断是否被带偏。）

4.8 AI 桌面 App（Cowork 类）

• 如 Claude Cowork、Microsoft Copilot、Google Antigravity：在你授权下，能自主（agentically）从你电脑读文件补齐所需上下文来干活。
• （整理文件夹例：一个塞满 PDF、图片的乱文件夹，让它读一遍并提出新组织方式（重命名、移动、建子目录）。流程：让它先出计划、别动手 → 你审阅/批评/让它改 → 满意后再执行。）
• （排片场表例：在"filming 文件夹"里启动，说"排本周拍摄计划"，它自己探索文件、加载相关的，甚至注意到某位组员 Mia 生日在拍摄周、帮你安排庆祝。）

[!warning] ⚠ 安全提醒
桌面 App 能读、能改、甚至删你的文件（虽罕见但确有发生）。① 在最相关的文件夹里运行，别在 home 目录给它全盘访问；② 认真看每次权限请求；③ 它删的文件常不进回收站、可能无法恢复；④ 它改过的文件通常没有编辑历史，无法回退。不熟前务必逐条看权限。

4.9 推理 / 让它"想久一点"

• 最新模型推理能力很强——给对上下文，能长时间严谨地思考。他越来越把 AI 当"推理引擎"用（如前述买车利弊）。
• 引用 METR 研究：横轴"人类完成该任务需多久"、纵轴 AI 成功率。2024–25 年 AI 能做需数秒~数十分钟的任务；2025 年起，能以不错成功率完成人类要花很多小时的任务（且 AI 不一定要花同样久）。
• “think step by step” 已过时，他不再这么说；现在直接说 “think hard”，模型就懂要长篇、更复杂地推理。有人用关键词 “ultrathink” 触发更深思考，可能想几十秒到十几分钟。
• 鼓励给难任务试水（如"给一个 4 人、现金有限的创业公司设计上市计划"），并给足"任何人做这活都需要"的上下文。

[!tip] 推理任务小结
① 用能拿到的最好模型（通常胜过半年~一年前的旧模型）；② 给足所需上下文；③ 别只喂琐碎任务，敢给难题；④ 选"思考模式"或直接在 prompt 里让它 think hard。

4.10 谄媚（Sycophancy）

AI 因训练方式而强烈倾向说你爱听的话。这是关键 prompt 技能：中立提问 + 保持上下文客观。

• （带偏见的问法："你不觉得远程办公比坐班好吗？"→ 多半附和；反过来"坐班是不是更高效？"→ 也会附和。问法暗示了你想要的答案，它就顺着强化你的偏见。）
• 《华盛顿邮报》研究：ChatGPT 更爱说"没错/好观点/你思路对"，比说"不太对/并非如此/实际上"多约 10 倍；有的还会说"哥们，你说得太深刻了，一千个赞"。
• 成因：用人类反馈训练成"讨喜助手"→ 附和更易得👍（内向/外向例：肯定式回答更易被点赞，中立回答反而被踩），于是学会更爱附和。谄媚"感觉良好但降低答案质量"。
• 更难察觉的谄媚：“分析这些数据，找出本季度所有正面的业绩指标”——你已在暗示要报喜，它就更可能只说"营收增长、利润率改善"而不点问题。

[!tip] 中立措辞对照

• ❌"碳税是不是对小企业不好？" → ✅"碳税**在多大程度上（如果有的话）**影响小企业？"
• ❌"你同意 AI 会创造很多岗位吗？" → ✅"目前的研究怎么说 AI 对就业的影响？"
• ❌"远程办公会降低生产力吗？" → ✅"远程与坐班的生产力相比如何？"
• 技巧：并列两个选项让它列各自利弊，但不暗示你希望哪个赢；或给它**评分标准（rubric）**逼它客观。

4.11 写作

• OpenAI 数据：写作占 ChatGPT 任务的 24%，是最大单一类别。“写作其实是一种思考”。
• 什么是 AI slop：直接让 AI 写 → 读着"像 AI 写的"、每句单看还行但整体空洞。特征：**破折号（em-dash）用得远超常人（Bluesky 上自 ChatGPT 后一路走高）；过度使用 “nuanced”、“delve”；爱用"三项列举"；爱用"not X but Y"**句式（X、Y 都很虚）。一项调查：近 40% 美国上班族上月收到过"work slop"。
• 有趣：人类因大量用 AI，说话也开始像 AI——ChatGPT 后播客/演讲里 “delve” 变多（即兴和备稿都如此）。
• 渐进式大纲法（避免 slop）：不让它直接成文，而是先写大纲 → 精修 → 迭代几轮 → 再生成正文。（例：写"小 AI 团队比不用 AI 的大团队更快"的文章：先让它搜正反证据 → 给 3 个大纲选项（含反方章节）→ 你反馈"用选项一、保留三个故事、去掉故事一后的论点、加个历史类比：90 年代皮克斯用小团队做出第一部全 CG 长片《玩具总动员》"→ 得修订大纲。）
• 为什么先写大纲高效：直接改成文只改一个词、整段不变；改大纲一处就能带动整段/整节重写——杠杆率高得多（"会飞的松鼠能不能扛椰子"示例）。

4.12 编辑 & 用 rubric 评分

• OpenAI 数据：写作类对话约 2/3 是从"已有文本"出发，而非白纸。
• 逐段编辑：一次改一句/一段，围绕每段小小头脑风暴、定稿再下一段，比一次全改后再从长文里找改了啥要好管理得多。（例：“公众以为实现 AGI 意味着电脑会像人一样小”——让它给出"有力版/有远见版/口语版"几种改写，挑你喜欢的。）
• 整体评价用 rubric（评分标准）：直接让它评一篇科幻小说，因谄媚多半夸你写得好。给明确评分标准逼它客观。（科幻 rubric 例：人物 25 分、情节 25 分、世界观、文笔……并细化每条如何打分（“每个有名字的角色是否都有目标 = 10 分”）。每条标准都非真即假、无中间地带，强制客观。不确定用什么标准？让 AI 帮你先拟一份。）
• 用法：把 rubric + 文本一起给它，让它逐条打分、最后加总，再让它给"如何在这些维度上改进"的建议。
• 写得差的 rubric 会诱发谄媚：如"给我这科幻打个 100 分制分数"——它会先跳到一个总分再倒推分类，且"人物/情节"等定义模糊。实测：主观 rubric 打 83，客观 rubric 打 75，且改进建议更有用。
• 跨模型互评：让 Gemini 用 rubric 评 ChatGPT 的作品（或反之），融合两模型知识，效果略好。但他自己很少用；更常做的是频繁切换不同模型。
• 锯齿智能（jagged intelligence）：AI 有些任务超过任何人（快速读海量网页、解难题数学），有些又不如人；且不同模型"锯齿"方向不同、市场竞争激烈、最优模型频繁变。→ 常拿同一 prompt 喂多个模型对比，保持手感。

4.13 多模态（图/视频/语音/代码）

• AI 能生成图像、视频、语音、音乐、代码。（蛋糕例：为女儿 Nova 七岁生日，用 Google 的 Nano Banana 生成猫主题蛋糕设计图 → 拿给蛋糕师做成真 3D 蛋糕。图像生成成了"头脑风暴工具"。）
• 还演示了：AI 生成"男人缩小"的视频（过去要昂贵特效）；用他的语音克隆念 The Batch 通讯（放给父母听，一位听得出、一位听不出）；给女儿用 AI 生成"打对字母就喂猫"的打字小游戏。
• 输入输出可任意组合（上传灵感图 → 规划万圣节服装；上传诡异音效 → 生成鬼屋视频）。
• 生成成本/耗时：文本最低 < 语音 < 图像 << 视频。越靠右越慢越贵。2022 年 Google Imagen 有瑕疵（水槽线条不对、盘子中途变样），现代模型好很多、还能自动配音同步。

[!warning] 责任
语音生成能修播客口误、给游戏角色配音，但也冲击配音演员生计，并被用于语音克隆诈骗（假冒亲属称紧急要转账）。有益用途远多于有害，但仍需防范。

4.14 把图像作为输入

• （白板例：上传他在白板前讲课的照片问"这堂课讲什么"——尽管他的头挡住了 “convolutional” 一词，AI 仍答出在讲卷积神经网络（CNN），还能猜下一步会让学生做什么。）
• 弱点：AI 看图偏"粗看"，易漏细节。（问"我健身房这些是什么器械"常自信答错（模糊看很多器械长得像）；但换成视觉上很独特的"人形仓鼠轮跑步机"就答得好。）
• 能读图上文字：拆账单（“我点了这些，我该付多少”）、读手写体（转写、建家族史档案）。但会出错，高风险场景别全信，愿意花几秒复核就还行。
• 可一次上传多张图（头脑风暴的便签、白板照 + 笔记 → 让它总结今天会议的点子）。一图胜千言，加图常是给 AI 上下文最快的方式。

4.15 图像生成

• 以图改图：（例：一张褪色的童年老照片，让它"去反光、去粗糙纹理、改成更自然的比例"→ 修复得很好（用 Nano Banana）。）
• 不会写图像 prompt？先让文本 AI 帮你写（“给’一只猫深夜偷偷经营咖啡馆’生成一段图像 prompt”——它会指定场景、角色细节、氛围/风格）。
• 图像的语言：cinematic（电影感）、watercolor（水彩）、cyberpunk、anime……懂艺术/艺术史的人更会 prompt。想精进可上传图片问 AI"你会怎么描述这张图"来学词汇。
• 扩散模型原理：文本是逐字生成；图像是一次性整张生成。训练时看"带描述的图"（如"木桌上的小盆栽"），学会从纯噪声逐步"去噪"到清晰图。你给 prompt 时它就从噪声出发去噪成图。
• 典型错误：手/手指数目怪异、文字乱码（“happy birthday” 拼错）、角色跨帧不一致。现代模型（如 Nano Banana）已改善很多，能出文字基本可读的信息图、跨帧一致的卡通角色。
• 图像生成慢且贵（单张几十秒、几美分，且不能中途停），所以迭代受限；视频更甚。好消息：生成任何东西的成本都在逐年下降。

4.16 造应用（初探）

• 不写代码也能做小游戏/网站。（例：prompt"做个用户放置障碍和目标的游戏"→ Claude 生成可玩的小游戏；"烟花展示"prompt → 生成可点击放烟花的 app。）
• 写 app prompt 的积木：① 目标（要做什么）② 输入（用户要提供什么）③ 输出（app 给用户看什么）。
• 还能做实用小工具：番茄钟（25 分工作 + 5 分休息）、分账计算器、看天气选穿搭 app。这些任务单一、不需额外文件，适合新手起步。
• 难易差别：平台跳跃小游戏、法语单词测验 = 较易；联网多人游戏、带 AI 反馈的实时法语练习 = 较难。不确定就试，最坏就是不成，顺便练直觉。（并推荐进阶课 “Build with AI”。）

4.17 数据分析（让 AI 写代码分析）

• 把健康/运动数据、公司销售等表格丢给 AI，它能写代码分析并出图，你无需写代码。运行代码是 AI 的一种"工具"，在有数据/需计算/需画图时会被调用。
• （奶茶店例：附上销售数据，prompt"哪些饮品销量变化最大？画出来"→ AI 走 agentic 流程：查看数据 → 算月度变化 → 识别最有意思的几款 → 出彩色折线图（草莓抹茶春季起飞、芒果绿茶/草莓柠檬夏季、椰奶茶秋季）。）
• （年终图例：“给奶茶店做一页年终回顾图，仔细分析数据找洞见”——"carefully"会触发它想几分钟、写代码算营收/销量，产出带洞见（黑糖和经典最畅销）和奶茶配色的图。）
• 数字可能幻觉，建议复核；但因是写代码算出来的，通常相当准，且比自己在 Excel/Sheets 里快得多。

[!example] 本部分练习 & 期末项目
练习 lab 内置四个 prompt：烟花秀、配色板选择器、法语抽认卡、法语练习。期末项目三步走：① 头脑风暴一个研究问题（如职业选择）→ ② 让 AI 做研究出带引用的报告 → ③ 基于报告造个 app（测验 / 小游戏 / 信息图，可分享给朋友）。

5 · 用 AI 造应用（“30 分钟做出一个应用”）

2:52:17 – 3:18:14 · vibe coding，零基础也能上手

吴恩达开场：“不管你什么背景，都能用 AI 造有用的软件。就算你从没写过一行代码。”

🎂 生日贺卡 App 演示

[!example] 演示
一个跑在浏览器里的网页应用：填姓名、年龄、爱好（企鹅时装设计）、形容词（可疑地有趣）、复数名词（幸运袜）→ 点"生成卡片"→ 出一段搞笑祝福（“Karen，居然满 27 了……”）。还有"手气不错（I’m feeling lucky）"自动填空、把祝福复制到剪贴板、以及保存历史卡片。

建议先照着把这个 app 亲手做一遍：能培养"怎么跟 AI 说话才拿到想要的结果"的直觉，体会小改动如何带来大不同。

核心方法：prompting

• AI 时代造软件最简单的方式不再是手敲代码，而是告诉 AI 去做（= prompting）。可用 ChatGPT / Gemini / Claude 或网站内置的 AI。
• 增量式：先"做个帮我写生日卡的网页，输入姓名/年龄/爱好，返回搞笑消息"→ 再"加个节日标题和颜色让它更好看"→ 再"把卡片显示在右边、做成打开生日卡的样子"→ 继续加功能。这就是他的真实工作方式：先给基础指令看效果，再反复告诉它怎么改进。

[!tip] Prompt 的五个积木

可以增量一次给一块，也可以把五块写进一个较长的 prompt 一次给。不必每次都用全，顺序也不重要，通常先说目标。

[!tip] 越具体 → 越可预测（食物卡车类比）
“给我个三明治” vs “素食三明治” vs “加鹰嘴豆泥、奶酪、全麦面包的素食三明治，再配杯饮料、打包带走”——越具体，拿到的越接近你要的。同一个具体 prompt 多次运行仍会有些差异，这是 AI 的正常现象；不喜欢就再给指令微调。

动手：下载 & 运行

• 复制第一个 prompt 发给 AI → 它生成 HTML 页面（生成中"下载"按钮是灰的）→ 生成完点下载 → 在浏览器打开 file.html（他用 Mac 上的 Chrome 演示）。这段代码此刻就跑在你自己电脑上。
• 想改进就继续 prompt"加节日标题和颜色"→ 等它重写 → 再下载打开，就更喜庆了。
• 同样的 prompt 在 ChatGPT / Gemini / Claude 上效果类似——学的技能不绑定任何平台。
• 找反馈：他写完常给朋友、家人甚至礼貌地问陌生人看，或发同事/论坛。别人常有改进点子，逗笑朋友也让他有动力继续。

加功能 & 修 bug

• （加功能要具体：不说"加五个字段"，而说"做成五个清晰标注的输入：姓名、年龄、爱好、形容词、复数名词"；“加个手气不错按钮，用有趣的预设词随机填空”；改主题色蓝→紫、粉、绿随你。）
• （修 bug：生成的 HTML 有时不工作（点"生成卡片"没反应）。直接告诉 AI"点生成卡片没反应，能修一下吗"，它通常能找到并修基础 bug。它可能吐一堆技术解释（“JavaScript 绑定到按钮 click 事件……”）——现在不用懂，直接下新 HTML 看是否好用即可。）

🏓 乒乓球游戏

[!example] 演示
电脑史上最早的游戏之一 Pong 当年团队要做几周，现在几分钟。prompt："做个单 HTML 文件的桌球游戏，人机对战，方向键控制球拍"→ 首版 → 再"加三个难度、让用户设定获胜分数、并计分"→ 再"球场绿色、球拍米色、球白色，插入这张背景图"→ 成型可玩。要点仍是：写得越具体，结果越好。

期末项目 & 收尾

• 期末项目：做一个自己的"填空故事生成器"，须含 3~5 个输入字段、一个按钮、一个显示输出的地方（灵感：搞笑产品评价生成器、请假条生成器等）。做好上传 HTML，AI 会检查是否正常并给反馈 → 拿结课证书。
• “既要造，也要上课”：只造不学易反复造轮子、或用很奇怪的方式做事；只学不造则只有理论。两者都重要，持续构建、持续学习。
• 致谢 DeepLearning.AI 的 Summer Ray、Andres Gonzalez、Tommy Nelson。

★ 核心要点速记