内容摘要
本视频是"人人皆可用的生成式 AI"课程第一周第九讲，也是第一周正课的压轴。吴恩达提炼出三大提示词技巧：①详细且具体、②引导模型分步思考、③实验与迭代。视频以贴近日常的案例（申请项目邮件、猫玩具命名、简历语气修改）演示了这三条技巧的实际效果，并在结尾提醒两项重要注意事项：机密信息保护与输出结果核实。整体偏实操，是本课最"能立刻用上"的一讲。
核心观点
-
技巧一：详细且具体（Be Detailed and Specific）
用"刚毕业大学生"类比来检查提示词：LLM 是否拥有足够的背景信息来完成任务？以"帮我写一封申请被分配到法律文件项目的邮件"为例，这条提示词给出的上下文几乎为零；而补充了具体经历、技能背景、目标语气等信息后，LLM 才能写出真正有说服力的邮件。 -
技巧二：引导模型分步思考（Guide the Model to Think Step by Step）
如果你心里已经有了达成目标的步骤，直接告诉 LLM 按步骤来。以命名猫玩具为例：先"列出5个让猫快乐的词"→ 再"为每个词找一个押韵的名字"→ 最后"为每个名字加上相关 emoji"。这种结构化的指令链会产出比单句提示质量高得多的结果。 -
技巧三：实验与迭代（Experiment and Iterate）
没有放之四海而皆准的"完美提示词"。正确的工作流是：写一个初始提示 → 查看结果 → 分析哪里不满意 → 修改提示词 → 再次尝试。从"帮我重写这段话"→ "修正语法和拼写错误"→ "修正语法错误并用适合专业简历的语气重写"——迭代本身就是提示词工程的核心。 -
不要过度纠结第一版提示词
吴恩达特别强调：许多人在初始提示词上花太多时间"精益求精"。更好的做法是快速写一个够清晰的短提示，先看结果，再基于结果决定如何优化——你不会因为一个措辞稍微不准确的提示词"搞坏"LLM 或互联网。 -
两项重要注意事项
- 机密信息：在把高度机密的信息粘贴进 LLM 网页界面之前，务必了解该服务商如何处理和保密这些数据。
- 事实核实：正如上一讲律师案例所示，在将 LLM 的输出用于有实际后果的场合之前，值得先自行核实其准确性。
关键收获
💡 收获 1：上下文越丰富，提示词越强大——这是最值得内化的单一技巧
"帮我写封邮件"和"帮我写一段话，解释为什么我的背景让我成为这个项目的有力候选人（附上具体经历）"——两句提示词，输出天壤之别。提供上下文是最低成本、最高回报的提示词优化。
💡 收获 2：分步指令是突破"通用输出"的钥匙
当你不满足于 LLM 给出的"还可以但不够精准"的答案时，尝试把你的期望拆解为步骤告诉它。步骤越清晰，结果越精准——这也是专业提示词工程师的核心技巧之一。
💡 收获 3：迭代是标配，不是失败
吴恩达用"循环图"清楚地说明：提示 → 响应 → 分析不满意之处 → 改进提示 → 再次提示，这个循环就是正确的使用模式。接受"第一次不完美"，才能高效使用 LLM。
💡 收获 4：保护机密信息是使用 LLM 网页界面的必修课
公司内部财务数据、客户个人信息、未公开战略规划——这些内容在粘贴进 ChatGPT 等工具之前，必须先确认服务商的数据使用政策。这不是可选项，而是职业责任。
💡 收获 5：提示词技巧对个人用户和工程师同样适用
吴恩达特别点出：这些技巧不只对网页界面用户有效，构建 LLM 软件应用的工程师在设计系统提示词（System Prompt）时，同样遵循这些原则——详细、分步、迭代。
重要引述
"Be detailed and specific — using the fresh college grad analogy, I would often think about how to make sure the LLM has sufficient context or sufficient background information to complete the task."
（要详细且具体——使用"刚毕业大学生"类比，我会经常思考如何确保 LLM 拥有足够的上下文或背景信息来完成任务。）
"If you already have in mind a process by which you think the LLM could get to the answer that you want, giving it clear step-by-step instructions to follow could be quite effective."
（如果你心里已经有了 LLM 可以用来得出你想要答案的流程，给它清晰的分步指令来遵循可能非常有效。）
"I've seen some people overthink the initial prompt. I think it's better to usually just try something quickly — you will not break the Internet by just accidentally having a slightly incorrectly worded prompt."
（我见过一些人在初始提示词上过度思考。我认为通常最好是直接快速尝试一下——一个措辞稍微不准确的提示词不会把互联网搞崩的。）
总体结论
本讲是第一周实操型内容的完美收官——没有新的技术概念，全是立刻可用的行动指南。三大技巧（详细具体、分步引导、迭代实验）共同构成了一套完整的提示词工程工作流，而"迭代"是其中最重要的底层哲学：提示词不是一次性配置，而是与 LLM 共同协作、不断收敛的过程。结尾两项注意事项（机密信息保护和事实核实）将整个第一周的警示性内容——幻觉风险、知识截止日期——在实操层面给出了具体的应对建议。读完这一讲，学习者应该已经具备了上手使用 LLM 网页界面的完整认知框架。
逐字稿（中文翻译）
我想和你分享一些提示大语言模型的技巧。如果你正在使用 LLM 提供商的网页用户界面，希望这些技巧能立刻对你有所帮助。事实证明，同样的技巧在你参与构建使用 LLM 的软件应用时也同样有用。那我们就直接开始吧。
在本视频中，我们将介绍三大提示词技巧。第一，要详细且具体。第二，引导模型分步思考。第三，实验和迭代。
先来说"详细且具体"。用"刚毕业大学生"类比，我经常会思考如何确保 LLM 拥有足够的上下文或背景信息来完成任务。比如，如果你让它"帮我写一封邮件，申请被分配到法律文件项目"，有了这样的提示词，LLM 其实不太知道如何写出一个有说服力的理由来为你争取到这个项目。但如果你补充了额外的上下文，比如"我在申请一个法律文件项目，这个项目负责检查法律文件，我在某某领域有经验，请用专业的语气来写提示词"——这就为 LLM 提供了更多相关背景，让它能写出更好的邮件，帮你申请加入这个项目。
此外，如果你还能更详细地描述你想要完成的任务——比如不是说"帮我写一封邮件"，而是说"写一段文字，解释为什么我的背景让我成为这个项目的有力候选人，并表达我的申请意向"——这类提示词不仅给了 LLM 足够的上下文，还清楚地告诉它你想要什么，这样更有可能得到你想要的结果。
第二个技巧是引导模型分步思考其答案。 如果你让它"头脑风暴五个新猫玩具的名字"，它其实可以做得相当不错。但如果你心里已经有了想法——比如你想要一个押韵的猫玩具名字，并配上相关的 emoji——我可能会这样尝试：告诉它"头脑风暴五个名字，步骤一：想出五个让猫快乐的词；对每个词，想出一个押韵的名字；最后，为每个玩具名字加一个有趣的相关 emoji"。用这样的提示词，你可能会得到这样的结果：LLM 会按照你的指示，先想出"Pearl（珍珠）"、"Whisker（胡须）"等词，然后给出"Pearl & Whisper（珍珠低语）"，配上有趣的 emoji。所以，如果你心里已经有了 LLM 可以用来得出你想要答案的步骤，给它清晰的分步指令来遵循，往往会非常有效。
最后，我在社交媒体上见过很多文章，说什么"每个人必须知道的20个提示词"或"助你职业飞升的17个提示词"。 我认为不存在适合所有人的完美提示词。我发现更有用的是：拥有一套能让你写出适合自己、产出你想要结果的提示词的流程。所以，当我自己写提示词时，我会经常实验和迭代——比如一开始就说"帮我重写这段话"；如果结果不满意，我会进一步明确说"修正这段话的语法和拼写错误"；如果还是没能给我想要的结果，我会再进一步明确，说"修正语法和拼写错误，并用适合专业简历的语气重写"。所以，提示的过程很多时候不是从一开始就找到正确的提示词，而是从某个起点出发，然后看结果是否令人满意，并知道如何调整提示词让它离你想要的答案更近。
我把提示词的过程理解为这样一个循环：你对 LLM 要做什么有一个初步想法，然后用提示词表达出来。基于提示词，LLM 会给出一个响应，这个响应有时是你想要的，有时不是。如果是，那很好，你完成了；但如果不满意，那个初始响应会帮你修正你的想法、改进提示词，迭代几次，直到得到你想要的结果。所以，我的提示词工作流是：一开始尽量清晰和具体，但为了节省时间，我往往会从一个可能没那么完善的简短提示词开始，先快速启动。得到结果后，如果不是你想要的，就思考一下为什么输出不是理想的，然后据此修改提示词，让指令更清晰，然后不断重复，直到你得到想要的 LLM 响应。
我想分享一个技巧：我见过一些人在初始提示词上过度思考。我认为通常最好是快速尝试一下；如果结果不是你想要的，没关系，不断改进就是了。一个措辞稍微不准确的提示词不会把互联网搞崩的，大胆去尝试吧。
还有两点重要的注意事项。第一，如果你掌握了高度机密的信息，在把这些高度机密的信息复制粘贴到 LLM 的网页用户界面之前，一定要先了解这家大语言模型提供商如何处理或不处理这些信息的保密问题。第二，正如我们在上一个视频中看到的律师案例，他因为提交了含有 LLM 编造事实的法庭文件而陷入麻烦——在你采信 LLM 的结果之前，可能值得先自行核实，自己判断是否可以信赖并据此行动。但有了这两点注意事项，在提示时我通常会直接上手试一试，看看结果，然后用初始结果来决定如何优化提示词，得到更好的结果。这就是为什么我们说提示词是一个高度迭代的过程——有时你需要尝试几次才能得到想要的结果。
以上就是关于提示词技巧的全部内容。希望你能去一些大语言模型提供商的网页界面，自己动手尝试这些想法。在本课程中，我们也提供了一些主流 LLM 提供商的链接，希望你去玩一玩，享受其中的乐趣。这就是本周主要视频系列的结尾了。还有一个可选视频，我会稍微聊聊图像生成或扩散模型，如果你感兴趣的话可以去看看。然后期待下周再见，我们将更深入地讨论如何使用大语言模型来构建项目，期待和你一起探索这个话题。
本文档根据视频字幕整理翻译，内容为 DeepLearning.AI "Generative AI for Everyone" 课程第一周第九讲。
提示词技巧
下载 MP3