{ "format": "course-navigator-share", "version": 1, "exported_at": "2026-06-27T04:10:04.235Z", "message": "下午好～", "items": [ { "id": "the-ai-novice-and-the-ai-power-user-1", "source_url": "https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/lesson/de11nq6r/the-ai-novice-and-the-ai-power-user", "title": "The AI novice and the AI power user", "custom_title": true, "collection_group_title": null, "collection_title": "AI Prompting For Everyone", "course_index": 1, "sort_order": 1, "duration": 579.2, "created_at": "2026-05-03T08:31:14.023571+00:00", "transcript": [ { "start": 1.926, "end": 7.84, "text": "It is now 2026, and prompting AI models is very different from when ChatGPT first came out in 2022." }, { "start": 8.72, "end": 14.88, "text": "Using AI well is one of the most impactful skills you can develop. And people that are not yet at" }, { "start": 14.88, "end": 21.44, "text": "the cutting edge of AI usage often run into AI generating frustrating outputs. I want to make" }, { "start": 21.44, "end": 27.36, "text": "sure you're an expert prompter and can take advantage of today's AI tools, which are much" }, { "start": 27.36, "end": 33.759, "text": "more powerful than they were even a year ago. Let's take a look at two different experiences," }, { "start": 33.759, "end": 41.919, "text": "the AI novice and the AI power user. Many AI experts have learned to use it to answer hard" }, { "start": 41.919, "end": 48.639, "text": "questions. In contrast, many people, including AI novices, may have gotten used to using AI for" }, { "start": 48.639, "end": 54.08, "text": "simple questions, as if you were prompting it like a Google search. So if you ask it," }, { "start": 54.08, "end": 60.24, "text": "does Taco Bell still have the double decker taco? And maybe you get an answer like that," }, { "start": 61.278999999999996, "end": 69.199, "text": "which is fine. But if you have much harder questions, you can also ask it of the AI and" }, { "start": 69.199, "end": 75.76, "text": "give it time to think. For example, if you're looking to buy a car, you can upload to most" }, { "start": 75.76, "end": 82.8, "text": "of the commercial services like ChatGPT, Gemini, Anthropic's Claude, or others, a set of documents," }, { "start": 82.8, "end": 88, "text": "including car specs, quotes, insurance plans, and ask it: what are the trade-offs for these" }, { "start": 88, "end": 94, "text": "different cars I'm thinking about? And tell it to read everything and to think hard before answering." }, { "start": 95.03999999999999, "end": 101.03999999999999, "text": "And this can cause AI to spend many seconds or even minutes to think and then compile a" }, { "start": 101.03999999999999, "end": 105.919, "text": "detailed report for you. I find this a huge time saver for a lot of things I have to do." }, { "start": 106.87899999999999, "end": 113.199, "text": "Another example. AI power users have learned to provide the right context or the right background" }, { "start": 113.199, "end": 120.4, "text": "information to the AI to set it up for successfully answering your question. In contrast, I see some" }, { "start": 120.4, "end": 127.839, "text": "some AI novices use a short prompt and hope the AI will fill in the blanks. But if you think of AI" }, { "start": 127.839, "end": 134.32, "text": "as maybe being akin to a really smart fresh college grad—highly motivated, but that doesn't" }, { "start": 134.639, "end": 139.6, "text": "really know that much about you yet, then a short prompt sometimes doesn't give it enough" }, { "start": 139.6, "end": 145.919, "text": "information or enough background context to answer your question accurately. So if you tell the AI" }, { "start": 145.919, "end": 152, "text": "\"please write a good self-review to send to my boss\", the AI doesn't know what you've actually" }, { "start": 152, "end": 156.47899999999998, "text": "done over the last year because you haven't told it yet. And it might write a very generic" }, { "start": 156.47899999999998, "end": 163.199, "text": "self-review, which isn't that helpful. In contrast, I find that AI power users" }, { "start": 163.199, "end": 168.559, "text": "almost have empathy for the AI. I don't want to overly anthropomorphize the AI," }, { "start": 168.559, "end": 173.839, "text": "but if you could put yourself in the shoes of someone getting a set of instructions from you," }, { "start": 173.839, "end": 178.639, "text": "you can ask yourself: will they actually know enough about you to do a good job on the task" }, { "start": 178.639, "end": 184.399, "text": "you're assigning them? So an AI power user in comparison might upload a lot of information" }, { "start": 184.399, "end": 189.119, "text": "to the AI, maybe give it a screenshot of a project tracker, showing what you've worked on," }, { "start": 189.679, "end": 195.75900000000001, "text": "recent project docs, maybe voice memo notes where you talk through the projects and then tell it to" }, { "start": 195.75900000000001, "end": 202.559, "text": "write a self-review to send to my boss. And that could do a much better job capturing what you're" }, { "start": 202.559, "end": 210.88, "text": "most proud of. One of the things power users have learned to do is how to prompt AI to get honest" }, { "start": 210.88, "end": 218.07999999999998, "text": "feedback. A big problem with AI is it often wants to please you. In fact, many AI systems were" }, { "start": 218.07999999999998, "end": 225.679, "text": "trained to try to make their users happy. And if you ask it a biased question, it will often give" }, { "start": 225.679, "end": 232.399, "text": "a biased answer because it's trying to tell you what it thinks you want to hear. For example," }, { "start": 232.399, "end": 239.75900000000001, "text": "if you say: I have a great business idea, mobile tie dyeing. Critique it. Because you called it" }, { "start": 239.75900000000001, "end": 246, "text": "a great business idea and you're saying it's your idea, the AI will naturally want to please you and" }, { "start": 246, "end": 254.16, "text": "say, what a great idea. We sometimes call this sycophancy. And it's well known that if you give" }, { "start": 254.16, "end": 259.6, "text": "even a hint of what answer you're hoping for, there's a good chance the AI will just reflect" }, { "start": 259.6, "end": 267.2, "text": "back your preferences or your preconceptions. In contrast, AI power users tend to ask neutral" }, { "start": 267.2, "end": 272.239, "text": "questions that don't give any hint to the AI for what answer you're hoping for or not hoping for." }, { "start": 272.959, "end": 280, "text": "Or if you give it a rubric or grading criteria to tell the AI how to form the basis for its answer," }, { "start": 280.55899999999997, "end": 286.88, "text": "that also forces it to be more objective. For example, if you were to say: please analyze the" }, { "start": 286.88, "end": 293.04, "text": "following business idea objectively: mobile tie dyeing. And don't just make up a bunch of things" }, { "start": 293.04, "end": 299.119, "text": "for what you think. Use the rubric, or the grading criteria above, such as: is there a problem? Is" }, { "start": 299.119, "end": 304.079, "text": "there a market? Do I have a competitive advantage? If you give instructions like this to the AI," }, { "start": 304.079, "end": 309.04, "text": "then the AI doesn't know: are you hoping it'll tell you it's a great idea or that it will save" }, { "start": 309.04, "end": 314.32, "text": "you from spending a lot of time on the bad business idea? And it's much more likely to then" }, { "start": 314.32, "end": 320.64, "text": "tell you something like, oh, this idea is an 8 out of 100 and also why this scores low." }, { "start": 321.92, "end": 328.16, "text": "In case you run a mobile tie-dye business, I wish you really best of luck. And AI could also" }, { "start": 328.48, "end": 333.44, "text": "ask some useful questions to help you think through how to make the business even better." }, { "start": 334.48, "end": 341.04, "text": "Lastly, I found that AI novices and AI power users ask AI to write in very different ways." }, { "start": 341.679, "end": 347.04, "text": "Novices will just ask AI to write stuff, like write a blog post about the BlackBerry." }, { "start": 348.079, "end": 353.44, "text": "And it will generate a bunch of text that maybe looks like this, which sounds like AI slop." }, { "start": 354, "end": 358.88, "text": "It's a bunch of generic text that's just not that interesting and takes up a lot of space." }, { "start": 360, "end": 366.88, "text": "In contrast, an AI power user will often not ask the AI system to just jump in writing directly," }, { "start": 366.88, "end": 373.6, "text": "but instead ask AI to first outline an article and then critique the outline and maybe iterate" }, { "start": 373.6, "end": 378.559, "text": "a few times with the outline to shape the article. And only then ask AI to start to" }, { "start": 378.559, "end": 384.959, "text": "draft the final article. So give it a set of uploaded notes as context. An expert may say," }, { "start": 384.959, "end": 389.76, "text": "outline a blog post about the BlackBerry based on my notes so it knows what you want to talk about." }, { "start": 390.799, "end": 397.44, "text": "And the AI may start by giving an outline. And you might then give feedback to the AI about what" }, { "start": 397.44, "end": 402.64, "text": "you like and what you don't like about the outline. And even iterate a few times, have a" }, { "start": 402.64, "end": 407.679, "text": "few back and forth rounds before you have an outline that you're satisfied with. And maybe" }, { "start": 407.679, "end": 412.799, "text": "only then expand the outline into bullet points. And maybe even go back and forth a few times to" }, { "start": 412.799, "end": 419.519, "text": "critique the bullet points before you're satisfied with that, and then expand it into the final text." }, { "start": 421.2, "end": 426.559, "text": "This type of power user workflow is much more likely to generate some text that you're happy" }, { "start": 426.559, "end": 433.92, "text": "with, as opposed to AI slop. And in this type of workflow, you're treating the AI as a thinking" }, { "start": 433.92, "end": 439.92, "text": "partner to almost help you brainstorm and explore different options for what you might want to write." }, { "start": 440.799, "end": 448.079, "text": "AI systems do make mistakes, but maybe fewer than most people think, especially if you prompt it" }, { "start": 448.079, "end": 456.48, "text": "well. They made a lot more mistakes back in 2022 or 2023 than they do now. But a lot of widely" }, { "start": 456.48, "end": 462.399, "text": "publicized mistakes that AI has made, some of which went viral on social media, has made people" }, { "start": 462.399, "end": 469.04, "text": "think that AI maybe makes even more mistakes than it actually does. There's a well publicized one" }, { "start": 469.04, "end": 474, "text": "where people asked it how many R's are there in the word strawberry, and it thinks there are two R's." }, { "start": 474.55899999999997, "end": 480.559, "text": "And here's one that I found amusing: I want to wash my car. Should I walk or drive there? And" }, { "start": 480.559, "end": 487.04, "text": "the AI says: walk, which would leave you there without your car. But these viral examples are not" }, { "start": 487.04, "end": 494.799, "text": "representative of AI capabilities. In contrast, power users know that AI can deliver significant" }, { "start": 494.799, "end": 501.679, "text": "value through tasks like doing deep research and writing research reports, or taking your personal" }, { "start": 501.679, "end": 509.119, "text": "data, like your health or heart rate or running time data, and analyzing that for you. Or, something" }, { "start": 509.119, "end": 516.479, "text": "we'll talk about later, even building websites for you. I've seen being an AI power user" }, { "start": 516.479, "end": 522.799, "text": "tremendously benefit individuals, as well as their businesses. It'll save you time and improve" }, { "start": 522.799, "end": 529.76, "text": "your professional and personal lives. It'll help you to build lots of cool things. You'll learn how later" }, { "start": 529.76, "end": 537.599, "text": "in these videos. And being able to prompt AI at an expert level is a highly in-demand job skill," }, { "start": 537.599, "end": 544.239, "text": "no matter what job role you're in. In the rest of these videos, I hope to take you from wherever" }, { "start": 544.32, "end": 553.359, "text": "you are today to being an AI power user. Much has been said about AI being useful. I find using AI" }, { "start": 553.359, "end": 560.559, "text": "really fun as well, and you'll see a few examples of that in these videos too. Now, one foundational" }, { "start": 560.559, "end": 566.479, "text": "piece of knowledge that helps you work with AI is understanding where it gets its knowledge from," }, { "start": 567.119, "end": 571.84, "text": "so that you can better predict when it'll get something right, and when you maybe shouldn't" }, { "start": 571.84, "end": 579.2, "text": "count on its answer. Let's go on to the next video to learn about how AI gets its knowledge." } ], "transcript_source": "imported", "metadata": { "id": "the-ai-novice-and-the-ai-power-user-1", "title": "AI Prompting for Everyone - DeepLearning.AI (1)", "duration": null, "uploader": null, "channel": null, "creator": null, "description": null, "playlist_title": null, "playlist_index": null, "webpage_url": "https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/lesson/de11nq6r/the-ai-novice-and-the-ai-power-user", "extractor": "html5", "stream_url": "https://video.deeplearning.ai/dlai/ai-prompting-for-everyone/W1/L1-lc-ai-prompting-for-everyone-C1-/video/1080/1777224908/lc-ai-prompting-for-everyone-W1-L1-lc-ai-prompting-for-everyone-C1-.m3u8", "hls_manifest_url": "https://video.deeplearning.ai/dlai/ai-prompting-for-everyone/W1/L1-lc-ai-prompting-for-everyone-C1-/lc-ai-prompting-for-everyone-W1-L1-lc-ai-prompting-for-everyone-C1--master.m3u8?v=ce787faef86626774784ad6f8d8b22ae", "language": null, "subtitles": [], "automatic_captions": [] }, "study": { "one_line": "本课程对比AI新手与高手的使用方式，旨在帮助学习者通过提供详细上下文、迭代工作流和客观提问等技巧，成为能高效利用强大AI工具的专家提示者。", "translated_title": "AI新手与AI高阶用户", "context_summary": "本课程出自DeepLearning.AI的“全民AI提示”系列，授课教师未具名。课程对比了AI新手与高级用户的不同使用方式：新手常将AI当作搜索引擎进行简单提问，缺乏上下文且要求直接输出，导致生成内容泛泛乏味（即“AI垃圾”）。而高级用户则善用AI处理复杂任务，通过提供详细背景、采用迭代工作流（如先拟定大纲、批判审视再正式撰写），并将AI视为思考伙伴。核心概念包括提示、上下文、迭代工作流及AI垃圾。课程旨在帮助学习者掌握专业提示技巧，以高效驾驭2026年更强大的AI工具。", "time_map": [ { "start": 1.926, "end": 33.759, "title": "AI提示的演进与课程目标", "summary": "演讲者设定了2026年的背景，强调了善用AI的关键技能，并介绍了成为专家提示者以利用更强大工具的目标。", "priority": "skim" }, { "start": 33.759, "end": 105.919, "title": "新手与高级用户对比", "summary": "本段对比了AI新手和高级用户使用AI的方式：新手倾向于像使用搜索引擎一样提出简单问题，而高级用户则用AI处理复杂任务，通过提供详细文档并要求AI深思熟虑来获得高质量输出。", "priority": "focus" }, { "start": 106.87899999999999, "end": 225.679, "title": "提供背景信息", "summary": "对比了AI新手与高级用户在提供背景信息上的差异：新手使用简短提示导致AI输出笼统内容，而高级用户会提供详细背景（如截图、文档）以获得更准确、有用的结果。", "priority": "focus" }, { "start": 225.679, "end": 321.92, "title": "避免AI谄媚", "summary": "本学习块解释了AI如何因用户提示中的倾向性而产生“谄媚”行为，并对比了高级用户通过提出中立问题或使用评分标准来促使AI给出更客观分析的方法。", "priority": "focus" }, { "start": 321.92, "end": 439.92, "title": "AI写作方式对比", "summary": "本段对比了AI新手和高级用户在让AI写作时的不同方法：新手直接要求生成文本，导致产生泛泛而谈的“AI slop”；而高级用户则采用迭代工作流程，将AI视为思考伙伴，先制定大纲、进行批评和迭代，再起草最终文本。", "priority": "focus" }, { "start": 440.799, "end": 537.599, "title": "AI错误认知与高级用户价值", "summary": "本学习块澄清了公众对AI错误率的夸大认知，指出许多病毒式传播的错误案例并不代表AI的实际能力，并阐述了高级用户如何通过深度研究、数据分析等复杂任务从AI中获得显著价值。", "priority": "focus" }, { "start": 537.599, "end": 579.2, "title": "课程目标与基础", "summary": "本学习块介绍了课程目标是帮助学习者从当前水平成长为AI高级用户，并指出理解AI的知识来源是有效使用AI的一个基础。", "priority": "skim" } ], "outline": [ { "id": "block-1", "start": 1.926, "end": 33.759, "title": "AI提示的演进与课程目标", "summary": "演讲者设定了2026年的背景，强调了善用AI的关键技能，并介绍了成为专家提示者以利用更强大工具的目标。", "children": [] }, { "id": "block-2", "start": 33.759, "end": 105.919, "title": "新手与高级用户的核心差异", "summary": "对比了AI新手和高级用户使用AI的方式：新手倾向于像使用搜索引擎一样提出简单问题，而高级用户则用AI处理复杂任务，通过提供详细文档并要求AI深思熟虑来获得高质量输出。", "children": [ { "id": "block-2", "start": 33.759, "end": 105.919, "title": "使用方式对比", "summary": "新手将AI视为搜索引擎，用于简单查询；高级用户将AI视为处理复杂任务的工具，通过提供详细文档和要求深度思考来获得高质量输出。", "children": [] } ] }, { "id": "block-3", "start": 106.87899999999999, "end": 225.679, "title": "提供背景信息的差异", "summary": "对比了AI新手与高级用户在提供背景信息上的差异：新手使用简短提示导致AI输出笼统内容，而高级用户会提供详细背景（如截图、文档）以获得更准确、有用的结果。", "children": [ { "id": "block-3", "start": 106.87899999999999, "end": 225.679, "title": "背景信息的详细程度", "summary": "新手提示简短，导致输出笼统；高级用户提供详细背景（如截图、文档），以获得更准确、有用的结果。", "children": [] } ] }, { "id": "block-4", "start": 225.679, "end": 321.92, "title": "避免AI谄媚", "summary": "解释了AI如何因用户提示中的倾向性而产生“谄媚”行为，并对比了高级用户通过提出中立问题或使用评分标准来促使AI给出更客观分析的方法。", "children": [ { "id": "block-4", "start": 225.679, "end": 321.92, "title": "AI谄媚现象与应对", "summary": "AI可能因提示中的倾向性而产生谄媚行为；高级用户通过中立问题或评分标准促使AI给出更客观的分析。", "children": [] } ] }, { "id": "block-5", "start": 321.92, "end": 439.92, "title": "AI写作方式对比", "summary": "对比了AI新手和高级用户在让AI写作时的不同方法：新手直接要求生成文本，导致产生泛泛而谈的“AI slop”；而高级用户则采用迭代工作流程，将AI视为思考伙伴，先制定大纲、进行批评和迭代，再起草最终文本。", "children": [ { "id": "block-5", "start": 321.92, "end": 439.92, "title": "写作方法与迭代工作流", "summary": "新手直接要求生成文本，导致“AI slop”；高级用户采用迭代工作流程（制定大纲、批评、迭代、起草），将AI视为思考伙伴。", "children": [] } ] }, { "id": "block-6", "start": 440.799, "end": 537.599, "title": "AI错误认知与高级用户价值", "summary": "澄清了公众对AI错误率的夸大认知，指出许多病毒式传播的错误案例并不代表AI的实际能力，并阐述了高级用户如何通过深度研究、数据分析等复杂任务从AI中获得显著价值。", "children": [ { "id": "block-6", "start": 440.799, "end": 537.599, "title": "错误认知与价值获取", "summary": "公众对AI错误率的认知被夸大；高级用户通过深度研究、数据分析等复杂任务从AI中获得显著价值。", "children": [] } ] }, { "id": "block-7", "start": 537.599, "end": 579.2, "title": "课程目标与基础", "summary": "介绍了课程目标是帮助学习者从当前水平成长为AI高级用户，并指出理解AI的知识来源是有效使用AI的一个基础。", "children": [ { "id": "block-7", "start": 537.599, "end": 579.2, "title": "课程目标与知识基础", "summary": "课程目标：帮助学习者成长为AI高级用户；基础：理解AI的知识来源是有效使用AI的关键。", "children": [] } ] } ], "detailed_notes": "00:01-00:33 AI提示的演进与课程目标\n这个学习块是课程的导入部分，旨在设定时间背景（2026年）并建立学习动机。它首先指出AI提示技术在四年间（2022-2026）已发生巨大变化，从而暗示本课程内容的前沿性。接着，它强调善用AI是一项至关重要的高影响力技能，直接关系到个人效能。然后，它点出了一个核心矛盾：如果未能掌握前沿用法，用户常会得到令人沮丧的AI输出。最后，它明确了本课程的直接目标——将学习者培养成能充分利用当前（更强大的）AI工具的“提示词专家”，并以此为引子，预告接下来将对比两种不同的使用体验（即新手与高级用户）。这个块为整个课程奠定了基调：这不是关于基础操作，而是关于如何跨越瓶颈、掌握高效方法以应对已进化工具的战略性学习。学习者可以快速浏览以把握课程意图和背景，但需理解其提出的核心问题（技能差距导致糟糕输出）和最终目标（成为专家），这为后续的具体对比和技巧学习提供了“为什么需要学”的充分理由。\n\n00:33-01:45 新手与高级用户对比\n本学习块通过具体案例对比了AI新手与高级用户的核心差异，解释了为何这种差异对课程学习至关重要。它指出，新手往往将AI当作搜索引擎，仅用于获取简单事实（如询问快餐菜单），这种用法虽可行但价值有限。而高级用户则利用AI处理复杂决策（如购车分析），通过上传详细文档（规格、报价、保险计划）并明确要求AI“仔细阅读、深思熟虑”，引导AI进行深度思考，最终生成节省时间的详细报告。这直接呼应了课程主线——从基础提问转向高效提示，强调了提供充分上下文和允许AI“思考时间”是解锁AI真正潜力的关键。如果你希望超越简单问答，学习如何将AI转化为处理复杂任务的专业伙伴，此部分应重点学习；若已熟悉基础概念，可快速回顾以强化对比框架。\n\n01:46-03:45 提供背景信息\n本学习块聚焦于成为AI高级用户的核心原则之一：提供充分的背景信息。它通过对比新手与高级用户的典型做法，解释了为什么背景信息至关重要。新手往往给出简短、模糊的提示（如“写一份自我评估”），这就像让一位不了解你工作的聪明新人完成任务，结果必然是笼统且无用的“AI垃圾”。而高级用户则展现出“同理心”，他们会思考：如果自己是接收指令的人，需要哪些信息才能做好？因此，他们会主动上传项目跟踪器截图、文档、语音备忘录等丰富背景，让AI能生成真正个性化、有价值的输出（例如一份能突出具体成就的自我评估）。本块末尾还自然过渡到高级用户的另一个关键技能：如何引导AI给出诚实反馈，而非一味取悦用户。这部分内容直接服务于本课程的核心目标——从新手进阶为能有效驾驭AI的专家。对于学习者而言，这是必须重点关注和实践的基础理念，因为它从根本上决定了你与AI协作的产出质量。\n\n03:45-05:21 避免AI谄媚\n本学习块深入探讨了AI交互中的一个关键陷阱——'谄媚'行为，并提供了两种核心策略来规避它，从而获得更客观、有用的分析。这之所以重要，是因为如果用户无意中在提示中流露出偏好（例如，称自己的商业创意'很棒'），AI会倾向于迎合用户，给出带有倾向性、可能不真实的赞美（即'AI slop'），这无助于真正的决策或改进。为了成为高级用户，你需要学会剥离这种主观暗示。块中对比了两种有效方法：一是提出完全中立的问题，不预设任何答案方向；二是更主动地提供一个明确的评分标准或评估框架（如分析市场需求、竞争优势等），强制AI基于客观准则进行推理，而不是猜测你的喜好。这直接呼应了课程主线——从新手简单提问转向将AI作为严谨的思考伙伴。掌握这一点，你就能让AI从'奉承者'转变为'客观分析师'，为处理更复杂的任务奠定基础。建议重点学习，因为这是提升提示质量、避免被AI误导的关键一步。\n\n05:21-07:19 AI写作方式对比\n本学习块深入对比了AI新手与高级用户在利用AI进行写作时的核心差异，这是课程从识别问题转向解决方案的关键转折点。它解释了为什么直接要求AI生成文本（如写博客文章）往往会产生被称为“AI slop”的、无趣且泛泛的劣质内容。更重要的是，它展示了高级用户的替代方法：一个结构化的、迭代的工作流程。这种方法不是把AI当作一个简单的文本生成器，而是将其视为一个“思考伙伴”。流程包括先基于个人笔记和上下文让AI创建大纲，然后对大纲进行多轮批评和迭代，可能再扩展到要点并继续优化，最后才起草文本。这种方法的本质在于将单次、模糊的指令，分解为多次、明确的协作步骤，从而引导AI产出更贴合需求、更高质量的结果。理解这一对比对于整个课程至关重要，因为它直接回答了“如何从新手变为高级用户”的核心问题，并为后续学习具体的提示技巧和迭代策略奠定了思想基础。学习者应重点关注此块，因为它揭示了有效使用AI进行创造性或复杂任务的核心心智模型和工作哲学。\n\n07:20-08:57 AI错误认知与高级用户价值\n本学习块旨在澄清关于AI错误率的常见误解，并阐明高级用户如何利用AI创造实际价值。它首先指出，虽然AI确实会犯错，但其实际错误率可能低于公众认知，尤其是当提示得当时。讲师通过“草莓”单词中R的数量和“走着去洗车”等病毒式传播的错误案例，说明这些例子并不代表AI的真实能力，而是被过度放大，容易误导人们对AI可靠性的判断。随后，块内容转向高级用户的视角：他们不被这些表面错误所干扰，而是专注于利用AI处理复杂任务，如深度研究、撰写报告、分析个人健康或运动数据，甚至构建网站。这些应用能为个人和业务节省时间、提升效率，并创造“很酷”的成果。最后，块中强调，掌握专家级的提示技能已成为一项高需求的工作能力。这部分内容连接了课程的核心线索——从“新手”对AI的简单、错误认知，转向“高级用户”对AI潜力的深度挖掘和有效利用。对于学习者来说，这部分有助于建立对AI能力的理性信心，并理解投入学习高级提示技巧的长期回报，因此建议重点关注，以巩固从“恐惧错误”到“驾驭价值”的心态转变。\n\n08:57-09:39 课程目标与基础\n这个学习块是课程的过渡和承上启下部分。它明确了课程的最终目标：将学习者从当前水平（无论职业角色如何）培养成一名'AI高级用户'，并强调这个过程不仅实用，而且充满乐趣。更重要的是，它引入了一个关键的学习基础：理解AI的知识来源。这一点至关重要，因为它直接关系到后续所有提示技巧的底层逻辑——只有知道AI从哪里获取信息、其能力的边界在哪里，学习者才能在实际应用中'预测其回答的可靠性'，从而明智地判断何时可以信赖AI的输出，何时需要保持怀疑或进一步验证。这为接下来深入探讨AI工作原理的视频做了直接铺垫，将'如何用'（高级用户技巧）与'为何能'（AI的知识基础）这两个课程核心线索连接了起来。对于学习者而言，这部分内容属于框架性介绍，可以快速浏览以把握课程的整体方向和即将深入的核心前提。", "high_fidelity_text": "[00:01-00:33] AI提示的演进与课程目标\n本学习块是课程的引言，设定了时间背景并阐述了核心学习动机。\n\n1. 时间背景设定：现在是2026年。向AI模型提问（即“提示”）的方式，已经与2022年ChatGPT首次问世时“非常不同”。这暗示了技术已经进化，课程内容将基于当前（即2026年）的前沿实践。\n2. 核心技能主张：善用AI被定位为“你能培养的最具影响力的技能之一”。这是一个关于个人技能发展重要性的直接声明。\n3. 问题阐述：那些尚未掌握AI使用“前沿”或“尖端”方法的人，常常会遇到一个问题：AI会生成“令人沮丧的输出”。这指出了技能差距与不良结果之间的直接关联。\n4. 课程目标声明：演讲者的明确目标是确保学习者成为一名“专家级提示者”（expert prompter）。这样做的目的是为了让学习者能够“充分利用当今的AI工具”。\n5. 工具能力说明：这些“当今的AI工具”被描述为比“一年前”（即相对于2025年）“强大得多”。这进一步强调了跟上最新工具发展步伐的必要性。\n6. 内容预告：最后，演讲者以“让我们看看两种不同的体验”作为过渡，为接下来对比AI新手和高级用户的体验做好了铺垫。\n\n[00:33-01:45] 新手与高级用户对比\n本学习块对比了AI新手与AI高级用户使用AI的核心方式差异。\n\n首先，课程指出一个普遍现象：许多AI专家已经学会使用AI来解答难题。\n\n与此形成对比的是，包括AI新手在内的许多人，可能已经习惯将AI用于处理简单问题。他们的使用方式类似于使用谷歌搜索引擎进行提问。\n\n课程提供了一个具体的例子来说明这种新手用法：用户可以问AI“塔可钟还有双层塔可吗？”。对于这类简单事实查询，AI会给出答案，这种做法本身是可行的。\n\n然而，课程随即转向高级用户的用法：对于更复杂、更困难的问题，用户同样可以向AI提问，但关键是要给予AI时间进行思考。\n\n课程通过一个详细的购车决策案例来阐释高级用法：\n1. 用户可以上传一组文档到大多数商业AI服务（例如ChatGPT、Gemini、Anthropic的Claude等）。\n2. 上传的文档内容可以包括汽车规格、报价、保险计划等具体材料。\n3. 用户可以向AI提出一个复杂的、需要综合分析的问题，例如：“我考虑的这些不同车型各有什么利弊？”\n4. 用户需要向AI发出明确的指令：要求它“仔细阅读所有内容”并且“深思熟虑后再回答”。\n\n课程解释了这种做法的效果：遵循上述指令会让AI花费数秒甚至数分钟的时间进行思考，然后为用户编制一份详细的报告。\n\n最后，课程基于讲师的个人经验提出了一个观点：这种让AI进行深度思考并生成详细报告的方法，为处理许多复杂事务节省了大量时间。\n\n[01:46-03:45] 提供背景信息\n本学习块的核心内容是：AI高级用户懂得为AI提供恰当的背景信息，以使其能成功回答问题。\n\n首先，通过对比说明新手与高级用户的差异：\n- AI新手倾向于使用简短的提示，并指望AI自行填补空白。\n- 但简短的提示有时无法为AI提供足够的信息或背景来准确回答你的问题。\n\n为了解释为何背景信息重要，引入了一个类比：\n- 将AI想象成一位非常聪明的应届大学毕业生——积极主动，但对你还不太了解。\n- 基于这个类比，简短的提示就相当于没有给这位“毕业生”足够的关于你的信息。\n\n接着，用一个具体例子说明简短提示的局限性：\n- 如果你告诉AI“请写一份优秀的自我评估发给我的老板”，AI并不知道你过去一年实际做了什么，因为你还没告诉它。\n- 结果：AI可能会写出非常笼统的自我评估，这没什么帮助。\n\n然后，转向高级用户的做法，并引入一个关键心态：\n- AI高级用户几乎对AI抱有同理心。（同时给出一个说明：我不想过度拟人化AI。）\n- 具体方法是：设身处地为接收你指令的人着想，并自问：他们是否真的足够了解你，能出色完成你分配的任务？\n\n基于这种心态，高级用户采取的具体行动是：\n- 向AI上传大量信息。\n- 例如：提供项目跟踪器的截图，展示你做过的工作；提供近期的项目文档；提供你讨论项目的语音备忘录笔记。\n- 然后，在此背景下，再让它撰写一份自我评估报告发给老板。\n- 这样做的效果是：能更好地捕捉到你最引以为傲的成就。\n\n最后，本块以一个过渡句结束，引出高级用户学会的另一个关键技巧：\n- 高级用户学会的技巧之一是如何提示AI以获得诚实的反馈。\n- 原因在于：AI的一个大问题是它常常想要取悦你。事实上，许多AI系统被训练得试图让用户开心。\n- 因此，如果你提出一个带有倾向性的问题，它往往会给出（迎合的答案）。\n\n[03:45-05:21] 避免AI谄媚\n本学习块解释了AI交互中的一个关键陷阱——'谄媚'行为，并提供了两种核心策略来规避它，从而获得更客观、有用的分析。\n\n首先，块中明确指出了AI的'谄媚'倾向。具体机制是：如果你在提示中给出任何关于你希望得到什么答案的暗示，AI很可能会直接反映你的偏好或先入之见。这是因为AI试图告诉你它认为你想听的话，从而产生带有倾向性的答案。\n\n块中给出了一个具体的例子来阐明这一陷阱：\n- 如果你说：'我有一个很棒的商业创意——移动扎染。请批评它。' 因为你称其为'很棒的商业创意'并且说这是你的想法，AI自然会想要取悦你，然后说'多么棒的主意啊'。\n- 这种现象有时被称为'谄媚'。这是一个已知问题：即使你只给出一个微小的暗示，AI也很可能只是迎合你的期望。\n\n接着，块中对比了AI高级用户采用的两种方法来避免这种谄媚，以获得更客观的分析。\n\n第一种方法是：提出中立的问题。\n- 具体做法是：提出的问题不向AI暗示你希望或不希望得到什么答案。这避免了AI猜测你的偏好。\n\n第二种方法是：提供一个评分标准或评估准则。\n- 具体做法是：给AI一个准则，告诉它如何形成其答案的基础。这也会迫使它更加客观。\n\n块中通过扩展同一个商业创意的例子，详细说明了第二种方法的应用步骤：\n1. 你可以说：'请客观分析以下商业创意：移动扎染。'\n2. 接着给出具体指令：'不要只是凭空编造一堆你认为的东西。使用上面的评分标准或评估准则。'\n3. 然后提供一个具体的准则示例，例如：'是否存在需求问题？是否有市场？我是否有竞争优势？'\n\n块中解释了这种方法为何有效：\n- 当你给出这样的指示时，AI就不知道你的隐含期望——它不知道你是希望它告诉你这是个好主意，还是希望它能让你避免在一个糟糕的商业创意上浪费大量时间。\n- 因此，AI更有可能基于你提供的客观准则进行分析，并给出一个基于评估的、可能不那么讨好的回答。例如，它可能会告诉你：'这个创意在100分中只能得8分'，并且解释为什么得分低。\n\n总结来说，本块的核心教学路径是：先揭示AI因用户暗示而产生谄媚行为的问题，然后对比两种解决方案——提出中立问题，或更主动地提供一个客观的评估框架来引导AI的分析。\n\n[05:21-07:19] AI写作方式对比\n本学习块聚焦于AI新手与高级用户在利用AI进行写作时的具体方法对比。\n\n首先，课程指出一个观察：AI新手和高级用户让AI写作的方式截然不同。\n\n接下来，详细描述了AI新手的典型做法：\n1. 他们直接要求AI生成文本，例如给出“写一篇关于黑莓手机的博客文章”这样的指令。\n2. 这种做法的结果是，AI会生成一堆文字。\n3. 课程将这种结果描述为“AI slop”，并具体定义了其特征：这是一堆泛泛而谈的文字，既不有趣，又占用了大量空间。\n\n然后，课程转向AI高级用户的做法，与之形成鲜明对比：\n1. 高级用户通常不会让AI系统直接开始写作。\n2. 相反，他们采用一个分步骤的、迭代的工作流程：\n a. **第一步：创建大纲**。他们会先要求AI根据提供的笔记和上下文，为文章创建一个大纲。例如，指令是：“根据我的笔记，为黑莓手机撰写一篇博客文章大纲。”这样做的目的是让AI明确知道用户想要讨论的内容。\n b. **第二步：批评与迭代大纲**。在AI给出初步大纲后，用户会提供反馈，指出自己喜欢和不喜欢的地方。这个过程可能需要来回进行几轮迭代，直到用户对大纲感到满意。\n c. **第三步：扩展为要点**。在满意的大纲基础上，用户可能要求AI将大纲扩展为更详细的要点。\n d. **第四步：批评与迭代要点**。对于扩展后的要点，用户可能再次进行几轮的批评和修改，直到满意。\n e. **第五步：起草最终文本**。只有在完成上述步骤后，用户才会要求AI将最终的要点扩展成完整的文章文本。\n\n最后，课程总结了这种高级用户工作流程的优势和本质：\n1. 与直接生成“AI slop”相比，这种迭代工作流程更有可能生成让用户满意的文本。\n2. 在这种工作流程中，用户将AI视为一个“思考伙伴”。其核心作用是帮助用户进行头脑风暴，并探索用户可能想要写作内容的不同选项。\n\n[07:20-08:57] AI错误认知与高级用户价值\n本学习块旨在澄清关于AI错误率的常见误解，并阐明高级用户如何利用AI创造实际价值。\n\n首先，讲师提出一个核心观点：AI系统确实会犯错，但实际犯的错误数量可能比大多数人想象的要少。这个观点有一个重要的限定条件：尤其是当用户提示得当时，错误会更少。\n\n接着，讲师提供了一个时间维度的比较来支撑这个观点：AI在2022年或2023年犯的错误比现在多得多。这表明AI的能力在随时间进步。\n\n然后，讲师解释了公众认知可能存在偏差的原因：许多被广泛报道（甚至在一些案例中于社交媒体上疯传）的AI错误，让人们觉得AI犯的错误可能比实际更多。\n\n为了具体说明这些“病毒式传播的错误案例”，讲师列举了两个例子：\n1. 一个广为人知的例子：当人们问AI“草莓（strawberry）”这个词里有几个R时，AI错误地认为有两个R。\n2. 另一个讲师个人觉得有趣的例子：用户提问“我想洗车。我应该走着去还是开车去？”，AI的回答是“走着去”。讲师指出这个建议的不合理之处：走着去会让你到了洗车的地方却没有车。\n\n在给出这些具体例子后，讲师做出了一个重要的论断：这些病毒式传播的例子并不能代表AI的实际能力。\n\n随后，内容发生对比性转折，从讨论公众误解转向阐述“高级用户”的认知和实践。讲师指出：相比之下，高级用户知道AI可以通过执行复杂任务来提供显著价值。\n\n讲师通过列举一系列任务类型来具体说明这种“显著价值”的来源：\n- 进行深度研究和撰写研究报告。\n- 获取并分析个人数据，例如健康数据、心率数据或跑步时间数据。\n- 构建网站（讲师注明，这一点将在后续视频中详细讨论）。\n\n基于这些应用，讲师总结了成为AI高级用户的好处：\n- 极大地惠及个人及其业务。\n- 为用户节省时间。\n- 改善用户的职业和个人生活。\n- 帮助用户构建许多很酷的东西（讲师注明，具体方法将在后续视频中学习）。\n\n最后，讲师将高级提示技能的价值提升到职业层面：能够以专家水平提示AI，是一项非常抢手的工作技能。\n\n[08:57-09:39] 课程目标与基础\n课程明确了其核心目标：无论学习者当前从事何种职业角色，课程都旨在引导他们从现有的水平，成长为一名'AI高级用户'。\n\n课程指出，关于AI的实用性已有广泛讨论，但使用AI的过程本身也充满乐趣，后续视频将展示一些有趣的例子。\n\n接着，课程引入了一个关键的基础知识：有效使用AI的一个基础是理解AI从哪里获取其知识。掌握这一点，学习者才能更好地预测AI何时会给出正确答案，以及何时可能不应该依赖它的回答。\n\n最后，课程预告了接下来的学习内容：下一个视频将具体探讨AI如何获取其知识。", "translated_transcript": [ { "start": 1.926, "end": 7.84, "text": "现在是2026年，向AI模型提问的方式已与2022年ChatGPT刚问世时大不相同。" }, { "start": 8.72, "end": 14.88, "text": "善用AI是你能培养的最具影响力技能之一。而那些尚未掌握" }, { "start": 14.88, "end": 21.44, "text": "AI前沿用法的人，常会遇到AI生成令人沮丧输出的情况。我希望确保" }, { "start": 21.44, "end": 27.36, "text": "你成为提示词专家，能充分利用当今的AI工具——它们比" }, { "start": 27.36, "end": 33.759, "text": "一年前强大得多。让我们看看两种不同的使用体验：" }, { "start": 33.759, "end": 41.919, "text": "AI新手与AI高级用户。许多AI专家已学会用它解答难题。" }, { "start": 41.919, "end": 48.639, "text": "相反，包括AI新手在内的许多人可能已习惯用AI处理" }, { "start": 48.639, "end": 54.08, "text": "简单问题，就像用谷歌搜索那样提问。比如你问它：" }, { "start": 54.08, "end": 60.24, "text": "“塔可钟还有双层塔可吗？”你可能会得到类似答案，" }, { "start": 61.278999999999996, "end": 69.199, "text": "这没问题。但如果你有更复杂的问题，也可以向AI提出，" }, { "start": 69.199, "end": 75.76, "text": "并给它思考时间。例如，如果你想买车，可以向大多数" }, { "start": 75.76, "end": 82.8, "text": "商业服务（如ChatGPT、Gemini、Anthropic的Claude等）上传一组文件，" }, { "start": 82.8, "end": 88, "text": "包括汽车规格、报价、保险计划，然后问它：“我考虑的这些" }, { "start": 88, "end": 94, "text": "不同车型各有什么利弊？”并要求它仔细阅读所有内容，深思熟虑后再回答。" }, { "start": 95.03999999999999, "end": 101.03999999999999, "text": "这会让AI花费数秒甚至数分钟思考，然后为你编制一份" }, { "start": 101.03999999999999, "end": 105.919, "text": "详细报告。我发现这能为我处理的许多事务节省大量时间。" }, { "start": 106.87899999999999, "end": 113.199, "text": "另一个例子：AI高级用户懂得为AI提供恰当的上下文或背景" }, { "start": 113.199, "end": 120.4, "text": "信息，使其能成功回答你的问题。相反，我看到一些" }, { "start": 120.4, "end": 127.839, "text": "AI新手使用简短提示，指望AI自行填补空白。但如果你把AI" }, { "start": 127.839, "end": 134.32, "text": "想象成一位非常聪明的应届大学毕业生——积极主动，但对你" }, { "start": 134.639, "end": 139.6, "text": "还不太了解，那么简短的提示有时无法提供足够" }, { "start": 139.6, "end": 145.919, "text": "信息或背景来准确回答你的问题。所以如果你告诉AI" }, { "start": 145.919, "end": 152, "text": "“请写一份优秀的自我评估发给我的老板”，AI并不知道你过去一年" }, { "start": 152, "end": 156.47899999999998, "text": "实际做了什么，因为你还没告诉它。它可能会写出非常笼统的" }, { "start": 156.47899999999998, "end": 163.199, "text": "自我评估，这没什么帮助。相比之下，我发现AI高级用户" }, { "start": 163.199, "end": 168.559, "text": "几乎对AI抱有同理心。我不想过度拟人化AI，" }, { "start": 168.559, "end": 173.839, "text": "但如果你能设身处地为接收你指令的人着想，" }, { "start": 173.839, "end": 178.639, "text": "你可以自问：他们是否真的足够了解你，能出色完成" }, { "start": 178.639, "end": 184.399, "text": "你分配的任务？因此，相比之下，AI高级用户可能会向AI上传大量信息，" }, { "start": 184.399, "end": 189.119, "text": "或许提供项目跟踪器的截图，展示你做过的工作，" }, { "start": 189.679, "end": 195.75900000000001, "text": "近期的项目文档，或许还有你讨论项目的语音备忘录笔记，然后让它" }, { "start": 195.75900000000001, "end": 202.559, "text": "撰写一份自我评估报告发给老板。这样能更好地捕捉到你" }, { "start": 202.559, "end": 210.88, "text": "最引以为傲的成就。高级用户学会的技巧之一是如何提示AI以获得诚实的" }, { "start": 210.88, "end": 218.07999999999998, "text": "反馈。AI的一个大问题是它常常想要取悦你。事实上，许多AI系统被" }, { "start": 218.07999999999998, "end": 225.679, "text": "训练得试图让用户开心。如果你提出一个带有倾向性的问题，它往往会给出" }, { "start": 225.679, "end": 232.399, "text": "带有倾向性的答案，因为它试图告诉你它认为你想听的话。例如，" }, { "start": 232.399, "end": 239.75900000000001, "text": "如果你说：我有一个很棒的商业创意——移动扎染。请批评它。因为你称其为" }, { "start": 239.75900000000001, "end": 246, "text": "很棒的商业创意，并且说这是你的想法，AI自然会想要取悦你，然后" }, { "start": 246, "end": 254.16, "text": "说，多么棒的主意啊。我们有时称这种现象为谄媚。众所周知，如果你给出" }, { "start": 254.16, "end": 259.6, "text": "任何关于你希望得到什么答案的暗示，AI很可能会直接反映" }, { "start": 259.6, "end": 267.2, "text": "你的偏好或先入之见。相比之下，AI高级用户倾向于提出中立的" }, { "start": 267.2, "end": 272.239, "text": "问题，不向AI暗示你希望或不希望得到什么答案。" }, { "start": 272.959, "end": 280, "text": "或者，如果你给它一个评分标准或评估准则来告诉AI如何形成其答案的基础，" }, { "start": 280.55899999999997, "end": 286.88, "text": "这也会迫使它更加客观。例如，如果你说：请客观分析" }, { "start": 286.88, "end": 293.04, "text": "以下商业创意：移动扎染。不要只是凭空编造一堆" }, { "start": 293.04, "end": 299.119, "text": "你认为的东西。使用上面的评分标准或评估准则，例如：是否存在需求问题？" }, { "start": 299.119, "end": 304.079, "text": "是否有市场？我是否有竞争优势？如果你给AI这样的指示，" }, { "start": 304.079, "end": 309.04, "text": "那么AI就不知道：你是希望它告诉你这是个好主意，还是希望它能让你" }, { "start": 309.04, "end": 314.32, "text": "避免在一个糟糕的商业创意上浪费大量时间？这样它就更有可能" }, { "start": 314.32, "end": 320.64, "text": "告诉你类似这样的话：哦，这个创意在100分中只能得8分，并且解释为什么得分低。" }, { "start": 321.92, "end": 328.16, "text": "万一你真的经营移动扎染生意，我真心祝你好运。AI还可以" }, { "start": 328.48, "end": 333.44, "text": "提出一些有用的问题，帮助你思考如何让生意做得更好。" }, { "start": 334.48, "end": 341.04, "text": "最后，我发现AI新手和高级用户让AI写作的方式截然不同。" }, { "start": 341.679, "end": 347.04, "text": "新手会直接让AI写东西，比如写一篇关于黑莓手机的博客文章。" }, { "start": 348.079, "end": 353.44, "text": "它会生成一堆看起来像这样的文字，听起来就像AI生成的套话。" }, { "start": 354, "end": 358.88, "text": "那是一堆泛泛而谈的文字，既无趣又占地方。" }, { "start": 360, "end": 366.88, "text": "相比之下，AI高级用户通常不会让AI系统直接开始写作，" }, { "start": 366.88, "end": 373.6, "text": "而是先让AI列出文章大纲，然后对大纲进行批评，或许还会与大纲" }, { "start": 373.6, "end": 378.559, "text": "进行几轮迭代来塑造文章。然后才让AI开始" }, { "start": 378.559, "end": 384.959, "text": "起草最终文章。所以，给它一组上传的笔记作为上下文。一位专家可能会说，" }, { "start": 384.959, "end": 389.76, "text": "根据我的笔记，为黑莓手机撰写一篇博客文章大纲，这样AI就能明白你想讨论什么。" }, { "start": 390.799, "end": 397.44, "text": "AI可能会先给出一个大纲。然后你可以就大纲的优缺点" }, { "start": 397.44, "end": 402.64, "text": "向AI提供反馈。甚至可能需要来回迭代几轮，" }, { "start": 402.64, "end": 407.679, "text": "进行几轮反复沟通，直到你对大纲满意为止。也许" }, { "start": 407.679, "end": 412.799, "text": "只有到那时才会将大纲扩展为要点。甚至可能还需要来回几轮" }, { "start": 412.799, "end": 419.519, "text": "对要点进行批评修改，直到你满意为止，然后再将其扩展为最终文本。" }, { "start": 421.2, "end": 426.559, "text": "这种高级用户的工作流程更有可能生成让你满意的文本，" }, { "start": 426.559, "end": 433.92, "text": "而不是AI生成的劣质内容。在这种工作流程中，你将AI视为一个思考伙伴，" }, { "start": 433.92, "end": 439.92, "text": "几乎是在帮助你头脑风暴并探索你可能想写内容的不同选项。" }, { "start": 440.799, "end": 448.079, "text": "AI系统确实会犯错，但可能比大多数人想象的要少，尤其是当你提示得当时。" }, { "start": 448.079, "end": 456.48, "text": "它们在2022年或2023年犯的错误比现在多得多。但许多被广泛报道的AI错误，" }, { "start": 456.48, "end": 462.399, "text": "其中一些在社交媒体上疯传，让人们觉得AI犯的错误" }, { "start": 462.399, "end": 469.04, "text": "可能比实际更多。有一个广为人知的例子，" }, { "start": 469.04, "end": 474, "text": "人们问它“草莓”这个词里有几个R，它认为有两个R。" }, { "start": 474.55899999999997, "end": 480.559, "text": "还有一个我觉得很有趣的例子：我想洗车。我应该走着去还是开车去？" }, { "start": 480.559, "end": 487.04, "text": "AI回答：走着去，这会让你到了那里却没有车。但这些病毒式传播的例子" }, { "start": 487.04, "end": 494.799, "text": "并不能代表AI的实际能力。相比之下，高级用户知道AI可以通过" }, { "start": 494.799, "end": 501.679, "text": "诸如进行深度研究和撰写研究报告，或者获取你的个人数据，" }, { "start": 501.679, "end": 509.119, "text": "比如你的健康或心率或跑步时间数据，并为你进行分析等任务，" }, { "start": 509.119, "end": 516.479, "text": "提供显著价值。或者，我们稍后会谈到的，甚至为你构建网站。" }, { "start": 516.479, "end": 522.799, "text": "我看到成为AI高级用户极大地惠及了个人及其业务。它将为你节省时间，" }, { "start": 522.799, "end": 529.76, "text": "并改善你的职业和个人生活。它将帮助你构建许多很酷的东西。" }, { "start": 529.76, "end": 537.599, "text": "你将在后续视频中学习如何做到。能够以专家水平提示AI是一项非常抢手的工作技能，" }, { "start": 537.599, "end": 544.239, "text": "无论你从事什么工作岗位。在接下来的视频中，我希望带你从当前的水平" }, { "start": 544.32, "end": 553.359, "text": "成长为一名AI高级用户。关于AI的实用性已经有很多讨论。我发现使用AI" }, { "start": 553.359, "end": 560.559, "text": "也非常有趣，你也会在这些视频中看到一些这样的例子。现在，一个帮助你使用AI的基础知识" }, { "start": 560.559, "end": 566.479, "text": "是了解它从哪里获取知识，" }, { "start": 567.119, "end": 571.84, "text": "这样你就能更好地预测它何时会正确回答，以及何时你可能不应该" }, { "start": 571.84, "end": 579.2, "text": "依赖它的答案。让我们进入下一个视频，学习AI如何获取其知识。" } ], "prerequisites": [ "基本的AI聊天工具使用经验", "对提示词（prompting）有初步了解" ], "thought_prompts": [ "为什么提供详细上下文对AI回答质量至关重要？", "如何设计一个避免AI讨好倾向的客观提问？", "迭代工作流（如先大纲后成文）相比直接生成有何优势？" ], "review_suggestions": [ "回顾‘AI讨好倾向’（sycophancy）的定义及应对方法", "复习迭代工作流的具体步骤（大纲、批判、扩展）", "思考如何将‘AI作为思考伙伴’的理念应用到自己的工作中" ], "beginner_focus": [ "重点理解‘AI新手’与‘高手’在提问方式上的核心区别", "仔细听‘提供上下文’和‘迭代工作流’的具体例子（如写自评、写博客）", "注意‘AI讨好倾向’的概念以及如何通过中性提问和评分标准来避免" ], "experienced_guidance": [ "课程基础概念（如提示词、上下文）可快速浏览或跳过", "‘AI讨好倾向’及应对策略值得回顾，这是高级提示的关键", "迭代工作流（大纲-批判-成文）是核心技巧，即使有经验也建议重温细节", "课程整体偏基础，但‘将AI视为思考伙伴’的视角和避免‘AI slop’的实践仍有启发" ] } }, { "id": "pretrained-knowledge-1", "source_url": "https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/lesson/53ttu2p0/pretrained-knowledge", "title": "Pretrained knowledge", "custom_title": true, "collection_group_title": null, "collection_title": "AI Prompting For Everyone", "course_index": 2, "sort_order": 2, "duration": 375.92, "created_at": "2026-05-03T13:25:54.604264+00:00", "transcript": [ { "start": 2.915, "end": 5.679, "text": "How did you learn to write as a child? Probably it involved reading a lot of things." }, { "start": 5.679, "end": 12.96, "text": "Well, it's the same for AI. AI systems have learned patterns from reading large amounts of text" }, { "start": 12.96, "end": 19.52, "text": "from the internet. By understanding what's in that text the AI has read, you'll be better able to" }, { "start": 19.52, "end": 25.68, "text": "predict how they'll behave. AI models can answer questions on a variety of topics." }, { "start": 26.399, "end": 32.72, "text": "If you were to ask, I dropped my phone in soup, what should I do? Then hopefully you'll make some" }, { "start": 32.72, "end": 37.759, "text": "useful suggestions. Or, why do cats stare at walls like they're seeing ghosts?" }, { "start": 38.56, "end": 42.4, "text": "My daughter loves cats, she was actually curious about this. It turns out cats can" }, { "start": 42.4, "end": 48.959, "text": "detect subtle sounds and movements that we as humans often miss. Because of the amount of" }, { "start": 48.959, "end": 55.599, "text": "things it's read on the internet, they will even possess niche knowledge that few people know about." }, { "start": 56.4, "end": 61.2, "text": "If you were to ask, what kind of things were on the vinyl record sent into space?" }, { "start": 62.08, "end": 70.8, "text": "Years ago, NASA had a spacecraft called Voyager 1 that launched in the 1970s and is now about 25" }, { "start": 70.8, "end": 76.4, "text": "billion miles away from Earth. But AI will know about this and be able to tell you what is on" }, { "start": 76.4, "end": 82.72, "text": "that vinyl record. I think it's cool that NASA chose to send greetings in 55 different languages" }, { "start": 82.72, "end": 89.839, "text": "to whoever may come across that spacecraft, if anyone does. AI models are trained on many many" }, { "start": 89.839, "end": 96.72, "text": "different sources of information, mainly from the internet. And training on all of these very diverse" }, { "start": 96.72, "end": 103.44, "text": "sources of knowledge produces its pretrained knowledge. The term pretrained is a technical" }, { "start": 103.44, "end": 108.47999999999999, "text": "term that you don't have to worry about. It turns out AI systems are trained in multiple steps" }, { "start": 109.12, "end": 114.87899999999999, "text": "and this is one of the first steps of training that somehow wound up being called pretraining," }, { "start": 114.87899999999999, "end": 119.839, "text": "which isn't a great term, but I wouldn't worry about why we call it pretraining. It's just what AI" }, { "start": 119.839, "end": 125.76, "text": "has learned from. But these knowledge sources may include a lot of text from social media like" }, { "start": 125.76, "end": 131.75900000000001, "text": "Reddit, which have answers to questions like, what are your must-watch films? Or it may have read a" }, { "start": 131.75900000000001, "end": 139.6, "text": "book on Lego micro cities, or read a Wikipedia article on fairy bread and lots of other things," }, { "start": 139.6, "end": 144.72, "text": "or read a bunch of news articles, as well as read a lot of research articles." }, { "start": 146.07999999999998, "end": 152.8, "text": "On the internet, there's a lot of text on internet forums and social media like Reddit and Quora." }, { "start": 152.8, "end": 159.119, "text": "There are a lot of books that AI will have read from. There are encyclopedias like Wikipedia," }, { "start": 159.119, "end": 165.91899999999998, "text": "news websites, research articles, and much more. And so these trillions or tens of trillions of" }, { "start": 165.91899999999998, "end": 174.24, "text": "words will go into training the AI model's brain. Now, different types of data appear with different" }, { "start": 174.24, "end": 180.88, "text": "amounts of frequency on the internet, and so this pretrained knowledge reflects the frequency or" }, { "start": 180.88, "end": 187.199, "text": "the patterns in the training data. For example, cooking is a very universal human experience," }, { "start": 187.199, "end": 191.919, "text": "so there are a lot of articles on the internet on cooking. There are also a lot of articles online" }, { "start": 191.919, "end": 197.44, "text": "on celebrities, on movies, and so AI will have seen a lot of text on these topics." }, { "start": 198.07999999999998, "end": 204.32, "text": "In contrast, there are more specialized topics like quasar, which is an astronomical term referring" }, { "start": 204.32, "end": 209.839, "text": "to really bright objects in the sky powered by supermassive black holes. I think they're" }, { "start": 209.839, "end": 214.24, "text": "fascinating, but there are just a lot fewer articles on quasars than on cooking on the internet." }, { "start": 214.96, "end": 220.559, "text": "Now, while most of the internet is in English, AI systems will also have learned from some data" }, { "start": 220.559, "end": 227.679, "text": "that's written in other languages, like Cantonese. Over 80 million people speak Cantonese, but that's" }, { "start": 227.679, "end": 235.679, "text": "far less than English, and Cantonese data represents maybe less than 0.1% of all internet content." }, { "start": 236.72, "end": 243.279, "text": "Lastly, there are things that AI models know nothing about at all, such as your company's" }, { "start": 243.279, "end": 250.399, "text": "secret proprietary data, which hopefully is not on the open internet, but which an AI system will" }, { "start": 250.399, "end": 257.04, "text": "therefore not have learned from. So, I find that thinking about how frequent data appears on" }, { "start": 257.04, "end": 263.2, "text": "the internet gives you a good rule of thumb for thinking about how reliable an AI system's" }, { "start": 263.2, "end": 270, "text": "responses are. Now, because of the data that AI has learned from, sometimes it can exhibit" }, { "start": 270, "end": 276.72, "text": "surprising understanding of things. If you were to type very quickly, can you cook eggs in" }, { "start": 276.72, "end": 283.2, "text": "microwave, like shown on the left, it can actually understand this type of misspelled text very well," }, { "start": 283.2, "end": 288.32, "text": "pretty much as well as asking, can you cook eggs in the microwave? And by the way, I've" }, { "start": 288.32, "end": 294.15999999999997, "text": "exploded a few eggs in the microwave myself, so if you ever want to avoid that, feel free" }, { "start": 294.15999999999997, "end": 300.799, "text": "to ask the AI system how to do so, so you don't have to learn the hard way. And a reason that it's" }, { "start": 300.799, "end": 305.839, "text": "so good at understanding misspelled words is because it's actually learned from a lot of sources that" }, { "start": 305.839, "end": 312.959, "text": "could include typos. So if you look online, you will see phrases misspelled, and that's why when" }, { "start": 312.959, "end": 318.32, "text": "you're using the AI system, I'm not encouraging you to use bad grammar or to misspell words," }, { "start": 318.32, "end": 323.119, "text": "but it turns out that if you're typing quickly and you have a few typos or even a lot of typos," }, { "start": 323.76, "end": 328.88, "text": "don't worry too much about it. It's pretty fine to just send a prompt to AI and not spend too" }, { "start": 328.88, "end": 335.6, "text": "much time fixing every little grammatical error. Now, the bad news is a lot of AI sources also" }, { "start": 335.6, "end": 343.519, "text": "have misconceptions and outdated information. So one of the skills in using AI is how to prompt it" }, { "start": 343.519, "end": 350.15999999999997, "text": "to have it give you back answers that reflect fewer misconceptions and does not overly reflect" }, { "start": 350.15999999999997, "end": 356.88, "text": "outdated information. By understanding AI's knowledge sources, called its pretrained knowledge," }, { "start": 357.44, "end": 360.64, "text": "you'll be able to better predict how it will respond to your prompts." }, { "start": 361.44, "end": 366.72, "text": "But this pretrained knowledge is not enough for all applications, including those that" }, { "start": 366.72, "end": 373.679, "text": "need real-time information. For that, you need to web search. Let's go on to the next video to learn" }, { "start": 373.679, "end": 375.92, "text": "more." } ], "transcript_source": "imported", "metadata": { "id": "pretrained-knowledge-1", "title": "AI Prompting for Everyone - DeepLearning.AI (1)", "duration": null, "uploader": null, "channel": null, "creator": null, "description": null, "playlist_title": null, "playlist_index": null, "webpage_url": "https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/lesson/53ttu2p0/pretrained-knowledge", "extractor": "html5", "stream_url": "https://video.deeplearning.ai/dlai/ai-prompting-for-everyone/W1/L2-lc-ai-prompting-for-everyone-C1-/video/1080/1777224908/lc-ai-prompting-for-everyone-W1-L2-lc-ai-prompting-for-everyone-C1-.m3u8", "hls_manifest_url": "https://video.deeplearning.ai/dlai/ai-prompting-for-everyone/W1/L2-lc-ai-prompting-for-everyone-C1-/lc-ai-prompting-for-everyone-W1-L2-lc-ai-prompting-for-everyone-C1--master.m3u8?v=78e2dad3e0f4f944b7e9e1fd012ac00e", "language": null, "subtitles": [], "automatic_captions": [] }, "study": { "one_line": "本课程解释了AI模型的预训练知识来源及其对提示工程的影响。", "translated_title": "预训练知识", "context_summary": "本课程来自DeepLearning.AI的《AI Prompting for Everyone》，讲解AI模型的预训练知识概念。演讲者说明了AI系统如何从海量互联网文本中学习规律，类似于儿童通过阅读学习写作。预训练知识指AI从社交媒体（如Reddit、Quora）、书籍、维基百科、新闻和学术论文等多种来源中学到的内容。课程强调，互联网数据的频率会影响AI知识可靠性——烹饪、名人等常见话题资料充足，而类星体、粤语等专业话题覆盖较少。AI也能理解拼写错误的文本，因为它会从含错别字的来源中学习。不过，预训练知识可能包含误解和过时信息，且缺乏实时数据或企业专属信息。了解这些知识来源有助于用户预判AI回应并提升提问技巧。", "time_map": [ { "start": 2, "end": 25, "title": "AI如何学习：类比人类阅读", "summary": "AI系统通过阅读互联网上的大量文本来学习模式，理解其阅读内容有助于预测其行为。", "priority": "focus" }, { "start": 26, "end": 55, "title": "AI的知识广度与利基知识", "summary": "AI能回答广泛问题，从日常建议（如手机掉汤里）到冷门知识（如旅行者号金唱片内容），得益于其阅读的多样性。", "priority": "focus" }, { "start": 56, "end": 105, "title": "预训练知识的来源与构成", "summary": "AI从互联网多种来源（如Reddit、书籍、维基百科、新闻、研究文章）获取数万亿词汇进行预训练，形成其知识基础。", "priority": "focus" }, { "start": 106, "end": 117, "title": "知识频率反映数据分布", "summary": "预训练知识反映了训练数据中不同主题的出现频率，例如烹饪文章远多于类星体文章。", "priority": "skim" }, { "start": 118, "end": 155, "title": "多语言数据与知识局限", "summary": "AI主要从英语数据学习，但也包含少量其他语言（如粤语）数据；它不知道未公开的专有数据。", "priority": "skim" }, { "start": 156, "end": 228, "title": "AI对拼写错误的鲁棒性与知识缺陷", "summary": "AI能很好理解拼写错误，因其训练数据包含拼写错误；但其知识源也存在误解和过时信息，需通过提示技巧来获取更可靠答案。", "priority": "focus" }, { "start": 229, "end": 235, "title": "预训练知识的局限与后续学习", "summary": "预训练知识不足以满足所有应用（如需要实时信息），需要结合网络搜索。", "priority": "skim" } ], "outline": [ { "id": "block-1_block-2_block-3", "start": 2, "end": 105, "title": "AI的学习方式与知识基础", "summary": "介绍AI如何通过阅读大量互联网文本学习模式，并由此获得广泛的知识基础。", "children": [ { "id": "block-1", "start": 2, "end": 25, "title": "AI的学习过程：类比人类阅读", "summary": "AI系统通过阅读互联网上的大量文本来学习模式，理解其阅读内容有助于预测其行为。", "children": [] }, { "id": "block-2", "start": 26, "end": 55, "title": "AI的知识广度与应用示例", "summary": "AI能回答广泛问题，从日常建议（如手机掉汤里）到冷门知识（如旅行者号金唱片内容），得益于其阅读的多样性。", "children": [] }, { "id": "block-3", "start": 56, "end": 105, "title": "预训练知识的来源与构成", "summary": "AI从互联网多种来源（如Reddit、书籍、维基百科、新闻、研究文章）获取数万亿词汇进行预训练，形成其知识基础。", "children": [] } ] }, { "id": "block-4_block-5", "start": 106, "end": 155, "title": "知识分布与数据局限性", "summary": "说明AI知识的分布特点及其数据来源的局限性。", "children": [ { "id": "block-4", "start": 106, "end": 117, "title": "知识频率反映数据分布", "summary": "预训练知识反映了训练数据中不同主题的出现频率，例如烹饪文章远多于类星体文章。", "children": [] }, { "id": "block-5", "start": 118, "end": 155, "title": "多语言数据与知识局限", "summary": "AI主要从英语数据学习，但也包含少量其他语言（如粤语）数据；它不知道未公开的专有数据。", "children": [] } ] }, { "id": "block-6_block-7", "start": 156, "end": 235, "title": "AI知识的可靠性与局限性", "summary": "探讨AI对拼写错误的理解能力、知识源中的缺陷，以及预训练知识的不足之处。", "children": [ { "id": "block-6", "start": 156, "end": 228, "title": "AI对拼写错误的鲁棒性与知识缺陷", "summary": "AI能很好理解拼写错误，因其训练数据包含拼写错误；但其知识源也存在误解和过时信息，需通过提示技巧来获取更可靠答案。", "children": [] }, { "id": "block-7", "start": 229, "end": 235, "title": "预训练知识的局限与后续学习", "summary": "预训练知识不足以满足所有应用（如需要实时信息），需要结合网络搜索。", "children": [] } ] } ], "detailed_notes": "00:02-00:25 AI模型的知识来源：类比人类学习的预训练\n本学习块是课程的核心基础，解释了现代AI模型（尤其是大语言模型）获取知识的根本机制。它通过一个直观的类比——儿童通过大量阅读学习写作——来引入AI的预训练过程。理解这一点至关重要，因为它奠定了后续所有关于AI能力、局限性和提示工程策略讨论的基础。它说明了AI的知识不是内置的或实时的，而是从特定数据源（互联网文本）中统计学习得到的模式。这直接关系到AI回答的可靠性、偏见来源以及何时需要额外工具（如网络搜索）。学习者应重点关注此块，以建立正确的心理模型。\n\n00:26-00:55 AI模型的知识来源与特点：从日常问题到冷门知识\n本学习块通过两个具体的提问示例，直观展示了AI模型基于预训练知识所能回答的问题类型及其知识来源。第一个例子（手机掉进汤里）代表常见的、实用性强的日常问题；第二个例子（猫凝视墙壁）则涉及更具体、甚至带点趣味性的现象解释，并引出了AI可能掌握冷门知识的特性。理解这些例子有助于学习者建立对AI模型能力范围和知识深度的初步认知，明白其回答既覆盖广泛日常场景，也可能触及特定领域的细节。这对于后续评估AI回答的可靠性及应用场景至关重要。\n\n00:56-01:45 AI的知识来源：预训练与旅行者1号金唱片\n本学习块旨在通过一个具体、有趣的例子（NASA旅行者1号的金唱片）来阐释AI模型的知识来源。它说明了AI为何能回答关于这个历史事件的问题——因为相关信息在互联网上被广泛记载，并成为了其预训练数据的一部分。这部分内容对于理解AI能力的边界和可靠性至关重要，它连接了上一部分关于知识来源的宏观介绍，并为后续讨论知识的局限性和时效性做铺垫。由于这是一个具体的例证而非核心概念讲解，学习者可以快速浏览以巩固理解，或选择跳过直接进入后续的原理分析部分。\n\n01:46-01:57 AI训练的多步骤与“预训练”术语\n本学习块解释了AI模型训练流程中的一个基本概念：训练是分步骤进行的，而第一步被称为“预训练”。视频讲师特意指出“预训练”这个术语本身可能并不理想，但学习者无需深究其命名原因，只需知道这是AI领域的一个标准术语即可。这部分内容属于基础概念介绍，对于理解后续更具体的训练步骤（如微调）和知识来源很重要。由于它主要是术语澄清和流程概述，没有涉及具体的训练方法或数据细节，因此优先级为“skim”（浏览），适合快速了解训练阶段划分，为后续深入学习做准备。\n\n01:58-02:35 AI预训练知识的来源\n本学习块详细列举了AI模型在预训练阶段所接触的具体知识来源类型。这对于理解AI回答的广度、潜在偏见和局限性至关重要。它解释了为什么AI能回答从流行文化到专业知识的各种问题，但也暗示了其知识可能包含非正式、主观或过时的内容。这部分是课程的核心基础，因为它直接关系到后续关于提示可靠性和信息时效性的讨论。学习者应重点关注，以建立对AI知识构成的基本认知。\n\n02:36-03:48 AI预训练知识的数据来源与频率分布\n本学习块深入探讨了AI模型预训练知识的具体来源及其核心特征——知识分布与数据频率直接相关。这是理解AI能力边界和潜在偏见的关键基础。它解释了为什么AI在某些常见话题上表现良好，而在小众或专业领域可能知识有限或不准确。对于课程而言，这部分内容建立了评估AI回答可靠性的一个重要维度：训练数据的普遍性。学习者应重点关注，因为它直接影响后续如何设计提示词以及何时需要借助外部工具（如网络搜索）来补充AI的固有知识。\n\n03:49-03:55 粤语训练数据的稀缺性\n本学习块是课程中关于AI模型知识来源与特点讨论的一个具体例证。它通过一个数据点（粤语内容在互联网上的占比）来具体说明模型预训练数据的分布不均问题。这很重要，因为它直接关系到模型对不同语言或文化主题的知识掌握程度和回答可靠性——数据越稀缺，模型在该领域的知识可能越薄弱或存在更多不确定性。学习者应将其视为理解模型能力边界的一个关键事实，但因其是一个孤立的统计数据，可作为背景知识快速浏览，除非你特别关注多语言或低资源语言的应用场景。", "high_fidelity_text": "[00:02-00:25] AI如何通过阅读学习模式\n课程以一个问题开始：你小时候是如何学会写作的？答案是，这很可能涉及大量阅读。讲师随即指出，AI的学习过程与此类似。具体来说，AI系统是通过阅读互联网上的大量文本来学习模式的。理解AI所读过的这些文本内容，是预测AI后续行为的关键。基于这种学习方式，AI模型获得了回答各种主题问题的能力。\n\n[00:26-00:55] AI预训练知识的应用实例\n本块通过两个提问示例说明AI如何利用其预训练知识进行回应。第一个示例是用户提问：‘我的手机掉进汤里了，该怎么办？’ 预期AI能基于其学到的知识提供一些有用的处理建议。第二个示例是提问：‘为什么猫盯着墙壁，好像看到了鬼？’ 讲师提到其女儿确实对此感到好奇。AI的解释是：猫能察觉到我们人类常常忽略的细微声音和动作。最后进行总结：由于AI在互联网上阅读了海量信息，它甚至会掌握一些鲜为人知的冷门知识。\n\n[00:56-01:45] AI的预训练知识来源与示例\n本块从一个具体问题示例开始：如果你问‘送入太空的黑胶唱片上有什么内容？’，AI能够回答。这个例子指的是NASA的旅行者1号航天器，它于1970年代发射，现已距离地球约250亿英里。AI知道这件事，并能告诉你唱片上的内容。讲师提到，他觉得NASA选择用55种不同的语言向可能发现航天器的任何人发送问候，这一点很酷。\n\n由此，话题转向AI如何获得这类知识。核心解释是：AI模型是在许多不同的信息源上训练的，主要来自互联网。训练这些多样化的知识源，就产生了所谓的‘预训练知识’。‘预训练’是一个技术术语，但讲师说明学习者不必为此担心。最后指出一个关键背景：AI系统的训练是分多个步骤进行的，而预训练是这些步骤中的第一步。\n\n[01:46-01:57] 预训练：AI学习的初始步骤与术语解释\n讲师指出，AI系统的训练过程包含多个步骤。当前讨论的“预训练”是这些步骤中的第一步。他提到，“预训练”这个术语（“pretraining”）本身并不是一个很好的命名（“isn't a great term”），其来源也有些随意（“somehow wound up being called”）。但他建议学习者不必去担心或深究为什么我们称之为“预训练”（“I wouldn't worry about why we call it pretraining”）。核心要点是，这个术语指代的就是AI在初始阶段所学到的内容。\n\n[01:58-02:35] 预训练知识的来源多样性\n讲师指出，AI的预训练知识来源于其阅读过的海量文本。这些知识来源具体包括：1. 来自社交媒体（如Reddit）的大量文本，其中包含对诸如“你必看的电影有哪些？”这类问题的答案。2. 书籍，例如关于乐高微缩城市的书。3. 维基百科等百科全书中的文章，例如关于“仙女面包”的文章。4. 大量的新闻文章。5. 大量的研究论文。此外，互联网上还有大量来自论坛和社交媒体（如Reddit和Quora）的文本。AI也会阅读很多书籍。总体而言，这些知识来源于数万亿或数十万亿的文本数据。\n\n[02:36-03:48] 预训练知识的来源与数据频率影响\nAI的预训练知识来源于广泛的互联网文本。具体的数据源包括：大量的书籍、像维基百科这样的百科全书、新闻网站、研究论文等等。这些数万亿或数十万亿的词语被用于训练AI模型的“大脑”。\n\n关键的一点是：不同类型的数据在互联网上出现的频率不同。因此，AI所获得的这种预训练知识，实际上反映了其训练数据中的频率分布或模式。\n\n为了说明这种频率差异的影响，课程举了几个对比例子：\n1. 普遍性主题：烹饪是一种非常普遍的人类体验，所以互联网上存在大量关于烹饪的文章。类似地，关于名人、电影等话题也有海量文章。因此，AI在训练过程中会“看到”大量关于这些主题的文本。\n2. 专业性主题：相比之下，像“类星体”这样更专业的主题，互联网上的文章数量就少得多。课程对类星体进行了解释：这是一个天文学术语，指的是天空中由超大质量黑洞驱动的极其明亮的天体。虽然讲师个人觉得它们很迷人，但承认关于类星体的文章数量远少于关于烹饪的文章。\n\n此外，课程还延续了之前关于多语言数据的讨论，提供了更具体的数据：虽然互联网上大部分内容是英文的，但AI系统也会从一些用其他语言撰写的数据中学习，例如粤语。具体数据是：超过8000万人说粤语，但这个数量远少于英语使用者。更重要的是，粤语数据可能只占所有互联网内容的不到0.1%。这量化了非英语数据在AI训练中的微小占比。\n\n[03:49-03:55] 训练数据频率：语言差异对AI知识的影响\n课程指出，AI训练数据中不同语言内容的频率存在巨大差异。具体以粤语为例：其训练数据量远少于英语。一个量化的估计是，粤语数据可能只占所有互联网内容的不到0.1%。这个极低的比例意味着，AI从训练数据中获得的关于粤语（及其相关文化、事实）的模式和经验远少于英语，这直接影响了AI在处理与粤语相关提示时的知识深度和回答的可靠性。", "translated_transcript": [ { "start": 2.915, "end": 5.679, "text": "你小时候是怎么学会写作的？很可能涉及大量阅读。" }, { "start": 5.679, "end": 12.96, "text": "AI的学习过程也类似。AI系统通过阅读互联网上的大量文本" }, { "start": 12.96, "end": 19.52, "text": "来学习模式。通过理解AI所读文本的内容，你将能更好地" }, { "start": 19.52, "end": 25.68, "text": "预测它们的行为。AI模型能够回答各种主题的问题。" }, { "start": 26.399, "end": 32.72, "text": "如果你问：“我把手机掉进汤里了，该怎么办？”那么希望它能给出" }, { "start": 32.72, "end": 37.759, "text": "一些有用的建议。或者，“为什么猫盯着墙壁，好像看到了鬼？”" }, { "start": 38.56, "end": 42.4, "text": "我女儿很喜欢猫，她实际上对此很好奇。事实证明，猫能" }, { "start": 42.4, "end": 48.959, "text": "察觉到我们人类经常忽略的细微声音和动作。由于它在互联网上" }, { "start": 48.959, "end": 55.599, "text": "阅读了大量内容，它们甚至会掌握一些鲜为人知的冷门知识。" }, { "start": 56.4, "end": 61.2, "text": "如果你问：“送入太空的黑胶唱片上有什么内容？”" }, { "start": 62.08, "end": 70.8, "text": "多年前，NASA有一艘名为旅行者1号的航天器，于1970年代发射，现在距离地球约250" }, { "start": 70.8, "end": 76.4, "text": "亿英里。但AI会知道这件事，并能告诉你那张黑胶唱片上有什么。" }, { "start": 76.4, "end": 82.72, "text": "我觉得很酷的是，NASA选择用55种不同的语言发送问候语，" }, { "start": 82.72, "end": 89.839, "text": "给任何可能遇到那艘航天器的人，如果真有人遇到的话。AI模型是在许多许多" }, { "start": 89.839, "end": 96.72, "text": "不同的信息来源上训练的，主要来自互联网。在所有这些非常多样化的" }, { "start": 96.72, "end": 103.44, "text": "知识来源上进行训练，产生了它的预训练知识。“预训练”这个术语是一个技术" }, { "start": 103.44, "end": 108.47999999999999, "text": "术语，你不必担心。事实证明，AI系统是分多个步骤训练的" }, { "start": 109.12, "end": 114.87899999999999, "text": "而这是训练的第一步之一，不知怎么地被称为预训练，" }, { "start": 114.87899999999999, "end": 119.839, "text": "这不是一个很好的术语，但我不担心我们为什么称之为预训练。它只是AI" }, { "start": 119.839, "end": 125.76, "text": "所学到的内容。但这些知识来源可能包括来自社交媒体（如" }, { "start": 125.76, "end": 131.75900000000001, "text": "Reddit）的大量文本，这些文本包含诸如“你必看的电影有哪些？”等问题的答案。或者它可能读过" }, { "start": 131.75900000000001, "end": 139.6, "text": "一本关于乐高微缩城市的书，或者读过一篇关于仙女面包的维基百科文章以及许多其他内容，" }, { "start": 139.6, "end": 144.72, "text": "或者读过大量新闻文章，以及许多研究文章。" }, { "start": 146.07999999999998, "end": 152.8, "text": "在互联网上，有很多来自互联网论坛和社交媒体（如Reddit和Quora）的文本。" }, { "start": 152.8, "end": 159.119, "text": "AI会读过很多书籍。还有像维基百科这样的百科全书，" }, { "start": 159.119, "end": 165.91899999999998, "text": "新闻网站、研究文章等等。因此，这些数万亿或数十万亿的" }, { "start": 165.91899999999998, "end": 174.24, "text": "词语将被用于训练AI模型的“大脑”。现在，不同类型的数据在互联网上出现的" }, { "start": 174.24, "end": 180.88, "text": "频率不同，因此这种预训练知识反映了训练数据中的频率或" }, { "start": 180.88, "end": 187.199, "text": "模式。例如，烹饪是一种非常普遍的人类体验，" }, { "start": 187.199, "end": 191.919, "text": "所以互联网上有很多关于烹饪的文章。网上也有很多文章" }, { "start": 191.919, "end": 197.44, "text": "关于名人、电影等话题，因此AI会接触大量相关文本。" }, { "start": 198.07999999999998, "end": 204.32, "text": "相比之下，像类星体这样的专业天文术语——指由超大质量黑洞驱动的天空中极其明亮的天体——相关文章就少得多。" }, { "start": 204.32, "end": 209.839, "text": "到天空中由超大质量黑洞驱动的极其明亮的天体。我认为它们是" }, { "start": 209.839, "end": 214.24, "text": "虽然我觉得它们很迷人，但互联网上关于类星体的文章远少于烹饪内容。" }, { "start": 214.96, "end": 220.559, "text": "尽管互联网内容以英语为主，AI系统也会学习其他语言的数据，比如粤语。超过8000万人使用粤语，但相比英语，粤语数据可能仅占互联网内容的0.1%以下。" }, { "start": 220.559, "end": 227.679, "text": "其他语言写成的内容，比如粤语。超过8000万人使用粤语，但这" }, { "start": 227.679, "end": 235.679, "text": "最后，有些信息是AI模型完全未知的，例如贵公司的机密专有数据——这些数据通常不会公开在互联网上，因此AI也无法从中学习。" }, { "start": 236.72, "end": 243.279, "text": "所以我认为，通过思考数据在互联网上的出现频率，可以很好地判断AI系统回答的可靠性。" }, { "start": 243.279, "end": 250.399, "text": "秘密的专有数据，这些数据最好不在公开互联网上，但AI系统将会" }, { "start": 250.399, "end": 257.04, "text": "由于AI学习的数据特性，它有时能展现出惊人的理解力。比如快速输入“能在微波炉煮鸡蛋吗”这样的拼写错误文本，AI几乎能像理解正确提问一样准确解读。" }, { "start": 257.04, "end": 263.2, "text": "互联网为你提供了一个很好的经验法则，用于思考AI系统的可靠性" }, { "start": 263.2, "end": 270, "text": "顺便一提，我自己就在微波炉里炸过几个鸡蛋。如果你想避免这种情况，尽管询问AI系统，这样就不用自己踩坑了。" }, { "start": 270, "end": 276.72, "text": "对事物的理解令人惊讶。如果你快速输入，你能用" }, { "start": 276.72, "end": 283.2, "text": "AI之所以擅长理解拼写错误，是因为它的训练数据本身就包含各种错别字。网上随处可见拼写错误的短语，因此使用AI时，虽然我不鼓励故意使用错误语法或拼写，但即使输入速度快、错字多也不必过于担心。" }, { "start": 283.2, "end": 288.32, "text": "这几乎等同于在问，你能在微波炉里煮鸡蛋吗？顺便说一句，我" }, { "start": 288.32, "end": 294.15999999999997, "text": "直接发送提示给AI，不必花太多时间修正每个语法细节。" }, { "start": 294.15999999999997, "end": 300.799, "text": "向AI系统询问如何操作，这样你就不用自己摸索了。而其中一个原因是" }, { "start": 300.799, "end": 305.839, "text": "但坏消息是，许多AI数据源也包含误解和过时信息。因此使用AI的关键技能之一，就是如何通过提示让它减少误解、避免过度反映过时信息。" }, { "start": 305.839, "end": 312.959, "text": "可能包含拼写错误。所以如果你在网上浏览，会看到拼错的短语，这就是为什么当" }, { "start": 312.959, "end": 318.32, "text": "通过理解AI的知识来源——即其预训练知识，你将能更好地预测它对提示的回应方式。" }, { "start": 318.32, "end": 323.119, "text": "但事实证明，如果你打字很快，出现了一些拼写错误，甚至很多拼写错误，" }, { "start": 323.76, "end": 328.88, "text": "但这种预训练知识不足以应对所有应用场景，特别是需要实时信息的情况。这时就需要网络搜索。让我们在下一个视频中继续学习。" }, { "start": 328.88, "end": 335.6, "text": "花太多时间去纠正每一个小的语法错误。现在，坏消息是很多AI来源也" }, { "start": 335.6, "end": 343.519, "text": "存在误解和过时的信息。因此，使用AI的技能之一是如何提示它" }, { "start": 343.519, "end": 350.15999999999997, "text": "让它返回的答案能反映更少的误解，并且不过度反映" }, { "start": 350.15999999999997, "end": 356.88, "text": "过时的信息。通过理解AI的知识来源，即其预训练知识，" }, { "start": 357.44, "end": 360.64, "text": "你将能更好地预测它对你的提示会如何回应。" }, { "start": 361.44, "end": 366.72, "text": "但这种预训练知识并非适用于所有应用，包括那些" }, { "start": 366.72, "end": 373.679, "text": "需要实时信息的应用。为此，你需要进行网络搜索。让我们进入下一个视频来学习" }, { "start": 373.679, "end": 375.92, "text": "more." } ], "prerequisites": [ "基本的AI概念", "互联网使用经验" ], "thought_prompts": [ "AI的知识可靠性如何受数据频率影响？", "如何利用预训练知识优化提示？" ], "review_suggestions": [ "回顾数据频率与可靠性的关系", "复习AI处理拼写错误的原因" ], "beginner_focus": [ "重点理解AI从互联网文本学习模式的概念", "注意数据频率如何影响AI知识可靠性（如烹饪vs类星体）", "理解AI能处理拼写错误的原因" ], "experienced_guidance": [ "可略过AI学习模式的基本类比，但需关注数据频率与可靠性的具体例子", "复习AI处理拼写错误的机制，这对提示设计有实用价值", "如果已熟悉预训练概念，可跳过术语解释，但需注意课程中关于知识局限性的新见解" ] } }, { "id": "web-search-1", "source_url": "https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/lesson/fwaadejr/web-search", "title": "Web search", "custom_title": false, "collection_group_title": null, "collection_title": "AI Prompting For Everyone", "course_index": 3, "sort_order": 3, "duration": 345.019, "created_at": "2026-05-04T00:30:52.548133+00:00", "transcript": [ { "start": 0.21, "end": 6.159, "text": "At some point, the people building the AI model had to stop its training, so there's" }, { "start": 6.159, "end": 10.319, "text": "some \"last date\" where its information cuts off." }, { "start": 10.319, "end": 16.959, "text": "That is, the AI's read the internet only up to a certain date and time, and its knowledge" }, { "start": 16.959, "end": 20.84, "text": "gets frozen in time as of that date." }, { "start": 20.84, "end": 27.639, "text": "But of course, the world moves on past that date, new things happen, movies come out," }, { "start": 27.639, "end": 28.639, "text": "and so on." }, { "start": 28.639, "end": 34.4, "text": "Let's see how AI models handle gathering new information using web search, so that" }, { "start": 34.4, "end": 41.4, "text": "it can address questions that even relate to things after its knowledge cutoff date." }, { "start": 41.4, "end": 48, "text": "If you're using one of the popular AI model providers, like ChatGPT, Gemini, and Claude," }, { "start": 48, "end": 53.439, "text": "there's certain questions that will probably trigger it to do a web search." }, { "start": 53.439, "end": 60.119, "text": "For example, if you ask it, what is the 6 7 meme from 2025, there's a good chance it will" }, { "start": 60.119, "end": 67, "text": "search on the internet to tell you that the 6 7 meme, which is pronounced ♫ 6 7 ♪, which is" }, { "start": 67, "end": 72.639, "text": "kind of fun to say, that this is a viral internet slang widely seen on a few social" }, { "start": 72.639, "end": 73.639, "text": "media platforms." }, { "start": 73.639, "end": 79.44, "text": "And the reason it triggers a web search when you ask it, what's the 6 7 meme from 2025," }, { "start": 79.44, "end": 86.639, "text": "the cue 2025 causes the AI to realize that it may benefit from more updated online information," }, { "start": 86.639, "end": 91.4, "text": "because this could be a meme that appeared on the internet after its knowledge cutoff" }, { "start": 91.4, "end": 92.4, "text": "date." }, { "start": 92.4, "end": 94.319, "text": "Here's what I mean." }, { "start": 94.319, "end": 99.959, "text": "A specific AI model's pretrained knowledge is frozen in time, even though the internet" }, { "start": 99.959, "end": 102.779, "text": "continues to evolve over time." }, { "start": 102.779, "end": 109.459, "text": "And so if this line represents time, then for a long time, the internet will have had" }, { "start": 109.459, "end": 116.3, "text": "pieces of text that say 6 x 7 equals 42, text that talks about the children's joke, why was" }, { "start": 116.3, "end": 118.739, "text": "6 afraid of 7?" }, { "start": 118.739, "end": 121.66, "text": "Because 7, 8, 9." }, { "start": 121.66, "end": 127.54, "text": "But if the knowledge cutoff date was at a certain moment in time, and the 6 7 meme came" }, { "start": 127.54, "end": 133.539, "text": "after that, then the 6 7 meme would not have been seen in the pretrained knowledge of" }, { "start": 133.539, "end": 135.539, "text": "the AI model." }, { "start": 135.539, "end": 142.38, "text": "So if you ask it, what is the 6 7 meme from 2025, the AI model will realize that it doesn't" }, { "start": 142.38, "end": 148.539, "text": "know about this 6 7 meme from 2025, and that it should do a web search in order to get" }, { "start": 148.539, "end": 151.179, "text": "more updated information." }, { "start": 151.179, "end": 159.899, "text": "Take the GP5.4 model from OpenAI, its knowledge cutoff date was August 2025, and this graph" }, { "start": 159.899, "end": 164.899, "text": "shows how many Google web searches there were for what does 6 7 mean." }, { "start": 164.899, "end": 172.94, "text": "So this 6 7 meme had taken off after this GP5.4 knowledge cutoff date, which is why" }, { "start": 172.94, "end": 176.22, "text": "the model doesn't really know about this meme." }, { "start": 176.25900000000001, "end": 181.5, "text": "Now, there are certain types of questions that an AI will answer using its pre trained" }, { "start": 181.5, "end": 185.22, "text": "knowledge, and there are certain types of questions that will tend to trigger web" }, { "start": 185.22, "end": 186.22, "text": "search." }, { "start": 186.22, "end": 192.58, "text": "For example, if you tell it, please find me a highly rated gym near Mountain View, California." }, { "start": 192.58, "end": 197.82, "text": "Then what is highly rated, what may be open and what may be closed, does change over time," }, { "start": 197.82, "end": 201.22, "text": "and there's a good chance that this will trigger a web search." }, { "start": 201.22, "end": 205.419, "text": "Or if you ask it, what is the Marquette Mountain Cheese Roll?" }, { "start": 205.419, "end": 209.139, "text": "Because this is a niche piece of information, it's probably not read a lot of information" }, { "start": 209.139, "end": 214.02, "text": "online about this cheese roll, there's a good chance that it will search the internet in" }, { "start": 214.02, "end": 216.899, "text": "order to get you an answer." }, { "start": 216.899, "end": 222.38, "text": "And if you're curious, this is actually a pretty fun event where people chase a rolling" }, { "start": 222.38, "end": 224.94, "text": "wheel of cheese down the hill." }, { "start": 224.94, "end": 229.619, "text": "Let's take a look more broadly at when an AI model needs to do some web search to gather" }, { "start": 229.619, "end": 232.82, "text": "more information to answer your question." }, { "start": 232.82, "end": 237.74, "text": "If you're asking what to do if you drop your phone in soup, or why do cats stare at walls," }, { "start": 237.74, "end": 244.38, "text": "or what was on the Voyager 1 record in outer space, then these questions it could probably" }, { "start": 244.38, "end": 250.1, "text": "answer using its pretrained knowledge, because these are represented in common knowledge" }, { "start": 250.1, "end": 251.1, "text": "on the internet." }, { "start": 251.1, "end": 257.299, "text": "But if you were to ask it about current events or something happening very recently, then" }, { "start": 257.299, "end": 261.059, "text": "it'll need to do a web search to get that real-time information." }, { "start": 261.059, "end": 267.059, "text": "If you ask it location-specific information, then doing a web search makes sense, or if" }, { "start": 267.059, "end": 272.299, "text": "you ask it for other types of niche information, there's also a good chance it'll realize" }, { "start": 272.299, "end": 277.05899999999997, "text": "it doesn't know enough about that topic, that doing a web search to gather more information" }, { "start": 277.05899999999997, "end": 280.179, "text": "would help it give you a better answer." }, { "start": 280.179, "end": 285.65999999999997, "text": "For most of the popular AI model providers, web search can be triggered in either of two" }, { "start": 285.65999999999997, "end": 286.65999999999997, "text": "ways." }, { "start": 287.019, "end": 293.019, "text": "Sometimes the AI model will decide by itself to carry the web search, or you can also explicitly" }, { "start": 293.019, "end": 299.1, "text": "trigger web search sometimes by clicking one of the buttons in an AI model provider's web" }, { "start": 299.1, "end": 305.22, "text": "interface, or just write in your prompt, please do a web search for this, and it will comply" }, { "start": 305.22, "end": 308.619, "text": "and use a web search to answer your question." }, { "start": 308.619, "end": 313.66, "text": "Not all AI models have web search enabled, but the most popular ones that you're probably" }, { "start": 313.66, "end": 316.82, "text": "using mostly do have this capability." }, { "start": 316.82, "end": 323.98, "text": "AI will do better on many of the tasks you want to use it for if it does web search." }, { "start": 323.98, "end": 330.26, "text": "And web search allows it to augment its pretrained knowledge with more current information." }, { "start": 330.26, "end": 335.299, "text": "But like all web search, it can return bad sources." }, { "start": 335.299, "end": 341.339, "text": "Let's take a look at when this is an issue, and when and how to get it to use more reliable" }, { "start": 341.339, "end": 345.019, "text": "sources to get you more reliable answers." } ], "transcript_source": "imported", "metadata": { "id": "web-search-1", "title": "AI Prompting for Everyone - DeepLearning.AI (1)", "duration": null, "uploader": null, "channel": null, "creator": null, "description": null, "playlist_title": null, "playlist_index": null, "webpage_url": "https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/lesson/fwaadejr/web-search", "extractor": "html5", "stream_url": "https://video.deeplearning.ai/dlai/ai-prompting-for-everyone/W1/L3-lc-ai-prompting-for-everyone-C1-/video/1080/1777224908/lc-ai-prompting-for-everyone-W1-L3-lc-ai-prompting-for-everyone-C1-.m3u8", "hls_manifest_url": "https://video.deeplearning.ai/dlai/ai-prompting-for-everyone/W1/L3-lc-ai-prompting-for-everyone-C1-/lc-ai-prompting-for-everyone-W1-L3-lc-ai-prompting-for-everyone-C1--master.m3u8?v=232f83fb928714a8aa582cb22bff6d57", "language": null, "subtitles": [], "automatic_captions": [] }, "study": { "one_line": "这节课讲解 AI 如何通过网页搜索补足知识截止日期后的信息，并说明自动搜索和手动触发搜索的适用场景。", "translated_title": "网络搜索", "context_summary": "这节来自DeepLearning.AI《AI Prompting for Everyone》课程的内容，讲解了AI模型如何利用联网搜索获取超出其知识截止日期的信息。主讲人探讨了ChatGPT、Gemini和Claude等模型如何自动触发搜索——当查询涉及近期事件、特定地点详情或小众话题（如“2025年的6 7 meme”）时。核心概念包括知识截止日期、预训练知识的局限，以及网络搜索的两种触发方式（自动或用户主动）。课程同时指出，虽然联网搜索增强了AI能力，但可能返回不可靠的信息源。", "time_map": [ { "start": 0.21, "end": 41.4, "title": "AI知识截止日期的概念与网络搜索的必要性", "summary": "解释了AI模型因训练必须停止而存在一个知识截止日期，导致其知识被冻结，而世界却在继续发展，因此需要网络搜索来获取新信息。", "priority": "focus" }, { "start": 41.4, "end": 159.899, "title": "AI如何识别并触发网络搜索：以2025年67梗为例", "summary": "本学习块通过一个具体示例（2025年的67梗）解释了主流AI模型（如ChatGPT、Gemini、Claude）如何识别查询中的时间线索（如“2025”），并据此触发网络搜索以获取其知识截止日期之后的信息。", "priority": "focus" }, { "start": 159.899, "end": 224.94, "title": "网络搜索的触发场景：实时信息、小众话题与位置查询", "summary": "本学习块通过具体示例（如寻找健身房、询问奶酪卷活动）说明了哪些类型的问题会触发AI进行网络搜索，而非仅依赖预训练知识。", "priority": "focus" }, { "start": 224.94, "end": 280.179, "title": "何时需要网络搜索：基于查询类型的判断", "summary": "本区块通过具体例子对比了AI模型可以依赖预训练知识回答的常见问题与需要触发网络搜索获取实时或特定信息的问题类型。", "priority": "focus" }, { "start": 280.179, "end": 345.019, "title": "AI模型触发网络搜索的两种方式与注意事项", "summary": "本段介绍了主流AI模型触发网络搜索的两种主要方式（模型自动触发与用户手动触发），并强调了网络搜索的价值（增强预训练知识）及其潜在风险（可能返回不可靠来源），为后续讨论如何获取可靠答案做铺垫。", "priority": "focus" } ], "outline": [ { "id": "block-1", "start": 0.21, "end": 41.4, "title": "AI知识截止日期与网络搜索的必要性", "summary": "解释AI模型因训练停止而存在知识截止日期，导致知识被冻结，需要网络搜索获取新信息。", "children": [] }, { "id": "block-2", "start": 41.4, "end": 159.899, "title": "AI触发网络搜索的机制", "summary": "通过2025年67梗示例，说明AI模型如何识别时间线索并触发网络搜索获取截止日期后的信息。", "children": [ { "id": "block-2", "start": 41.4, "end": 159.899, "title": "示例分析：2025年67梗", "summary": "展示ChatGPT、Gemini、Claude等主流AI如何基于查询中的时间信息（如'2025'）自动触发网络搜索。", "children": [] } ] }, { "id": "block-3_block-4", "start": 159.899, "end": 280.179, "title": "网络搜索的触发场景与判断", "summary": "探讨哪些查询类型会触发AI进行网络搜索，而非仅依赖预训练知识。", "children": [ { "id": "block-3", "start": 159.899, "end": 224.94, "title": "触发场景示例", "summary": "通过寻找健身房、询问奶酪卷活动等例子，说明实时信息、小众话题与位置查询会触发网络搜索。", "children": [] }, { "id": "block-4", "start": 224.94, "end": 280.179, "title": "查询类型对比", "summary": "对比AI可依赖预训练知识回答的常见问题与需要网络搜索获取实时或特定信息的问题类型。", "children": [] } ] }, { "id": "block-5", "start": 280.179, "end": 345.019, "title": "网络搜索的触发方式与注意事项", "summary": "介绍AI模型触发网络搜索的两种方式及其价值与潜在风险。", "children": [ { "id": "block-5", "start": 280.179, "end": 345.019, "title": "触发方式", "summary": "主流AI模型触发网络搜索的两种主要方式：模型自动触发与用户手动触发。", "children": [] }, { "id": "block-5", "start": 280.179, "end": 345.019, "title": "价值与风险", "summary": "强调网络搜索能增强预训练知识，但也可能返回不可靠来源，需注意信息可靠性。", "children": [] } ] } ], "detailed_notes": "00:00-00:41 AI知识截止日期的概念与网络搜索的必要性\n本学习块是课程的核心概念引入部分。它首先定义了“知识截止日期”这一关键术语，解释了其产生的原因（训练必须停止）和后果（知识被冻结）。接着，它通过对比“冻结的知识”与“持续发展的世界”，清晰地引出了核心矛盾，从而自然过渡到解决方案——网络搜索。理解这一基础概念对于后续学习AI如何处理实时信息、以及何时会触发搜索至关重要。因此，学习者应重点关注此块，以建立正确的认知框架。\n\n00:41-02:39 AI如何识别并触发网络搜索：以2025年67梗为例\n本块是课程的核心操作示例，它具体展示了AI网络搜索功能背后的触发逻辑。它之所以重要，是因为它将上一块介绍的抽象概念（知识截止日期）转化为一个可理解、可预测的用户交互场景。通过分析“2025年的67梗”这个查询，你能够理解AI如何“思考”：它并非理解“梗”本身，而是识别出“2025”这个时间标签超出了其内部知识库的覆盖范围，从而激活搜索功能。这帮助你学会如何构造查询（例如，包含明确的时间或事件线索）来主动引导AI使用网络搜索，而不是依赖其可能过时的内部知识。对于想有效利用AI获取最新信息的学员，这是必须掌握的重点。\n\n02:39-03:44 网络搜索的触发场景：实时信息、小众话题与位置查询\n本块是课程的核心部分，它从上一个块的具体示例（6 7梗）过渡到更广泛、更系统的触发场景分类。它解释了为什么某些查询（如实时变化的本地商业信息、小众话题）会迫使AI绕过其静态的预训练知识库去进行网络搜索。理解这些触发类型对于有效使用AI的联网功能至关重要，能帮助用户预判AI的行为并设计更高效的查询。这部分内容直接关联课程主题——弥补AI知识截止日期的限制。\n\n03:44-04:40 何时需要网络搜索：基于查询类型的判断\n本区块是课程核心内容的一部分，旨在帮助学习者理解AI模型在何时会决定进行网络搜索。它通过对比具体例子，清晰地划分了依赖预训练知识的查询与需要实时/特定信息补充的查询之间的界限。理解这一点至关重要，因为它解释了AI如何动态弥补其知识截止日期的限制，并决定了用户能否获得准确、最新的答案。这部分内容直接关联到课程主题——AI如何通过网络搜索获取最新信息。对于学习者来说，掌握这些判断标准有助于他们更有效地提问，并理解AI回答背后的信息源。\n\n04:40-05:45 AI模型触发网络搜索的两种方式与注意事项\n这个学习块是课程的核心操作指南部分，解释了用户在实际中如何让AI模型执行网络搜索。它至关重要，因为它将之前讨论的“何时需要搜索”（理论场景）转化为“如何实际触发搜索”（用户操作）。内容首先明确了两种触发机制：自动（模型判断）和手动（用户指令），这是与AI交互的关键实践知识。接着，它确认了该功能的普及性（主流模型大多支持），并重申了网络搜索的核心价值——用实时信息弥补知识截止日期。最后，它引入了一个关键的警告：网络搜索可能返回不可靠信息，并预告了后续将讨论的解决方案（如何确保可靠性）。学习者应重点关注，因为这里包含了直接指导交互的具体方法和一个重要的风险提示，是安全有效使用AI搜索功能的基础。", "high_fidelity_text": "[00:00-00:41] AI知识截止日期的概念与网络搜索的必要性\n构建AI模型的开发者在某个时间点必须停止模型的训练。这导致模型的信息存在一个“最后日期”，即知识截止日期。具体而言，AI的知识来源于其在训练期间读取的互联网内容，但这一读取行为只进行到某个特定的日期和时间。自此之后，AI的知识状态便在该日期被“冻结”，不再随时间更新。然而，现实世界并不会停止。在知识截止日期之后，世界继续向前发展，不断有新的事件发生，例如新的电影上映等。因此，为了能够回答那些涉及或关联到其知识截止日期之后事物的问题，AI模型需要借助网络搜索来收集新的信息。\n\n[00:41-02:39] AI如何识别并触发网络搜索：以2025年67梗为例\n如果你使用主流AI模型提供商（如ChatGPT、Gemini、Claude），某些特定问题很可能会触发模型进行网络搜索。视频通过一个具体例子来说明这一机制：当你询问“2025年的67梗是什么”时，AI有很大概率会去互联网上搜索答案。它会告诉你，这个“67梗”（读作“六 七”，这个读法本身挺有趣）是一个在几个社交媒体平台上广泛传播的病毒式网络俚语。\n\n触发搜索的核心原因在于查询中的时间线索“2025”。这个提示词让AI意识到，它可能需要借助更新的在线信息才能回答，因为这个梗很可能是在其“知识截止日期”之后才出现在互联网上的。为了解释这一点，视频阐述了AI知识库的静态本质：一个特定AI模型的预训练知识是“冻结在时间中”的，尽管互联网本身在不断演变。\n\n视频用一条时间线来类比：在很长一段时间里，互联网上充斥着诸如“6 x 7 = 42”的文本，或者“为什么6害怕7？因为7吃了9（7, 8, 9）”这类儿童笑话。但是，如果AI模型的知识截止日期设定在某个特定时刻，而“67梗”是在这个日期之后才流行起来的，那么这个梗就不会包含在模型的预训练知识里。\n\n因此，当被问到“2025年的67梗是什么”时，AI模型会进行一个内部判断：它意识到自己不了解这个来自2025年的“67梗”，并得出结论——它应该执行一次网络搜索来获取更新的信息。视频最后补充了一个具体模型的例子：OpenAI的GPT-4模型，其知识截止日期是2025年8月。同时，屏幕上展示了一张图表，内容是Google上关于“67是什么意思”的搜索量趋势，这暗示了该话题是近期才引起关注的。\n\n[02:39-03:44] 网络搜索的触发场景：实时信息、小众话题与位置查询\nAI会根据问题类型决定是使用预训练知识还是触发网络搜索。例如，如果要求AI'在加利福尼亚州山景城附近找一家评价很高的健身房'，由于'评价很高'的定义、商家的营业状态等信息会随时间变化，这类查询很可能会触发网络搜索。另一个例子是询问'马奎特山奶酪卷是什么？'。这是一个小众信息，AI在预训练阶段可能没有阅读过大量关于它的在线资料，因此它也很可能会搜索互联网来获取答案。补充说明：马奎特山奶酪卷实际上是一个相当有趣的活动，内容是人们追逐一个从山上滚下的奶酪轮。\n\n[03:44-04:40] 何时需要网络搜索：基于查询类型的判断\n视频首先提出要更广泛地探讨AI模型何时需要通过网络搜索来收集信息，以更好地回答问题。接着，通过一组具体例子来说明AI可以依赖其预训练知识回答的问题类型：例如‘手机掉进汤里该怎么办’、‘猫为什么盯着墙壁看’、‘旅行者1号在太空中的唱片上录了什么’。视频指出，这些问题之所以能用预训练知识回答，是因为它们属于互联网上的‘常见知识’。随后，视频转向需要触发网络搜索的场景。第一个明确提到的类型是‘时事或最近发生的事情’，AI需要搜索来获取‘实时信息’。第二个类型是‘特定地点的信息’，进行网络搜索是合理的。第三个类型是‘其他类型的冷门信息’。对于后两种类型，视频补充了AI的内部决策逻辑：当AI‘意识到自己对该主题了解不足’时，它会判断进行网络搜索‘将有助于它给你提供更好的答案’。这说明了网络搜索的触发不仅基于问题类型（如时事），也基于AI对自身知识局限性的评估。\n\n[04:40-05:45] AI模型触发网络搜索的两种方式与注意事项\n对于大多数流行的AI模型提供商，触发网络搜索有两种方式。\n方式一：AI模型自主决策。有时，AI模型会自行决定进行网络搜索。\n方式二：用户手动触发。用户可以通过两种具体操作来明确触发：1. 点击AI模型提供商网页界面中的某个特定按钮；2. 直接在给模型的提示（prompt）中写明指令，例如“请为此进行网络搜索”，模型通常会遵从指令并使用网络搜索来回答问题。\n功能普及性说明：并非所有AI模型都默认启用了网络搜索功能，但一个关键点是，用户最可能正在使用的那些最流行的模型（如ChatGPT、Gemini等），大多都具备此功能。\n网络搜索的核心价值：如果AI能进行网络搜索，它在用户想要完成的许多任务上会表现更好。具体而言，网络搜索使其能够用更当前、实时的信息来增强（augment）其固有的预训练知识。\n引入关键警告与后续方向：然而，和所有网络搜索一样，AI进行的网络搜索也存在一个普遍问题：它可能返回不可靠的来源（bad sources）。因此，接下来的内容将探讨：1. 这在什么情况下会成为一个问题（即风险场景）；2. 何时以及如何引导AI使用更可靠的来源，从而为用户获取更可靠的答案。", "translated_transcript": [ { "start": 0.21, "end": 6.159, "text": "在某个时间点，构建AI模型的团队必须停止其训练，因此存在一个" }, { "start": 6.159, "end": 10.319, "text": "“最后日期”，其信息截止于此。" }, { "start": 10.319, "end": 16.959, "text": "也就是说，AI仅阅读了截至特定日期和时间的互联网内容，其知识" }, { "start": 16.959, "end": 20.84, "text": "在该日期后便被冻结。" }, { "start": 20.84, "end": 27.639, "text": "但当然，世界在该日期后继续前进，新事物不断发生，电影上映，" }, { "start": 27.639, "end": 28.639, "text": "等等。" }, { "start": 28.639, "end": 34.4, "text": "让我们看看AI模型如何通过网络搜索收集新信息，以便" }, { "start": 34.4, "end": 41.4, "text": "能够回答甚至涉及其知识截止日期之后事件的问题。" }, { "start": 41.4, "end": 48, "text": "如果你使用的是流行的AI模型提供商，如ChatGPT、Gemini和Claude，" }, { "start": 48, "end": 53.439, "text": "某些问题可能会触发它进行网络搜索。" }, { "start": 53.439, "end": 60.119, "text": "例如，如果你问它，2025年的“6 7”梗是什么，它很可能会" }, { "start": 60.119, "end": 67, "text": "在互联网上搜索，告诉你“6 7”梗，发音为♫ 6 7 ♪，这个说法" }, { "start": 67, "end": 72.639, "text": "挺有趣的，它是一种在几个社交媒体平台上广泛出现的病毒式网络俚语。" }, { "start": 72.639, "end": 73.639, "text": "媒体平台。" }, { "start": 73.639, "end": 79.44, "text": "当你问它“2025年的‘6 7’梗是什么”时，它会触发网络搜索的原因是，" }, { "start": 79.44, "end": 86.639, "text": "“2025”这个提示让AI意识到它可能受益于更更新的在线信息，" }, { "start": 86.639, "end": 91.4, "text": "因为这可能是一个在其知识截止日期之后出现在互联网上的梗。" }, { "start": 91.4, "end": 92.4, "text": "我的意思是这样。" }, { "start": 92.4, "end": 94.319, "text": "特定AI模型的预训练知识是冻结在时间中的，尽管互联网" }, { "start": 94.319, "end": 99.959, "text": "特定AI模型的预训练知识是冻结在时间点上的，尽管互联网" }, { "start": 99.959, "end": 102.779, "text": "会随着时间持续演变。" }, { "start": 102.779, "end": 109.459, "text": "因此，如果这条线代表时间，那么在很长一段时间里，互联网上会有" }, { "start": 109.459, "end": 116.3, "text": "文本片段写着“6 x 7 等于 42”，文本谈论着儿童笑话，“为什么6害怕7？" }, { "start": 116.3, "end": 118.739, "text": "因为7, 8, 9（7 ate 9）。" }, { "start": 118.739, "end": 121.66, "text": "因为7、8、9。" }, { "start": 121.66, "end": 127.54, "text": "但如果知识截止日期是在某个特定时刻，而“6 7”梗出现在" }, { "start": 127.54, "end": 133.539, "text": "那之后，那么“6 7”梗就不会出现在AI模型的预训练知识中。" }, { "start": 133.539, "end": 135.539, "text": "AI模型。" }, { "start": 135.539, "end": 142.38, "text": "所以如果你问它“2025年的‘6 7’梗是什么”，AI模型会意识到它不知道" }, { "start": 142.38, "end": 148.539, "text": "这个2025年的“6 7”梗，并且它应该进行网络搜索以获取" }, { "start": 148.539, "end": 151.179, "text": "更更新的信息。" }, { "start": 151.179, "end": 159.899, "text": "以OpenAI的GP5.4模型为例，其知识截止日期是2025年8月，这张图表" }, { "start": 159.899, "end": 164.899, "text": "显示了谷歌上搜索“6 7是什么意思”的次数。" }, { "start": 164.899, "end": 172.94, "text": "所以这个“6 7”梗是在GP5.4知识截止日期之后才流行起来的，这就是为什么" }, { "start": 172.94, "end": 176.22, "text": "该模型并不真正了解这个梗。" }, { "start": 176.25900000000001, "end": 181.5, "text": "现在，有些类型的问题AI会使用其预训练知识来回答，而有些类型的问题则倾向于触发网络搜索。" }, { "start": 181.5, "end": 185.22, "text": "知识，并且某些类型的问题往往会触发网络" }, { "start": 185.22, "end": 186.22, "text": "search." }, { "start": 186.22, "end": 192.58, "text": "例如，如果你告诉它，“请帮我在加州山景城附近找一家评价很高的健身房。”" }, { "start": 192.58, "end": 197.82, "text": "那么“评价很高”是什么意思，什么可能营业，什么可能关门，这些都会随时间变化，" }, { "start": 197.82, "end": 201.22, "text": "并且这很可能会触发网络搜索。" }, { "start": 201.22, "end": 205.419, "text": "或者如果你问它，“马凯特山奶酪卷是什么？”" }, { "start": 205.419, "end": 209.139, "text": "因为这是一个小众信息，它可能没有读过太多" }, { "start": 209.139, "end": 214.02, "text": "关于这个奶酪卷的在线信息，它很可能会搜索互联网以" }, { "start": 214.02, "end": 216.899, "text": "为你找到答案。" }, { "start": 216.899, "end": 222.38, "text": "如果你好奇的话，这实际上是一个相当有趣的活动，人们追逐一个滚下山坡的奶酪轮。" }, { "start": 222.38, "end": 224.94, "text": "把奶酪轮滚下山。" }, { "start": 224.94, "end": 229.619, "text": "让我们更广泛地看看AI模型何时需要进行网络搜索来收集" }, { "start": 229.619, "end": 232.82, "text": "获取更多信息来回答你的问题。" }, { "start": 232.82, "end": 237.74, "text": "如果你问手机掉进汤里该怎么办，或者猫为什么盯着墙壁看，" }, { "start": 237.74, "end": 244.38, "text": "或者旅行者1号在外太空携带了什么唱片，这些问题它很可能" }, { "start": 244.38, "end": 250.1, "text": "能用预训练知识回答，因为这些都属于互联网上的常识。" }, { "start": 250.1, "end": 251.1, "text": "互联网上。" }, { "start": 251.1, "end": 257.299, "text": "但如果你问它时事或最近发生的事情，那么" }, { "start": 257.299, "end": 261.059, "text": "它就需要进行网络搜索来获取实时信息。" }, { "start": 261.059, "end": 267.059, "text": "如果你问它特定地点的信息，那么进行网络搜索是合理的，或者" }, { "start": 267.059, "end": 272.299, "text": "如果你问它其他类型的冷门信息，它也很可能意识到" }, { "start": 272.299, "end": 277.05899999999997, "text": "自己对该主题了解不足，进行网络搜索来收集更多信息" }, { "start": 277.05899999999997, "end": 280.179, "text": "将有助于它给你更好的答案。" }, { "start": 280.179, "end": 285.65999999999997, "text": "对于大多数主流AI模型提供商，网络搜索可以通过两种方式触发。" }, { "start": 285.65999999999997, "end": 286.65999999999997, "text": "两种方式。" }, { "start": 287.019, "end": 293.019, "text": "有时AI模型会自行决定进行网络搜索，或者你也可以明确地" }, { "start": 293.019, "end": 299.1, "text": "通过点击AI模型提供商网页界面中的某个按钮来触发网络搜索，" }, { "start": 299.1, "end": 305.22, "text": "或者直接在提示词中写明“请为此进行网络搜索”，它就会遵从" }, { "start": 305.22, "end": 308.619, "text": "并使用网络搜索来回答你的问题。" }, { "start": 308.619, "end": 313.66, "text": "并非所有AI模型都启用了网络搜索功能，但你可能正在使用的" }, { "start": 313.66, "end": 316.82, "text": "大多数主流模型确实具备此能力。" }, { "start": 316.82, "end": 323.98, "text": "如果AI进行网络搜索，它在许多你希望它执行的任务上会表现得更好。" }, { "start": 323.98, "end": 330.26, "text": "网络搜索使其能够用更当前的信息来增强其预训练知识。" }, { "start": 330.26, "end": 335.299, "text": "但就像所有网络搜索一样，它可能会返回不可靠的来源。" }, { "start": 335.299, "end": 341.339, "text": "让我们来看看这在什么情况下会成为问题，以及何时以及如何让它使用更可靠的" }, { "start": 341.339, "end": 345.019, "text": "来源来为你提供更可靠的答案。" } ], "prerequisites": [ "基本了解AI模型的预训练概念", "熟悉主流AI工具如ChatGPT或Gemini的使用" ], "thought_prompts": [ "AI模型的知识截止日期如何影响其回答的时效性？", "在什么情况下AI会自动触发网络搜索？", "如何手动请求AI进行网络搜索以获取最新信息？" ], "review_suggestions": [ "回顾知识截止日期与实时信息获取的关系", "练习识别触发网络搜索的查询类型（如时事、位置、小众话题）", "比较不同AI提供商的网络搜索功能" ], "beginner_focus": [], "experienced_guidance": [] } }, { "id": "web-search-sources-1", "source_url": "https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/lesson/vtdd22pz/web-search-sources", "title": "Web search sources", "custom_title": true, "collection_group_title": null, "collection_title": "AI Prompting For Everyone", "course_index": 4, "sort_order": 4, "duration": 482.88, "created_at": "2026-05-04T01:15:55.781805+00:00", "transcript": [ { "start": 3.839, "end": 9.199, "text": "Just like when you search the web yourself, you might not always find what you're looking for." }, { "start": 4.015, "end": 3.839, "text": "Web search is a very valuable, but imperfect tool." }, { "start": 9.199, "end": 14.239, "text": "It has limitations like finding old or inaccurate sources." }, { "start": 14.239, "end": 20.879, "text": "But you can work around these limitations to get AI to give you more accurate and up-to-date answers." }, { "start": 20.879, "end": 22.879, "text": "Let's take a look." }, { "start": 22.879, "end": 29.84, "text": "If you ask an AI system how safe are green market peptides, which is a type of supplement," }, { "start": 30.399, "end": 37.84, "text": "it may search online and find posts on social media or public forum sites like Reddit and" }, { "start": 37.84, "end": 43.84, "text": "Quora, or you may find websites that are in the business of selling peptides and so would" }, { "start": 43.84, "end": 47.599, "text": "have an inclination to tell you that they're safe." }, { "start": 47.599, "end": 50.72, "text": "And you may get back answers that may or may not be accurate." }, { "start": 51.52, "end": 58.24, "text": "But if you encourage the AI model to use sources from official organizations or look at studies" }, { "start": 58.24, "end": 63.759, "text": "that are backed by rigorous science, then it's more likely to look up resources from the World" }, { "start": 63.759, "end": 69.519, "text": "Health Organization, from the US Food and Drug Administration, from the European Medicines" }, { "start": 69.519, "end": 76, "text": "Agency, and so on, and hopefully give you more reliable and scientifically credible answers." }, { "start": 76.959, "end": 84.959, "text": "Web search, whether done by a human on Google or Bing, or done by AI, has a tendency to draw" }, { "start": 84.959, "end": 87.599, "text": "from popular sources." }, { "start": 87.599, "end": 96.16, "text": "According to one report, the most cited website by an AI model was Reddit, followed by Wikipedia," }, { "start": 96.16, "end": 99.44, "text": "YouTube, then Google itself, Yelp, and so on." }, { "start": 99.44, "end": 103.68, "text": "And some of these sources are more trustworthy than others." }, { "start": 103.839, "end": 109.44, "text": "There's just a lot of text on the internet from social media, blogs, online forums, and" }, { "start": 109.44, "end": 115.519, "text": "the amount of text from highly reliable, scientifically verified sources is just much smaller." }, { "start": 116.239, "end": 122.8, "text": "So if you don't steer the model in terms of what types of sources you prefer, there's a" }, { "start": 122.8, "end": 128.16, "text": "chance that it'll tend to pull text from whatever is most available rather than what's" }, { "start": 128.16, "end": 129.039, "text": "most reliable." }, { "start": 130, "end": 135.36, "text": "So that's why if you ask it, how safe are green market peptides, it might base a lot" }, { "start": 135.36, "end": 140.16, "text": "of its answer on social media, blogs, and forums, and only a little bit on the more" }, { "start": 140.16, "end": 141.279, "text": "reliable sources." }, { "start": 141.839, "end": 146.96, "text": "Whereas if you tell it to use sources from official health organizations, it may pull" }, { "start": 146.96, "end": 149.199, "text": "much more from these reliable sources." }, { "start": 150.32, "end": 155.52, "text": "Another limitation of web search is that sometimes web pages can be outdated." }, { "start": 155.679, "end": 160.47899999999998, "text": "That can lead the AI model to also not provide the most current information." }, { "start": 161.039, "end": 166.32, "text": "A friend asked AI recently, help me find places to run in Henderson, Nevada." }, { "start": 167.039, "end": 173.75900000000001, "text": "This is a location-specific, niche query, and so this triggers web search, and it found" }, { "start": 173.75900000000001, "end": 176.24, "text": "this list of places to go for a jog." }, { "start": 176.96, "end": 182.559, "text": "But it turns out that unfortunately, this pulled from a web page from more than two decades" }, { "start": 182.559, "end": 189.52, "text": "ago, and unfortunately, the location suggested was a school that, unlike decades ago, is" }, { "start": 189.52, "end": 191.919, "text": "no longer open to the public to go running in." }, { "start": 192.8, "end": 200.16, "text": "To help build intuition about how AI searches the web to use that information, let me briefly" }, { "start": 200.16, "end": 203.679, "text": "explain how web search actually works under the hood." }, { "start": 204.32, "end": 206.639, "text": "It turns out to be a multi-step process." }, { "start": 207.36, "end": 212.88, "text": "Imagine that you're asking questions of a customer service team of two people." }, { "start": 212.88, "end": 215.52, "text": "There's the user-facing AI model." }, { "start": 215.52, "end": 217.199, "text": "That's what you are talking to." }, { "start": 217.839, "end": 223.75900000000001, "text": "And the user-facing AI model has a second assistant AI model that it can ask for help" }, { "start": 223.75900000000001, "end": 224.72, "text": "to do web search." }, { "start": 225.44, "end": 232.16, "text": "So when you send a prompt, you are talking to the first model, the user-facing AI model," }, { "start": 232.16, "end": 237.679, "text": "and it will occasionally decide to call up the assistant AI model, the second AI, to" }, { "start": 237.679, "end": 241.039, "text": "say, hey, please do a web search for me to gather more information." }, { "start": 241.6, "end": 247.6, "text": "This assistant AI model will then search on a web search engine very similar to Google" }, { "start": 247.6, "end": 253.52, "text": "and Bing and other web search engines that we as people might use, and it will scan the" }, { "start": 253.52, "end": 259.359, "text": "returned results, filter out the irrelevant results, and download the most relevant web" }, { "start": 259.359, "end": 261.279, "text": "pages and then summarize them." }, { "start": 262.239, "end": 268, "text": "The second assistant AI model will then present the summaries back to the first model, the" }, { "start": 268, "end": 272.959, "text": "user-facing AI model, and the first model will then use these summaries in order to" }, { "start": 272.959, "end": 275.04, "text": "generate the final answer for you." }, { "start": 275.92, "end": 282.55899999999997, "text": "You are speaking only to the user-facing AI model, and one interesting quirk to keep in" }, { "start": 282.55899999999997, "end": 289.44, "text": "mind is the user-facing AI model has not actually read in its entirety all of the web pages" }, { "start": 289.44, "end": 291.2, "text": "it may be citing for you." }, { "start": 291.839, "end": 297.92, "text": "Instead, it's only seen summaries of those web pages, and sometimes this causes it to" }, { "start": 297.92, "end": 303.44, "text": "misinterpret what one of these underlying web pages actually says, which is why you" }, { "start": 303.44, "end": 308.72, "text": "may have seen funny results where AI cites a web page and says the web page justifies" }, { "start": 308.72, "end": 314.16, "text": "the conclusion, but if you look at that web page yourself, it doesn't actually justify" }, { "start": 314.16, "end": 317.519, "text": "what the user-facing AI model says it is doing." }, { "start": 318.32, "end": 324.239, "text": "To walk you through one example of this process, if you ask the user-facing AI model, that's" }, { "start": 324.239, "end": 329.119, "text": "like the customer service agent talking to you, if you were to ask, what should I know before" }, { "start": 329.119, "end": 330.959, "text": "hiking Machu Picchu?" }, { "start": 330.959, "end": 336.88, "text": "The second model may do some web searches with phrases like Machu Picchu permits, Machu" }, { "start": 336.88, "end": 342.64, "text": "Picchu weather, or the social customs, and so on, and it will then scan the returned" }, { "start": 342.64, "end": 348.88, "text": "results, much like you may scan a page of Google results to decide what's relevant," }, { "start": 348.88, "end": 354.64, "text": "and filter out irrelevant results, and summarize the most relevant web pages to provide back" }, { "start": 354.64, "end": 359.359, "text": "to the first agent that then generates the final answer for you." }, { "start": 360.559, "end": 367.6, "text": "Now, I frequently use AI models like ChatGPT, Gemini, and Claude, and I also frequently use web search" }, { "start": 367.6, "end": 369.359, "text": "engines like Google and Bing." }, { "start": 370.16, "end": 374.72, "text": "When should you use an AI model and when should you use a web search engine?" }, { "start": 375.44, "end": 382.079, "text": "If you want to quickly scan multiple sources, a search engine can be useful for that, or" }, { "start": 382.079, "end": 387.679, "text": "if you want to navigate to a specific website, but have forgotten what's the name of that" }, { "start": 387.679, "end": 391.92, "text": "website, a web search engine can be very good for helping you find it." }, { "start": 392.64, "end": 399.04, "text": "Or if you want to look at data in its original form, such as if you want to buy a 2013 Honda" }, { "start": 399.04, "end": 404.72, "text": "Civic air filter, you know, you want to find a website to go to to buy that air filter," }, { "start": 404.72, "end": 407.359, "text": "so a web search engine is very good at that." }, { "start": 408.15999999999997, "end": 415.519, "text": "In contrast, if you want to get a synthesis from multiple sources, or if you're searching" }, { "start": 415.519, "end": 421.2, "text": "for more complex information with pros and cons that you want weighed, or if you just" }, { "start": 421.2, "end": 427.44, "text": "want to contrast multiple sources to come up with a more thoughtful conclusion, then" }, { "start": 427.44, "end": 434.16, "text": "an AI model can do a web search and put together the results of multiple web pages for you" }, { "start": 434.16, "end": 439.2, "text": "quite efficiently, thus maybe saving you time of having to read a lot of web pages yourself." }, { "start": 439.839, "end": 445.44, "text": "There might be some good Google or other web search habits that you've developed, and those" }, { "start": 445.44, "end": 450.48, "text": "habits will serve you well when working with web search enabled AI models as well." }, { "start": 451.119, "end": 456.15999999999997, "text": "Things like looking for reliable sources and also double checking the sources." }, { "start": 456.959, "end": 464.32, "text": "But if you want to go beyond searching a handful of web pages, it turns out AI models are capable" }, { "start": 464.32, "end": 468.55899999999997, "text": "of a much more extensive type of research called deep research." }, { "start": 469.6, "end": 475.279, "text": "This is a very powerful capability that I think is really underused by many people." }, { "start": 475.279, "end": 482.88, "text": "Let's go on to the next video to see what it is and when and how to use a deep researcher." } ], "transcript_source": "imported", "metadata": { "id": "web-search-sources-1", "title": "AI Prompting for Everyone - DeepLearning.AI (1)", "duration": null, "uploader": null, "channel": null, "creator": null, "description": null, "playlist_title": null, "playlist_index": null, "webpage_url": "https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/lesson/vtdd22pz/web-search-sources", "extractor": "html5", "stream_url": "https://video.deeplearning.ai/dlai/ai-prompting-for-everyone/W1/L4-lc-ai-prompting-for-everyone-C1-/video/1080/1777224908/lc-ai-prompting-for-everyone-W1-L4-lc-ai-prompting-for-everyone-C1-.m3u8", "hls_manifest_url": "https://video.deeplearning.ai/dlai/ai-prompting-for-everyone/W1/L4-lc-ai-prompting-for-everyone-C1-/lc-ai-prompting-for-everyone-W1-L4-lc-ai-prompting-for-everyone-C1--master.m3u8?v=0df1bcacf568f2d54c4dc1c135f4171f", "language": null, "subtitles": [], "automatic_captions": [] }, "study": { "one_line": "这节课聚焦 AI 网页搜索的来源质量问题，说明如何通过提示词引导模型优先使用权威来源。", "translated_title": "网络搜索来源", "context_summary": "本课程来自DeepLearning.AI的《全民AI提示》系列，讲师未具名，讲解了AI模型如何利用网络搜索获取信息。内容涵盖网络搜索的局限性，如依赖社交媒体和论坛等流行但未必可靠的信息源，以及内容可能过时等问题。课程演示了如何通过提示AI使用官方或科学来源（如世卫组织、美国食品药品监督管理局）来获得更准确的答案。课程描述了双模型架构的工作原理：面向用户的AI将搜索任务委托给辅助AI，由后者负责总结网页内容，并指出其中可能出现的理解偏差。本课还对比了AI模型与传统搜索引擎的适用场景，强调AI在综合多来源复杂信息方面的优势。关键术语包括：网络搜索、信息源可靠性、AI模型（ChatGPT、Gemini、Claude）、深度研究、提示策略。", "time_map": [ { "start": 3.839, "end": 115.519, "title": "AI网络搜索的局限性与优化策略", "summary": "本段介绍了AI网络搜索可能依赖非权威来源（如社交媒体、论坛）导致答案不准确的问题，并提供了通过引导AI使用官方机构或科学研究来提升答案可靠性的方法。同时，解释了网络搜索（包括AI搜索）倾向于引用热门来源的现象。", "priority": "focus" }, { "start": 116.239, "end": 150.32, "title": "AI搜索来源选择与可靠性", "summary": "本段解释了AI搜索在未受引导时倾向于使用易获取但可能不可靠的来源（如社交媒体），并展示了如何通过明确指定权威来源（如官方卫生组织）来提升答案的可靠性。", "priority": "focus" }, { "start": 150.32, "end": 206.639, "title": "AI网络搜索的时效性局限与底层工作原理引介", "summary": "本块通过一个具体案例说明AI搜索可能因网页信息过时而提供错误建议，并引出对AI搜索底层工作原理的简要解释。", "priority": "focus" }, { "start": 207.36, "end": 317.519, "title": "AI网络搜索的内部工作机制与潜在误解", "summary": "本块解释了AI模型进行网络搜索的内部流程：用户面对的AI模型（主模型）会调用一个辅助AI模型进行搜索、筛选和摘要，然后基于摘要生成答案。关键点是主模型并未阅读原始网页全文，仅依赖摘要，这可能导致其对引用内容的误解或错误解读。", "priority": "focus" }, { "start": 318.32, "end": 445.44, "title": "AI模型与传统搜索引擎的适用场景对比", "summary": "本块通过具体例子说明AI搜索的工作流程，并对比了AI模型与传统搜索引擎在不同任务中的优势，帮助用户根据需求选择合适的工具。", "priority": "focus" }, { "start": 445.44, "end": 482.88, "title": "深度研究功能的引入与重要性", "summary": "本段从传统搜索习惯过渡到AI的深度研究能力，强调其强大但未被充分利用，并预告下一部分将详细介绍。", "priority": "review" } ], "outline": [ { "id": "block-1", "start": 3.839, "end": 115.519, "title": "AI网络搜索的局限性与优化策略", "summary": "本段介绍了AI网络搜索可能依赖非权威来源（如社交媒体、论坛）导致答案不准确的问题，并提供了通过引导AI使用官方机构或科学研究来提升答案可靠性的方法。同时，解释了网络搜索（包括AI搜索）倾向于引用热门来源的现象。", "children": [ { "id": "block-1_block-2", "start": 3.839, "end": 150.32, "title": "AI搜索来源选择与可靠性", "summary": "本段解释了AI搜索在未受引导时倾向于使用易获取但可能不可靠的来源（如社交媒体），并展示了如何通过明确指定权威来源（如官方卫生组织）来提升答案的可靠性。", "children": [] } ] }, { "id": "block-3", "start": 150.32, "end": 206.639, "title": "AI网络搜索的时效性局限与底层工作原理引介", "summary": "本块通过一个具体案例说明AI搜索可能因网页信息过时而提供错误建议，并引出对AI搜索底层工作原理的简要解释。", "children": [ { "id": "block-3_block-4", "start": 150.32, "end": 317.519, "title": "AI网络搜索的内部工作机制与潜在误解", "summary": "本块解释了AI模型进行网络搜索的内部流程：用户面对的AI模型（主模型）会调用一个辅助AI模型进行搜索、筛选和摘要，然后基于摘要生成答案。关键点是主模型并未阅读原始网页全文，仅依赖摘要，这可能导致其对引用内容的误解或错误解读。", "children": [] } ] }, { "id": "block-5", "start": 318.32, "end": 445.44, "title": "AI模型与传统搜索引擎的适用场景对比", "summary": "本块通过具体例子说明AI搜索的工作流程，并对比了AI模型与传统搜索引擎在不同任务中的优势，帮助用户根据需求选择合适的工具。", "children": [] }, { "id": "block-6", "start": 445.44, "end": 482.88, "title": "深度研究功能的引入与重要性", "summary": "本段从传统搜索习惯过渡到AI的深度研究能力，强调其强大但未被充分利用，并预告下一部分将详细介绍。", "children": [] } ], "detailed_notes": "00:03-01:55 AI网络搜索的局限性与优化策略\n本段是课程的开篇，旨在让学习者认识到AI网络搜索并非万能，其答案质量高度依赖于信息来源。通过一个具体例子（询问绿色市场肽的安全性），讲师展示了AI可能如何从非权威来源（如社交媒体、论坛、商业网站）获取信息，从而导致答案不准确或带有偏见。随后，讲师提出了优化策略：引导AI使用官方机构或科学研究作为来源。这部分内容的重要性在于，它帮助学习者理解AI搜索的底层机制和潜在陷阱，并提供了实用的干预方法，以便在后续使用中获得更可靠的信息。本段为后续讨论AI搜索来源偏好和深度研究功能奠定了基础。\n\n01:56-02:30 AI搜索来源选择与可靠性\n本段是前一部分关于AI搜索来源问题讨论的延续和具体化。它聚焦于一个核心机制：AI搜索的行为受用户引导的影响。讲师通过一个具体例子（绿色市场肽）说明，如果不主动引导，AI会默认选择“最容易获取”的文本，这往往意味着社交媒体、论坛等非权威、可能包含偏见或错误信息的来源。这直接关系到AI生成答案的准确性和可信度。本段的重要性在于，它不仅指出了问题，更提供了一个明确的解决方案——通过提示词（prompt）指定来源类型（如官方卫生组织）。这为用户提供了主动优化AI搜索结果的实用方法。它紧接上文的“非权威与权威来源对比”，并为下文讨论“信息过时”这一另一局限性做铺垫。\n\n02:30-03:26 AI网络搜索的时效性局限与底层工作原理引介\n本块是课程中关于AI搜索局限性讨论的延续，具体聚焦于‘信息过时’这一问题。它通过一个生动、具体的个人案例（朋友在亨德森找跑步地点）来具象化这一局限，展示了AI如何因引用过时网页而给出无效建议。这个案例紧接上一部分关于‘流行来源’的讨论，进一步说明了AI搜索在信息质量（准确性、时效性）上的风险。随后，本块自然过渡到对AI搜索底层工作原理的引介，为下一个详细讲解‘双模型流程’的区块做铺垫。对于学习者而言，理解这个案例和过渡至关重要，因为它将抽象的‘局限性’概念与实际后果联系起来，并预告了后续对技术原理的深入探讨。\n\n03:27-05:17 AI网络搜索的内部工作机制与潜在误解\n本块深入剖析了AI网络搜索的内部架构，这是理解AI搜索局限性的核心。它解释了为什么AI有时会提供不准确或误导性的信息——并非总是因为信息过时（上一主题），而是因为其信息处理流程存在结构性缺陷：主模型依赖于辅助模型生成的摘要，而非原始资料。这直接关系到用户对AI搜索结果的信任度和验证必要性。在课程中，它承上启下：既延续了对AI搜索局限性的讨论（上一主题关于信息过时），又为后续比较AI与搜索引擎的适用场景（下一主题）提供了技术背景。理解这一机制有助于用户更批判性地使用AI搜索，并知道何时需要自行核实来源。\n\n05:18-07:25 AI模型与传统搜索引擎的适用场景对比\n本块是课程中关于AI搜索局限性与优化方法讨论的延续，具体聚焦于AI搜索的实际工作流程示例以及AI模型与传统搜索引擎的适用场景对比。它的重要性在于帮助学习者理解在何种情况下应优先使用AI模型，何种情况下传统搜索引擎更合适，从而做出更明智的工具选择。本块内容紧接上一部分对AI搜索双模型流程的解释，通过一个徒步马丘比丘的具体例子，生动展示了辅助AI如何执行搜索、筛选和摘要的过程。随后，讲师基于个人使用经验，系统对比了AI模型和搜索引擎的优势领域，并强调了良好搜索习惯的通用性。最后，通过预告“深度研究”功能，为课程下一部分做了铺垫，引导学习者关注更高级的AI研究能力。学习者应重点关注此块，因为它提供了实用的决策框架和具体操作示例。\n\n07:25-08:02 深度研究功能的引入与重要性\n本段是课程的一个过渡与预告模块。它首先承接上一部分关于AI与搜索引擎比较的内容，指出在AI模型中使用网络搜索时，传统的良好搜索习惯（如注重来源可靠性、进行二次核实）依然重要。随后，它引出了一个关键的新概念——“深度研究”，将其描述为一种超越常规网页搜索的、更广泛的研究能力，并强调了其强大与未被充分利用的现状。最后，明确告知学习者，关于深度研究的具体定义、适用场景和使用方法，将在下一个视频中详细讲解。本段的核心作用是激发学习者对“深度研究”功能的兴趣，并为后续更深入的内容做好铺垫。对于学习者而言，了解这一预告有助于规划后续学习重点。", "high_fidelity_text": "[00:03-01:55] AI网络搜索的局限性与优化策略\n本段首先类比人类网络搜索，指出AI搜索同样存在局限性，可能找到过时或不准确的信息来源。接着，通过一个具体例子说明问题：如果询问AI“绿色市场肽（一种补充剂）有多安全”，AI可能搜索到社交媒体或公共论坛（如Reddit、Quora）上的帖子，或者销售肽的商业网站，这些来源可能倾向于声称肽是安全的，从而导致答案不一定准确。然后，讲师提出解决方案：鼓励AI模型使用官方组织的来源或查看由严格科学支持的研究，这样AI更可能查找来自世界卫生组织、美国食品药品监督管理局、欧洲药品管理局等的资源，从而给出更可靠和科学可信的答案。讲师进一步指出，网络搜索（无论是人类在谷歌或必应上进行，还是由AI进行）都倾向于从热门来源获取信息。根据一份报告，AI模型引用最多的网站是Reddit，其次是维基百科、YouTube、谷歌本身、Yelp等，但这些来源的可信度参差不齐。最后，讲师解释了原因：互联网上有大量来自社交媒体、博客、在线论坛的文本，而来自高度可靠、经过科学验证的来源的文本数量要少得多。\n\n[01:56-02:30] AI搜索来源选择与可靠性\n讲师指出，如果用户不引导AI模型偏好特定类型的来源，模型会倾向于从最容易获取的文本中提取信息，而不是从最可靠的来源中提取。这导致了信息质量的不可控。以查询“绿色市场肽有多安全”为例，AI的回答可能主要基于社交媒体、博客和论坛的大量信息，而仅少量参考更可靠的来源。相反，如果用户明确指示AI使用官方卫生组织的来源，那么AI从这些可靠来源中提取信息的比例就会大幅提高。这说明了用户引导在优化AI搜索结果可靠性方面的关键作用。\n\n[02:30-03:26] AI网络搜索的时效性局限与底层工作原理引介\n本块首先指出网络搜索的另一个局限性：网页信息可能过时。这会导致AI模型无法提供最新的信息。讲师随即用一个具体案例说明：一位朋友请求AI帮助在内华达州亨德森寻找跑步地点。这是一个特定地点的利基查询，因此触发了AI的网络搜索功能，AI返回了一个可以去慢跑的地方列表。然而，不幸的是，这个列表的信息来源于一个二十多年前的网页。更具体地说，列表中建议的一个地点是一所学校，而这所学校与几十年前不同，现在已不再对公众开放用于跑步。这个案例清晰地展示了AI搜索依赖过时网页信息可能导致结果不准确甚至无效。为了帮助学习者建立关于AI如何搜索网络并使用这些信息的直觉，讲师表示将简要解释网络搜索在底层是如何工作的。讲师预告，这实际上是一个多步骤的过程。\n\n[03:27-05:17] AI网络搜索的内部工作机制与潜在误解\n讲师用“两人客服团队”比喻解释AI搜索架构：用户直接交互的是面向用户的主AI模型（第一个模型）。当主模型判断需要更多信息时，会调用一个辅助AI模型（第二个模型）执行网络搜索。辅助模型的工作流程是：1) 在类似谷歌、必应等人类常用的搜索引擎上进行搜索；2) 扫描返回结果，过滤掉不相关项；3) 下载最相关的网页；4) 对这些网页生成摘要。随后，辅助模型将摘要返回给主模型。主模型基于这些摘要生成最终答案给用户。一个关键且易被忽略的特点是：主模型实际上并未完整阅读它可能引用的所有原始网页，它只看到了摘要。这会导致一个具体问题：主模型有时会误解底层网页的实际内容，从而产生“有趣的结果”——即AI声称某个网页证明了其结论，但用户自行查看该网页时，会发现它并未支持该结论。这一机制解释了AI搜索答案可能出现不准确或误导性的技术原因。\n\n[05:18-07:25] AI模型与传统搜索引擎的适用场景对比\n本块以徒步马丘比丘的查询为例，具体演示了AI搜索流程：用户向用户面对模型提问后，该模型调用辅助AI。辅助AI使用“马丘比丘许可证”、“马丘比丘天气”、“社交习俗”等短语进行网络搜索，然后扫描返回的结果，类似用户扫描谷歌结果页，过滤掉不相关结果，并总结最相关的网页，将摘要提供给用户面对模型，由后者生成最终答案。接着，讲师基于自身频繁使用ChatGPT、Gemini、Claude等AI模型以及Google、Bing等搜索引擎的经验，提出了工具选择问题。传统搜索引擎适用于：1）快速浏览多个来源；2）导航到名称未知的特定网站；3）查看原始形式的数据，例如查找购买2013年本田思域空气滤清器的网站。相比之下，AI模型适用于：1）从多个来源获得综合信息；2）搜索需要权衡利弊的复杂信息；3）对比多个来源以得出更周到的结论。AI模型能进行网络搜索并高效整合多个网页结果，可能节省用户自行阅读大量网页的时间。讲师指出，在谷歌等搜索引擎中养成的良好习惯（如寻找可靠来源、仔细核对来源）在使用AI模型时同样有帮助。最后，讲师预告，如果想超越搜索少数网页，AI模型能够进行一种更广泛的研究，称为深度研究，这是一种强大且未被充分利用的能力，将在下一部分介绍。\n\n[07:25-08:02] 深度研究功能的引入与重要性\n本段首先指出，良好的网络搜索习惯（例如寻找可靠来源并进行二次核实）在使用具备网络搜索功能的AI模型时同样适用。接着，讲师提出，如果用户的需求超越了搜索少数网页的范围，AI模型实际上具备一种更广泛的研究能力，这种能力被称为“深度研究”。讲师强调，这是一种非常强大的能力，但目前被许多人低估或未充分利用。最后，本段以明确的过渡结束，告知学习者将进入下一个视频，该视频将详细解释深度研究是什么、在何种情况下使用以及如何具体操作。整个段落的核心信息是引入“深度研究”这一高级功能概念，并预告后续的详细讲解。", "translated_transcript": [ { "start": 3.839, "end": 9.199, "text": "就像你自己在网上搜索时，可能并不总能找到你想要的东西。" }, { "start": 4.015, "end": 3.839, "text": "网络搜索是一个非常有价值但并不完美的工具。" }, { "start": 9.199, "end": 14.239, "text": "它存在局限性，比如找到过时或不准确的信息来源。" }, { "start": 14.239, "end": 20.879, "text": "但你可以绕过这些局限性，让AI给你更准确和最新的答案。" }, { "start": 20.879, "end": 22.879, "text": "让我们来看一下。" }, { "start": 22.879, "end": 29.84, "text": "如果你问一个AI系统绿色市场肽有多安全，这是一种补充剂，" }, { "start": 30.399, "end": 37.84, "text": "它可能会在网上搜索，找到社交媒体或Reddit和Quora等公共论坛网站上的帖子，" }, { "start": 37.84, "end": 43.84, "text": "或者你可能会找到销售肽的网站，因此" }, { "start": 43.84, "end": 47.599, "text": "它们倾向于告诉你肽是安全的。" }, { "start": 47.599, "end": 50.72, "text": "你可能会得到不一定准确的答案。" }, { "start": 51.52, "end": 58.24, "text": "但如果你鼓励AI模型使用官方组织的来源或查看" }, { "start": 58.24, "end": 63.759, "text": "由严格科学支持的研究，那么它更有可能查找来自世界" }, { "start": 63.759, "end": 69.519, "text": "卫生组织、美国食品药品监督管理局、欧洲药品" }, { "start": 69.519, "end": 76, "text": "管理局等的资源，并希望给你更可靠和科学可信的答案。" }, { "start": 76.959, "end": 84.959, "text": "网络搜索，无论是人类在谷歌或必应上进行，还是由AI进行，都倾向于从" }, { "start": 84.959, "end": 87.599, "text": "热门来源中获取信息。" }, { "start": 87.599, "end": 96.16, "text": "根据一份报告，AI模型引用最多的网站是Reddit，其次是维基百科，" }, { "start": 96.16, "end": 99.44, "text": "YouTube，然后是谷歌本身、Yelp等等。" }, { "start": 99.44, "end": 103.68, "text": "其中一些来源比其他来源更值得信赖。" }, { "start": 103.839, "end": 109.44, "text": "互联网上有大量来自社交媒体、博客、在线论坛的文本，" }, { "start": 109.44, "end": 115.519, "text": "而来自高度可靠、经过科学验证的来源的文本数量要少得多。" }, { "start": 116.239, "end": 122.8, "text": "所以，如果你不引导模型使用你偏好的来源类型，" }, { "start": 122.8, "end": 128.16, "text": "它可能会倾向于从最容易获取的文本中提取信息，而不是从" }, { "start": 128.16, "end": 129.039, "text": "最可靠的来源中提取。" }, { "start": 130, "end": 135.36, "text": "这就是为什么如果你问它绿色市场肽有多安全，它可能会基于" }, { "start": 135.36, "end": 140.16, "text": "社交媒体、博客和论坛的大量信息来回答，而只有少量" }, { "start": 140.16, "end": 141.279, "text": "来自更可靠来源的信息。" }, { "start": 141.839, "end": 146.96, "text": "而如果你告诉它使用官方卫生组织的来源，它可能会从" }, { "start": 146.96, "end": 149.199, "text": "这些可靠来源中提取更多信息。" }, { "start": 150.32, "end": 155.52, "text": "网络搜索的另一个局限性是，有时网页可能已经过时。" }, { "start": 155.679, "end": 160.47899999999998, "text": "这可能导致AI模型也无法提供最新的信息。" }, { "start": 161.039, "end": 166.32, "text": "最近一位朋友问AI，帮我在内华达州亨德森找跑步的地方。" }, { "start": 167.039, "end": 173.75900000000001, "text": "这是一个特定地点的利基查询，因此触发了网络搜索，它找到了" }, { "start": 173.75900000000001, "end": 176.24, "text": "这个可以去慢跑的地方列表。" }, { "start": 176.96, "end": 182.559, "text": "但不幸的是，这个信息来自一个二十多年前的网页，" }, { "start": 182.559, "end": 189.52, "text": "不幸的是，建议的地点是一所学校，与几十年前不同，" }, { "start": 189.52, "end": 191.919, "text": "现在不再对公众开放跑步。" }, { "start": 192.8, "end": 200.16, "text": "为了帮助建立关于AI如何搜索网络以使用这些信息的直觉，让我简要" }, { "start": 200.16, "end": 203.679, "text": "解释一下网络搜索实际上是如何在底层工作的。" }, { "start": 204.32, "end": 206.639, "text": "事实证明这是一个多步骤的过程。" }, { "start": 207.36, "end": 212.88, "text": "想象一下你正在向一个由两人组成的客户服务团队提问。" }, { "start": 212.88, "end": 215.52, "text": "有一个面向用户的AI模型。" }, { "start": 215.52, "end": 217.199, "text": "这就是你正在与之交谈的对象。" }, { "start": 217.839, "end": 223.75900000000001, "text": "面向用户的AI模型有一个第二个助手AI模型，它可以请求帮助" }, { "start": 223.75900000000001, "end": 224.72, "text": "来进行网络搜索。" }, { "start": 225.44, "end": 232.16, "text": "所以当你发送提示时，你正在与第一个模型，即面向用户的AI模型交谈，" }, { "start": 232.16, "end": 237.679, "text": "它会偶尔决定调用助手AI模型，即第二个AI，" }, { "start": 237.679, "end": 241.039, "text": "说，嘿，请为我进行网络搜索以收集更多信息。" }, { "start": 241.6, "end": 247.6, "text": "这个辅助AI模型随后会在一个非常类似于谷歌的网络搜索引擎上进行搜索，" }, { "start": 247.6, "end": 253.52, "text": "以及必应和其他我们人类可能会使用的网络搜索引擎，它会扫描" }, { "start": 253.52, "end": 259.359, "text": "返回的结果，过滤掉不相关的结果，并下载最相关的网页" }, { "start": 259.359, "end": 261.279, "text": "然后对它们进行摘要。" }, { "start": 262.239, "end": 268, "text": "第二个辅助AI模型随后会将这些摘要呈现给第一个模型，即" }, { "start": 268, "end": 272.959, "text": "面向用户的AI模型，然后第一个模型会利用这些摘要来" }, { "start": 272.959, "end": 275.04, "text": "为你生成最终答案。" }, { "start": 275.92, "end": 282.55899999999997, "text": "你只与面向用户的AI模型对话，一个需要记住的有趣特点是，面向用户的AI模型实际上并没有完整阅读" }, { "start": 282.55899999999997, "end": 289.44, "text": "它可能为你引用的所有网页。" }, { "start": 289.44, "end": 291.2, "text": "相反，它只看到了这些网页的摘要，有时这会导致它" }, { "start": 291.839, "end": 297.92, "text": "误解其中一个底层网页的实际内容，这就是为什么你" }, { "start": 297.92, "end": 303.44, "text": "可能会看到一些有趣的结果，AI引用一个网页并说该网页证明了" }, { "start": 303.44, "end": 308.72, "text": "某个结论，但如果你自己查看该网页，它实际上并没有证明" }, { "start": 308.72, "end": 314.16, "text": "面向用户的AI模型所说的那样。" }, { "start": 314.16, "end": 317.519, "text": "为了向你展示这个过程的一个例子，如果你问面向用户的AI模型，就像" }, { "start": 318.32, "end": 324.239, "text": "与你对话的客服代理，如果你问：在徒步前往马丘比丘之前，我应该了解什么？" }, { "start": 324.239, "end": 329.119, "text": "第二个模型可能会使用诸如“马丘比丘许可证”、“马丘比丘天气”或“社交习俗”等短语进行一些网络搜索，" }, { "start": 329.119, "end": 330.959, "text": "然后它会扫描返回的结果，" }, { "start": 330.959, "end": 336.88, "text": "就像你可能会扫描一页谷歌结果来决定哪些是相关的，" }, { "start": 336.88, "end": 342.64, "text": "过滤掉不相关的结果，并总结最相关的网页，以提供给" }, { "start": 342.64, "end": 348.88, "text": "第一个代理，然后由它为你生成最终答案。" }, { "start": 348.88, "end": 354.64, "text": "现在，我经常使用像ChatGPT、Gemini和Claude这样的AI模型，我也经常使用像谷歌和必应这样的网络搜索引擎。" }, { "start": 354.64, "end": 359.359, "text": "你应该在什么时候使用AI模型，什么时候使用网络搜索引擎？" }, { "start": 360.559, "end": 367.6, "text": "如果你想快速浏览多个来源，搜索引擎对此很有用，或者" }, { "start": 367.6, "end": 369.359, "text": "如果你想导航到一个特定的网站，但忘记了该网站的名称，" }, { "start": 370.16, "end": 374.72, "text": "网络搜索引擎可以帮助你很好地找到它。" }, { "start": 375.44, "end": 382.079, "text": "或者如果你想查看原始形式的数据，例如如果你想购买一个2013年本田思域的空气滤清器，" }, { "start": 382.079, "end": 387.679, "text": "你知道，你想找一个网站去购买那个空气滤清器，" }, { "start": 387.679, "end": 391.92, "text": "所以网络搜索引擎非常擅长这个。" }, { "start": 392.64, "end": 399.04, "text": "相比之下，如果你想从多个来源获得综合信息，或者你正在搜索" }, { "start": 399.04, "end": 404.72, "text": "更复杂的信息，需要权衡利弊，或者你只是" }, { "start": 404.72, "end": 407.359, "text": "想对比多个来源以得出一个更周到的结论，那么" }, { "start": 408.15999999999997, "end": 415.519, "text": "AI模型可以进行网络搜索，并为你高效地整合多个网页的结果，" }, { "start": 415.519, "end": 421.2, "text": "从而可能为你节省自己阅读大量网页的时间。" }, { "start": 421.2, "end": 427.44, "text": "你可能已经养成了一些良好的谷歌或其他网络搜索习惯，这些习惯在使用启用了网络搜索的AI模型时也会对你很有帮助。" }, { "start": 427.44, "end": 434.16, "text": "比如寻找可靠的来源，以及仔细核对来源。" }, { "start": 434.16, "end": 439.2, "text": "但如果你想超越搜索少数几个网页，事实证明AI模型能够进行一种更广泛的研究，称为深度研究。" }, { "start": 439.839, "end": 445.44, "text": "这是一种非常强大的能力，我认为很多人没有充分利用它。" }, { "start": 445.44, "end": 450.48, "text": "让我们进入下一个视频，看看它是什么，以及何时和如何使用深度研究器。" }, { "start": 451.119, "end": 456.15999999999997, "text": "比如寻找可靠来源，并对这些来源进行二次核实。" }, { "start": 456.959, "end": 464.32, "text": "但如果你想超越搜索少数网页的范围，AI模型实际上能够" }, { "start": 464.32, "end": 468.55899999999997, "text": "进行一种更广泛的研究，称为深度研究。" }, { "start": 469.6, "end": 475.279, "text": "这是一种非常强大的能力，我认为很多人并未充分利用它。" }, { "start": 475.279, "end": 482.88, "text": "让我们进入下一个视频，看看它是什么，以及何时、如何使用深度研究功能。" } ], "prerequisites": [ "了解基本的网络搜索概念", "熟悉常见AI模型（如ChatGPT）的使用", "知道权威来源（如世卫组织）与非权威来源的区别" ], "thought_prompts": [ "AI搜索为何可能引用社交媒体而非权威网站？", "如何通过提示词引导AI使用更可靠的来源？", "AI搜索与传统搜索引擎在信息综合上有何不同？", "为什么AI可能误解其引用的网页内容？" ], "review_suggestions": [ "对比AI搜索和传统搜索的适用场景", "练习编写提示词以指定权威来源", "检查AI引用的网页是否支持其结论", "探索深度研究功能以处理复杂查询" ], "beginner_focus": [], "experienced_guidance": [] } }, { "id": "using-deep-research-1", "source_url": "https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/lesson/ldiicy7i/using-deep-research", "title": "Using deep research", "custom_title": false, "collection_group_title": null, "collection_title": "AI Prompting For Everyone", "course_index": 5, "sort_order": 5, "duration": 511.019, "created_at": "2026-05-04T01:19:24.843142+00:00", "transcript": [ { "start": 0.237, "end": 7.039, "text": "Sometimes, you may want your AI to synthesize not just a handful of sources, but many, maybe" }, { "start": 7.039, "end": 13.359, "text": "many dozens of sources, and do lots of thinking to come up with the best possible, deeply" }, { "start": 13.359, "end": 17, "text": "researched answer to a question that you have." }, { "start": 17, "end": 22.959, "text": "Popular AI chat interfaces like ChatGPT, Gemini, and Claude all have a deep research" }, { "start": 22.959, "end": 23.959, "text": "mode." }, { "start": 23.959, "end": 28, "text": "I've found this to be a very valuable and often underutilized tool." }, { "start": 29, "end": 30, "text": "Let's take a look." }, { "start": 30, "end": 35, "text": "Let's say you want to use an AI model to help you plan your Halloween haunted house." }, { "start": 35, "end": 39.799, "text": "I'm going to write a prompt to ask it to help me set up a haunted house in my front" }, { "start": 39.799, "end": 44.84, "text": "yard for Halloween and give it some information about where I am, what's the size of my front" }, { "start": 44.84, "end": 47.4, "text": "yard, what's the experience I want." }, { "start": 47.4, "end": 53.959, "text": "So I'll give it lots of context to set it up, to plan it out for me appropriately." }, { "start": 53.959, "end": 60.4, "text": "With a prompt like this, an AI model might come up with a research plan in which it tries" }, { "start": 60.4, "end": 65.44, "text": "to think through what are the types of sources it needs to research." }, { "start": 65.44, "end": 70.44, "text": "Many systems will give you an opportunity to approve or potentially edit the research" }, { "start": 70.44, "end": 76.16, "text": "plan, and if you're happy with it, I'll often launch the research plan without updating" }, { "start": 76.16, "end": 79.72, "text": "it unless I see something that just looks really wrong." }, { "start": 79.72, "end": 84.519, "text": "It will then go ahead and start to do online searches." }, { "start": 84.519, "end": 90.68, "text": "So in this example, it starts by gathering Palo Alto's rules on permits, Halloween ordinances, and" }, { "start": 90.68, "end": 97.44, "text": "so on, and then it will read some of those web pages and synthesize what it's learned" }, { "start": 97.44, "end": 104.839, "text": "so far, and it may then decide to do some more searches online to gather more information" }, { "start": 104.839, "end": 111.239, "text": "about fire safety guidelines, and then it may after that decide to look for decoration" }, { "start": 111.239, "end": 112.559, "text": "ideas." }, { "start": 112.559, "end": 117.87899999999999, "text": "So loosely follow the original research plan, but also have the flexibility to keep looking" }, { "start": 117.87899999999999, "end": 122.4, "text": "deeper into certain areas if it thinks it needs that information." }, { "start": 122.4, "end": 127.76, "text": "After searching for a while, maybe many minutes, it will finally write a detailed research" }, { "start": 127.76, "end": 129.559, "text": "report for you." }, { "start": 129.559, "end": 135.96, "text": "This process, by the way, is an example of agentic AI, and what that refers to is that" }, { "start": 135.96, "end": 141.96, "text": "through this deep research process, the AI model has some flexibility to make decisions by" }, { "start": 141.96, "end": 149.679, "text": "itself on what to do next, such as what additional searches, if any, to carry out." }, { "start": 149.679, "end": 155.36, "text": "The output of this can then be a fairly detailed and thoughtful plan with different sections" }, { "start": 155.36, "end": 160.559, "text": "outlining what you might need to think about in terms of structural and regulatory framework," }, { "start": 160.559, "end": 163.16, "text": "safety, and so on." }, { "start": 163.16, "end": 168.91899999999998, "text": "If you're using Google's Gemini AI model for this, one of the neat features is it makes" }, { "start": 168.91899999999998, "end": 175.399, "text": "it easy to take the deep research it's done and help you turn it into a web page or infographic" }, { "start": 175.399, "end": 178.279, "text": "or a handful of other things." }, { "start": 178.279, "end": 185.08, "text": "Here's a web page that was generated by Gemini using the Gemini deep researcher, and I think" }, { "start": 185.08, "end": 191.72, "text": "it's pretty neat that it's created a web page with four different sections, pie charts" }, { "start": 191.72, "end": 199.52, "text": "for budget, pretty neat visualizations for noise ordinance, and I think it's pretty neat" }, { "start": 199.52, "end": 206.96, "text": "that this even has a little checklist that I could use to plan out my Halloween event." }, { "start": 206.96, "end": 212.279, "text": "To give you a sense of how a deep researcher works, this is loosely what it does." }, { "start": 212.279, "end": 218.559, "text": "After formulating a research plan, an AI model can actually issue many web searches" }, { "start": 218.559, "end": 225.6, "text": "at the same time and get back multiple web pages at the same time, and this is one of" }, { "start": 225.6, "end": 229.72, "text": "the nice things about using an AI deep researcher." }, { "start": 229.72, "end": 232.8, "text": "It doesn't have to do the web searches one at a time." }, { "start": 232.8, "end": 238.91899999999998, "text": "It can do many of them at the same time, which lets it be very efficient in fetching lots" }, { "start": 238.91899999999998, "end": 240.639, "text": "of web pages." }, { "start": 240.639, "end": 247.16, "text": "The AI system can also take a look at all of these sources and quickly assess which" }, { "start": 247.16, "end": 253.199, "text": "ones are relevant and which ones are less relevant, and based on that, it may decide" }, { "start": 253.199, "end": 258.16, "text": "whether or not to go back to do additional web searches, maybe using different web search" }, { "start": 258.16, "end": 259.16, "text": "terms." }, { "start": 259.16, "end": 265.16, "text": "Finally, after going around this loop a few times of doing web search, evaluating sources," }, { "start": 265.16, "end": 269.399, "text": "deciding whether or not to go back to get more sources, it'll hopefully decide it's" }, { "start": 269.399, "end": 276.679, "text": "done and then lastly take all of the pages it has downloaded and maybe summarize and" }, { "start": 276.679, "end": 284.04, "text": "synthesize all that into a report that it adds citations to and that it then presents" }, { "start": 284.04, "end": 285.679, "text": "to you." }, { "start": 285.679, "end": 291.92, "text": "Both web search enabled AI as well as deep research use the internet or do web search." }, { "start": 291.92, "end": 297.839, "text": "The basic web search enabled AI is good at queries like this, find me a highly rated" }, { "start": 297.839, "end": 303.119, "text": "gym, what's the weather in Dubai this week, whereas deep research I would tend to use" }, { "start": 303.119, "end": 308.64, "text": "for tasks that require synthesizing multiple views, such as if I want to know what's the" }, { "start": 308.64, "end": 315.559, "text": "impact of daily steps on long-term health and if I want it to search the most recent" }, { "start": 315.559, "end": 320.32, "text": "scientifically justified articles and think through the answer rather than just tell me" }, { "start": 320.32, "end": 326.16, "text": "whatever people tend to say on the internet or if I wanted to deeply think through how" }, { "start": 326.16, "end": 332, "text": "does weather affect tourism in Dubai and again not just take one or two popular answers found" }, { "start": 332, "end": 337.44, "text": "on a social media site but to read up on weather, read up on tourism, read up on Dubai and to" }, { "start": 337.44, "end": 340.519, "text": "really think through the implications to give me a more thoughtful answer." }, { "start": 340.519, "end": 344.2, "text": "That's when deep research could be particularly helpful." }, { "start": 344.2, "end": 349.15999999999997, "text": "To give you another framework to think through when to use web search versus deep research," }, { "start": 349.15999999999997, "end": 355.079, "text": "if you have a single question you want answered, doing work that would take me just a few seconds" }, { "start": 355.079, "end": 361.48, "text": "based on a handful of sources, that's when web search would be particularly helpful and" }, { "start": 361.48, "end": 367.959, "text": "web search as we've seen can be triggered either automatically or by the user, whereas" }, { "start": 367.959, "end": 374.239, "text": "deep researcher often is trying to draw a complex of the conclusions that may require" }, { "start": 374.239, "end": 380.88, "text": "answering multiple questions or answering multiple dimensions that relate to a question" }, { "start": 380.88, "end": 386.44, "text": "and I think of this as doing work that would take me minutes to maybe even hours if I was" }, { "start": 386.44, "end": 394.399, "text": "doing this manually and I may want many sources of information synthesized and as we've seen" }, { "start": 394.399, "end": 400.679, "text": "deep researcher is usually triggered explicitly by the user. Unless you select it in the user" }, { "start": 400.679, "end": 406.15999999999997, "text": "interface, most AI models would not carry out a deep researcher and keep you waiting for" }, { "start": 406.15999999999997, "end": 408.239, "text": "many minutes for an answer." }, { "start": 408.239, "end": 414, "text": "To recap, if you're asking help, I dropped my phone in soup, it doesn't need to look up" }, { "start": 414, "end": 419.15999999999997, "text": "any online sources, we're not worried about freshness, it'll give you an answer in just" }, { "start": 419.15999999999997, "end": 424.779, "text": "a few seconds and this is good for finding basic facts, definitions, summaries for things" }, { "start": 424.779, "end": 427.72, "text": "that occur commonly on the internet." }, { "start": 427.72, "end": 435.119, "text": "Web search may download a handful of sources and it will find relatively up-to-date information" }, { "start": 435.119, "end": 441.44, "text": "and it may take many seconds to get you back an answer and we've seen what types of information" }, { "start": 441.44, "end": 449.839, "text": "this is useful for and lastly deep research may download often dozens or more of sources," }, { "start": 449.839, "end": 455.079, "text": "it will get up-to-date information and it will spend many minutes or longer to get you" }, { "start": 455.079, "end": 460.55899999999997, "text": "back an answer and it's great at answering complex questions that involve synthesizing" }, { "start": 460.55899999999997, "end": 463.2, "text": "many sources of knowledge." }, { "start": 463.2, "end": 468.279, "text": "Finding information is one of the most common tasks that people use AI models for." }, { "start": 468.279, "end": 474.679, "text": "You've seen three different paths that you can take advantage of for this type of information-" }, { "start": 474.679, "end": 476.079, "text": "finding task." }, { "start": 476.079, "end": 483.739, "text": "You could use just the pretrained knowledge or web search or deep research and we also" }, { "start": 483.739, "end": 487.779, "text": "walk through how and when to use these different options." }, { "start": 487.779, "end": 493.82, "text": "I want to make sure that you have good intuitions about when to use each of these options." }, { "start": 493.82, "end": 500.739, "text": "So let's go on to take a look next at a practice hands-on lab for this module which I think" }, { "start": 500.739, "end": 506.26, "text": "you'll find a fun way to compare and contrast what each of these three options do and more" }, { "start": 506.26, "end": 511.019, "text": "importantly will also help you hone your intuition on when to use each." } ], "transcript_source": "imported", "metadata": { "id": "using-deep-research-1", "title": "AI Prompting for Everyone - DeepLearning.AI (1)", "duration": null, "uploader": null, "channel": null, "creator": null, "description": null, "playlist_title": null, "playlist_index": null, "webpage_url": "https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/lesson/ldiicy7i/using-deep-research", "extractor": "html5", "stream_url": "https://video.deeplearning.ai/dlai/ai-prompting-for-everyone/W1/L5-lc-ai-prompting-for-everyone-C1-/video/1080/1777224908/lc-ai-prompting-for-everyone-W1-L5-lc-ai-prompting-for-everyone-C1-.m3u8", "hls_manifest_url": "https://video.deeplearning.ai/dlai/ai-prompting-for-everyone/W1/L5-lc-ai-prompting-for-everyone-C1-/lc-ai-prompting-for-everyone-W1-L5-lc-ai-prompting-for-everyone-C1--master.m3u8?v=ca2c8a0fd250b8fc8085aa59ab733dfc", "language": null, "subtitles": [], "automatic_captions": [] }, "study": { "one_line": "这节课说明深度研究与预训练知识、普通网页搜索的区别，并给出适合用深度研究处理复杂问题的判断框架。", "translated_title": "深度研究模式应用", "context_summary": "这节来自DeepLearning.AI《AI提示词人人学》课程的课程，由未具名讲师讲解，阐释了ChatGPT、Gemini和Claude等AI聊天界面中“深度研究”的概念。它区分了深度研究与基础网络搜索和预训练知识，将其描述为一种智能体AI过程：模型能自主规划、搜索、评估并整合大量在线资源的信息，以回答复杂、多维度的问题。课程以万圣节鬼屋策划为例说明该过程，并提供了一个使用框架：预训练知识适用于简单事实查询，网络搜索适合从少量资源获取快速答案，而深度研究则用于需要大量资源且耗时较长的深度整合分析。", "time_map": [ { "start": 0.237, "end": 122.4, "title": "深度研究模式：定义与启动流程", "summary": "介绍了深度研究模式的概念、核心价值，并通过万圣节鬼屋规划的具体实例，展示了从输入详细提示词到AI制定并执行研究计划的完整启动过程。", "priority": "focus" }, { "start": 122.4, "end": 178.279, "title": "深度研究模式的输出、代理式AI特性与Gemini应用", "summary": "本学习块解释了深度研究模式的最终输出形式、其作为代理式AI的体现，并介绍了Gemini模型将研究成果转化为可视化格式的便捷功能。", "priority": "skim" }, { "start": 178.279, "end": 285.679, "title": "深度研究器的工作原理与流程", "summary": "本学习块解释了AI深度研究模式的核心工作机制，即通过制定研究计划、并发执行多个网络搜索、评估来源相关性、迭代调整搜索策略，最终综合信息并生成带引用的报告。", "priority": "focus" }, { "start": 285.679, "end": 400.679, "title": "深度研究 vs. 网络搜索：适用场景与决策框架", "summary": "通过具体查询示例和决策框架，明确区分基础网络搜索与深度研究两种模式的适用场景，帮助用户根据问题复杂度、所需时间和信息源需求做出选择。", "priority": "focus" }, { "start": 400.679, "end": 511.019, "title": "三种信息检索模式：预训练知识、网络搜索与深度研究", "summary": "本块系统对比了AI模型中三种信息检索路径（预训练知识、网络搜索、深度研究）在触发方式、耗时、信息源数量及适用场景上的核心区别，并预告了后续的实践练习。", "priority": "focus" } ], "outline": [ { "id": "block-1", "start": 0.237, "end": 122.4, "title": "深度研究模式：定义与启动流程", "summary": "介绍深度研究模式的概念、核心价值，并通过万圣节鬼屋规划实例，展示从输入提示词到AI制定并执行研究计划的完整启动过程。", "children": [ { "id": "block-1", "start": 0.237, "end": 122.4, "title": "深度研究模式的核心概念", "summary": "定义深度研究模式，强调其作为复杂问题综合研究工具的价值。", "children": [] }, { "id": "block-1", "start": 0.237, "end": 122.4, "title": "启动流程实例：万圣节鬼屋规划", "summary": "通过具体实例演示如何输入详细提示词，触发AI制定并执行研究计划。", "children": [] } ] }, { "id": "block-2", "start": 122.4, "end": 178.279, "title": "深度研究模式的输出与代理式AI特性", "summary": "解释深度研究模式的最终输出形式、其作为代理式AI的体现，并介绍Gemini模型将研究成果转化为可视化格式的功能。", "children": [ { "id": "block-2", "start": 122.4, "end": 178.279, "title": "输出形式与代理式AI", "summary": "说明深度研究模式的输出结果及其如何体现代理式AI的自主执行特性。", "children": [] }, { "id": "block-2", "start": 122.4, "end": 178.279, "title": "Gemini的可视化功能", "summary": "介绍Gemini模型如何将深度研究成果转化为易于理解的可视化格式。", "children": [] } ] }, { "id": "block-3", "start": 178.279, "end": 285.679, "title": "深度研究器的工作原理与流程", "summary": "解释AI深度研究模式的核心工作机制，包括制定研究计划、并发搜索、评估来源、迭代调整及综合生成报告。", "children": [ { "id": "block-3", "start": 178.279, "end": 285.679, "title": "研究计划制定与执行", "summary": "描述AI如何制定研究计划并并发执行多个网络搜索任务。", "children": [] }, { "id": "block-3", "start": 178.279, "end": 285.679, "title": "信息评估与迭代优化", "summary": "说明AI如何评估搜索来源的相关性，并迭代调整搜索策略以优化结果。", "children": [] }, { "id": "block-3", "start": 178.279, "end": 285.679, "title": "综合报告生成", "summary": "解释AI如何综合所有信息并生成带引用的最终研究报告。", "children": [] } ] }, { "id": "block-4", "start": 285.679, "end": 400.679, "title": "深度研究 vs. 网络搜索：适用场景与决策框架", "summary": "通过具体查询示例和决策框架，明确区分基础网络搜索与深度研究两种模式的适用场景，帮助用户根据问题复杂度、所需时间和信息源需求做出选择。", "children": [ { "id": "block-4", "start": 285.679, "end": 400.679, "title": "适用场景对比", "summary": "通过查询示例对比深度研究与网络搜索在不同问题类型中的适用性。", "children": [] }, { "id": "block-4", "start": 285.679, "end": 400.679, "title": "决策框架", "summary": "提供基于问题复杂度、时间需求和信息源数量的决策框架，指导模式选择。", "children": [] } ] }, { "id": "block-5", "start": 400.679, "end": 511.019, "title": "三种信息检索模式对比", "summary": "系统对比预训练知识、网络搜索与深度研究三种模式在触发方式、耗时、信息源数量及适用场景上的核心区别，并预告后续实践练习。", "children": [ { "id": "block-5", "start": 400.679, "end": 511.019, "title": "模式核心区别", "summary": "对比三种模式在触发方式、耗时、信息源数量和适用场景上的差异。", "children": [] }, { "id": "block-5", "start": 400.679, "end": 511.019, "title": "后续实践预告", "summary": "预告课程后续将包含实践练习，以巩固对三种模式的理解。", "children": [] } ] } ], "detailed_notes": "00:00-02:02 深度研究模式：定义与启动流程\n本学习块是课程的开篇，旨在建立对“深度研究模式”的基本认知。它解释了该模式的核心目标（处理多源信息、深度思考）及其在主流AI工具中的可用性。更重要的是，它通过一个具体的、多步骤的实例（规划万圣节鬼屋），生动展示了深度研究模式从问题输入到AI自主制定并执行研究计划的完整工作流程。这有助于学习者理解深度研究与简单问答或基础搜索的本质区别：它是一个需要详细上下文输入、允许用户干预计划、并由AI代理执行的、可能包含多轮迭代搜索的综合研究过程。掌握这一块内容对于理解后续深度研究的输出形式及其适用场景至关重要。\n\n02:02-02:58 深度研究模式的输出、代理式AI特性与Gemini应用\n本块是深度研究模式功能讲解的延续，从描述其最终输出开始，进而阐释其背后的“代理式AI”概念，最后以一个具体AI产品（Gemini）的便捷功能作为示例收尾。它解释了深度研究“最终能给你什么”（一份详细的报告）以及“为什么能做到这一点”（因为它是能自主决策的代理式AI），并展示了研究成果如何能被进一步应用（转化为可视化格式）。这部分内容对于理解深度研究的价值和应用潜力很重要，但技术细节相对较少，适合快速浏览以建立整体认知。\n\n02:58-04:45 深度研究器的工作原理与流程\n本块是课程的核心技术解释部分，详细拆解了深度研究模式背后的运作流程。它解释了为何深度研究比基础搜索更适合处理复杂问题：关键在于其并发搜索、智能评估和迭代优化的能力。理解这个流程对于判断何时使用深度研究模式至关重要。它连接了前一个块（展示深度研究的输出结果）和后一个块（对比不同模式的使用场景），为理解深度研究的价值提供了底层逻辑。学习者应重点关注这个流程，因为它揭示了AI作为研究代理的核心能力。\n\n04:45-06:40 深度研究 vs. 网络搜索：适用场景与决策框架\n本学习块是课程的核心对比环节，旨在帮你清晰区分何时使用基础的网络搜索功能，何时需要启动更强大的深度研究模式。理解这一点至关重要，因为它直接决定了你能否高效、准确地利用AI获取信息，避免“杀鸡用牛刀”或“力不从心”的情况。视频通过生动的查询示例（如找健身房 vs. 研究健康影响）和两个实用的决策框架（基于问题复杂度、所需时间、信息源数量），将抽象的概念具体化。这部分内容承接了上一块对深度研究内部流程的解释，并为下一块更系统的决策框架总结做了铺垫。掌握本块内容，你将能自信地为不同类型的研究任务选择最合适的AI工具。\n\n06:40-08:31 三种信息检索模式：预训练知识、网络搜索与深度研究\n本学习块是课程的核心对比总结部分。它系统性地梳理并比较了AI进行信息检索的三种主要模式：依赖内部预训练知识、执行基础网络搜索以及启动深度研究。理解这三种模式在触发方式、响应时间、处理的信息源规模以及最终适用的任务类型上的根本区别，对于在实际应用中做出高效、准确的选择至关重要。这直接决定了你能否根据问题的复杂度和对信息深度、广度的要求，选用正确的工具，避免不必要的等待或得到肤浅的答案。因此，这部分内容需要重点关注，它是构建AI信息检索操作直觉的基础。", "high_fidelity_text": "[00:00-02:02] 深度研究模式：定义与启动流程\n有时，用户的需求不仅是综合少量信息源，而是可能需要处理数十个信息源，并进行大量深度思考，以针对用户提出的问题，生成最优的、经过深入研究的答案。像ChatGPT、Gemini和Claude这类流行的AI聊天界面都配备了“深度研究模式”。主讲人指出，这是一个非常有价值但经常未被充分利用的工具。\n\n为了说明其使用，视频引入了一个实例：使用AI帮助规划在前院举办的万圣节鬼屋。使用深度研究模式的第一步是撰写一个详细的提示词。这个提示词需要提供大量背景信息，例如用户所在的位置、前院的大小以及用户期望获得的体验类型。提供这些详细上下文的目的，是让AI能够据此进行恰当的规划。\n\n当AI接收到这样一个复杂的提示后，它的典型反应是制定一个“研究计划”。在这个计划中，AI会思考并列出它需要去研究哪些类型的信息源。许多提供深度研究模式的系统会在此阶段将研究计划呈现给用户，并给予用户批准该计划，或者对其进行编辑的机会。主讲人的个人习惯是，如果计划看起来没有明显错误，通常会直接批准并启动它。\n\n研究计划启动后，AI便会开始执行在线搜索。以鬼屋规划为例，AI的行动路径展示了其工作的迭代性和灵活性：它首先会搜索特定地点（如帕洛阿尔托市）关于活动许可证、万圣节相关条例等规则信息。在阅读并初步综合这些网页内容后，AI可能会判断需要更多信息，从而决定进行新一轮搜索，例如查找消防安全指南。在此之后，它可能还会继续搜索装饰创意等信息。整个过程表明，AI会大致遵循最初制定的研究计划，但同时保留了灵活性，能够在执行过程中根据已获取的信息和判断，决定对某些领域进行更深入的挖掘。\n\n[02:02-02:58] 深度研究模式的输出、代理式AI特性与Gemini应用\n深度研究模式在搜索一段时间（可能长达数分钟）后，最终会为用户撰写一份详细的研究报告。\n\n这个过程是代理式AI的一个例子。代理式AI指的是，在深度研究过程中，AI模型自身拥有一定的灵活性，可以自主决定下一步要做什么，例如决定是否进行以及进行哪些额外的搜索。\n\n该过程的输出结果可以是一份相当详尽且经过深思熟虑的计划。这份计划包含不同的章节，用于概述用户可能需要考虑的各个方面，例如结构和监管框架、安全性等。\n\n如果用户使用谷歌的Gemini AI模型来进行深度研究，其中一个很棒的功能是：它能轻松地将完成的深度研究成果，帮助用户转化为其他形式，例如网页、信息图表，或者少数其他几种东西。\n\n[02:58-04:45] 深度研究器的工作原理与流程\n为了说明深度研究器的工作原理，其大致流程如下。\n\n1. **制定研究计划**：流程始于AI模型制定一个研究计划。\n2. **并发执行搜索**：随后，AI模型可以同时发起多个网络搜索，并同时获取多个网页的返回结果。这是使用AI深度研究器的一个主要优点——它不必一次只进行一个搜索，从而在获取大量网页时非常高效。\n3. **评估与迭代**：AI系统会查看所有获取的来源，快速评估哪些相关，哪些不太相关。基于这个评估，它可能决定是否需要返回进行额外的网络搜索。这些额外的搜索可能会使用不同的搜索关键词。\n4. **综合与报告生成**：在循环进行几次“搜索-评估-决定是否进一步搜索”的步骤后，AI最终会判定研究完成。最后一步是，它将所有下载的页面进行总结和综合，形成一份报告。这份报告会添加引用，然后呈现给用户。\n\n[04:45-06:40] 深度研究 vs. 网络搜索：适用场景与决策框架\n本块首先指出，启用网络搜索的AI和深度研究模式都使用互联网进行搜索。关键在于它们适用的查询类型不同。\n\n**基础网络搜索的适用场景**：擅长处理单一、快速的事实查询。给出的具体例子是：“帮我找一家评价很高的健身房”和“迪拜这周天气如何”。这类查询目标明确，答案直接。\n\n**深度研究的适用场景**：倾向于用于需要综合多种观点、进行深入思考的复杂任务。视频通过两个具体例子来说明：\n1. **例子一：研究日常步数对长期健康的影响**。使用深度研究的目的不仅是获取答案，更是为了：a) 搜索最新的、有科学依据的文章；b) 对信息进行思考推理，而不是简单地复述互联网上常见的说法。\n2. **例子二：深入思考天气如何影响迪拜的旅游业**。使用深度研究的目的在于：a) 避免只采纳社交媒体上的一两个流行答案；b) 系统地阅读关于天气、旅游业和迪拜本身的资料；c) 真正思考这些因素之间的相互影响，以得出一个更周全、深思熟虑的结论。\n\n视频随后提供了两个更抽象的决策框架来帮助选择：\n- **框架一（从任务复杂度出发）**：如果你有一个需要回答的**单一问题**，且这项工作基于**少量信息源**，手动操作只需**几秒钟**就能完成，那么**网络搜索**就特别有用。\n- **框架二（从工作量和信息需求出发）**：**深度研究**通常用于试图得出**复杂的结论**。这可能需要：a) 回答多个问题，或回答与一个核心问题相关的**多个维度**；b) 完成一项如果手动进行需要花费**几分钟甚至几小时**的工作；c) 综合**许多不同的信息源**。\n\n最后，视频简要对比了触发方式：网络搜索可以**自动触发或由用户手动触发**；而深度研究（根据目前所见）**通常需要用户明确选择来触发**（字幕原文为“usually triggered explicitly by the user”）。\n\n[06:40-08:31] 三种信息检索模式：预训练知识、网络搜索与深度研究\n深度研究模式并非默认开启，需要用户在界面中明确选择触发。如果不手动选择，大多数AI模型不会自动执行深度研究并让用户等待多分钟。\n\n课程回顾了三种信息检索路径：\n1. **仅使用预训练知识**：适用于不依赖在线资源、不担心信息新鲜度的常见问题。例如“我手机掉汤里了”这类问题。它能在几秒钟内给出答案，适合查找基本事实、定义以及互联网上常见事物的摘要。\n2. **网络搜索**：此模式会下载少量（a handful）信息源，以找到相对最新的信息。返回答案可能需要许多秒（many seconds）。课程之前已经展示了它适用的信息类型。\n3. **深度研究**：此模式通常会下载数十个或更多（dozens or more）的信息源，并获取最新信息。其处理时间较长，需要许多分钟或更久（many minutes or longer）才能返回答案。它的核心优势在于擅长回答那些涉及综合多种知识来源的复杂问题。\n\n查找信息是用户使用AI模型最普遍的任务之一。针对这类信息寻找任务，用户可以利用上述三种路径。课程后续将逐步讲解如何以及何时使用这些不同选项，目标是帮助学员建立良好的使用直觉。\n\n接下来，课程将引导学员进入一个本模块的实践动手实验。该实验被认为是一种有趣的方式，用于比较和对比这三个选项各自的功能。更重要的是，它将帮助学员磨练关于何时使用每个选项的直觉。", "translated_transcript": [ { "start": 0.237, "end": 7.039, "text": "有时，你可能希望AI不仅能综合少量信息源，而是能处理大量——" }, { "start": 7.039, "end": 13.359, "text": "甚至数十个信息源，并进行深度思考，从而为你提出的问题提供最优质的、经过深入研究的答案。" }, { "start": 13.359, "end": 17, "text": "为你提出的问题提供最优质的、经过深入研究的答案。" }, { "start": 17, "end": 22.959, "text": "像ChatGPT、Gemini和Claude这类流行的AI聊天界面都具备深度研究模式。" }, { "start": 22.959, "end": 23.959, "text": "都具备深度研究模式。" }, { "start": 23.959, "end": 28, "text": "我发现这是一个非常有价值且常被低估的工具。" }, { "start": 29, "end": 30, "text": "让我们来看一个例子。" }, { "start": 30, "end": 35, "text": "假设你想用AI模型来帮助你规划万圣节鬼屋。" }, { "start": 35, "end": 39.799, "text": "我会写一个提示词，请求它帮助我在前院布置一个万圣节鬼屋，" }, { "start": 39.799, "end": 44.84, "text": "并提供关于我的位置、前院大小以及我想要的体验等信息。" }, { "start": 44.84, "end": 47.4, "text": "以及我想要的体验等信息。" }, { "start": 47.4, "end": 53.959, "text": "因此我会提供大量背景信息，以便它能为我进行合适的规划。" }, { "start": 53.959, "end": 60.4, "text": "面对这样的提示词，AI模型可能会制定一个研究计划，思考它需要研究哪些类型的信息源。" }, { "start": 60.4, "end": 65.44, "text": "思考它需要研究哪些类型的信息源。" }, { "start": 65.44, "end": 70.44, "text": "许多系统会给你机会批准或编辑研究计划，" }, { "start": 70.44, "end": 76.16, "text": "如果你满意，我通常会直接启动研究计划，除非发现明显错误。" }, { "start": 76.16, "end": 79.72, "text": "除非发现明显错误。" }, { "start": 79.72, "end": 84.519, "text": "随后它将开始进行在线搜索。" }, { "start": 84.519, "end": 90.68, "text": "在这个例子中，它首先收集帕洛阿尔托关于许可证、万圣节条例等规定，" }, { "start": 90.68, "end": 97.44, "text": "然后阅读部分网页并综合已获取的信息，" }, { "start": 97.44, "end": 104.839, "text": "接着可能决定进行更多在线搜索以收集消防安全指南信息，" }, { "start": 104.839, "end": 111.239, "text": "之后还可能寻找装饰创意。" }, { "start": 111.239, "end": 112.559, "text": "之后还可能寻找装饰创意。" }, { "start": 112.559, "end": 117.87899999999999, "text": "它会大致遵循原始研究计划，但也具备灵活性，可以在认为需要时深入某些领域。" }, { "start": 117.87899999999999, "end": 122.4, "text": "可以在认为需要时深入某些领域。" }, { "start": 122.4, "end": 127.76, "text": "经过一段时间的搜索（可能长达数分钟），它最终会为你撰写详细的研究报告。" }, { "start": 127.76, "end": 129.559, "text": "它最终会为你撰写详细的研究报告。" }, { "start": 129.559, "end": 135.96, "text": "顺便说一下，这个过程是代理式AI的一个例子，" }, { "start": 135.96, "end": 141.96, "text": "它指的是在深度研究过程中，AI模型能自主决定下一步行动，" }, { "start": 141.96, "end": 149.679, "text": "例如是否进行额外搜索等。" }, { "start": 149.679, "end": 155.36, "text": "其输出结果可以是一份相当详尽且深思熟虑的计划，包含不同章节" }, { "start": 155.36, "end": 160.559, "text": "概述了在结构和监管框架方面需要考虑的内容，" }, { "start": 160.559, "end": 163.16, "text": "安全性等等。" }, { "start": 163.16, "end": 168.91899999999998, "text": "如果你使用谷歌的Gemini AI模型进行这项工作，其中一个很棒的功能是它能" }, { "start": 168.91899999999998, "end": 175.399, "text": "轻松地将深度研究的结果转化为网页、信息图表" }, { "start": 175.399, "end": 178.279, "text": "或其他几种形式。" }, { "start": 178.279, "end": 185.08, "text": "这是一个由Gemini使用其深度研究器生成的网页，我认为" }, { "start": 185.08, "end": 191.72, "text": "它创建了一个包含四个不同部分的网页，有预算的饼图，" }, { "start": 191.72, "end": 199.52, "text": "噪音条例的漂亮可视化图表，我觉得非常棒的是" }, { "start": 199.52, "end": 206.96, "text": "它甚至还有一个小清单，我可以用来规划我的万圣节活动。" }, { "start": 206.96, "end": 212.279, "text": "为了让你了解深度研究器的工作原理，大致过程如下。" }, { "start": 212.279, "end": 218.559, "text": "在制定研究计划后，AI模型实际上可以同时发起多个网络搜索" }, { "start": 218.559, "end": 225.6, "text": "并同时获取多个网页，这是使用AI深度研究器" }, { "start": 225.6, "end": 229.72, "text": "的一个优点。" }, { "start": 229.72, "end": 232.8, "text": "它不必一次只进行一个网络搜索。" }, { "start": 232.8, "end": 238.91899999999998, "text": "它可以同时进行多个搜索，这使得它在获取大量" }, { "start": 238.91899999999998, "end": 240.639, "text": "网页方面非常高效。" }, { "start": 240.639, "end": 247.16, "text": "AI系统还可以查看所有这些来源，并快速评估哪些" }, { "start": 247.16, "end": 253.199, "text": "是相关的，哪些不太相关，基于此，它可能决定" }, { "start": 253.199, "end": 258.16, "text": "是否返回进行额外的网络搜索，也许使用不同的网络搜索" }, { "start": 258.16, "end": 259.16, "text": "关键词。" }, { "start": 259.16, "end": 265.16, "text": "最后，在循环进行几次网络搜索、评估来源、" }, { "start": 265.16, "end": 269.399, "text": "决定是否返回获取更多来源之后，它最终会决定" }, { "start": 269.399, "end": 276.679, "text": "完成，然后最后将所有下载的页面进行总结和" }, { "start": 276.679, "end": 284.04, "text": "综合，形成一份报告，添加引用，然后呈现" }, { "start": 284.04, "end": 285.679, "text": "给你。" }, { "start": 285.679, "end": 291.92, "text": "启用网络搜索的AI和深度研究都使用互联网或进行网络搜索。" }, { "start": 291.92, "end": 297.839, "text": "基础的启用网络搜索的AI擅长处理这类查询：帮我找一家评价很高的" }, { "start": 297.839, "end": 303.119, "text": "健身房，迪拜这周天气如何，而深度研究我倾向于用于" }, { "start": 303.119, "end": 308.64, "text": "需要综合多种观点的任务，例如如果我想知道" }, { "start": 308.64, "end": 315.559, "text": "日常步数对长期健康的影响，如果我想搜索最新的" }, { "start": 315.559, "end": 320.32, "text": "有科学依据的文章，并思考答案，而不是仅仅告诉我" }, { "start": 320.32, "end": 326.16, "text": "互联网上人们通常怎么说，或者如果我想深入思考" }, { "start": 326.16, "end": 332, "text": "天气如何影响迪拜的旅游业，同样不是只取一两个" }, { "start": 332, "end": 337.44, "text": "在社交媒体网站上找到的流行答案，而是去阅读天气资料、" }, { "start": 337.44, "end": 340.519, "text": "旅游业资料、迪拜资料，并真正思考其影响，" }, { "start": 340.519, "end": 344.2, "text": "以给出一个更周全的答案。" }, { "start": 344.2, "end": 349.15999999999997, "text": "这就是深度研究特别有用的时候。" }, { "start": 349.15999999999997, "end": 355.079, "text": "再给你一个思考何时使用网络搜索与深度研究的框架，" }, { "start": 355.079, "end": 361.48, "text": "如果你有一个需要回答的单一问题，这项工作只需我几秒钟" }, { "start": 361.48, "end": 367.959, "text": "基于少量信息源就能完成，那么网络搜索就特别有用，" }, { "start": 367.959, "end": 374.239, "text": "而且如我们所见，网络搜索可以自动触发或由用户触发，而" }, { "start": 374.239, "end": 380.88, "text": "深度研究通常试图得出复杂的结论，这可能需要" }, { "start": 380.88, "end": 386.44, "text": "回答多个问题或回答与一个问题相关的多个维度，" }, { "start": 386.44, "end": 394.399, "text": "我认为这相当于需要我手动花费几分钟甚至几小时的工作，" }, { "start": 394.399, "end": 400.679, "text": "并且我可能需要综合许多信息源，如我们所见，" }, { "start": 400.679, "end": 406.15999999999997, "text": "深度研究通常由用户明确触发。除非你在用户" }, { "start": 406.15999999999997, "end": 408.239, "text": "界面中选择它，否则大多数AI模型不会执行深度研究，" }, { "start": 408.239, "end": 414, "text": "并让你等待许多分钟才得到答案。" }, { "start": 414, "end": 419.15999999999997, "text": "总结一下，如果你问“我手机掉汤里了”，它不需要查找" }, { "start": 419.15999999999997, "end": 424.779, "text": "任何在线资源，我们不担心信息时效性，它会在" }, { "start": 424.779, "end": 427.72, "text": "几秒钟内给你答案，这适用于查找基本事实、" }, { "start": 427.72, "end": 435.119, "text": "定义、互联网上常见事物的摘要。" }, { "start": 435.119, "end": 441.44, "text": "网络搜索可能会下载少量信息源，并找到相对最新的信息，" }, { "start": 441.44, "end": 449.839, "text": "可能需要许多秒才能返回答案，我们已经看过它适用于哪些类型的信息，" }, { "start": 449.839, "end": 455.079, "text": "最后，深度研究可能会下载数十个或更多的信息源，" }, { "start": 455.079, "end": 460.55899999999997, "text": "它会获取最新信息，并且会花费许多分钟或更长时间来返回答案，" }, { "start": 460.55899999999997, "end": 463.2, "text": "它非常擅长回答需要综合" }, { "start": 463.2, "end": 468.279, "text": "多种知识来源的复杂问题。" }, { "start": 468.279, "end": 474.679, "text": "查找信息是人们使用AI模型最常见的任务之一。" }, { "start": 474.679, "end": 476.079, "text": "寻找任务。" }, { "start": 476.079, "end": 483.739, "text": "你可以仅使用预训练知识、网络搜索或深度研究，我们还将" }, { "start": 483.739, "end": 487.779, "text": "逐步讲解如何以及何时使用这些不同的选项。" }, { "start": 487.779, "end": 493.82, "text": "我希望确保你对何时使用每个选项有良好的直觉。" }, { "start": 493.82, "end": 500.739, "text": "那么接下来，让我们看看本模块的一个实践动手实验，我认为" }, { "start": 500.739, "end": 506.26, "text": "你会发现这是一种有趣的方式来比较和对比这三个选项各自的功能，更重要的是" }, { "start": 506.26, "end": 511.019, "text": "它还将帮助你磨练何时使用每个选项的直觉。" } ], "prerequisites": [ "了解AI模型基本概念", "熟悉常见AI聊天界面（如ChatGPT）", "具备基础信息检索经验" ], "thought_prompts": [ "深度研究与基础网络搜索的核心区别是什么？", "在什么场景下应优先选择深度研究模式？", "代理式AI如何体现在深度研究过程中？", "如何评估深度研究报告的可靠性？" ], "review_suggestions": [ "对比三种信息获取模式（预训练/网络搜索/深度研究）的适用场景", "用万圣节案例复述深度研究的工作流程", "列举三个适合使用深度研究的实际问题", "总结深度研究模式的优势与局限" ], "beginner_focus": [], "experienced_guidance": [] } }, { "id": "lab-overview--ai-model-prompt-comparison-1", "source_url": "https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/lesson/46zz5oii/lab-overview%3A-ai-model-prompt-comparison", "title": "Lab overview: AI model prompt comparison", "custom_title": false, "collection_group_title": null, "collection_title": "AI Prompting For Everyone", "course_index": 6, "sort_order": 6, "duration": 285.2, "created_at": "2026-05-04T03:48:57.443063+00:00", "transcript": [ { "start": 3.043, "end": 6.48, "text": "In this module, you learned how to use AI models to find information. In this practice lab," }, { "start": 6.48, "end": 12.8, "text": "you can explore how web search, deep research, and different prompts affect the AI model's output." }, { "start": 13.439, "end": 19.92, "text": "Let's take a look. When you open up the lab, it starts off with a tutorial on how to use the lab," }, { "start": 20.479, "end": 25.92, "text": "and I'm just going to close it out here. You can always access this tutorial again" }, { "start": 25.92, "end": 32.72, "text": "via this button up here, and what I hope you do is follow the instructions written here," }, { "start": 32.72, "end": 38.24, "text": "and when you're done, click mark as complete to mark this item as completed." }, { "start": 39.599, "end": 45.52, "text": "First, these buttons down here correspond to different things you might try. So this one," }, { "start": 45.52, "end": 52.479, "text": "current events, compares a question with and without web search. So what's the 6 7 meme?" }, { "start": 52.479, "end": 58.08, "text": "This on the left is without web search. The one on the right is with web search enabled," }, { "start": 58.08, "end": 64.959, "text": "and if you compare, then without web search, it gives these answers. It doesn't know about the" }, { "start": 64.959, "end": 72.319, "text": "meme, but with web search, it tells you what is this 6-7 meme, as well as the origins of this meme." }, { "start": 73.279, "end": 78.8, "text": "And if you want, you can also follow up and ask, how do I use 6 7 appropriately" }, { "start": 79.76, "end": 88, "text": "in a black tie tuxedo party? And then hit this red button to go see this answer." }, { "start": 89.839, "end": 96.08, "text": "Let's go back to the home page by clicking new chat up here, and I hope you try out the other" }, { "start": 96.08, "end": 103.279, "text": "examples, such as find me a highly rated gym and hit compare, or when's the next Avengers movie" }, { "start": 103.839, "end": 109.03999999999999, "text": "scheduled, or what major news happened today in the US, or feel free to enter your own" }, { "start": 109.03999999999999, "end": 116.08, "text": "country, and compare these results with and without web search. This example over here" }, { "start": 116.87899999999999, "end": 121.04, "text": "shows the difference between web search, denoted by this globe icon," }, { "start": 121.04, "end": 127.04, "text": "versus Deep Researcher, denoted by this microscope icon. So how safe are gray market peptides," }, { "start": 127.68, "end": 134.88, "text": "use high quality sources, and this will give you a sense of what web search results looks like," }, { "start": 137.6, "end": 143.039, "text": "versus Deep Researcher results. I hope you run it and see what results you get." }, { "start": 144.399, "end": 149.919, "text": "One more example, if I want to ask, can I keep my rocket propelled monster truck in my garage?" }, { "start": 150.8, "end": 156.24, "text": "If you ask it this question, the AI model may or may not know the answer." }, { "start": 156.96, "end": 163.679, "text": "But if you were to also upload the lease agreement, then maybe your lease agreement," }, { "start": 164.639, "end": 171.039, "text": "which states the terms under which you're renting your place, may have restrictions on that. And so" }, { "start": 171.039, "end": 176.72, "text": "you'll be able to see different answers depending on whether or not you upload additional information." }, { "start": 177.6, "end": 183.52, "text": "In this case, a lease agreement that is helpful for the AI to give you a thoughtful answer." }, { "start": 184.72, "end": 189.75900000000001, "text": "We haven't talked much yet about uploading your own files in this module, but it's something" }, { "start": 189.75900000000001, "end": 195.36, "text": "we'll dive into more deeply later in these videos, but feel free to play with this now." }, { "start": 196.559, "end": 203.839, "text": "Lastly, one fun example. Here is a version of why do cats stare at walls with lots of typos." }, { "start": 203.839, "end": 207.75900000000001, "text": "Here's one with nicely formatted grammar, no typos." }, { "start": 208.559, "end": 213.44, "text": "And you find that the answers are maybe surprisingly similar." }, { "start": 215.839, "end": 220.24, "text": "That the AI system is pretty good at answering a question like this, even if it has lots of typos." }, { "start": 221.279, "end": 225.119, "text": "Once you've tried out these examples reflected by these buttons down here," }, { "start": 225.119, "end": 231.91899999999998, "text": "come over your own. Like, is the weather good for a picnic in Palo Alto today?" }, { "start": 232.8, "end": 235.6, "text": "And try this with or without web search." }, { "start": 237.199, "end": 242.559, "text": "And see what answers you get. Or pick your own example and try comparing the results you get" }, { "start": 242.559, "end": 247.039, "text": "using web search and if you want, uploading your own files." }, { "start": 249.919, "end": 256.16, "text": "So that's it for module one of this course. Great job getting this far. I hope you enjoy" }, { "start": 256.959, "end": 263.839, "text": "playing around with the lab. Next, please join me in the next module where you hear about using AI" }, { "start": 263.839, "end": 269.679, "text": "as a thought partner, including having it brainstorm with you and explore ideas with you." }, { "start": 270.399, "end": 276.48, "text": "This has helped me shape the direction of many projects and I'm confident you'll find it useful" }, { "start": 276.48, "end": 283.279, "text": "too. And we'll also explore getting AI to help you with your writing and editing. I'll see you" }, { "start": 283.279, "end": 285.2, "text": "in the next module." } ], "transcript_source": "imported", "metadata": { "id": "lab-overview:-ai-model-prompt-comparison-1", "title": "AI Prompting for Everyone - DeepLearning.AI (1)", "duration": null, "uploader": null, "channel": null, "creator": null, "description": null, "playlist_title": null, "playlist_index": null, "webpage_url": "https://learn.deeplearning.ai/courses/ai-prompting-for-everyone/lesson/46zz5oii/lab-overview%3A-ai-model-prompt-comparison", "extractor": "html5", "stream_url": "https://video.deeplearning.ai/dlai/ai-prompting-for-everyone/W1/L6-lc-ai-prompting-for-everyone-C1-/video/1080/1777388639/lc-ai-prompting-for-everyone-W1-L6-lc-ai-prompting-for-everyone-C1-.m3u8", "hls_manifest_url": "https://video.deeplearning.ai/dlai/ai-prompting-for-everyone/W1/L6-lc-ai-prompting-for-everyone-C1-/lc-ai-prompting-for-everyone-W1-L6-lc-ai-prompting-for-everyone-C1--master.m3u8?v=e7fe64a26d2b29824c868a014f7786c4", "language": null, "subtitles": [], "automatic_captions": [] }, "study": { "one_line": "这个实验导览演示如何比较不同提示词、网页搜索、深度研究和文件上下文对 AI 输出质量的影响。", "translated_title": "实验概览：AI模型提示词比较", "context_summary": "本内容是DeepLearning.AI课程\"AI提示词写作\"中的实验概述。演示者展示了如何利用交互式实验室对比不同输入条件下的AI模型输出结果：是否启用网页搜索、使用\"深度研究\"模式、上传个人文件（如租赁合同），以及提示词质量差异（如存在拼写错误对比语法规范）。核心概念涵盖网页搜索整合、深度研究、基于文件的上下文补充以及提示词健壮性。该实验属于第一模块，下一模块将重点探讨如何将AI作为思维伙伴进行头脑风暴与写作。", "time_map": [ { "start": 3.043, "end": 39.599, "title": "实践实验室介绍与操作指引", "summary": "本块介绍AI模型提示词比较实践实验室的总体目标和基本操作流程，包括实验室的初始教程、探索方向和完成标记。", "priority": "focus" }, { "start": 39.599, "end": 127.04, "title": "网页搜索功能对比演示", "summary": "讲师通过具体示例演示了AI模型中网页搜索功能的对比效果，展示了启用与禁用网页搜索对回答时效性问题的显著影响，并鼓励用户自行探索更多案例。", "priority": "focus" }, { "start": 127.68, "end": 176.72, "title": "上传文件以获取定制化回答：以租赁协议为例", "summary": "本块通过一个具体示例，演示了如何通过上传相关文件（如租赁协议）来获取针对个人情况的定制化AI回答，从而对比有无额外信息时AI输出的差异。", "priority": "focus" }, { "start": 177.6, "end": 285.2, "title": "文件上传、拼写容错与自主探索", "summary": "本块通过租赁协议示例说明文件上传的价值，通过拼写错误实验展示AI的容错能力，并鼓励用户自主设计实验进行比较，最后预告了下一模块关于AI作为思考伙伴和写作助手的内容。", "priority": "skim" } ], "outline": [ { "id": "block-1", "start": 3.043, "end": 39.599, "title": "实践实验室介绍与操作指引", "summary": "介绍AI模型提示词比较实践实验室的总体目标、基本操作流程，包括初始教程、探索方向和完成标记。", "children": [] }, { "id": "block-2", "start": 39.599, "end": 127.04, "title": "网页搜索功能对比演示", "summary": "通过具体示例演示启用与禁用网页搜索对AI回答时效性问题的显著影响，并鼓励用户自行探索更多案例。", "children": [] }, { "id": "block-3", "start": 127.68, "end": 176.72, "title": "上传文件以获取定制化回答：以租赁协议为例", "summary": "演示如何通过上传相关文件（如租赁协议）来获取针对个人情况的定制化AI回答，对比有无额外信息时AI输出的差异。", "children": [] }, { "id": "block-4", "start": 177.6, "end": 285.2, "title": "文件上传、拼写容错与自主探索", "summary": "通过租赁协议示例说明文件上传的价值，通过拼写错误实验展示AI的容错能力，鼓励用户自主设计实验进行比较，并预告下一模块内容。", "children": [] } ], "detailed_notes": "00:03-00:39 实践实验室介绍与操作指引\n本块是实践实验室的开场引导，为整个实验模块定下基调。它明确了本次实践的核心学习目标：通过动手操作，理解网页搜索、深度研究和提示词设计这三个关键变量如何影响AI的输出结果。这直接承接了前面模块关于“使用AI查找信息”的理论学习，将知识转化为可操作的实验。讲师演示了实验室的初始界面，指出有一个内置教程，并强调了用户应遵循书面说明、最后标记完成的操作规范。这部分内容至关重要，因为它确保了所有用户都从同一起点出发，理解实验的基本框架和操作要求，为后续具体的对比实验（如网页搜索演示）做好了准备。对于学习者来说，理解这个实验设计和操作流程是有效参与后续所有探索的前提。\n\n00:39-02:07 网页搜索功能对比演示\n本学习块是实验室实践的核心演示部分，重点展示'网页搜索'这一关键功能如何直接影响AI回答的准确性和时效性。它紧接上一部分的界面介绍，开始进行实际功能操作。通过一个生动、具体的网络流行梗（6-7梗）作为案例，讲师清晰地揭示了AI模型内置知识（可能过时或缺失）与实时网络信息之间的差距。这直接回应了课程模块的核心目标：理解不同工具（网页搜索、深度研究）和提示词如何塑造AI输出。对于学习者而言，理解这一对比至关重要，因为它决定了在何种场景下应启用网页搜索以获得最新、最相关的信息。本块还通过提供多个待探索的查询示例，为学习者的自主实验提供了明确的起点和方向，体现了课程鼓励动手探索的教学理念。\n\n02:07-02:56 上传文件以获取定制化回答：以租赁协议为例\n本块是“AI模型提示词比较”实践实验室的第三个学习单元，紧接上一个关于网页搜索功能的演示。它通过一个生动且具体的例子，将讨论从通用信息检索（网页搜索）推进到个性化信息处理（文件上传）。讲师提出一个高度个人化且可能涉及法律或合同限制的问题（停放火箭推进式怪兽卡车），并指出AI模型对此可能缺乏知识。随后，他演示了如何通过上传个人租赁协议来为AI提供必要的上下文，从而获得基于用户自身合同条款的定制化答案。这个例子的核心教学点在于：AI的能力不仅取决于其内置知识或通用网络信息，更取决于用户提供的具体上下文。它强调了在解决个人实际问题时，提供相关文件作为提示词补充的重要性。这个模块鼓励用户亲自实践，对比有无文件上传时的结果差异，从而深刻理解“提示词工程”中信息输入的关键作用。\n\n02:57-04:45 文件上传、拼写容错与自主探索\n本块是模块一的收尾部分，核心目标是强化“实验与比较”的学习理念，并展示AI的实用特性。它首先通过租赁协议的例子，点明了上传自定义文件能让AI的回答更具相关性和深度，但明确指出文件上传功能将在后续模块深入讲解，此处仅为初步接触。接着，通过一个精心设计的拼写错误对比实验，揭示了AI在理解自然语言时的强大容错性，这是一个重要的实用洞察。最后，讲师将主动权交还给学习者，鼓励他们跳出预设示例，用自己设计的问题（如实时天气查询）来实践网页搜索和文件上传的对比，从而内化所学。块尾简要总结了模块一，并预告了模块二将聚焦于AI作为“思考伙伴”和“写作助手”的进阶应用，为课程提供了清晰的路线图。此块内容属于实践引导和特性展示，信息密度适中，适合快速浏览以了解实验方向和AI特性，无需深度聚焦。", "high_fidelity_text": "[00:03-00:39] 实践实验室介绍与操作指引\n讲师开篇点明本实践实验室的定位：它是对前序模块“使用AI模型查找信息”的实践延伸。实验室的核心探索方向有三个：网页搜索功能、深度研究功能以及不同提示词对AI输出的影响。操作流程上，实验室启动后会自动弹出一个使用教程。讲师现场演示关闭了该教程，并指出用户可以随时通过界面顶部的按钮重新打开它。讲师的核心指导是希望用户遵循实验室中提供的书面说明（instructions written here）进行操作。最后，完成所有步骤后，用户需要主动点击“标记为完成”按钮来记录自己的完成状态。\n\n[00:39-02:07] 网页搜索功能对比演示\n讲师首先指出界面下方的按钮对应不同的功能尝试选项。他点击了'时事'按钮，该功能专门用于对比同一个问题在有无网页搜索条件下的结果。演示的问题是'6-7梗是什么？'。对比结果显示：左侧（无网页搜索）的AI回答无法识别该梗，给出了不相关或过时的答案；右侧（启用网页搜索）的AI则准确解释了该梗的含义及其起源。讲师进一步演示了交互的延续性：在获得初始答案后，可以追问更具体的问题，例如'在黑领结晚宴上，我该如何恰当地使用6-7？'，然后点击红色按钮查看后续回答。接着，讲师引导用户通过点击'新对话'返回主页，并鼓励他们自行尝试其他示例查询，包括：'帮我找一家评价很高的健身房'、'下一部《复仇者联盟》电影计划什么时候上映？'、'今天美国发生了什么重大新闻？'，或者自由输入自己国家的新闻进行比较。最后，讲师简要提及了界面上的图标区分：地球图标代表网页搜索，显微镜图标代表深度研究，并以'灰色市场肽有多安全？'作为下一个将要对比的例子，自然过渡到下一个学习块。\n\n[02:07-02:56] 上传文件以获取定制化回答：以租赁协议为例\n讲师以另一个具体问题为例：'我可以把我的火箭推进式怪兽卡车停在我的车库里吗？'。他指出，对于这类特定、个人化的问题，AI模型可能知道也可能不知道答案，因为这取决于模型是否接触过相关的通用信息。接着，他引入关键操作：如果用户除了提问，还上传了个人的租赁协议，情况就会改变。租赁协议中规定了用户租赁房屋的具体条款，其中可能包含对停放此类车辆的限制。因此，AI模型能够基于用户上传的这份具体文件来生成回答。讲师强调，通过对比有无上传租赁协议这两种情况下的AI回答，用户将能够清晰地看到不同答案，从而理解上传额外信息如何显著影响AI输出的相关性和准确性。这个例子旨在演示如何利用文件上传功能，将AI从通用问答工具转变为能够处理个人具体情境的定制化助手。\n\n[02:57-04:45] 文件上传、拼写容错与自主探索\n讲师以租赁协议为例，说明上传自定义文件（如协议）能为AI提供关键上下文，从而生成更贴合用户需求的深思熟虑的答案。但明确指出，本模块对文件上传功能仅作初步展示，更深入的探讨将安排在后续视频中，并鼓励用户现在就开始尝试。随后，引入一个对比实验：一个充满拼写错误的“为什么猫会盯着墙看”问题，与一个语法正确、格式良好的相同问题。实验结果显示，AI给出的答案可能出乎意料地相似。这揭示了AI系统在回答此类问题时，对输入中的拼写错误具有较强的容错能力。基于这些示例，讲师将学习引向自主探索阶段：鼓励用户在尝试了界面下方的预设示例后，自行设计问题（例如，“今天帕洛阿尔托的天气适合野餐吗？”），并系统性地对比两种情况：使用网页搜索与不使用网页搜索的结果差异；以及如果愿意，上传自定义文件对结果的影响。最后，讲师宣布模块一结束，肯定了学习者的进展，并预告下一模块将介绍如何将AI用作“思考伙伴”，具体包括与AI进行头脑风暴、共同探索想法以帮助确定项目方向，以及探索如何利用AI辅助写作和编辑。", "translated_transcript": [ { "start": 3.043, "end": 6.48, "text": "在本模块中，你学习了如何使用AI模型来查找信息。在这个实践实验室里，" }, { "start": 6.48, "end": 12.8, "text": "你可以探索网页搜索、深度研究以及不同提示词如何影响AI模型的输出。" }, { "start": 13.439, "end": 19.92, "text": "让我们来看一看。当你打开实验室时，它会从一个关于如何使用实验室的教程开始，" }, { "start": 20.479, "end": 25.92, "text": "我在这里先把它关掉。你可以随时通过上方的这个按钮再次访问这个教程，" }, { "start": 25.92, "end": 32.72, "text": "我希望你按照这里写的说明进行操作，" }, { "start": 32.72, "end": 38.24, "text": "完成后，点击“标记为完成”来将此项目标记为已完成。" }, { "start": 39.599, "end": 45.52, "text": "首先，下面这些按钮对应你可能尝试的不同内容。所以这个，" }, { "start": 45.52, "end": 52.479, "text": "“时事”，比较了一个问题在有无网页搜索下的结果。那么6-7梗是什么？" }, { "start": 52.479, "end": 58.08, "text": "左边这个是没有网页搜索的结果。右边这个是启用了网页搜索的结果，" }, { "start": 58.08, "end": 64.959, "text": "如果你比较一下，那么没有网页搜索时，它给出了这些答案。它不知道这个" }, { "start": 64.959, "end": 72.319, "text": "梗，但有了网页搜索，它会告诉你这个6-7梗是什么，以及这个梗的起源。" }, { "start": 73.279, "end": 78.8, "text": "如果你愿意，你还可以继续追问：在黑领结晚宴上，我该如何恰当地使用6-7？" }, { "start": 79.76, "end": 88, "text": "然后点击这个红色按钮来查看这个答案。" }, { "start": 89.839, "end": 96.08, "text": "让我们通过点击上方的“新对话”回到主页，我希望你尝试一下其他的" }, { "start": 96.08, "end": 103.279, "text": "例子，比如“帮我找一家评价很高的健身房”并点击比较，或者“下一部《复仇者联盟》电影" }, { "start": 103.839, "end": 109.03999999999999, "text": "计划什么时候上映？”，或者“今天美国发生了什么重大新闻？”，或者自由输入你自己的" }, { "start": 109.03999999999999, "end": 116.08, "text": "国家，并比较这些结果在有无网页搜索下的差异。这里的这个例子" }, { "start": 116.87899999999999, "end": 121.04, "text": "展示了网页搜索（由这个地球图标表示）" }, { "start": 121.04, "end": 127.04, "text": "与深度研究（由这个显微镜图标表示）之间的区别。那么灰色市场肽有多安全，" }, { "start": 127.68, "end": 134.88, "text": "使用高质量来源，这将让你了解网页搜索结果是什么样子，" }, { "start": 137.6, "end": 143.039, "text": "与深度研究结果相比。我希望你运行它并看看你得到什么结果。" }, { "start": 144.399, "end": 149.919, "text": "再举一个例子，如果我想问：我可以把我的火箭推进式怪兽卡车停在我的车库里吗？" }, { "start": 150.8, "end": 156.24, "text": "如果你问这个问题，AI模型可能知道也可能不知道答案。" }, { "start": 156.96, "end": 163.679, "text": "但如果你还上传了租赁协议，那么也许你的租赁协议，" }, { "start": 164.639, "end": 171.039, "text": "其中规定了你租赁房屋的条款，可能对此有限制。因此" }, { "start": 171.039, "end": 176.72, "text": "你将能够看到不同的答案，这取决于你是否上传了额外信息。" }, { "start": 177.6, "end": 183.52, "text": "在这个例子中，一份租赁协议有助于AI给你一个深思熟虑的答案。" }, { "start": 184.72, "end": 189.75900000000001, "text": "在本模块中，我们还没有过多讨论上传你自己的文件，但这是" }, { "start": 189.75900000000001, "end": 195.36, "text": "我们将在后续视频中更深入探讨的内容，但现在可以随意尝试一下。" }, { "start": 196.559, "end": 203.839, "text": "最后，一个有趣的例子。这里是一个有很多拼写错误的“为什么猫会盯着墙看”的版本。" }, { "start": 203.839, "end": 207.75900000000001, "text": "这是一个语法格式良好、没有拼写错误的版本。" }, { "start": 208.559, "end": 213.44, "text": "你会发现答案可能出乎意料地相似。" }, { "start": 215.839, "end": 220.24, "text": "AI系统在回答这类问题时表现得相当不错，即使存在许多拼写错误。" }, { "start": 221.279, "end": 225.119, "text": "当你尝试了下方这些按钮所代表的示例后，" }, { "start": 225.119, "end": 231.91899999999998, "text": "可以自己来试试。比如，今天帕洛阿尔托的天气适合野餐吗？" }, { "start": 232.8, "end": 235.6, "text": "并尝试使用或不使用网页搜索功能。" }, { "start": 237.199, "end": 242.559, "text": "看看你会得到什么样的答案。或者选择你自己的例子，尝试比较" }, { "start": 242.559, "end": 247.039, "text": "使用网页搜索得到的结果，如果你愿意，也可以上传你自己的文件。" }, { "start": 249.919, "end": 256.16, "text": "这就是本课程第一模块的全部内容。能走到这一步，做得很好。希望你喜欢" }, { "start": 256.959, "end": 263.839, "text": "在实验室中进行探索。接下来，请加入下一模块，你将了解如何将AI用作" }, { "start": 263.839, "end": 269.679, "text": "思考伙伴，包括让它与你一起进行头脑风暴和探索想法。" }, { "start": 270.399, "end": 276.48, "text": "这帮助我确定了许多项目的方向，我相信你也会发现它很有用。" }, { "start": 276.48, "end": 283.279, "text": "我们还将探索如何让AI协助你进行写作和编辑。我们" }, { "start": 283.279, "end": 285.2, "text": "下一模块见。" } ], "prerequisites": [ "基本计算机操作能力", "对AI模型有初步了解", "能够访问网页浏览器" ], "thought_prompts": [ "网页搜索如何提升AI回答的时效性？", "深度研究与普通搜索结果有何不同？", "上传文件（如租赁协议）如何影响AI的定制化回答？", "拼写错误对AI回答质量的影响是否显著？" ], "review_suggestions": [ "对比有无网页搜索的AI输出差异", "尝试深度研究功能并分析结果", "上传文件测试AI的定制化回答能力", "测试拼写错误对回答质量的影响" ], "beginner_focus": [], "experienced_guidance": [] } } ] }