吴恩达.面向开发人员的 ChatGPT 提示工程师课程

这门课真正要回答的，不是「提示词怎么写得更花哨」，而是一个更实际的问题：当你要把大模型接进自己的程序里，怎么让它的输出稳定、可控、能被代码继续处理。它面向的是开发场景，不是教你用聊天框写周报。学完之后，你应该能独立设计一段提示逻辑，把用户输入变成结构化结果，再交给后续流程。

它解决的是开发中的哪类问题

日常写业务代码时，很多环节需要模型参与：把一段自由文本分类、从用户描述里抽取字段、把口语化需求改写成规范格式、让模型按固定结构返回数据。难点不在调用接口，而在结果飘忽——同一段输入，两次返回格式不一样，代码就崩了。这门课围绕的就是这个痛点：通过迭代式地调整提示，让模型输出趋于确定。资料里的迭代开发、推理、转换、扩写、对话机器人这几块，正好对应开发中最常见的几类任务，从「怎么问」到「怎么让答案可用」是一条连续的线。

适合什么基础，先看哪几块

它适合已经能写代码、但没系统接触过提示工程的开发者，也适合做数据、后端、工具类产品、想把模型能力嵌进现有系统的人。不需要机器学习背景，但至少要能读懂一段调用模型的示例代码，知道什么是输入输出。如果你完全没写过代码，只想知道怎么和聊天工具对话，这门课会偏技术，收益有限。

建议的进入顺序是先看迭代式提示开发，这块讲的是「先写一版、看结果、再改」的方法，是后面所有内容的地基；接着看推理和转换，前者练的是让模型先分析再下结论，后者练的是把输入改写成另一种形式，比如翻译、纠错、换语气；最后看扩写和对话机器人，前者是把短输入变成完整内容，后者是把多轮交互串起来。这个顺序的好处是先建立方法，再铺开场景，不会一上来就被具体案例带偏。

学完能独立做什么，资料怎么用

学完之后，你应该能独立完成这些事：为一个分类或抽取任务设计出可复用的提示模板；遇到输出不稳定时，知道从哪几个方向去调，而不是反复试；把一段多轮对话拆成模型能处理的结构；让模型按指定格式返回结果，方便代码解析。这些能力落到工作里，就是能自己搭一个小工具，或者把模型接进已有的服务里，而不必每次都求人。

资料里的代码示例是配合练习用的，不要只读。每看完一块，就自己换一个业务场景重写一遍提示，比如把课程里的分类任务换成你手上的工单分类、评论归类。重点观察改动提示后输出怎么变，把这个对照过程记下来。对话机器人那块可以自己跑一遍多轮流程，体会上下文是怎么被带进去的。练习时优先保证输出结构稳定，再考虑措辞是否漂亮。这门课的价值不在看完，而在你动手改过几轮之后，能对模型的脾气有判断。