吴恩达老师在最新 Andrew's Letters 中发布了一篇很有趣的文章「The Benefits of Lazy Prompting」（懒惰提示的好处）。他提到了一件挺反常识的事儿：给大语言模型（LLM）提问题时，不一定每次都要把背景交代得清清楚楚。有时候，随手丢一个简单粗暴的提示过去，反而更快还能解决问题。这个说法和提示词工程（Prompt Engineering）截然相反，也让我觉得很好奇，所以决定好好读读这篇文章，琢磨一下他到底在说什么，也跟你们分享一下。
什么是“懒惰提示”？
先说说这个“懒惰提示”（lazy prompting）是什么意思吧。简单来说，就是你给 AI 的指令特别简短，没啥细节，扔过去就看它能返回什么。比如说，你是个程序员，代码出了错，拿到了一个错误信息。你直接把那堆错误信息复制粘贴给 AI，连句“帮我修一下”都不加。结果呢？AI 通常能猜到你想让它帮忙分析问题、给个解决方案。这种做法就是“懒惰提示”——不费心思去组织语言，靠 AI 自己去理解。
吴老师在文章里举了几个例子。比如你写个“编辑这个：……”然后后面跟上一段文字，AI 就会帮你改改润色一下。又比如你忘了 Python 里某个包怎么用，比如 dotenv，你就直接问“dotenv 示例代码”，AI 就会给你一段能用的代码。这种情况下，你没多说啥，但 AI 还是能给出靠谱的答案。
他觉得这种方式最大的好处就是快。不用花时间写长篇大论，只要几秒钟输入几个字，AI 就开工了。不过有个前提：你得能很快看出 AI 给的答案好不好。如果结果靠谱，那就皆大欢喜；如果不行，你再稍微调整一下提示词，重新试试。
什么时候可以用“懒惰提示”？
那什么时候适合这么“懒”呢？吴老师提到，这招特别适合那些你能快速检查结果的场景。比如调试代码时，你一看 AI 给的建议就知道能不能用，或者让 AI 编辑一段文字，你扫一眼就能判断改得好不好。这种情况下，懒惰提示能帮你省下不少时间。
还有一点，这种方法最好是可以快速试错的时候用。比如你在 AI 的网页界面上操作，看到结果不好，马上改改提示再问一次，很方便。吴老师特别强调，这是个“边干边调”的过程，只要你能马上看到反馈，懒惰提示就挺好使。
什么时候别偷懒？
当然，也不是所有情况都能这么随便。吴老师很贴心地提醒了两类场景，懒惰提示可能会让你翻车。
第一种，如果你知道没点具体背景，AI 肯定猜不透你的意思，那就得老老实实写清楚。比如你有个很特殊的需求，像是要用某个特定的 PDF 转文本工具（他还顺便提了下自己团队的 LandingAI 工具，哈哈），你得在提示里明确说出来。不然 AI 可能会推荐别的方案，完全偏离你的需求。这种时候，偷懒只会浪费时间。
第二种，如果 AI 给的答案错了，但你没法马上发现问题，那就别冒险用懒惰提示。比如你让 AI 写一大段复杂的代码，乍一看好像没问题，但要跑好几个小时测试才能知道对不对。这种情况下，最好一开始就多花点时间，把需求讲明白，尽量让 AI 一次搞定，免得后面返工更麻烦。
这其实是个“高级技巧”
吴老师还特别提到，懒惰提示不是新手随便就能玩转的。他观察到，大多数人给 AI 的提示都太简单了，信息不够，反而拿不到好结果。所以，他建议你得先学会怎么给 AI 提供足够的背景，掌握了这个基础之后，再试着“偷懒”，看看最少说多少话还能让 AI 明白你的意思。这就像一个平衡游戏，得慢慢摸索出那个“刚刚好”的点。
还有个小提醒：如果你是在写代码调用 AI 的 API，而且是那种重复运行、不可能每次都检查结果的场景，那就别用懒惰提示了。因为你没法及时调整，输出的质量就得靠详细的提示来保证。
一个有趣的比喻
文章里还有个亮点，吴老师提到这个“懒惰提示”的名字是他的朋友 Rohit Prsad 想出来的，还拿计算机科学里的“懒惰求值”（lazy evaluation）做了个比喻。懒惰求值是啥呢？就是不到万不得已不计算，等你真需要结果时再动手。懒惰提示也是这样：先给最少的指令，AI 要是搞不定，你再加点细节进去。这比喻挺形象的，感觉就像在跟 AI 玩一场“猜心游戏”。
我的感想
读完吴老师这篇文章，我觉得他给了我们一个很有用的思路。平时我们总觉得跟 AI 交流得越详细越好，但其实有时候可以放松点，试试简单粗暴的方式。当然，这不是让你随便乱来，而是得有判断力，知道什么时候可以懒，什么时候得认真。就像他说的，“Keep building!”——不停地尝试、调整，才能找到最适合自己的方法。
总的来说，懒惰提示是个挺实用的技巧，尤其对那些经常用 AI 的人来说，能省下不少功夫。不过它也有局限，用得好能事半功倍，用不好可能事倍功半。你试过这种“懒”法吗？欢迎留言聊聊你的经验！
