鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
6
3
1

小白入门AI|跟着吴恩达学AI for Everyone,用Prompt轻松撸出一个生日贺卡应用✨

程序猿芙芙
程序猿芙芙
2026-05-21 19:57
阅读 1641
程序猿芙芙
2026-05-21 19:57
阅读 1641

作为一个刚接触AI的技术小白,之前一直被“AI难学”“需要深厚编程功底”的说法劝退,直到刷到吴恩达老师的《AI for everyone》,才发现AI入门居然可以这么简单!🤯 帅哥美女们帮我的掘金点点赞呗😘👍 完整文章地址👉:https://juejin.cn/post/7640350331680342058

今天就来分享我的AI学习笔记+实战成果——从跟着吴恩达打基础,到用Prompt Engineering(提示词工程),零复杂编码,几分钟撸出一个生日贺卡Web应用,全程干货无废话,小白也能直接抄作业!

先放个关键链接,我看的吴恩达《AI for everyone》教程在这里,中英字幕+全程干货,新手必看👇

吴恩达《AI for everyone》新手小白必看教程

话不多说,开启我的AI小白学习+实战之旅~

一、入门第一步:跟着吴恩达找对AI学习方向

在接触吴恩达老师的课程之前,我对AI的认知停留在“高大上”“看不懂”,总觉得要先啃完Python、机器学习算法,才能碰AI,越想越望而却步。

直到9月16号晚上(记不清具体几点,大概是饭后刷B站的时候),偶然刷到吴恩达《AI for everyone》的教程,标题写着“给所有人的AI课”“新手小白必看”,抱着试试看的心态点了进去,一下子就被吸引住了!

教程一共35条视频,从AI介绍、机器学习基础,到数据的重要性,全程不搞晦涩的公式,用最通俗的语言讲透AI核心逻辑,而且带中英字幕,哪怕英语不好也能轻松跟上,我当天就一口气看了3条!

吴恩达老师在课里强调:“AI不是只有程序员才能学,普通人也能利用AI提高效率”,这句话彻底点醒了我——原来我一直搞错了方向,AI的核心是“利用”,而不是“从零开发”。

屏幕截图 2026-05-17 200805.png

这里给小白一个小建议:如果想入门AI,不用先急着啃复杂的编程和算法,先看吴恩达的《AI for everyone》,建立对AI的基础认知,知道AI能做什么、怎么用,再逐步深入,效率会高很多!deeplearning.ai(吴恩达创办的平台)真的是业内AI学习的第一站,靠谱不踩坑~

二、解锁AI编程新姿势:vibe coding(氛围编程)yyds!

看吴恩达的课程时,我还接触到一个超有趣的概念——vibe coding(氛围编程),彻底颠覆了我对“编程”的认知!

以前我一直觉得,编程就是“古法编程”:手敲代码、死记语法、调试bug,熬半天才能写出一个简单的程序,总觉得“语法+算法+数据结构=程序”,直到接触了vibe coding,才发现原来编程可以这么轻松!

什么是vibe coding?简单说就是“靠氛围、靠提示,让AI替你写代码”,核心就是Prompt Engineering(提示词工程)。就像我笔记里写的:边喝着酒,听着音乐,享受AI编程带来的快乐,90%-100%不用写代码,代码由AI生成,而我们要做的,就是提前学习AI的使用逻辑,把节省下来的体力、精力,用在思考和规划上。

image.png

这里插一个小白踩坑记录:刚开始我以为vibe coding就是“随便给AI发个指令”,比如直接说“给我写个生日贺卡应用”,结果AI生成的代码要么残缺不全,要么不符合我的需求,调试了半天也用不了,一度怀疑自己是不是不适合用AI编程😅

后来才明白,vibe coding不是“摆烂”,而是“聪明地借力”——AI就像一个超级厉害的助理,你给它的指令越清晰,它做的事情就越符合你的预期,而思考的质量,直接决定了Prompt的质量,进而决定了AI的工作质量。

互动提问:你们第一次用AI写代码的时候,是不是也遇到过“指令太模糊,AI生成的内容不能用”的情况?评论区说说你们的踩坑经历~

三、实战演练:用Prompt撸一个生日贺卡Web应用(小白也能会)

光说不练假把式,看完吴恩达的课程、搞懂vibe coding和Prompt的核心逻辑后,我就上手实战了——做一个生日贺卡应用,全程不用复杂编码,只靠Prompt,几分钟就搞定,哪怕不懂代码也能操作!

下面就是我的实战过程,从需求规划到Prompt编写,再到最终效果,全程真实记录,小白可以直接照搬~

3.1 先明确需求:做一个“有点特别”的生日贺卡应用

刚开始我只是模糊地想“做一个生日贺卡应用”,但这样的需求太笼统,AI根本不知道该怎么做。后来我学着像产品经理(PM)一样,细化需求,明确应用的核心功能:

  • 它是一个Web应用程序,能直接跑在浏览器里,不用安装任何软件
  • 核心功能:用户输入姓名、年龄、爱好等信息,就能生成有趣的贺卡内容;如果不输入任何内容,也能快速生成默认贺卡
  • 举个例子:输入“小美、18、画画等”,AI就能生成一段贴合这些信息的有趣贺卡文案
  • 界面要求:好看、有节日氛围,贺卡显示在右侧,像真实贺卡的内页,顶部有有趣的标题,生成新贺卡时,不替换旧贺卡,而是把旧贺卡叠放在新贺卡下方

这里提醒小白:做任何AI实战项目,第一步都不是急着写Prompt,而是先思考规划,细化需求。就像架构师设计项目一样,先想清楚“要做什么、怎么做、达到什么效果”,再去跟AI沟通,效率会翻倍!

3.2 编写Prompt:掌握这5个核心要素,AI再也不“跑偏”

通过这次实战,我总结出一个Prompt编写的核心规则,也是吴恩达课程里间接提到的“AI沟通逻辑”——Prompt的5个基本构建块(building blocks):Goal(清晰目标)+ Input(用户输入)+ Output(输出结果)+ Layout(界面布局)+ Features(特色亮点)。

只要把这5个要素写清楚,AI就能精准get你的需求,生成的内容也不用反复修改。下面是我最开始写的基础Prompt,大家可以参考:

▼
text
复制代码
创建一个网页来帮我写生日贺卡。 当我输入一个人的姓名、年龄和爱好后,它应该给我返回一条有趣的消息。 使用喜庆的标题和颜色。 把贺卡显示在右侧,并且让它看起来像生日贺卡的内页。 在页面顶部添加一个有趣的标题。 另外,不要替换旧的卡片,而是保留它们的显示状态,把它们堆叠到新贺卡的下方。

这个Prompt看起来简单,但包含了5个核心要素,大家可以拆解看看:

  • Goal(目标):创建一个网页版生日贺卡应用,用于生成有趣的生日贺卡
  • Input(输入):用户提供的姓名、年龄、爱好
  • Output(输出):贴合输入信息的有趣贺卡消息
  • Layout(布局):顶部有有趣标题,贺卡显示在右侧,旧贺卡叠放在新贺卡下方
  • Features(特色):喜庆的标题和配色,贺卡像真实内页,支持无输入默认生成

小白踩坑补充:刚开始我没有写“喜庆的配色”“旧贺卡堆叠”这些细节,AI生成的界面特别单调,而且每次生成新贺卡都会替换旧的,后来加上这些细节后,一次性就符合我的预期了!所以Prompt越精准,AI的产出质量越高,大家一定要避免模糊的表述~

3.3 实战效果:几分钟搞定,直接在浏览器运行

把上面的Prompt复制到AI(我用的豆包,ChatGPT、Gemini都可以),点击发送,不到1分钟,AI就生成了完整的HTML、CSS、JavaScript代码,而且还附带了注释,小白也能看懂!

我把生成的代码复制到记事本,保存为.html格式,双击打开,直接就能在浏览器里运行,效果完全符合我的预期:

  • 顶部有“生日贺卡生成器🎂”的有趣标题,配色是喜庆的红粉色系
  • 左侧是输入框,可输入姓名、年龄、爱好,点击“生成贺卡”按钮就能出结果
  • 右侧是贺卡展示区,样式和真实贺卡内页一样,字体可爱、有装饰
  • 生成新贺卡后,旧贺卡会自动叠放在下方,不会被替换,还能随时查看之前生成的内容
  • 即使不输入任何内容,点击生成,也会出现默认的有趣贺卡文案

image.png

更惊喜的是,AI还帮我处理了适配问题,不管是电脑还是手机浏览器,打开都能正常显示,不用我自己调试任何代码,这就是vibe coding的魅力啊!几分钟就能从“需求”到“可运行应用”,小白也能轻松拥有自己的项目~

四、小白总结+AI学习延伸思考

从跟着吴恩达老师入门AI,到用Prompt写出第一个Web应用,我最大的收获就是:AI时代,编程的核心不再是“会写代码”,而是“会用AI写代码” ,我们的角色已经从“程序员”转变为“OPC个体”——不用亲自动手敲代码,而是通过精准的Prompt,让AI替我们完成体力活,我们只需要专注于思考、规划和优化。

这里给和我一样的AI小白整理几个学习建议,都是我亲测有用的:

  1. 入门AI首选吴恩达《AI for everyone》,不搞晦涩理论,小白能快速建立AI认知,教程链接再放一次,方便大家收藏:吴恩达《AI for everyone》
  2. 学习Prompt Engineering,不用死记硬背,多实战、多踩坑,记住“Goal+Input+Output+Layout+Features”这5个核心要素,就能写出精准的Prompt
  3. 不要害怕AI生成的代码有问题,遇到bug,不用自己调试,直接把bug复制给AI,加上一句“帮我修复这个bug,说明问题原因”,AI就能快速搞定
  4. vibe coding的核心是“氛围+思考”,不用追求“必须手敲代码”,学会借力AI,把时间花在更有价值的思考上,才是最高效的学习方式

延伸思考:现在AI发展越来越快,Prompt Engineering已经成为一项必备技能,不管是程序员、产品经理,还是普通人,都能通过Prompt利用AI提高效率。除了生日贺卡应用,我们还可以用Prompt生成简历、写文章、做PPT、开发简单的工具类应用,未来AI会成为我们的“超级助理”,而学会使用AI,就是跟上时代的第一步。

最后,想问问大家:你们用AI做过最有趣的项目是什么?有没有什么好用的Prompt技巧?欢迎在评论区分享,我们一起交流学习,小白互相抱团,一起解锁AI的更多玩法~💪

PS:如果大家需要我用的生日贺卡应用完整Prompt和生成的代码,可以评论区扣“贺卡代码”,我会一一回复,小白直接复制就能用!

AI
6
1
分享
操作
评论
相关内容
0个评论
全部评论
点击登录,快来和大家讨论吧~
表情
图片
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题

目录

🔥 热门文章
1
手把手教你设计一个成熟的 Agent Harness
2510
2
我用 REA 逆向了付费颜色 APP,结果很意外!
570
3
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
420
4
DeepSeek 全新模型发布,性价比最高的一集!
380
5
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
370
6
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
360
7
又一个国产版 Codex 神器,也来卷办公了!
330
8
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
310
9
AI 越强,被它拒绝的代价就越大 我有时候会想:AI 越来越厉害之后,有些事情,会不会反而越来越难做? 这个想法看起来有点矛盾。AI 明明在降低门槛,让不会写代码的人做出软件,让不会画画的人生成图片,让一个人完成过去需要整支团队才能完成的工作。但今天用 Codex 的时候,AI 拒绝帮我编写 SQL 注入的请求体,而那还是我有源码、在本地跑测试的情况。那么,往后是否只会更难? 我们假设某一天,AI 说:「这个请求违规,我不能帮助你。」到那个时候,你还有多少能力,能绕过它,把事情做完? 这里的「违规」需要打个引号。平台的规则、模型的判断、法律的要求,以及一件事实际有没有造成伤害,彼此之间并不总是画得上等号。一个请求可能确实危险,也可能只是缺少上下文被误判,或者恰好落在某家公司的限制范围里。 无论是哪种情况,随着我们越来越依赖 AI,这句拒绝都可能变得越来越贵。 今天,一个程序员让 AI 帮忙写代码,AI 拒绝了,他大概率还有别的办法:查文档、找开源项目、问同行,或者自己写。麻烦一点,慢一点,但路还在。 可如果十年之后,大部分程序都由 AI 完成,情况就不一样了。 很多人从接触编程的第一天起,就习惯了描述需求、等待生成、运行结果、继续迭代。他们能做出相当复杂的产品,却未必经历过独立处理底层问题的训练。平时,这种能力结构完全够用,效率甚至更高。只有 AI 拒绝的时候,他们才会发现:平常被省掉的那段学习过程,恰好是此刻最需要的东西。 到那时,一次拒绝的成本,可能就从「今晚多花两个小时」,变成「先花半年学会这门技术」。 拿 SQL 注入举个稍显极端的例子:往后,连真正理解这类攻击如何发生、能够独立构造测试的人,会不会也越来越少? 这里也包括那些有正当需求的人。一个开发者想检查自己的旧系统,一个经过授权的安全研究员想复现漏洞,假如 AI 识别到危险模式就拒绝,而使用者又只熟悉「让 AI 帮我检查」,这项原本可以独立完成的工作,就这样卡住了。 但是安全专家不会因此消失,但这类技能可能越来越集中在少数人手里。你仍然可以找专家,只是要付出更多的钱、更多的时间,以及更高的沟通成本。 类似的困境,未必只发生在网络安全领域。 你想从一个停止维护的软件里取回自己的数据,需要解析它的旧文件格式。AI 判断这涉及规避保护措施,拒绝继续。你拥有这些数据,却没有能力把它们读出来。 你买了一台设备,厂商停止提供服务。你想修改程序让它继续运转,过程中需要处理某种访问限制。AI 不愿协助,而你所掌握的维修方式,早已只剩下「把报错发给 AI」。 你想给常用的网站写一个辅助工具,减少重复操作。平台将此归入自动化限制,AI 也据此拒绝。过去会写脚本的人可以自己判断、自己处理;未来的使用者,可能连从哪里开始都不知道。 这些例子有一个共同点:当工具同时承担了「执行工作」和「传授知识」的角色,它的拒绝就不只是挡住了一次任务,也挡住了获得这种能力的机会。 更麻烦的是,这种依赖往往是我们主动选择的,而且每一步都很合理。 既然 AI 几秒钟就能做好,为什么还要花几个月学习?既然公司可以采购成熟的 AI 服务,为什么还要养一支负责基础工作的团队?既然市场上已经很少有人手写这些东西,学校为什么还要花大量时间教? 对个人、公司和学校来说,这些选择都有现实依据。但叠加起来,整个社会保留的独立能力就可能越来越少。等到某项能力突然受到限制,我们才发现,备用方案早已在追求效率的过程中被一点点削掉了。 所以,「AI 越强,做事越便宜」可能只描述了未来的一半。 另一半是:被允许的事情越来越便宜,被拒绝的事情依然需要人工完成,却要面对更少的人才、更高的报价,以及越来越难获得的知识。两边的成本差距,会越拉越大。 有人会说,可以换一个模型,或者用本地模型。这确实是重要的选项。只要工具之间还有充分竞争,开放模型还足够可用,限制就未必能形成真正的门槛。 但备用方案也需要维护。它需要硬件、知识、软件生态,以及一群仍然理解这些系统的人。如果大多数人已经习惯了最方便的商业服务,那么「理论上还有别的办法」和「普通人实际用得起、用得明白」,之间仍然可能隔着很远。 我担心的,正是这段距离。 我不指望 AI 对任何请求都照单全收。对明显会伤害他人的行为设置限制,有充分的理由。但我们也需要关心:限制由谁定义,误判有没有申诉渠道,用户能不能换工具,以及脱离这个工具之后,还剩下多少独立行动的能力。 保留这些能力,平时看起来甚至有点低效,明明可以自动生成,还要理解原理;明明可以一键完成,还要知道手动怎么做。 但这些看似多余的知识,会在工具拒绝、失效、涨价或改变规则的那一刻,成为真正的选择权。 AI 越强,我们可能越需要留意它说「不」的那一刻。 因为那句话的分量,最终取决于:它拒绝之后,我们还能做什么。
310
10
什么是LLM
300