本文约2600字，预计阅读时间：8分钟

一、Delegation：你到底想做什么？

4D 的第一个 D 不是"怎么用 AI"，而是"谁该做什么"。这个排序本身就很重要——它暗示整套方法论的起点是自我认知，不是工具。

课程把 Delegation 拆成三个递进的问题。

第一步：问题意识（Problem Awareness）

在打开任何 AI 之前，先把自己想清楚——你真正想做的是什么？成功长什么样？

这听起来像废话，但恰恰是大多数人跳过的一步。打开对话框就开始问，走歪了自己都不知道。

我自己的理解是：同样是写一篇论文，你的目的可以是敷衍一门水课混个及格，也可以是真的想产出一篇有洞见的文章。这两个目的对应的 AI 使用策略完全不同。不先把自己的目的想清楚，后面所有的"怎么用 AI"都是瞎折腾。

第二步：平台意识（Platform Awareness）

不同的 AI 擅长的事差别很大，选错工具等于白费力气。课程用了一个比喻：就像上学可以走路、骑车、坐公交或者开车——选哪种取决于距离、时间、天气。选 AI 也一样。

我自己的日常工具组合：

• • Gemini（nano banana pro） 画图无出其右。论文插图、课件配图、各种可视化直接交给它，用过就知道
• • GPT 逻辑推理和编程能力偏强，量大管饱。缺点是中文输出黑话太多，我一般直接切英文使用
• • Claude 是我的主力。文字能力极强，编程能力也很牛逼，综合最全面。缺点是贵、对大陆地区风控极严

第三步：任务委派（Task Delegation）

这是最考验人的一步。课程给的原则是：人负责创意、判断、现实上下文，AI 负责速度、一致性、信息处理。

我的补充是：人是任务的核心，只有有"人味"的成果才算真正优秀的成果。 需要直觉、灵性、创意、洞见的部分必须由人来完成，AI 适合除此之外的所有工作。

举个具体的例子。上学期我交了一篇研究大学生"性压抑"问题的社调报告——选题是我自己想的，问卷核心逻辑由我设计，数据分析和写作由 AI 协助。成绩比较不错。同期也有同学把整个作业直接丢给 AI 生成，连报告在讲什么都不知道，照样交上去。

两种做法从外表看都是"用 AI 写论文"，但本质差别在于：前者有"我"，后者没有。

二、Description：怎么和 AI 说话

Description 讲的是如何把你的需求传达给 AI。课程把它拆成三个维度：

• • 产品描述：你想要的最终结果是什么样的？长度、受众、风格、格式
• • 过程描述：你希望 AI 如何思考和推进？比如"分步骤想"、"先考虑多种角度再下结论"
• • 表现描述：你希望 AI 扮演什么角色？严格的编辑，还是头脑风暴的伙伴

课程特别强调一点：和 AI 协作更像一段持续的对话，而不是一次性下指令。 你描述 → 看输出 → 调整描述 → 再看输出。这种反复迭代的过程本身就是 AI 使用能力成长的地方。

这部分本质是一整套提示词工程的学问——Role 设计、CoT（思维链）、个人 SOP、Skill 方法，任何一个单独都能写一篇。这里不展开，后面可以单开一篇专讲。

三、Discernment：不只是挑错，还要识别惊喜

Discernment 是辨别 AI 输出好坏的能力。课程同样分成三层：判断结果本身的质量、判断 AI 的推理过程、判断 AI 在对话中的表现。

但这部分我最认同的一个观点是：好的 Discernment 不只是找错，还要识别 AI 什么时候真的帮你想得更深了。

这个点很容易被忽略。很多人把"审查 AI"理解成"防着它出错"，但 AI 的价值不光在于正确——它有时候会给你一个你没想到的角度，帮你看到问题的另一面。能识别这种"惊喜"，和能识别错误一样重要。前者决定你能从 AI 身上学到多少，后者决定你会不会被它坑。

我自己的做法偏实用主义：对事实性内容，例如文献引用，一律用带 web search 的 AI 做交叉核查。AI 编造文献是高频坑——作者名真实、论文不存在、格式还很工整。没验证就提交，被打假是你的责任，不是 AI 的。

再往深一层：AI 是一个知识面极广的协作者，但它没有比你更懂你自己的作品。 它可以给你打开视野，但你作品该长成什么样，最终只有你知道。AI 为你的学习和效率服务，不是在替代你——前提是你还在思考，没有下线。

四、Diligence：你是第一责任人

Diligence 是对你用 AI 做的事负责。课程分成三块：

• • 创建尽职：选合适的、被允许的工具
• • 透明尽职：如实说明你是怎么用 AI 的
• • 部署尽职：对最终输出的所有内容负全责

课程里最戳我的一句话是：AI 可能起草了邮件，但按下发送键的是你。 你署名的东西就是你的作品——你得能解释里面的每一个判断，能在新场景中应用这些内容。解释不了，说明你根本没掌握它，这是会在真实世界的某个时刻反噬你的。

4D 框架讲完了。接下来是课程的后半部分——把框架放进两个具体场景。第一个是学习，第二个是职业规划。这两块是我觉得最有操作价值的部分。

学习场景：把 AI 当教练，不是当答题机

Anthropic 在这一节里讲了一个很根本的区分：

让 AI 替你完成作业，和让 AI 帮你更好地学习，是两件完全不同的事。

前者的危险不会马上显现，但会在某个决定性的时刻集中爆发——高压考场上没有 AI、工作面试中要你解释你的思路、面对一个真正复杂的问题你只能靠自己。到那时你会发现，之前那些"借来的智识"根本不顶用。

那具体怎么做？课程给出了几种对话方式，都很实用：

• • 让 AI 当你的辩论对手，对你的观点发起反驳，帮你加固立场（而不是替你写立场）
• • 让 AI 当你的苏格拉底式教练：告诉它"不要直接解题，给我一个线索，我们一起做几道练习题"
• • 让 AI 当你的学生——你来讲解一个概念，让它提问和质疑。教一个人是锁定学习最有效的方式之一
• • 写完一篇文章后，让 AI 问你问题帮你挖得更深，而不是替你生成内容

课程还给了一个特别好的自测：

你能不能把这段内容解释给别人听？能不能在没有 AI 的情况下解决类似的问题？

答案是否，说明你只是"跟着走"，并没有真正学到东西。

这一节里我最想强调的，是课程里的这句话：卡住的感觉，不是需要立刻让 AI 解决的信号。那种卡住的感觉，是你的大脑正在建立新连接的信号。 AI 可以帮你找到解开卡点的方向，但这个过程本身是你的。把这个过程也外包出去，你就什么也没留下。

一句话总结这一节：在学习这件事上守住你的主体性。 其他的都好说。

职业规划：AI 做信息，你做判断

课程的第二个应用场景是职业规划。核心原则很干脆：AI 擅长处理信息，你来做价值判断。

什么样的工作让你有活力？你愿意接受什么样的取舍？你想要什么样的生活？——这些问题只有你能回答，AI 不知道，也不该知道。

但在信息处理那一侧，AI 能帮你做的事情很多：

职业探索：让它研究行业趋势、分析特定岗位真正需要的技能（不只是招聘 JD 上写的那些）、整理不同职业路径的典型轨迹。比如"从新闻业转型到企业培训的人通常是怎么做的"这种问题，AI 可以给你一个很宽的视角。

技能差距识别：告诉 AI 你的现状和目标，让它帮你制定学习计划，然后真的一起执行——不是让它倒一堆信息，而是让它当你的教练，制造练习场景，给你反馈。

求职准备：让它模拟面试，扮演某家公司某个团队的面试官对你发起提问并给反馈；让它帮你识别自己的可迁移技能；让它从不同角度帮你找到个人故事里值得讲的部分。

课程对求职材料说得很直接：简历和求职信可以让 AI 起草，但最终呈现的是你。 AI 可能帮你把故事讲得更清楚，但故事本身始终是你的。

顺带一提：在职业场景里，透明不是负担。AI fluency 本身已经在变成一种职场硬技能——如果你真的懂得怎么用 AI，这是应该写进简历的能力，不是需要藏着掖着的事。

最后：做那个 Human in the Loop

整套课程最后落在一个概念上：Human in the Loop——在每一次 AI 协作中，做决策、掌方向盘的永远是人。你决定问什么，你判断输出是否合理，你决定怎么用。你不是在被动接收，你是在主动选择。

Anthropic 在课程最后建议每个学生做一件事：写下你自己的 AI 使用原则。你愿意让 AI 做什么，不愿意让它做什么，在哪些场合会主动说明自己用了 AI。

这件事的意义不在于合规，而在于搞清楚你自己的立场。

我觉得这套框架真正有意思的地方在于，它试图超越具体的工具和 prompt 技巧，去问一些更根本的问题：在 AI 到处都是的世界里，什么是真正属于你的能力？什么是你不能外包的部分？

我自己的答案是：你的直觉、你的好奇心、你对某个问题真实的困惑和冲动——这些东西 AI 复制不了，也永远不该让它来替代。

守住这些，AI 才是你的武器，而不是你的替代品。

原系列链接：https://anthropic.skilljar.com/ai-fluency-for-students