Claude AI Fluency 课程整理

会使用某一个 AI 产品，并不等于具备 AI Fluency。模型、功能和提示技巧会快速变化，而真正能够长期迁移的，是一套判断人应当怎样与 AI 分工、怎样表达意图、怎样评价结果、怎样承担责任的能力。

这门课把 AI Fluency 定义为：以有效、高效、合乎伦理

并且安全的方式与 AI 系统协作。这里的重点不是“了解一种技术”，而是建立人与 AI 之间有意义、可持续的协作方式。AI 不只是等待指令的自动化工具，也可以成为共同思考与执行的伙伴，甚至在人的指导下代表人独立行动。互动方式越深入，对人的判断和责任要求就越高。

课程的核心是 4D Framework：

这四项能力不是一次性的线性步骤。

Description 与 Discernment 构成不断表达、评估和修订的内循环；Delegation 与 Diligence 则围绕“要不要用 AI、把什么交给它、怎样负责任地使用和发布”形成外循环。

课程要求学习者从一项真实项目出发，把四项能力连续应用到规划、执行、修改与交付中。

第一部分：进入课程与认识框架

1. Introduction to AI Fluency

AI Fluency 导论

我是 Joe Feller，科克大学商学院教授。

我叫 Drew Bent，是一名教师、程序员，也是 Anthropic 技术团队的成员。

我是来自林林艺术与设计学院的 Rick Dakan。

我是 Maggie Vo，在 Anthropic 的教育研究团队工作。

现在，让我们开始探索 AI Fluency Framework，也就是“AI 流畅度框架”。这门课程真正关注的并不是作为一项技术的 AI，而更多是在关注你和我，关注我们人类怎样与 AI 系统互动和协作。我们要设想一种新的可能性：不再把 AI 只当成某种更高级的拼写检查器，而是把它当成值得信任的合作伙伴，与我们一起从事富有创造性和创新性的问题解决工作；同时，我们还要有信心、有能力地面对这些可能性。

坦率地说，AI 世界的发展速度极快。如果没有一套扎实的基础框架为你指引方向，帮你越过下一轮“提示工程潮流”，你很难知道应该从哪里开始，也很难知道怎样才能跟上变化。这就是我们发布这门课程的原因。

在这门课程中，我们将探索 AI Fluency，也就是我们以有效、高效、合乎伦理并且安全的方式与 AI 系统互动的能力。你会学到很多实用技能，但这门课并不是又一套技术定义或提示技巧的合集——这些内容很可能下个月就过时。课程想做的是从根本上改变我们对待 AI 的方式：我们希望改变自己思考 AI 的方式，从而学会怎样与 AI 一起思考。

过去几年里，AI 已经从专门化技术转变成了交互式系统，每天都有数百万人在学校、工作和家庭中使用它。这种转变既带来了机会，也带来了不确定性。我们看到一些组织在没有明确战略的情况下采用 AI；也看到人们因为不完全理解这些系统而越来越沮丧；而且，我们所有人都在经历一个不断扩大的鸿沟——一边是 AI 已经能够做到的事情，另一边是人们觉得舒适、自然、直观的使用方式。这门课程正是为了帮助我们共同弥合这道鸿沟。

接下来，我们会沿着这样的路径学习。首先，我们将概览 AI Fluency Framework。这是我们在实践中发现的一套有用而有力的人机互动模型。我们会讨论人们与 AI 系统互动的不同方式，以及四项核心能力。我们把这四项能力称为“4D”，它们能够把普通的互动转变为更丰富、回报更高的协作。之后，我们再分别深入研究每一项能力。

简要来说，四项能力分别是：

每个部分都会有主题集中的视频，并配合练习和材料，帮助你建立实践层面的理解。我们希望你在学习这门课程时，把相当一部分时间用来亲自尝试刚刚学到的内容。

你还会直接听到 Anthropic 的几位成员介绍：今天的 AI 与过去的技术有什么不同；这些系统真正具备哪些能力，又有哪些局限；以及怎样用实用技巧把 4D 应用到工作中。

大多数 AI 培训只关注战术技能，例如某个特定提示应该怎样写、应该调整哪些设置，或者应该使用哪个系统。这些技能当然有用，但也可能很快过时。我们采用的是另一种方式：把重点放在核心能力和深入理解上，让你不仅能应对今天的 AI，也能为未来的变化做好准备。

完成课程之后，你会拥有一套可以指导个人 AI 互动的框架；会更有信心判断应该在什么时候、以什么方式有效地使用 AI；会掌握更审慎、更流畅地开展人机协作的实用技能；也会具备评价协作结果并为这些结果承担责任的能力。感谢你加入我们。

课程内容

课程关注的是“怎样与 AI 建立有意义的协作”，而不只是学习 AI 技术知识。短期的产品技巧很快会过时，课程希望提供的是一套持久框架：无论模型怎样变化，学习者仍然能够有意识地决定何时使用 AI、怎样表达需求、怎样评价结果，以及怎样负责任地传播 AI 协助产生的成果。

完成课程后，学习者应当获得四类能力：

实践准备

课程练习需要直接与一个语言模型互动。示例以 Claude 为主，但框架不依赖特定产品，也可以使用其他 AI 对话工具。完成练习不要求付费订阅。

2. Why do we need AI Fluency?

为什么需要 AI Fluency

现在，让我们开始探索 AI Fluency Framework。在接下来的课程中，这套框架会成为学习的核心。真正做到熟练使用 AI，究竟是什么意思？为什么这件事很重要？

我们正处在一个非常迷人的技术变革时刻，它既让人兴奋，也带来了不确定性。无论是在工作还是个人生活中，AI 都在重塑我们沟通、创作、学习和解决问题的方式。如今，很多人的指尖已经有了用途广泛的助手和虚拟协作者：它们能帮助写作、头脑风暴、研究、决策，以及完成更多事情。

但关键在于：拥有这些强大的系统，并不等于我们自然就知道怎样充分发挥它们的价值，也不等于我们知道怎样负责任地与它们互动。

回想一下这些时刻：AI 给了你一个意料之外的回答，而你不知道下一步应该怎么办；你很难把自己真正需要的东西解释清楚，最后带着挫败感结束互动；或者，你曾经怀疑自己分享的信息是否得到了妥善保护。所有这些时刻都揭示了同一个差距：能够接触 AI，与真正熟练地使用 AI，是两回事。

那么，我们怎样才能超越“会几个提示技巧”的阶段，形成一种审慎而负责任的方法，并让它随着 AI 的持续演进而长期为我们服务？AI Fluency 具体应该是什么样子？

AI Fluency 并不只是成为技术专家，也不是背下“本月最流行任务的十大提示词”。它意味着发展出一组相互加强、并且能够随着技术变化而调整的实用技能、知识、洞见和价值观。从根本上说，AI Fluency 就是以有效、高效、合乎伦理并且安全的方式与 AI 系统互动。

换句话说，我们既要真正最大化 AI 互动带来的价值，又不浪费时间和精力；同时还要以诚实、负责任的方式使用 AI，保护自己和他人的隐私与安全。

根据我们的研究和亲身经验，人们主要通过三种模式与 AI 互动。理解这三种模式，有助于我们看清为什么 AI Fluency 不能只停留在简单的提示工程上。

第一种模式是 Automation（自动化）：AI 助手根据你的指令完成一项具体任务。比如，你可以让 AI 总结一份文档、起草一封邮件、生成一幅图像，或者规划一份旅行行程。你定义需要完成什么，AI 负责执行。当你心中已经有明确结果时，这种模式很有效；但如果你自己还不确定到底想要什么，它就会变得困难。

第二种模式是 Augmentation（增强）：你和 AI 助手一起协作完成任务。在这里，AI 不被当成一台用来自动执行任务的机器，而成为创造性思考和解决问题的伙伴。

例如，假设你正在为一个故事设计角色，却陷入了瓶颈。你可以通过与 AI 对话来探索这个角色：彼此来回交换想法，扩展人物背景，尝试不同对话，再不断完善角色。又比如，你正在处理自己开发的一款应用中困难的架构问题，或者正在整理对一个复杂研究主题的思路。在这些时刻，AI 增强的是你的创造力和思考能力。它不是替你工作，而是帮助你把自己的工作做得更好。当解决方案并不直接、需要探索和试验空间时，这种方式最有效。

第三种模式是 Agency（代理）：AI 代表你相对独立地开展工作。例如，你可以设置一个 AI 助手，让它按照主题或紧急程度对新收到的邮件分类，甚至开始为最紧急的邮件起草回复；也可以创建一种会持续变化的网站访客互动体验，或者为游戏中的动态交互角色提供驱动。

这里的关键区别是：你不再规定每一个具体动作，而是在设定 AI 的知识和行为模式。你不太像一位逐句给出精确指令的编剧，而更像一位设定整体愿景的导演。

这三种模式没有哪一种天然优于另外两种。它们服务于不同目的，也分别擅长不同情境。事实上，在同一个项目中，你甚至可能把三种模式全部用上。

很多人从自动化开始，但我们发现，增强和代理更能利用 AI 的独特能力，也常常能够带来最有创造力、最有效的解决方案。理解这些差异，也能帮助我们认识到 AI 不只是一个工具。它确实可以作为工具，但也可以成为一种媒介、一个伙伴或共同创作者；有时候，它会同时扮演这些角色。

从单纯工具转向强大协作者，意味着技术在我们的创造和问题解决工作中获得了新的角色。相应地，人类也获得了新的角色，需要适应并发展新的技能。这些技能就是 AI Fluency Framework 所描述的内容。

无论你采用哪一种方式与 AI 互动，都需要发展并掌握四个关键能力领域。它们构成了 AI Fluency Framework 的核心，我们会在接下来的课程中继续探索。

AI Fluency 不只是知道一些事实或提示技巧，而是一组实践技能、知识、洞见与价值观。它们帮助人在面对快速变化的 AI 系统时，仍然能够有效、高效、合乎伦理并且安全地行动。

课程把人与 AI 的互动归纳为三种方式：

三种方式并不是简单的高低级关系。最合适的方式取决于任务、风险、上下文、平台能力和人愿意保留的控制程度。互动越接近 Agency，人就越需要清楚定义边界、监控行为并承担责任。

3. The 4D Framework

大家好，我是来自林林艺术与设计学院的 Rick Dakan。我们已经了解了 AI Fluency 的含义，也看过了人与 AI 互动的不同方式。现在，让我们进一步看看那些能够帮助我们以有效、高效、合乎伦理并且安全的方式开展 AI 协作的核心能力。

无论你通过自动化、增强还是代理方式与 AI 工作，都有四项至关重要的能力会真正决定协作效果。我们把它们称为“4D”：Delegation（委派）、Description（描述）、Discernment（辨别）和 Diligence（尽责）。

第一项是 Delegation，它关注的是整体图景。你到底想实现什么？其中涉及哪些类型的工作？哪些工作应该由你亲自完成？AI 又可能在哪些地方提供帮助？

想象一下你正在开展一个研究项目。你可能决定让 AI 助手阅读很长的文档和数据，然后与它深入讨论这些资料的含义和发现，但把关键分析与最终结论留给自己。要做好委派，你需要理解自己的目标和正在解决的问题，认识 AI 擅长和不擅长的事情，最后再审慎地把工作分配给自己和 AI。

Delegation 不只是把任务甩给 AI。它意味着先拥有清晰愿景，再有策略地选择 AI 应该怎样进入你的工作过程。这种审慎方式，是有效而高效的人机协作必不可少的基础。

第二项是 Description，它关注怎样与 AI 清晰沟通。请比较两种表达：一种只是含糊地说“给我做一个标志”；另一种则说明公司的价值观、目标受众、偏好颜色、风格参考等信息。又比如，如果你把 AI 当作辅导老师，还可以进一步明确：“不要直接告诉我答案，只需要一步一步帮助我解这道题，让我能够更好地理解其中的概念。”

Description 不只是写提示词。它意味着进行细致、上下文丰富的对话，明确你想取得什么成果和输出格式，希望 AI 怎样处理任务，为了让 AI 更好地与你合作，它需要掌握哪些背景和信息，以及互动应该采用什么语气和风格。

有效的 Description，就是把自己的需要和愿景表达清楚，为你和 AI 创造最有利于成功协作的条件。

第三项是 Discernment，它指的是审慎评价 AI 给你的东西。假设你让 AI 助手提出一套营销策略，那么你需要判断：其中的事实准确吗？推理说得通吗？建议符合你的品牌价值和受众吗？最重要的是，这份输出真的能帮助你继续向前推进吗？

Discernment 要调用你在具体领域中的专业知识，也要求你发展判断力和批判性洞见，从而区分哪些内容有用、哪些没有用；还要能够识别什么时候 AI 输出需要进一步修改，什么时候应该完全放弃。

我们与 AI 的大多数互动，实际上都包含很多小型的 Description—Discernment 循环：描述我们需要什么，评价得到的结果，再完善要求，然后继续互动。课程后面会更深入地讨论这个过程。

最后一项是 Diligence，它关注怎样负责任地与 AI 互动。比如，如果你使用 AI 协助撰写职位描述或审阅求职申请，你要怎样确保公平，并控制潜在偏见？在 AI 辅助你作出重要决定时，你怎样验证它所提供信息的准确性？你有没有保护敏感数据？是否考虑过怎样透明地说明 AI 的参与？你愿不愿意为自己完成的 AI 辅助工作承担责任？

Diligence 意味着对 AI 辅助工作拥有责任意识，并愿意为使用 AI 创建的最终产物背书。它是确保 AI 协作安全且合乎伦理的关键。

总结来说，AI Fluency 意味着发展一组实用技能、知识、洞见和价值观，帮助你以有效、高效、合乎伦理并且安全的方式使用 AI。它包括四项关键能力：用 Delegation 决定何时、怎样使用 AI；用 Description 与 AI 清晰沟通；用 Discernment 评价 AI 输出；再用 Diligence 负责任地使用 AI。

这些能力之所以特别有价值，是因为它们并不依附于某个可能很快过时的具体 AI 工具或技巧。它们是更基础的能力，会帮助你在这项快速发展的技术身边持续适应并共同成长。

四项核心能力

Delegation（委派）

审慎决定哪些工作自己完成、哪些与 AI 一起完成、哪些可以交给 AI。好的委派并不是“尽可能自动化”，而是在了解任务与工具的前提下，让人与 AI 各自发挥优势。

Description（描述）

有效地与 AI 沟通。描述既包括希望 AI 交付什么，也包括希望它采用什么方法，以及在协作过程中应当怎样表现。

Discernment（辨别）

批判性评价 AI 的输出与行为。人不能因为结果语言流畅、形式完整就默认它正确；需要检查准确性、相关性、推理、缺失信息和互动质量。

Diligence（尽责）

保证 AI 协作是负责任的。它涵盖工具选择、数据与隐私、AI 参与披露、结果验证，以及为最终输出和影响承担责任。

四项能力适用于 Automation、Augmentation 和 Agency 三种互动方式，并会随着任务来回循环。它们的价值在于不会绑定某个模型，可以伴随 AI 能力变化继续使用。

练习：把 4D 应用到三种情境

任选一种情境，分别回答四个 D 的问题。

情境一：市场沟通项目

你与 AI 一起为营销活动起草一系列邮件。

情境二：研究项目

你用 AI 分析一份用于研究论文的大型数据集。

情境三：创意项目

你与 AI 一起为故事开发角色概念。

自我检查

第二部分：生成式 AI 的技术基础

4. Generative AI fundamentals

生成式 AI 基础

大家好，我叫 Drew Bent，是一名教师、程序员，也是 Anthropic 技术团队的成员。欢迎来到生成式 AI 的探索环节。在这段视频里，我们会深入了解生成式 AI 到底是什么、它的内部机制怎样运作，以及哪些技术突破让这些系统成为可能。

你也许每天都在与生成式 AI 互动，却并不完全理解幕后发生了什么。现在，让我们改变这种情况。

生成式 AI 指的是能够创造新内容的人工智能系统，而不只是分析已有数据。例如，传统 AI 可以根据模式判断一封邮件是不是垃圾邮件，生成式 AI 则可以替你写一封全新的邮件。前一种方法负责分析和分类，后一种方法会创造出原本并不存在的新东西。这代表着 AI 能力的一次根本转变。

大型语言模型，也就是 LLM，是生成式 AI 中一个重要类别，Anthropic 的 Claude 模型就是其中之一。它们之所以叫“语言模型”，是因为训练目标是预测和生成人类语言；之所以叫“大型”，是因为模型包含数十亿个参数。这些参数是决定模型怎样处理信息的数学数值，有一点像人脑中的突触连接。

通往今天生成式 AI 的道路并不是突然出现的。它依赖三项关键发展在恰当时机汇合到一起。

第一，算法和系统架构上的突破，从根本上改变了 AI 系统的学习方式。神经网络这个概念已经存在了几十年，但 2017 年出现的 Transformer 架构带来了决定性的变化。这种架构非常擅长处理文本序列，同时还能保持长篇内容中不同词语之间的关系；而这对于在上下文中理解语言至关重要。

第二，数字数据的爆发式增长，为训练提供了必需的原材料。Claude 等现代大型语言模型从多种来源中学习，例如网站、代码仓库，以及其他承载人类知识与交流的文本。这幅由海量信息编织成的图景，帮助模型对语言和概念形成广泛而细腻的理解。

第三，计算能力的大幅提升，使我们能够在这些海量数据上训练复杂模型。GPU（图形处理器）、TPU（张量处理器）等专用硬件，加上通常被称为“集群”的分布式计算网络，让几年前还不可能完成的处理成为现实。

这三个因素的结合，带来了一项重要发现，也就是“扩展定律”（scaling laws）。经验研究表明：当模型变得更大，使用更多数据和更多算力训练时，它的表现会以可预测的方式改善。更令人意外的是，研究人员发现，随着模型规模扩大，一些全新的能力会开始涌现。其中包括没有人明确编程写入的能力，例如一步一步推理问题，或者仅凭少量指令就适应新任务。

接下来，让我们看看这些系统内部究竟怎样工作。

在最初的训练阶段，也叫预训练阶段，Claude 这样的 LLM 会分析数十亿个文本样本中的模式。想象一下，你阅读自己能找到的每一个网站和每一段文字，目的不只是吸收其中的信息，还要理解词语、短语和概念之间的统计关系。在这个阶段，模型本质上是在建立一张极其复杂的语言与知识地图。

预训练过程会向模型展示一段文本，再要求它预测接下来会出现什么。经过大量反复迭代，模型逐步修正自己的预测，并学会让语言连贯且有意义的模式。

完成预训练后，模型还会接受额外训练，也就是微调。它们在这个阶段学习遵循指令、给出有帮助的回答，而且非常重要的是，避免生成有害内容。这个过程往往包含人类反馈，用来改善模型表现；也可能使用强化学习，通过奖励和惩罚塑造模型行为，使它变得更有帮助、更诚实、更无害。

以 Anthropic 的模型为例，模型完成训练后会被部署，供用户互动。当你与 Claude 或其他 LLM 互动时，你提供的是一个 prompt，也就是提示。模型先阅读这段文字，再依据训练中学到的模式继续生成内容。

模型并不是从数据库里取出预先写好的答案，而是在根据你所写内容，从统计上生成接下来合理的新文本。

LLM 一次能够考虑的信息量还存在实际上限，这被称为“上下文窗口”。你可以把它理解为 AI 的工作记忆。上下文窗口包含你的提示、AI 的回答，以及你在对话中分享的其他信息。

AI 公司一直在扩大上下文窗口，让模型能够处理更长的文档和对话。但这些限制仍然提醒我们：系统能够接触的信息不是无限的；如果没有网页搜索等专门工具，它也无法使用当前上下文窗口之外的内容。

把前面的内容合在一起，现代生成式 AI 之所以如此强大，主要来自三项特征：

下一段视频中，我们会讨论这些系统擅长什么、不擅长什么，以及它们最常见或最有价值的用途。

什么是生成式 AI

传统 AI 往往分析、预测或分类已有数据，生成式 AI 则能够创造此前不存在的新内容，例如文字、图像和代码。Claude 等大型语言模型属于生成式 AI，它们根据训练中学到的统计模式来预测并生成语言。

模型怎样学习

模型并不是在数据库里查找预先写好的答案，而是根据当前输入和训练模式即时生成内容。它一次能够使用的信息受 Context Window（上下文窗口）限制；提示、历史对话、附件和回复都会占用这块“工作记忆”。

随着模型规模、数据和算力增长，系统不仅整体性能提升，还可能出现 Emergent Capabilities（涌现能力），例如只凭少量说明适应新任务。

5. Capabilities & limitations

能力与局限

现在，让我们看看生成式 AI 能做什么、不能做什么，重点放在 Claude 这样的 LLM 上。你可以把这个过程想成认识一位新同事：了解对方的优势和局限，会帮助你们更有效地协作。

先从这些系统做得极好的事情说起。现代语言模型的用途之广，可能会让你感到惊讶。就在几年前，人们还难以想象它们能够如此熟练地处理语言：写出带有你个人语气的邮件；把很长的报告压缩成清晰摘要；在不同语言之间翻译；解释从微生物学到营销战略等无数领域中的复杂主题。

尤其值得注意的是，同一个模型可以在不同任务之间切换，不需要额外训练。刚才还在帮你写诗或为生日聚会头脑风暴的系统，转过身就能帮助你理解量子计算概念，或者分析季度业务趋势，而且整个过程只需要自然对话。

这些模型还能维持对话线索，记住前面讨论过的内容，并在此基础上继续交流。比如，你随口提到项目的截止日期，之后在同一段对话中再次提起，AI 通常能理解你说的是什么，就像人类对话伙伴一样。

许多现代 LLM 现在还可以连接外部工具和信息源，超越模型自身已有的知识。它们可以搜索网络、处理文件，甚至使用其他应用来扩展能力。这会大幅增加它们能够提供帮助的范围。

不过，和任何技术一样，今天的 LLM 也有一些局限。

第一，AI 模型受到训练数据的边界限制。LLM 会有一个取决于训练时间的“知识截止日期”；在这个日期之后发生的世界事件，它并不天然知道。例如，一个知识截止日期是 2024 年 11 月的模型，就没有使用 2024 年 11 月之后的数据进行训练。

可以想象一个人在某个特定日期进入了没有网络的隐居状态：离开之后发生的事情，他不会知道。模型同样需要网页搜索之类的工具，才能了解较新的发展。

除此之外，训练过程并不会核实训练数据中的每一项事实。这意味着，模型有时会学到并复述训练数据中原本就存在的错误；它在拼接所学信息时，也可能自己犯错。这会引出我们常说的“幻觉”：AI 非常自信地说出一件听起来很合理、事实上却不正确的事情。

搜索引擎只是检索已有文档，而 LLM 会根据统计模式生成回答，因此有时会产生幻觉。想象一位朋友以绝对自信的语气讲故事，结果其中的细节完全错了；AI 有时就会这样。

另一个重要限制，是前面提到的上下文窗口，也就是 AI 一次能够处理的信息量。每个 LLM 在一次互动中可以考虑的信息都有最大上限。如果内容超过这个限制，AI 就无法记住落到窗口之外的信息，通常遵循“先进入、先退出”的方式。根据模型容量不同，这可能限制它处理大型文档或记住整段对话的能力。

此外，传统软件在收到相同输入时会给出相同输出，而 LLM 默认具有一定的不可预测性，也叫“非确定性”。同一个问题问两次，每次得到的回答可能略有不同。

这种差异来自模型生成文本的方式：它会根据训练数据中的模式和开发者能够调整的某些设置，以概率方式决定接下来应该出现什么文字。这种富有创造性的变化很适合头脑风暴和产生多样想法，但当一致性或准确性非常重要时，使用者必须意识到它的存在。有些 LLM 界面也提供控制随机程度的设置，这项设置通常称为“temperature”，即温度。

同时，虽然模型正在快速进步，但它们过去在复杂推理任务上一直存在局限，尤其是需要多个步骤的数学或逻辑问题。好消息是，专门为逐步思考而设计的新型推理模型或扩展思考模型，正在这些方面表现出强劲进展。

最后，Claude 之类的模型现在虽然能够使用外部工具，但仍可能无法访问某项任务所必需的特定数据源或专用工具。这就像一位非常聪明的同事，却没有权限访问你公司的内部数据库。无论对方多聪明，能够提供的帮助都会受到限制。如果模型无法接触回答问题所需的数据或工具，它答不出问题就不应该令人意外。

生成式 AI 领域正在快速发展。研究人员正在通过多种技术处理当前局限。例如，检索增强生成会把模型连接到外部知识和数据源；研究团队也在扩大模型使用工具的能力，并继续改善推理能力。

尽管如此，有些局限可能在可预见的未来继续存在，即使我们还不知道到时具体会是哪一些局限。理解 AI 能做什么、不能做什么，是 AI Fluency 不可缺少的一部分，也能帮助你判断应该在什么时候、以什么方式把这些系统有效地纳入工作和日常生活。

最有效的应用，会利用人类和 AI 彼此互补的优势。人类带来的是批判性思考、判断、创造力和伦理监督，这些是 AI 可能难以复制的；AI 带来的则是速度、规模、模式识别，以及处理海量信息的能力。

随着技术演进，这些互补优势也会变化。因此，持续学习和实验非常有价值：它们能帮助你跟上变化，并发现新的可能性。

在贯穿整门课程的练习中，你会有机会通过与 Claude 对话亲自探索这些概念。这样的直接经验，会帮助你形成一种直觉：生成式 AI 能做什么、不能做什么，以及怎样与它合作最有效。

当前主要局限

最有效的应用不是假设 AI 会取代人，而是组合双方优势：人提供批判性思维、判断、创造力、情境理解和伦理监督；AI 提供速度、规模、模式识别和处理大量信息的能力。

第三部分：Delegation（委派）

6. A closer look at Delegation

深入理解委派

在这段视频中，我们要更深入地了解 Delegation（委派）能力。请记住，AI Fluency 关注的是怎样以有效、高效、合乎伦理并且安全的方式与 AI 工作。Delegation 主要对应前两项目标：帮助你在 AI 协助下更有效、更高效地完成工作。

从根本上说，Delegation 就是决定需要完成哪些工作、哪些工作应该由你亲自完成，以及哪些工作可能更适合 AI。听起来很简单，实际上其中有很多细微差别。

有效委派要求你既理解自己想实现什么，也清楚自己和 AI 分别能够切实做到什么。你需要把复杂工作拆成可以管理的部分，并从战略上决定每一部分应该由谁处理，是通过自动化、增强，还是代理方式完成。

有一件事也许会让你意外：良好委派的基石，其实根本不在于 AI，而在于你自己的专业知识，以及你对目标的理解。

在把 AI 引入任何项目之前，先花一点时间回答几个重要问题：你具体想实现什么？你想创造什么，或者解决什么？你的愿景和关键项目目标是什么？在你眼中，成功是什么样子？然后再问问自己：为了到达那里，需要哪些类型的思考和工作？

其中有没有简单但耗时的部分？有没有你并不确定、可以借助一个值得信赖的思考伙伴来探索的部分？有没有因为自己缺乏相关知识，而真正需要更多数据的部分？又有没有必须依赖批判性判断的部分？

每个项目、每个领域都不一样。我们无法让你立刻成为自己问题空间里的专家。但可以确定的是：如果你不能清楚理解自己的目标以及其中涉及的工作，那么即使最先进的 AI 也无法把你带到需要到达的地方。你会很难与 AI 助手有效合作，很难评价它的输出，也很难判断什么时候必须由人介入。

最有效的 AI 协作者，首先是自己领域里的专家，其次才是 AI 工作的委派者。我们把第一个概念称为 Problem Awareness（问题意识）：在把 AI 带入工作之前，清楚定义目标并理解需要完成哪些工作。

除了理解问题，你还需要对 AI 生态拥有可用于实际工作的认识。不同 AI 系统提供的能力可能天差地别，而这个领域几乎每天都在变化。有效委派的目标不是找到一个完美系统，而是理解各种可选系统分别有哪些独特优势和局限。

你有没有调查过，哪些模型最擅长自己设想的那类工作？你是否了解哪些 AI 系统更重视速度而不是深度，或者更重视准确性而不是创造性？

这门课程包含几个技术部分，会帮助你建立这方面的知识，但 AI 版图变化极快。最好的方法还是亲自实践：尽可能多地试验不同 AI 系统，再依据亲身经验形成自己的见解。

我们把第二个概念称为 Platform Awareness（平台意识）：对现有 AI 系统以及它们具体的能力和局限，形成一种能够实际运用的理解。

当你既理解自己的问题，也理解可用的 AI 协助之后，Delegation 真正的艺术才会出现：审慎地在人类和人工智能之间分配工作，从而发挥双方各自独特的优势。

你可以这样问自己：工作流程中的哪些具体部分适合自动化？哪些地方采用增强式协作，会比完全由任何一方单独完成带来更大价值？是否存在应该完全由人作出关键判断、根本不应委派的部分？又有哪些日常互动可以交给 AI 代理代表你处理？

如果你对问题和现有 AI 系统都有清楚认识，就能作出有根据的决定：哪些工作应该由 AI 自动执行；哪些应该通过人机协作完成；哪些必须完全保留给人；哪些又可以交给代表你行动的 AI 代理。

我们把第三个概念称为 Task Delegation（任务委派）：在人类与 AI 之间有策略地划分工作。

总结来说，Delegation 包含三个关键要素：

这项能力揭示了一个重要事实：有效的 AI 协作，不是把方向盘交出去就不管了。它要求你作出审慎选择，把工作委派出去，同时发挥人类智能和人工智能各自独特的优势。

有效委派既需要领域专业知识，也需要理解 AI 能力。目标不是自动化一切，而是针对具体目标建立最有效的人机组合。

可直接使用的起始提示

反思

7. Project planning and Delegation

项目规划与委派

这一章要求选择一项中等规模、多步骤的真实项目。后面的 Description、Discernment 和 Diligence 练习都会继续使用它。

项目需要满足三个条件：

可选方向包括：

第二步：澄清愿景和目标

第三步：拆解任务并分析委派

反思

第四部分：Description（描述）

8. A closer look at Description

深入理解描述

在这段视频中，我们要深入讨论 AI Fluency 中的 Description（描述）能力。AI Fluency 意味着以有效、高效、合乎伦理并且安全的方式与 AI 工作，而 Description 关注的就是怎样与 AI 沟通。这是绝大多数人机互动的核心。

Description 远不只是写出聪明的提示词。它包括通过沟通向 AI 解释任务、提出问题、提供背景，并以其他方式引导互动；包括在对话偏离方向时，把它重新带回正轨；也包括引导 AI 的思考过程或逻辑推理。归根结底，它是在建立一种思考环境，让你和 AI 都能在其中发挥出最好的水平。

可以把 Description 想象成一座桥，它连接你的意图和 AI 的能力。AI 输出的质量，往往取决于你能否清楚描述自己想要什么。这就像“请做一顿晚饭”与“提供一份列有食材和烹饪步骤的详细菜谱”之间的差别。

AI 不会读心。不要假设 AI 已经知道你在寻找什么，而要说明每一个相关细节：这项工作的背景是什么？你具体希望 AI 做什么？输出应该采用什么格式？受众是谁？什么风格才适合？

不要让 AI 猜你的想法。明确提出要求，并提供它为了交付你真正所需结果而必须掌握的信息。

我们把第一个概念称为 Product Description（产物描述）：清楚定义你希望 AI 创建或提供什么的能力。

有时候，规定 AI 应该怎样着手工作，与规定最终目标同样重要，甚至更加重要。正如你可能希望同事用某种特定方法处理问题一样，你也可以引导 AI 怎样完成你的请求。为了帮助它实现你想要的目标，你可以、也应该给出有用的指导。

你可以用不同方式做到这一点：像手册一样给出总体指导；像食谱一样给出一步一步的指令；甚至直接用示例进行演示，告诉 AI：“我会这样做，你可以这样理解。”

请记住，AI 已经接受过广泛训练，而你现在补充的是只属于自己具体情境的上下文。有没有你希望 AI 使用的特定数据？有没有必须处理的具体问题，或者必须遵循的先后顺序？你是否需要某种特定分析风格、工作流程或技术？花时间解释这些要素，会带来非常大的差别。

我们把第二个概念称为 Process Description（过程描述）：引导 AI 助手怎样处理你的请求的能力。

如果你只从这门课程中记住一件事，那就应该是：AI 工具不是数据库，也不是自动售货机。它们是交互式系统，会像人一样在不同背景下表现出不同的行为。为了取得最好结果，你需要说明希望 AI 怎样表现。

下一次坐到 AI 面前时，先想一想：我现在需要的是怎样的思考伙伴？我是要逐渐收窄范围，得到一个具体答案，还是要探索多种可能？我希望 AI 挑战我的假设，还是只需跟随我的方向？我需要它提供详尽信息，还是保持简洁？我希望它解释为什么这样回答，还是只给答案？

我们把第三个概念称为 Performance Description（表现描述）：定义 AI 互动中行为方式的能力。

现在，你应该已经更清楚地看到 Product Description、Process Description 和 Performance Description 怎样共同构成 Description 能力。当你发展自己的 Description 能力时，AI 就会从一个泛泛的通用助手，转变成经过精细调校、真正能够满足你需要的思考伙伴。

Description 是有效地向 AI 传达意图的能力。它不只是写一句提示，而是创造一个双方能够有效合作的环境。AI 不能读取人的想法，结果质量经常取决于人是否清楚表达了需要、方法和互动方式。

Description 的三个层面

Product Description（产物描述）

定义希望 AI 创造什么，包括内容、格式、受众、风格、长度、详细程度和成功标准。

Process Description（过程描述）

指导 AI 怎样处理请求。可以指定步骤、方法、框架、资料使用顺序、需要提出的问题，或希望它先分析再行动。过程说明有时与最终目标同样重要。

Performance Description（表现描述）

定义 AI 在协作中应当怎样表现，例如简洁还是详细、提出挑战还是提供支持、聚焦创意还是分析、何时提问、怎样指出不确定性。

把 AI 当作互动伙伴，而不是数据库或自动售货机。提前清楚沟通，会减少返工并提高结果质量。

反思

9. Effective prompting techniques

有效提示技巧

现在，让我们探索与 AI 工作时最实用的技能之一：编写有效提示。它听起来也许很技术化、很复杂，有些指南确实也把它讲得很复杂，但它的核心其实出人意料地直接。

所谓 prompting（提示），就是把这门课程中的 Description 能力应用到实践：清楚表达我们想要什么、希望事情怎样完成，以及希望在整个过程中以什么方式与 AI 助手互动。

你可以把提示想成向一位乐于帮忙的新同事解释任务。对方非常愿意协助，但需要明确方向和清楚的预期，才能把工作做到最好。本节会一直使用 Claude，不过这些技巧同样适用于许多其他 AI 系统。

你也许听过“prompt engineering（提示工程）”这个词。提示工程，就是为 Claude 这类 AI 系统设计有效指令的实践。它要求你设计问题并提供上下文，让 AI 助手准确理解你想要什么。

有效提示有趣的一点，是它把人们熟悉的沟通技能与少数 AI 特有的注意事项结合起来。清晰表达、提供相关上下文、给出具体示例，这些促成人际对话的原则也适用于 AI；但两者也有差别。对于人类能够自然推断的东西，你有时需要向 AI 表达得更加明确；还要适应 AI 有限的上下文窗口；有时也需要根据使用的 AI，采用机器更容易处理的特定格式。

随着 AI 助手持续发展，提示的最佳实践也会变化。对今天的 AI 有效的方法，到了明天可能会不同。找到最适合自己具体需求的方法，关键就在于实验。

这段视频主要介绍六项基础提示技巧，它们会大幅帮助你与 Claude 和其他 AI 系统进行有效沟通与协作：

第一项原则简单而有力：具体、清晰地说明你想要什么、为什么需要它，以及一个也许最让人意外的要素——你是谁。

先看一个简单提示：“告诉我气候变化的情况。”怎样通过提供更多上下文来改进它？一个更具体、上下文更丰富的版本可以是：

最初的提示非常含糊，Claude 只能猜测你的兴趣、知识水平和希望得到的详细程度，例如地理范围和时间跨度。

我们还可以加入更多上下文，不只说明想了解什么，也说明为什么要问，以及会怎样使用 Claude 提供的信息。于是，提示可以改成：

新增的上下文，会帮助 Claude 根据你的具体情境和知识水平调整回答。人们在与其他人交谈时会自然提供这种背景信息，却可能在与 Claude 对话时忘记把它写出来。

第二，有时候展示比说明更有效。提供目标输出的示例，效果可能非常好。在技术语境中，这种方法有时叫 few-shot prompting 或 n-shot prompting，其中 n 代表示例数量；但说到底，它就是向 AI 展示一些可供模仿的例子。

例如，先看下面的提示：

Claude 也许已经能够给出令你满意的结果。因此，我们非常建议先在没有示例的情况下试一下，看看效果如何。但假如你希望 Claude 遵循一种非常具体、难以用语言解释、却很容易通过例子展示的风格，就可以把提示改成：

提供示例时，要尽量覆盖潜在输入的多样性，例如不同情形或不同风格。这样能帮助 Claude 更好地理解你希望它遵循的模式究竟有多大范围。

第三，要清楚说明输出约束。例如 Claude 回答的目标格式和长度、希望它使用哪种编程语言，或者你让它设计网页时按钮应该是什么颜色。明确这些条件，更容易确保你得到的就是自己真正需要的结果。

下面是一项清晰、详细的描述示例，它能帮助 Claude 准确交付目标结果：

这类指导会帮助 Claude 按照你的预期组织回应。

第四，如果请求很复杂，把它拆成较小步骤，能帮助 Claude 跟随你的思路并交付更好的结果。换个角度想：如果你让朋友帮你做一件事，却不说明应该怎样做，对方就可能不会按照你原本设想的方式完成。我们大概都经历过这样的情况。

列出任务步骤，可以确保 Claude 按照你希望的过程完成任务。这有时被称为 chain-of-thought prompting（思维链提示）。

例如，与其只对 Claude 说“分析这份季度销售数据”，你可以这样写：

默认情况下，你不一定需要这样做，尤其是任务比较直接时。现代推理模型或扩展思考模型也越来越能够自行进行逐步推理，但你仍然可以引导这个过程，确保它符合自己的需要。

一项任务能够被妥善执行的方式越多，或者任务的正确执行越依赖你作为领域专家积累的经验和知识，你就越应该考虑花时间把这些知识传达给 Claude。

第五，与此相关的是，有时候应该明确给 Claude 这样的 AI 助手留出空间，让它先完成自己的分析过程，再执行任务。这能帮助 Claude 给出更全面、考虑更周到的回答。例如，你可以在提示中加入：

正如刚才提到的，现代推理模型或扩展思考模型默认就会先思考再行动。但如果你使用的 AI 助手默认不会先思考，仍然可以通过提示要求它这样做。

这里要特别强调：应该让 AI 在执行任务之前拥有思考空间，而不是等它做完任务后再思考。如果你希望思考真正提升工作质量，这个先后顺序非常重要；这就像人在行动之前先思考，与先行动、事后再被要求解释自己刚才的想法，是两件不同的事。

附带的好处是，你也能更容易发现 AI 助手的方向从哪里开始偏离，从而知道应该在哪里提供更多指导，进一步磨炼自己的 Description 能力。

第六，明确规定 Claude 应该怎样沟通和表现，可能显著改变它处理任务的方式。你可以指定预期专业程度、希望它采用的视角或沟通风格，从而同时引导 Claude 与你的互动方式，以及它最终生成的结果。

简单来说，你希望 AI 扮演谁？例如：

这种方法也很适合头脑风暴或获取反馈。你可以指定一般角色，甚至在请 AI 解释物理学时，要求 Claude 采用 Richard Feynman 这样的具体人物视角。再比如：

也许最有力的一项技巧，是直接让 Claude 帮你改进提示。如果你不确定应该怎样提出请求，或者不知道怎样改善提示，可以把自己的问题或情境告诉 Claude，再请它优化提示，甚至替你写出提示。例如：

这也是 Claude 和其他 AI 助手之间可能最容易出现表现差异的地方。因此，我们建议把尝试不同模型也作为 Delegation 练习的一部分。

有效提示是一个迭代和实验过程。AI 系统及其最佳实践一直在变化，所以今天有效的方法，明天也许会改变。第一次尝试不一定能得到完美结果，这是正常现象。

如果回答还不符合需要，可以使用我们刚才介绍的技巧继续调整：增加具体性或上下文；提供目标输出示例；把任务拆成更小步骤；或者换一种技巧、尝试多种技巧的组合。

你还可以要求不同版本，例如：“你能给我三个不同版本吗？”也可以要求不同格式，例如：“不要写成段落，可以把它做成交互式 Artifact 吗？”Artifact 是 Claude 特有的一种输出方式，可能更容易理解，也可能让内容更有趣、更易消化。

还可以检查置信程度。对于事实类问题，你可以问：“你对这个答案有多大把握？”你也可以完全重置对话。有时候，与其试图纠正一场已经偏离轨道的对话，不如开启一场新对话，反而更容易取得好结果。

把每一次互动都当作反馈，用它改进下一次提示。随着时间推移，你会逐渐形成一种直觉，知道怎样与各种 AI 系统有效沟通。

在实践中应用这些技巧时，可以用下面的总结作为指导。通常稳定有效的做法包括：

常见错误则包括：假设 Claude 能读懂你的心思；在一条提示或一次对话中塞入多个互不相关的任务；对成功标准说得过于含糊；以及不对前面的回答提供反馈。

总结来说，与 Claude 这类 AI 系统进行有效沟通，需要把经久不变的人际沟通原则与 AI 特有技巧结合起来。本节介绍的方法能够跨越不同 AI 系统长期发挥作用。

六项原则，再加上“请 Claude 帮忙”这件秘密武器，共同构成了一套可靠工具，可以把 Description 能力应用到你的 AI 互动中。快速进步并真正掌握它们的关键，是不断迭代和练习。

请记住，提示工程是一项持续演变的实践。随着模型改善，某些具体技巧会变得没有那么必要；但即使应用方式发生变化，良好沟通的这些原则仍然重要。保持实验精神，再依据实际结果不断调整自己的方法。

Prompt Engineering（提示工程）可以理解为：为 AI 系统设计有效指令的实践。它把熟悉的人类沟通原则与 AI 特有的注意事项结合起来。

提示不应被视为一次性命令，而应通过结果不断修订。一个实用的“秘密武器”是直接让 AI 帮助改进你的提示：请它指出缺失上下文、含糊要求、相互冲突的约束和无法验证的成功标准。

高质量提示通常包含相同模式：任务概览、输出格式、明确约束和相关背景。它们正是 Product、Process 和 Performance Description 的具体实现方式。

第五部分：Discernment（辨别）

10. A closer look at Discernment

深入理解辨别

在这段视频中，我们要更深入地讨论 AI Fluency 中的 Discernment（辨别）能力。AI Fluency 意味着以有效、高效、合乎伦理并且安全的方式与 AI 工作，而 Discernment 专门关注怎样评价 AI 的输出、过程和行为。它本质上就是 AI 协作中的质量控制系统。

Discernment 是对 AI 生成了什么、怎样生成，以及它怎样表现进行批判性评价的能力。它可以看作 Description 的另一面：如果 Description 关注怎样清楚传达你想要什么，Discernment 关注的就是判断得到的结果是否真正满足需要。

发展 Discernment，能帮助你识别 AI 输出什么时候有价值、什么时候有问题；看清它的优势和局限；并判断结果已经可以使用，还是仍然需要修改。

要把这件事做好，一方面需要领域专业知识，也就是你必须懂得足够多，才能判断质量；另一方面还需要理解 AI 系统怎样工作，包括它们常见的缺点。请记住，即使最先进的 AI 系统也会出现推理错误、事实错误，或者以意想不到的方式行动。你的 Discernment 能力，是一道不可缺少的安全保障。

最直接的一种辨别，是评价 AI 实际产物的质量。审阅 AI 生成内容时，可以问自己：它在事实层面准确吗？适合我的受众和目的吗？内容连贯、结构良好吗？满足我的要求吗？它有没有增加价值，或者解决我原本要解决的问题？

我们把第一个概念称为 Product Discernment（产物辨别）：判断 AI 创建的输出是否准确、是否有价值的能力。

与 AI 互动时，你不只要评价它产出了什么，还需要评估它怎样到达这个结果。需要注意的问题包括：逻辑错误；AI 注意力中断；采用不恰当步骤；困在一个很小的细节或一种解释里，无法考虑其他可能；以及陷入循环推理。

例如，假设你让 AI 为一份文档提供了五种大纲方案，再从中选择一种继续扩写。你们来回进行了几轮构思之后，却发现 AI 又把已经否决的方案元素重新加了回来。

我们把识别这类问题的能力称为 Process Discernment（过程辨别）：判断 AI 工作过程质量与有效性的能力。你需要用它确保自己和 AI 在整个过程中保持思路同步，并把 AI 持续引向你对成功结果的愿景。

在那些正确答案无法立刻显现的复杂任务中，Process Discernment 尤其重要。在这种情境里，能否信任过程就是一切。

评价和引导 AI 在互动中的表现，往往也很有价值。我们把它称为 Performance Discernment（表现辨别）。过程与表现之间的差别可能比较细微：你可以把“过程”理解成 AI 正在完成的工作，而“表现”是 AI 在做这项工作时，与你互动得好不好。

评价 AI 助手的表现时，可以问自己：为了让后续互动更轻松、更高效，AI 有没有更好的沟通方式？它是否以有帮助的方式提供了我需要的信息？它能否良好回应我的反馈和指导？这场互动是高效的，还是不必要地复杂？

例如，在你需要简短回答时，AI 是不是提出了过多问题？在你需要完整信息时，它又是不是过于简略？

我们把 Performance Discernment 定义为判断人机互动质量的能力。它能帮助你与 AI 系统塑造出更富成效的工作关系。

当然，Discernment 不会止于评价。为了改善 AI 之后交付的内容，你还需要提供反馈。发现 AI 输出中的问题时，有效反馈应该做到：具体指出问题是什么；清楚解释它为什么是问题；提供明确的改进建议；以及修订自己的指令或示例。

换句话说，当 Discernment 标记出问题时，更好的 Description 往往就是解决方案。但事情并不总是这样。有时候，你可能需要重新考虑自己的 Delegation 决定，因为你也许选错了工具，或者从根本上就用错了处理问题的方式。

总结来说，Product、Process 和 Performance 三类辨别共同构成 Discernment 能力。Discernment 与 Description 携手工作：Description 负责向 AI 传达你的需要，Discernment 负责评价这些需要得到了多大程度的满足。两者共同形成一个持续的“指令—评价”循环，推动质量不断改善。

发展 Discernment 能力，可以确保 AI 协作始终接受人类判断的引导；而人类判断，是实现真正有效的 AI Fluency 不可缺少的要素。

Discernment 是对 AI 的产物、过程和行为进行审慎评价的能力。它是 Description 的另一面：Description 用来表达意图，Discernment 用来判断得到的东西是否真正符合需要。即使最先进的 AI 也需要人的判断和监督。

Discernment 的三个层面

Product Discernment（产物辨别）

评价实际输出的质量，包括准确性、适切性、连贯性、相关性、完整性和是否满足成功标准。

Process Discernment（过程辨别）

评价 AI 怎样得到结果。检查逻辑错误、注意力缺口、遗漏因素、不恰当推理、未经验证的假设和资料使用问题。

Performance Discernment（表现辨别）

评价 AI 在互动过程中的行为：沟通风格是否适合需要，是否听取反馈，是否提出好问题，是否清楚标注不确定性，是否过度迎合或偏离目标。

练习：在自己的专业领域评价 AI

第一步：选择专业主题

回到一个你拥有较强知识和热情的主题。

第二步：要求多个解释

让 Claude 针对主题中的一个具体方面生成三种不同解释或分析。例如摄影中的景深、烹饪中的发酵方法，或某一历史事件的三种视角。

第三步：应用三类辨别

Product Discernment：

第四步：反馈并修订

第五步：讨论专业知识的作用

反思

11. The Description–Discernment loop

描述—辨别循环

这一章要求把前面建立的项目计划真正执行出来。目标不是一次写出“完美提示”，而是在清楚描述、审慎辨别和持续修订之间循环，并把人的专业知识和判断不断加入成果。

第二步：规划 Description

第三步：逐项运行循环

对项目中的每一项任务重复这一循环，直到项目完成。

反思

第六部分：Diligence（尽责）

12. A closer look at Diligence

深入理解尽责

在这段视频中，我们要讨论 AI Fluency Framework 中的 Diligence（尽责）能力。请记住，AI Fluency 意味着以有效、高效、合乎伦理并且安全的方式与 AI 工作。其他三项能力主要处理有效性和效率问题，而 Diligence 更集中于伦理与安全；对成功的 AI 协作来说，这两方面同样至关重要。

Diligence 的核心，是为自己的 AI 互动承担责任。它是 AI Fluency 中这样一个维度：确保你对 AI 系统的使用不仅富有成效，而且严谨、透明并且可问责。

其他能力主要关注怎样得到结果，Diligence 则要求我们思考一些范围更广、却对 AI 协作非常关键的问题，尤其是在专业环境中。例如：与这个 AI 工作会产生什么影响？我们创造的内容、协作过程本身，或者任何没有发现的错误，可能影响到谁？谁能够访问为了生成这份输出而使用的数据？怎样确保互动过程和最终结果符合伦理标准与价值观？

可以把它想象成开车。我们不会只关注怎样高效地从 A 点到达 B 点，还要考虑安全、遵守交通规则，并时刻意识到自己的驾驶会怎样影响道路上的其他人。

Diligence 同样承认，AI 系统以及我们与它们的互动，并不生活在真空中。负责任地与 AI 工作，要求我们意识到更广泛的背景，以及这些互动可能产生的影响。

Diligence 的起点，是对以下问题进行更审慎、更批判的思考：我们选择与哪些 AI 系统工作；怎样与它们工作；这些协作会带来哪些影响。

我们应该主动寻找这些问题的答案：这个系统是怎样训练和构建的？使用了哪些数据？我此刻输入的数据归谁所有？分享之后，哪些人可能有权访问？我怎样保护自己和他人的隐私与安全？这个系统还有哪些其他影响？这次互动是否符合我的个人和职业价值观，或者所在组织的政策？

例如，在把敏感公司信息分享给 AI 助手之前，首先应该检查这项服务是否制定了适当的数据保护政策，也要确认你的组织是否允许分享这些信息。

我们把这类尽责称为 Creation Diligence（创作尽责）：以批判性和有意识的方式选择与哪些 AI 系统工作，以及决定怎样与它们工作的能力。

个人、学术、创意和职业等不同环境，对 AI 互动的披露可能有不同期待。但理解并满足这些期待，是我们每个人自己的责任。

你可以问自己：哪些人需要知道 AI 在这项工作中发挥了什么作用？我应该怎样、在什么时候说明？分享到什么详细程度才合理？

满足透明度要求，换句话说，做到坦率和诚实，并不只是为了遵守规章制度。它也是为了在人际关系中维持信任和尊重，并承认人们拥有知情权：当 AI 在内容创作中发挥重要作用，或者参与了会影响他们的决策时，他们有权知道。

例如，如果你使用 AI 协助起草团队提案，那么让同事知道哪些部分接受过 AI 协助，会让协作更加诚实，也能确保所有人掌握相同信息。

我们把它称为 Transparency Diligence（透明尽责）：对所有需要知情的人，公开、准确地说明 AI 互动情况的能力。

前面已经讨论过，AI 系统会犯错。当你把 AI 生成内容分享给外界时，最终为其准确性和适切性负责的是你，而不是 AI。

这意味着，你必须核实事实、检查偏见、确认准确性和使用权利，并完成其他必要检查，确保自己能够为分享的内容背书。

想象一位使用 AI 协助起草文章的记者。在发表之前，他必须核实每一项事实和每一个来源，确保最终文章满足全部新闻行业标准；即使整篇文章完全由他亲自写成，也会适用同样的标准。

我们把它称为 Deployment Diligence（部署尽责）：对你使用或分享的 AI 辅助产物，承担知情责任的能力。

处理这些 Diligence 问题并不总是简单直接。不同情境和利益相关者可能拥有不同期待与标准。因此，你可以为自己的 AI 工作制定一套符合个人伦理和价值观的准则。在专业环境中，还要熟悉组织政策和行业标准。

同时要记住，围绕 AI 的法律和监管框架仍然在形成，也会继续演变。持续掌握最新情况，是 Diligence 的重要组成部分。

总结来说，Creation、Transparency 和 Deployment Diligence 共同构成完整的 Diligence 能力。发展这种能力，能确保你对 AI 的使用不仅有效、高效，而且合乎伦理并且安全。

Diligence 提醒我们，与 AI 互动会带来责任：审慎选择系统和工作方式；诚实说明 AI 在工作中的角色；最终，对我们与 AI 共同创造的东西承担责任。

我们都希望 AI 公平、安全，并且能为社会带来益处。要让这样的未来发生，我们自己的行为也发挥着关键作用。

Delegation、Description 和 Discernment 主要帮助提升有效性与效率；Diligence 专门处理同样重要的伦理与安全问题。不同个人、学术和专业环境可能有不同披露与验证要求，但每个人都有责任理解并满足所在情境的标准。

Diligence 的三个层面

Creation Diligence（创作尽责）

审慎选择使用什么 AI 系统以及怎样与它互动。需要考虑平台能力、数据所有权、隐私、安全、组织政策、任务风险和自身价值观。

Transparency Diligence（透明尽责）

向所有需要知情的人如实说明 AI 在工作中的作用。披露程度应当适应受众和情境，而不是用一句笼统声明代替具体说明。

Deployment Diligence（部署尽责）

对使用或分享的 AI 辅助输出进行验证并为其背书。发布者需要确认准确性、适切性和风险，保证最终成果符合自己的标准，并为它产生的影响负责。

练习：为课程项目编写 Diligence Statement

第一步：理解声明的作用

Diligence Statement 是对 AI 在工作中所起作用的透明说明，同时表达作者对最终成果承担责任的承诺。可使用下面的中文模板：

第二步：回顾自己的 AI 协作

Creation Diligence：

第三步：起草声明

向 Claude 分享上述反思和必要的项目对话，然后共同起草针对项目的声明。声明至少要覆盖：

第四步：加入项目

把声明放在适当位置，例如页脚、附录或元数据中。

反思

第七部分：结论与持续练习

13. Conclusion｜课程结论

大家好，欢迎来到关于 AI Fluency 基础知识的最后一节。我是来自林林艺术与设计学院的 Rick Dakan 教授。

在并不算长的时间里，我们一起学习了很多内容：探索 AI Fluency Framework，并了解它怎样应用到日常 AI 协作中。现在，让我们花一点时间回顾学到的东西，突出几个关键要点，再看看接下来可以走向哪里。

首先，再次回顾构成 AI Fluency Framework 的四项核心能力，也就是 4D。

Delegation（委派）关注的是：哪些工作应该由 AI 完成或由人与 AI 共同完成，哪些又最适合完全由人完成。它把你对问题的理解、对 AI 能力的认识，以及你在自己与 AI 助手之间有效分配工作的技能结合起来。

Description（描述）处理的是我们怎样与 AI 系统沟通。通过清楚表达想要什么、希望采用什么处理方式，以及怎样的互动对自己最有帮助——也就是 Product、Process 和 Performance Description——我们可以引导 AI 生成需要的输出，让它成为更有效的协作者和助手。

Discernment（辨别）要求我们对 AI 输出和行为进行批判性评价。通过发展评价产物、过程和互动的能力——也就是 Product、Process 和 Performance Discernment——你可以确保所有 AI 驱动的输出都达到所需质量，并且适合具体用途。

最后，Diligence（尽责）确保我们的 AI 互动是负责任的。通过审慎选择 AI 系统、透明说明 AI 在工作中的作用，并为最终产物承担责任——也就是 Creation、Transparency 和 Deployment Diligence——我们可以以合乎伦理并且安全的方式与 AI 工作。

请记住，这四项能力适用于我们与 AI 互动的全部三种模式：

随着你继续自己的 AI 学习之旅，请把下面这些重要认识放在心里。

对于 Delegation，你的专业知识和判断始终是有效使用 AI 的基础。最强大的成果，往往来自这样的机会：你能够识别怎样让自己和 AI 在迭代协作中发挥并叠加彼此的优势，最终创造出任何一方单独都无法实现的结果。

对于 Description，清晰沟通是连接人类意图与 AI 能力的桥梁。有时候，最有效的指令并不是精心雕琢的复杂提示，而是能够提供背景、示例和反馈的审慎对话。

对于 Discernment，对 AI 输出进行批判性评价是一项不能妥协的责任。辨别能力既保护你免受 AI 局限的影响，也再次帮助你取得人类或 AI 单独都很难创造的结果。

对于 Diligence，你仍然要为自己怎样使用 AI，以及这种使用对其他人造成的影响负责。透明说明 AI 在工作中的作用，会建立信任与诚信。

这些能力无法在一夜之间掌握，它们需要通过练习逐渐形成。当你不断委派工作、描述需要、辨别输出质量，并把尽责原则应用到工作过程时，你的 AI Fluency 会自然增长。

目标不是追求完美，而是持续发展自己的意识、投入程度，以及有意识地与 AI 工作的方法。

AI Fluency Framework 被设计成能够广泛应用于各种生成式 AI 助手，并在 AI 系统持续演进时保持相关性。但我们自己也必须继续把学到的东西应用到实践中。

我们希望，这门课程只是你 AI Fluency 旅程的开始。在 AI Fluency Foundations 课程结束处，你还会看到一些后续活动，帮助你应用所学内容，以及支持你继续探索的资源。

课程开始时，我们希望帮助你换一种方式思考 AI，以及人与 AI 共同工作的方式。这些系统确实很强大，但它们不是包治百病的银弹，也不是能够解决一切问题的魔法。它们能够多有用、多安全，取决于我们怎样让它们发挥作用。

因此，请继续投资于自己的专业能力，并保持对技术变化的了解，让自己能够正确进行 Delegation；练习 Description 和 Discernment 的艺术，也就是那种审慎的来回对话——它能把 AI 从简单的自动化机器转变成真正的思考伙伴。

最重要的是，请为自己与 AI 工作的方式，以及你们共同创造的东西承担责任。做到有效、高效；做到合乎伦理并且安全。

面对这片快速发展的版图，我们所有人都还在一起学习怎样前行。感谢你加入这段通往更高 AI Fluency 的旅程。人机协作的未来非常光明，而现在，你已经更有能力以审慎的方式参与塑造这个未来。

四项能力适用于 Automation、Augmentation 和 Agency。最强的成果来自人和 AI 相互利用彼此优势，而不是一方完全替代另一方。这套框架被设计为在 AI 持续演进时仍然有用。

AI 系统很强大，但不是魔法解决方案。它们能够多么有用、多么安全，取决于人怎样参与、怎样设置边界、怎样评价并承担责任。

结课练习：与 Claude 讨论课程

每一次与 AI 的互动，都是修订技能和深化理解的机会。课程鼓励学习者继续探索、实验、反思，与他人分享学习结果，引入多元视角，并参与关于“怎样在尊重价值与责任的前提下放大人的潜力”的持续讨论。

14. Additional activities｜附加活动

活动一：建立个人 AI Fluency 发展计划

确定发展重点

制定行动计划

可以把自我评估交给 Claude，让它作为思考伙伴提供反馈，但最终重点与衡量方式由自己决定。

活动二：建立个人 Prompt & Pattern Library

记录有效策略

建立个人参考系统

可以让 Claude 分析过去成功的互动，寻找其中反复出现的有效模式。

活动三：Game Night

文字游戏有明确规则，适合练习精确 Description；同时它们有意设置难点，也是锻炼 Discernment 的好方法。

Swap Riddles（交换谜语）

自己出谜语，让 Claude 猜并解释理由。不要立刻公布答案，而是逐步提示它调整推理方向；随后交换角色，让 Claude 出谜语并引导你。

课程示例谜语：“我敲击一百多个鼓，画出一曲光的交响乐。我在做什么？”答案是使用通常有 104 个键的电脑键盘输入，让显示器呈现像素。

Co-operative Crosswords（合作填字）

共同解决填字线索，尤其可以尝试隐晦填字。重点不是谁更擅长，而是学习引导和修订推理，例如提醒字母数量、首字母限制，或要求考虑同一个词的不同含义。这些控制推理方向的能力可以迁移到真实项目。

Word Association（词语联想）

随机选择十二到二十个词，与 Claude 一起寻找关系。发现它建立可疑联系或忽视更有希望的模式时，指出问题并引导修订；同时也要接受它可能发现人遗漏的联系。

练习三类 Discernment：

更多游戏

附录一：一页式 4D 工作卡

Delegation

Description

Discernment

Diligence