AI Fluency 要解決什麼？它用 Delegation、Description、Discernment、Diligence 組成的 4D 框架，幫助人判斷何時該讓 AI 自動化、何時一起共創、何時保留關鍵決策；本篇整理前半段課程，重點放在理解生成式 AI 的能力邊界，以及把工作委派給 AI 前要先做的思考。

前一天的穩健部署 Claude Enterprise（下）還在整理企業部署的結構、權限和治理，今天打開 AI Fluency: Framework and foundations，問題換了一個尺度：每天都在使用 AI，怎麼知道自己真的懂得和它協作？

這堂課沒有從「本週最有效的 Prompt」開始。它先建立一套工具換掉之後仍然有用的判準，再往下說明生成式 AI 的能力與限制，最後把焦點收斂到委派：哪些工作該交給 AI，哪些工作需要人一起做，哪些判斷仍然要留在自己手上。

課程資訊一覽

這個框架由 Ringling College of Art and Design 的 Rick Dakan 教授與 University College Cork 的 Joseph Feller 教授在 2023–2024 年間開發，Anthropic 再與兩人合作製作成線上課程。課程內容也有 Maggie Vo 與 Drew Bent（Anthropic）提供的技術與實務觀點。

AI Fluency 簡介（AI Fluency introduction）

1. AI 流暢度簡介（Introduction to AI Fluency）

AI Fluency 指的是：能以有效（effective）、高效（efficient）、合乎道德（ethical）且安全（safe）的方式與 AI 系統協作。

這四個形容詞會一路貫穿整門課。它們提醒我們，AI 協作的完成標準不只有「有產出」，還包括產出是否真的解決問題、工作方式是否有效率、過程是否負責任，以及結果能不能安全地使用。

課程想培養的是持久的能力。今天適用的模型、介面和 Prompt 寫法都可能改變，理解如何定義目標、分配工作、檢查結果和承擔責任，仍然會繼續派上用場。

每一課後面都有練習，要求學習者實際開啟 claude.ai 與模型對話。從「Project Planning and Delegation」開始，還要挑一個貫穿整門課的個人專案，後面描述、辨別和審慎的練習都會回到同一個專案上。

這堂課的第一個結論很簡單：AI Fluency 關心的是人與 AI 如何一起工作，不只關心 AI 有哪些功能。

AI Fluency 框架（The AI Fluency framework）

2. 為什麼我們需要 AI 流暢力？（Why do we need AI fluency?）

擁有 AI 的使用權，和真正懂得如何使用 AI，中間還有一段距離。課程用三個情境說明這個距離：你收到 AI 的意外回應，卻不知道下一步怎麼接；你努力解釋需求，對話卻愈來愈挫折；你把資料交給 AI 後，也不確定它是否被妥善保護。

接著，課程把人與 AI 的互動分成三種方式：

三種方式各自服務不同目的，也可能在同一個專案裡同時出現。自動化適合明確的交辦；增強讓人和 AI 一起找方向；代理則把部分行為交給一個持續運作的系統。

代理的比喻很有意思：人的角色會從「寫出每一句指示的劇本作者」，逐漸靠近「設定願景的導演」。這也說明了為什麼單靠 Prompt 技巧不夠。當 AI 參與的工作變得更長、更開放、更接近真實流程時，人要做的決定也會跟著改變。

3. 4D 框架（The 4D framework）

4D 是整門課的骨幹。四個 D 分別是 Delegation、Description、Discernment 和 Diligence，本篇先建立全貌，後半段再逐一深入。

這四項能力可以先記成一句工作口訣：委派決定要不要交，描述決定怎麼講，辨別決定收不收，審慎決定敢不敢署名。

課程特別提醒，委派不等於把任務整包丟出去。研究專案可以讓 AI 審閱冗長檔案與資料，協助討論影響和發現；關鍵分析與最終結論仍可由人保留。描述也不只在於把要求寫得更長，例如請 AI 當導師時，可以加上「不要直接告訴我答案，請一步步幫我解決」，讓互動方式符合真正的學習目標。

辨別則需要領域專業。你要能分辨哪些內容有用、哪些內容需要改進，以及哪些結果應該整個捨棄。描述與辨別會形成一個小循環：描述需求 → 評估結果 → 改進請求 → 再次評估。

4D 不依附特定 AI 工具。模型和介面會進化，這四種能力仍然可以用來整理下一個工具帶來的工作方式。

深入探討 1：什麼是生成式 AI？（第一部分）（Deep Dive 1: What is Generative AI?）

這一段由 Anthropic 的 Drew Bent 講解，目的是補上 4D 框架需要的技術背景。你對平台能做什麼、不能做什麼越有概念，後面做委派決策時越不容易只靠想像。

4. 生成式 AI 基礎（Generative AI basics）

生成式 AI 能夠創造新內容，而不只分析既有資料。傳統 AI 可以把 email 分成垃圾郵件和非垃圾郵件；生成式 AI 則可以依照你的要求寫出一封原本不存在的新 email。

LLM 是 Large Language Model 的縮寫。「語言模型」代表它被訓練來預測與生成自然語言；「大型」則和模型裡數十億個參數有關。參數是影響模型如何處理資訊的數學值，可以把它想成模型在學習過程中調整出來的複雜連接。

現代生成式 AI 的發展，受到三項條件同時推進：

1. 演算法與架構突破：神經網路已經研究多年，2017 年出現的 transformer 架構成為重要轉折，特別擅長處理文字序列與長篇內容中的關係。
2. 數位資料大量增加：網站、程式碼儲存庫與其他數位內容，提供了大量代表人類知識與溝通方式的文本。
3. 運算能力提升：GPU、TPU 等專用硬體，以及分散式運算叢集，讓更大規模的訓練成為可能。

這些條件帶出縮放定律（scaling laws）：當模型規模、訓練資料和運算資源一起增加時，效能會以可預測的方式提升；模型規模變大後，也可能出現訓練者沒有明確寫進去的新能力，例如逐步推理解題，或用很少的指示適應新任務。

模型的學習可以用兩個階段理解：

這裡有一個重要的理解：模型會根據機率模式生成新的文字，不是從資料庫裡拿出一段預先寫好的答案。這個差異會直接連到幻覺與非確定性。

上下文視窗（context window）可以先理解成 AI 的工作記憶。它包含你的 Prompt、AI 的回應，以及對話中加入的其他資訊；容量再大，也仍然有上限。沒有網路搜尋等專門工具時，模型也無法直接使用目前上下文之外的資訊。

現代生成式 AI 的力量，可以先抓住三點：它能在訓練期間處理大量資訊、能透過上下文學習（in-context learning）依照指示或範例適應新任務，也可能在規模放大後展現沒有被明確設計的能力。

5. 能力與限制（Capabilities and limitations）

課程用「認識一位新同事」來比喻 LLM。你要先了解這位同事擅長什麼、缺少什麼，才知道哪些工作適合一起做。

LLM 通常擅長語言運用、摘要、翻譯、解釋複雜主題，也能在不同任務間切換，不需要為每個新任務重新訓練。它可以維持目前對話的脈絡，也可以透過搜尋、檔案處理或其他工具連接外部資訊，擴大能協助的範圍。

同時要把這些限制放在工作流程裡：

非確定性有兩面。它讓腦力激盪和多樣化想法更有空間；需要一致性或準確性時，則要加強檢查。有些 LLM 介面提供 temperature 設定，讓使用者調整輸出的隨機程度。

RAG（retrieval-augmented generation，檢索增強生成）可以把模型接上外部知識與資料來源，工具使用也能擴大它的工作範圍。課程仍提醒，某些限制在可預見的未來很可能持續存在。

這堂課最後把人與 AI 的優勢放在同一張表裡看：人帶來批判性思考、判斷力、創造力和道德監督；AI 提供速度、規模、模式識別和處理大量資訊的能力。委派的價值，就從這個互補關係裡長出來。

委派（Delegation）

6. 深入了解委派（Deep dive into delegation）

委派對應 4D 裡的「有效」與「高效」。它要回答的是：哪些工作需要完成、哪些工作應該由自己處理、哪些部分更適合交給 AI。做法是把複雜工作拆成可管理的部分，再決定人和 AI 各自負責什麼。

課程把委派拆成三個組成要素。

1. 問題意識（Problem Awareness）

問題意識是讓 AI 參與前，先定義目標並理解工作內容的能力。可以先問自己：

• 究竟想達成什麼？想創造或解決什麼？
• 願景或關鍵專案目標是什麼？
• 成功看起來會是什麼樣子？
• 要到達那裡，需要哪些思考和工作？

接著把工作分成幾種狀態：有些事情簡單但耗時，有些事情不確定、需要可靠的思考夥伴，有些事情缺資料，有些事情需要批判性判斷。

這裡最值得記住的一句話是：良好委派的基礎，先來自你對問題和目標的理解。若連自己想去哪裡都說不清楚，再強的 AI 也很難帶你到正確的位置。課程把有效的 AI 協作者形容成「首先是領域專家，其次才是 AI 委派者」。

2. 平台意識（Platform Awareness）

平台意識是對可用 AI 系統，以及它們各自能力與限制的實務理解。

判斷平台時，可以問：哪些模型更適合目前的工作？哪些系統優先考慮速度，哪些更重視深度？哪些偏向準確性，哪些更適合創意發想？

有效的委派不需要等待一個完美系統出現。AI 領域幾乎每天都在演變，持續親自操作不同系統，從自己的經驗累積判斷，比只看產品名稱更有幫助。前面的生成式 AI 基礎與能力限制，提供的就是這張平台意識的起點地圖。

3. 任務委派（Task Delegation）

理解問題和平台後，才進入實際分工。可以依序問：

• 工作流程中的哪些部分適合自動化？
• 哪些情況下，增強會比單獨工作或完全自動化創造更多價值？
• 有沒有需要批判性判斷的部分，應該完全保留給人類？
• 哪些例行互動可以由 AI 代理代表你處理？

好的 AI 協作安排，重點在於讓人與 AI 各自發揮優勢。目標是為特定任務建立有效的人機夥伴關係，工作流程也可以同時包含自動化、增強和代理。

課程提供一段委派練習的起手句：

嗨 Claude，我正在準備如何 [插入任務]，想和你討論一下委派計畫可能是什麼樣子，以便釐清哪些部分應該委派給像你這樣的 AI，哪些不應該。你能幫我嗎？

後續對話要一起討論整體願景、好結果的樣子、需要完成的工作項目，以及哪些地方需要人類的專業知識、創造力和判斷力。課程也特別要求進行真正的來回對話，讓 Claude 反過來提問、挑戰假設和協助找出雙方原本沒注意到的地方。

7. 專案規劃與委派（Project Planning and Delegation）

這堂是一個會貫穿後半段課程的實作活動。先選一個中等規模、多步驟的專案，條件包括：任務種類夠多、約一小時內可以完成，而且是自己真正有興趣做的事情。

官方提供四類專案方向：

選好專案後，和 Claude 對話，邀請它持續提問，直到自己能清楚描述兩件事：專案成功的樣子，以及這個專案為什麼對自己有價值。

接著進行任務拆解與委派分析：

1. 找出完成專案所需的主要任務。
2. 逐項討論需要哪些技能、知識或 AI 能力。
3. 判斷哪些部分適合使用人類的專業知識、創造力與判斷力，哪些部分能善用 AI 的能力，以及協作在哪裡最有影響力。
4. 制定包含主要任務與委派決策的專案計畫。
5. 儲存這份計畫，讓後續的 Description、Discernment 和 Diligence 練習可以回到同一個案例。

這個活動的價值，在於先做工作設計，再開始下 Prompt。當願景、任務和分工都攤在桌上，AI 才有機會參與真正重要的討論。

下一段：Description、Discernment 與 Diligence

下一部分會接著處理 Description，也就是如何定義想要的成果、引導 AI 處理任務，以及指定希望 AI 在過程中如何與自己互動。接下來還會談到有效的提示技巧、Discernment、Description–Discernment loop、Diligence，最後進入課程測驗與完成徽章。

這也代表今天先停在一個很適合練習的位置：挑一件真實的小任務，先和 Claude 討論願景、拆解工作，再決定哪些部分值得委派。專案計畫先留下來，後面的三個 D 才有具體材料可以反覆檢查。

小結

我覺得 AI Fluency 是使用 AI 時非常重要的一門心法課。它把我們平常零散使用 AI 的方法收斂成一套框架：開始之前，先和 AI 詳細討論要做什麼、目的和目標是什麼，反覆釐清到雙方對成果有共同理解，再留下專案計畫或其他可以回頭檢查的文件。這和常見的 SDD（Spec-Driven Development）開發模式很像，需求、規格、計畫和驗證的影子，在這裡都看得到；前面幾堂課也已經談過把思考留下來的重要性。

這門課還有一個讓我印象很深的地方：大部分內容是由學者講師透過影片講述，聽起來很像回到大學教室上課。Claude Academy 這類線上課程也持續進步，現在影片下方已經有逐字稿，不需要一直倒帶；遇到關鍵概念時，可以直接搜尋文字，或和 agent 反覆討論課程內容。這種學習方式讓線上課程多了一點課堂感，也讓整理和複習變得更順手。

我是 Jasper，從事軟體開發，目前專注打造 AI 工作流程。
官方圖解與完整表格在 Blog 版，和我一起探討更多 AI 議題 🚀