import KeyTakeaways from '../../../components/KeyTakeaways.astro';

<KeyTakeaways>
  <p>
    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。
  </p>
</KeyTakeaways>

前一天的[穩健部署 Claude Enterprise（下）](/posts/deploying-claude-enterprise-with-confidence-part2/)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](https://academy.claude.com/zh-TW/courses/ai-fluency-framework-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

| 項目 | 內容 |
|---|---|
| 堂數 | 14 堂課（本篇涵蓋前 6 堂，另整理第 7 堂專案規劃活動） |
| 總時長 | 4 小時 |
| 測驗 | 1 個（最終測驗 10 題，80% 以上通過） |
| 完成 | 有完成徽章 |
| 先決條件 | 官方未列；只需能使用一個語言模型，claude.ai 免費帳號即可，不需付費訂閱 |
| 適合對象 | 任何 AI 使用程度的人；課程強調不論目前處於哪個 AI 專業程度階段都可以參加 |

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：

| 方式 | 定義 | 例子 | 適合情境 |
|---|---|---|---|
| **自動化 Automation** | AI 依照你的指示完成特定任務；你定義要做什麼，AI 負責執行 | 總結檔案、起草 email、生成圖片、規劃行程 | 你心中已有明確的預期結果 |
| **增強 Augmentation** | 你和 AI 作為創意思考與解決問題的夥伴，共同完成工作 | 一起發展角色、討論 app 架構、釐清複雜研究主題 | 解法還不明確，需要探索與實驗 |
| **代理 Agency** | 你設定 AI，讓它代表你獨立運作；建立的是知識與行為模式，不只是一個具體動作 | 依主題和緊急程度分類信件並起草回覆、設計網站訪客體驗、建立遊戲中的動態角色 | 你要的是持續運作的行為，而非一次性產出 |

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。

| D | 一句話定義 | 關鍵提問 | 對應判準 |
|---|---|---|---|
| **委派 Delegation** | 決定何時以及如何使用 AI，重點是掌握全局 | 想達成什麼？哪些工作該自己做，哪些 AI 能幫忙？ | 有效、高效 |
| **描述 Description** | 和 AI 清楚溝通 | 目標、輸出格式、處理方式、脈絡和語氣是什麼？ | 有效 |
| **辨別 Discernment** | 批判性評估 AI 的輸出 | 事實準確嗎？推理合理嗎？符合品牌與受眾嗎？真的能幫我往前走嗎？ | 有效 |
| **審慎 Diligence** | 負責任地與 AI 互動 | 如何控制偏見、驗證資訊、保護敏感資料，並對 AI 的參與保持透明？ | 合乎道德、安全 |

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：

| 階段 | 在做什麼 |
|---|---|
| **預訓練 Pre-training** | 從大量文本中學習模式。模型反覆預測下一個可能出現的內容，逐步建立一張類似語言與知識的複雜地圖 |
| **微調 Fine-tuning** | 學習遵循指示、提供有幫助的回應，以及避免生成有害內容；通常會使用人類回饋與強化學習塑造模型行為 |

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：

| 限制 | 內容 | 課程用的比喻 |
|---|---|---|
| **知識截止日期** | 訓練時間之後發生的事情不會自動出現在模型內，需要網路搜尋等工具補上近期資訊 | 進入沒有網路的靜修處，離開前不知道外界發生什麼事 |
| **幻覺 Hallucination** | 模型可能學到資料中的錯誤，也可能在拼湊模式時生成聽起來合理但不正確的內容 | 一位很有自信、卻把故事細節講錯的朋友 |
| **上下文視窗** | 單次互動能考量的資訊量有限，超過後可能無法繼續保留 | — |
| **非確定性 Non-determinism** | 同一個問題可能得到略有不同的回應，因為模型在機率性選擇接下來的文字 | — |
| **複雜推理** | 多步驟數學或邏輯問題長期較容易出錯；推理模型和擴展思考模型正在改善這類工作 | — |
| **工具與資料存取** | 沒有特定資料來源或專門工具時，模型就無法直接完成相關工作 | 有能力的同事，卻沒有公司內部資料庫的存取權 |

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：

| 類型 | 建議專案 |
|---|---|
| **溝通類** | 熟悉主題的簡報、向一般讀者解釋複雜主題的文章或系列、提案／推銷方案、個人或專業簡介與輔助材料 |
| **研究類** | 研究新興技術或趨勢、分析資料集找模式並提出建議、比較多種產品／服務／方法、調查歷史事件並以引人入勝的形式呈現 |
| **創意類** | 短篇故事大綱、簡單網站結構與關鍵頁面內容、產品／服務／體驗的概念發想 |
| **學習類** | 結構化學習計畫、主題資源集、熟悉流程的教學或指南、想精通主題的學習材料 |

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。