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

<KeyTakeaways>
  <p>
    AI Fluency 的後半段要怎麼把「會用 AI」變成「能和 AI 好好協作」？課程用 Description、Discernment、Diligence 串起需求溝通、結果評估與責任承擔，讓 AI 協作同時追求有效、高效、合乎道德且安全。
  </p>
</KeyTakeaways>

前一天的 [AI Fluency: Framework and foundations（AI 流暢度：框架與基礎）](https://academy.claude.com/zh-TW/courses/ai-fluency-framework-foundations) 先談了 4D 框架和 Delegation 委派。到了這半段，問題從「哪些工作適合交給 AI？」往前推了一步：交出去之後，要怎麼說清楚、怎麼檢查結果，又要怎麼對共同完成的內容負責？

這幾堂課的結構很整齊。Description 和 Discernment 都拆成 Product、Process、Performance 三層；Diligence 則換成 Creation、Transparency、Deployment。記住這個對稱，後半段會比較容易讀。

## 後半段的地圖

| 能力 | 三個組成 | 核心問題 |
|---|---|---|
| **Description 描述** | Product／Process／Performance | 我想要什麼、希望怎麼做、希望 AI 怎麼和我互動？ |
| **Discernment 辨別** | Product／Process／Performance | 結果好不好、過程可靠嗎、互動有效嗎？ |
| **Diligence 審慎** | Creation／Transparency／Deployment | 我選了什麼系統、誰需要知道、誰要為結果負責？ |

## Description：把腦中的需求說給 AI 聽

### 8. 仔細探討描述（Description）

課程把 Description 定義成與 AI 溝通的能力：說明任務、提出問題、提供背景，並引導整段互動。它涵蓋的範圍比寫一個漂亮 Prompt 大得多，還包括修正一段正在偏離的對話、引導 AI 的思考方式，以及建立讓人和 AI 都能發揮的工作環境。

可以把它想成在自己的意圖和 AI 的能力之間搭一座橋。請別人「做晚餐」和給他一份包含食材、步驟與口味要求的食譜，最後可能都會有食物，但得到的東西很難一樣。

| 類型 | 英文名稱 | 這層在描述什麼 |
|---|---|---|
| 成果描述 | Product Description | 希望 AI 產出什麼內容、用什麼格式、給誰看，以及需要什麼風格。 |
| 過程描述 | Process Description | 希望 AI 參考哪些資料、處理哪些議題、依什麼順序或方法完成。 |
| 表現描述 | Performance Description | 希望 AI 扮演什麼樣的思考夥伴：探索或收斂、挑戰或配合、詳盡或簡潔。 |

過程描述可以用三種方式提供：像手冊一樣給一般指引、像食譜一樣列出步驟，或直接提供範例讓 AI 示範。AI 已經有廣泛的訓練資料，你真正需要補上的，是與自己情境有關的背景。

課程用一句話提醒這件事：AI 工具更像會受到情境影響的互動式系統，不能當成只要投入問題就會吐出固定答案的資料庫或自動販賣機。你要交代兩件事：「我要什麼」，以及「你希望它怎麼表現」。

## Prompting：六個基礎技巧

### 9. 有效的提示技巧（Effective Prompting Techniques）

Prompting 是 Description 的實作方式。課程把它比喻成向一位願意幫忙、但需要清楚指示與期望設定的新同事交辦工作。它同時沿用人類溝通的原則，也要考慮 AI 的上下文視窗和特定輸出格式。

### 1. 給予 Claude 脈絡

除了說明要做什麼，也要交代為什麼要做、你是誰，以及結果會拿來做什麼。課程用氣候變遷的問題示範，從「告訴我關於氣候變遷的事」逐步加上地理範圍、時間、受眾與使用情境。

| 版本 | 提示的差異 |
|---|---|
| 基準 | 只問氣候變遷。 |
| 加入具體性 | 指定熱帶農業、三項影響與過去十年的例子。 |
| 加入個人情境 | 說明自己正在準備農業研究實驗室的面試、已有的背景與需要的摘要形式。 |

最後一版的價值在於補上情境，減少 Claude 對興趣、知識程度、細節深度和時間範圍的猜測。

### 2. 展示良好結果的範例

當風格很難只靠文字說清楚時，展示比解釋有效。這就是 few-shot prompting 或 n-shot prompting：提供幾組「原文／淺顯版」的對照，再請 Claude 處理真正的目標文件。

課程建議先不加範例試一次，確認問題真的在風格表達，再補上能涵蓋不同情況的範例。只給一個例子，AI 可能只學到一種表面格式；範例應該讓它看見模式的範圍。

### 3. 指定輸出限制

格式、長度、程式語言、受眾，甚至網頁按鈕的顏色，都可以先寫進要求。成功的樣貌越清楚，回頭評估結果時就越有依據。

### 4. 將複雜任務拆成步驟

分析季度銷售資料時，可以先找出表現最好的產品，再和上一季比較，標示異常趨勢，最後提出可能原因。簡單直接的任務通常不需要額外拆解；任務執行方式變異很大，或高度依賴領域經驗時，才值得把這些知識寫出來。

### 5. 要求 Claude 先思考

課程特別強調時序：如果希望思考有助於品質，應在 AI 執行任務前給它思考空間；等它先採取行動，再要求解釋，效果並不相同。先停下來整理因素與限制，也能讓你更早看見它可能偏離的地方。

### 6. 定義角色、風格或語氣

你可以指定 Claude 以科學老師、使用者體驗設計師或其他角色回答，並交代專業程度、觀點與溝通方式。角色設定同時影響互動過程和最後產出。

課程還把「請 Claude 幫你改進 Prompt」稱為秘密武器。當你不知道怎麼描述目標時，直接說明想完成的事情和目前卡住的地方，請它協助設計有效的指示。這個做法也正好接回前一天的 Platform Awareness：不同 AI 助手在改寫指示這件事上的表現可能不同，值得實際比較。

如果回應不理想，可以增加脈絡、補範例、拆小任務、組合不同技巧、要求多個版本或換一種輸出格式，也可以詢問它對事實答案的信心程度。對話已經偏離很遠時，重新開一段對話有時比在原地修正更省力。

這六個技巧最後都指向同一個洞：把自己以為 AI 已經知道的內容寫出來。模型持續變強，特定技巧可能會逐漸變得不必要，但清楚溝通、提供回饋和定義成功樣貌仍然有用。

## Discernment：把 AI 的產出當成待檢查的工作

### 10. 深入了解辨別力（Discernment）

如果 Description 是把需求交代清楚，Discernment 就是檢查收到的東西是否真的符合需求。課程稱它為 AI 協作的品質控管系統，也是 Description 的另一面。

做好 Discernment 需要兩種基礎：一是足夠的領域知識，二是理解 AI 系統常見的運作方式和缺陷。即使是能力很強的模型，也可能推理錯誤、產生事實錯誤，或用意想不到的方式完成任務。

| 類型 | 英文名稱 | 評估重點 |
|---|---|---|
| 成果辨別 | Product Discernment | 內容是否準確、有價值、符合受眾與目的，也符合原本的要求？ |
| 過程辨別 | Process Discernment | AI 的推理、步驟和注意力分配是否合理，有沒有陷入循環或忽略替代方案？ |
| 表現辨別 | Performance Discernment | AI 是否用合適的方式互動、回應回饋，並以合理效率完成合作？ |

過程和表現很容易混在一起。過程看的是 AI 正在做的工作本身；表現看的是它做這項工作時，和你互動得好不好。例如，AI 在幾輪來回後重新加入已經否決的想法，是過程問題；你明明只要簡短答案，它卻不斷追問，則是表現問題。

發現問題後，回饋可以包含四件事：指出問題、說明為什麼是問題、提出具體改善方式，再修訂自己的指示或範例。更好的 Description 常常能解決 Discernment 找出的問題，但如果工具選錯或任務分配本身就不合適，就要退回 Delegation 重新判斷。

這也是為什麼領域專業仍然重要。課程的練習要求 Claude 對同一個主題生成三種解釋，再用三種 Discernment 逐一檢查。沒有相關知識的人，可能只能選「讀起來最順」的版本，卻很難判斷哪一個真的準確。

## Description–Discernment Loop：讓合作變成循環

### 11. 描述-辨別循環（Description–Discernment Loop）

這堂沒有影片，是把前面兩項能力放回 Day 15 選定的專案裡實作。流程分成三段：

1. **檢視專案計畫**：重新看委派決策，確認哪些工作由人處理、哪些交給 AI、哪些需要一起完成。
2. **準備 Description**：為每項任務分別定義 Product、Process 和 Performance。
3. **跑循環並整合判斷**：先描述，再用 Product、Process 和 Performance Discernment 評估，根據回饋修改，最後加入自己的專業知識，決定保留、修改或捨棄結果。

這堂的價值在於逼自己真的跑過一次。只會寫要求，可能不知道哪裡說得不夠；只會挑結果的錯，也可能忽略自己一開始把任務交給了不適合的工具。

## Diligence：AI 有參與，責任仍在自己

### 12. 深入了解嚴謹性（Diligence）

前面的能力偏向有效性和效率，Diligence 則把焦點放到倫理與安全：你選了什麼系統、如何與它合作，以及這些互動和結果會影響誰。

| 類型 | 英文名稱 | 要問的問題 |
|---|---|---|
| 創作審慎 | Creation Diligence | 這個系統如何訓練與建構？輸入資料歸誰所有？誰可能存取？是否符合隱私、安全和組織政策？ |
| 透明審慎 | Transparency Diligence | 誰需要知道 AI 參與了工作？應該在何時、用多少細節告知？ |
| 部署審慎 | Deployment Diligence | 輸出要被使用或分享時，是否已核實事實、檢查偏見、確認準確性與使用權限？ |

課程用開車來比喻：抵達目的地只是有效率，還要考慮安全、規則，以及自己的行為會如何影響路上的其他人。

透明度也關乎信任與尊重，不只牽涉規則或法規。受到內容影響的人，有權知道 AI 是否在內容創作或決策中扮演重要角色。當 AI 協助完成的內容要公開時，最終對準確性和適當性的責任落在人身上，不在 AI。

本堂練習是撰寫一份 Diligence Statement，說明使用了哪些 AI、AI 做了哪些貢獻、自己如何審查，以及誰對最終結果負責。課程首頁也用自己的 AI Diligence Statement 當範例，交代 Claude 在製作課程時扮演的角色，同時保留人類作者的責任。

## Conclusion：工具會變，責任不會消失

### 13. 結語（Conclusion）

課程最後把四個 D 放回同一張圖：

| D | 三個組成 |
|---|---|
| **Delegation 委派** | 問題意識／平台意識／任務委派 |
| **Description 描述** | 成果／過程／表現描述 |
| **Discernment 辨別** | 成果／過程／表現辨別 |
| **Diligence 審慎** | 創作／透明／部署審慎 |

這四項能力適用於自動化、增強和代理三種互動方式。課程真正要留下的理解是：專業知識和判斷力仍是 AI 協作的基礎；清楚的溝通連接人的意圖與 AI 的能力；批判性評估是不可省略的責任；透明與問責則決定成果能不能被安全地帶到世界上。

AI 系統很強，但它們的實用性與安全性取決於我們怎麼使用。課程的最後一句話很簡單：要有效且有效率，要合乎道德且安全。

## 測驗：AI Fluency Q&A

官方頁面本身是 zh-TW，以下保留實際題目與正確答案。這次共 10 題，我的作答結果是 10/10，通過門檻為 80%。

### 1. AI Fluency 框架中的四項核心能力被稱為「4 個 D」。以下哪一項正確列出了全部四項？

答案：**委派、描述、判斷、盡責**。

### 2. 根據 AI Fluency 框架，AI Fluency 是什麼意思？

答案：**能夠有效、高效、合乎道德且安全地與 AI 協作的能力**。

### 3. 哪一項能力主要著重於決定哪些工作應由 AI 完成，哪些應由人類處理？

答案：**委派**。

### 4. 哪一項能力著重於與 AI 系統清楚溝通您想要什麼、希望如何完成，以及您希望如何互動？

答案：**描述**。

### 5. 哪一項能力涉及批判性地評估 AI 的輸出、流程與行為，以確保品質與適當性？

答案：**判斷**。

### 6. 根據該框架，盡責能力的主要重點是什麼？

答案：**負責任地使用 AI、透明度與問責**。

### 7. 以下哪一項最能描述委派能力中的「問題意識」？

答案：**在讓 AI 參與之前，清楚定義您的目標並了解所需的工作**。

### 8. 以下哪一項最能描述描述能力中的「產出描述」？

答案：**清楚定義您希望 AI 建立或提供的內容**。

### 9. 以下哪一項最能描述判斷能力中的「流程判斷」？

答案：**評估 AI 的推理過程與解決問題的方法是否有效**。

### 10. 以下哪一項最能描述盡責能力中的「透明度盡責」？

答案：**對需要知情的人坦誠說明 AI 在您工作中所扮演的角色**。

測驗中的繁中譯詞與正文略有差異：Discernment 在測驗中是「判斷」，Diligence 是「盡責」，課程章節則使用「嚴謹性」。因此辨識 4D 時，建議以英文原詞和這組關鍵字為準：

| 能力 | 辨識關鍵字 |
|---|---|
| Delegation 委派 | 決定、分配、誰來做、何時使用 AI |
| Description 描述 | 溝通、表達需求、希望如何完成、如何互動 |
| Discernment 判斷 | 評估、檢視、品質、準確性 |
| Diligence 盡責 | 責任、透明、揭露、倫理、安全、問責 |

## 小結

這堂課讓我覺得 4D 心法的概念真的補齊了如何正確使用 AI 的姿勢：先決定怎麼委派，再用 Description 說清楚，接著用 Discernment 檢查，最後用 Diligence 面對資料、透明度和責任。AI 參與越深，成果越不能只用「模型這樣回答的」帶過。

我尤其覺得後面的 Discernment 和 Diligence 很重要。AI 產出的內容不能因為看起來完整就直接採用；我得先判斷它的品質、準確性，以及是否適合當下的情境。接著，盡責代表我能說明自己是否真的理解這份內容、用什麼方法驗證，也確實測試過它。

當我願意用自己的名字發出 PR 或 release，這個署名就代表我理解這份和 AI 一起完成的成果，也願意為它負責。AI 可以參與產出，但最後能不能署名、能不能發布，仍然取決於我是否完成了驗證，並且能對結果負責。

我喜歡這堂課把 Prompt 從魔法技巧拉回溝通。Andrej Karpathy 在 [X 上分享過一種長時間 ramble 的工作方式](https://x.com/karpathy/status/2079610838143623371)：切到 voice，讓腦中還沒整理好的想法連續說約 10 分鐘，再讓 LLM 幫忙把混亂的內容整理得更清楚；他也曾分享自己用 [SuperWhisper 和 Cursor Composer 對話](https://x.com/karpathy/status/1886192184808149383)，幾乎不需要碰鍵盤。

我把這個方法理解成：先用口述保留完整意圖，再跟 AI 來回討論，慢慢把功能邏輯收斂成一份完整的 spec。這也接上我在[〈用語音輸入做 Vibe Coding〉](/posts/voice-input-for-vibe-coding/)裡推薦的方式——不要急著把想法修成漂亮的 Prompt，先把靈光乍現的內容留下來，再和 AI 一起整理、討論，最後收斂出可以執行的方向。