前一天的 AI Fluency: Framework and foundations（AI 流暢度：框架與基礎） 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：
- 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。
- 準備 Description：為每項任務分別定義 Product、Process 和 Performance。
- 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：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，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〉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。
