本指南旨在与Anthropic 教育报告：AI 流畅度指数（在新标签页中打开）配合使用。它适用于任何规模的团队，无论您是探索 AI 技能发展的领导团队、讨论对机构影响的教职团队，还是反思如何在工作中与 AI 协作的专业学习社区。
设置场景
以下每个部分都包含一个关键主题的简要概述，随后是讨论提示。您不需要涵盖每个部分或每个问题。选择与您的团队最相关的内容。
建议格式：
- 为集中讨论预留 45 到 60 分钟。
- 让参与者提前阅读或浏览该报告（在新标签页中打开）。
- 选择 2 到 3 个讨论部分和一个可选活动。
主题 1：您的团队已经做得很好的地方
数据显示，大多数人已经自然地展现出许多流畅度行为。大约 86% 的对话包含迭代和优化。约一半包含目标澄清。约 41% 包含良好输出示例。这些都是真实的技能，您团队中的许多人很可能已经在这样做了。
讨论提示
1. 查看报告中的行为普遍性图表，您认为团队中哪些流畅度行为最强？哪些您猜测最弱？
2. 最常见的行为是迭代和优化。当您思考团队如何使用 AI 时，人们是倾向于迭代并对初始响应提出质疑，还是接受第一个输出？是什么驱动了这种行为？
主题 2：迭代效应
在数据中，迭代和优化是与所有其他流畅度行为相关性最强的单一因素。包含迭代的对话在各方面都显示出明显更高的比率：目标澄清 +23.6 个百分点，提供示例 +22.6 个百分点，识别缺失上下文 +17.1 个百分点，指定格式 +16.3 个百分点，质疑推理 +14.7 个百分点。
讨论提示
1. 报告显示迭代与更多流畅度行为相关，但尚不能证明因果关系。您认为这种关系的原因是什么？是否可能是更复杂的任务自然需要更多的迭代和流畅度技能？
2. 什么障碍可能阻止您团队中的人进行迭代？想想时间压力、感知到的努力、对下一步该问什么的不确定性，或者仅仅是不知道迭代的价值。
3. 如果您要设计一个团队规范或实践来鼓励更多迭代，它会是什么样子？一个"好"的后续消息与一个效果较差的消息相比会是什么样子？
主题 3：产物效应
当 AI 产生精美的输出时，用户会在前期投入更多精力来指导工作，但之后评估所得结果的可能性会降低。报告将此称为产物效应。
数据显示，在产物对话中，指导性行为的比率更高：目标澄清 +14.7 个百分点，指定格式 +14.5 个百分点，提供示例 +13.4 个百分点，迭代 +9.7 个百分点。但所有三种辨别行为都有所下降：质疑推理 -3.1 个百分点，核实事实 -3.7 个百分点，识别缺失上下文 -5.2 个百分点。
由于这些数据是相关性的，而非因果性的，报告提供了几种可能的解释。精美的输出可能会发出"已完成"的信号，即使它们不应该这样。产物任务可能比其他工作涉及更少的事实精确性。或者用户可能是通过其他渠道评估输出，比如运行代码或与同事分享草稿，而不是在对话本身中进行评估。
讨论提示
1. 您是否曾因为 AI 生成的输出看起来很精美而接受它，后来才发现问题？发生了什么？
2. 报告指出，用户可能在对话之外评估产物。根据您团队的经验，对 AI 输出的真正评估发生在哪里？是在对话中，还是之后？
3. 报告认为，随着 AI 模型产生越来越精美的输出，批判性评估这些输出的能力将变得更有价值。什么能帮助您团队中的人在输出看起来已完成时保持批判性眼光？
主题 4：在您的组织中培养 AI 流畅度
研究指出了许多用户可以加强技能的三个领域：保持在对话中（迭代）、质疑精美的输出，以及设定协作条款。
讨论提示
1. 在报告的三项建议中（更多迭代、质疑精美输出、设定协作条款），哪一项对您的团队目前来说最可行？哪一项最难采用，为什么？
2. 报告建议告诉 AI 您希望它如何与您互动，例如"如果我的假设错了请提出质疑"或"告诉我你不确定的地方"这样的指示。您团队中有人尝试过这样做吗？这带来了什么不同？
3. 您组织目前在 AI 技能发展方面的方法是什么样的？是正式培训、同伴学习、试错，还是其他方式？效果如何？
4. 如果您可以在下一季度专注于在整个组织中建立一项 AI 流畅度技能，那会是哪一项？您可以采取的一个具体起步措施是什么？
可选活动
这些实践练习可以将讨论延伸到实践中。根据您团队的兴趣和可用时间选择一项。
迭代挑战（15 分钟）
每位参与者就与其工作相关的任务与 Claude 开启一段对话。在收到第一个响应后，他们必须在认为输出完成之前，发送至少三条优化、质疑或重新引导的后续消息。之后讨论：输出发生了怎样的变化？如果在第一个响应时就停止，您会错过什么？
发现差距（15 分钟）
让 Claude 生成一个您团队熟悉主题的产物（文档、代码片段或分析）。一起审查输出，找出看起来正确但可能有误的地方、缺失的内容，以及未经检验的假设。用这个来为关于评估技能的讨论打下基础。
设定条款（10 分钟）
每位参与者写一段简短的"协作前言"，用于在重要的 AI 对话开始时使用：他们希望模型如何与他们互动、他们想要什么样的质疑、他们期望模型标记出什么。在团队中分享并比较各自的方法。
延伸阅读
这些资源为 AI 流畅度指数中的发现提供了额外的背景信息。
- 由 Rick Dakan 和 Joe Feller 与 Anthropic 合作开发的4D AI 流畅度框架（在新标签页中打开），定义了支撑这项研究的 24 个行为指标。
- Anthropic 关于编码技能的研究（在新标签页中打开）考察了开发者在编写和审查代码时与 AI 互动的模式。
- 之前的 Anthropic 教育报告，关于大学生（在新标签页中打开）和教育者（在新标签页中打开），为特定人群如何使用 AI 提供了背景信息。
本讨论指南是 Anthropic 教育报告：AI 流畅度指数（2026）（在新标签页中打开）的配套资料。它由 Anthropic 的 AI 流畅度项目创建，旨在帮助领导者、教育者和团队理解报告的发现，并在其组织内培养更强的 AI 流畅度。