当我们推出AI Fluency Index（在新标签页中打开）时，我们希望了解人们如何随着时间推移在使用 Claude 方面不断进步。早期数据来自 Chat，它讲述了一个一致的故事：熟练度沿着两条表现截然不同的轨道发展。有些技能会随着练习自然增长，而另一些则需要刻意的、反复的教学。这一发现塑造了我们对入门引导和产品内学习的思考方式，也为各组织构建自己的 Claude 培训提供了一个起点。
此后，我们将该指数扩展到了 Claude Code 和 Claude Cowork，使总数达到了超过 50,000 次对话，涵盖 11 项行为性 AI 熟练度指标。熟练度在这三个平台上具有共同的结构，但每个产品都有其自身的切入点。"精通 Claude"是什么样子，取决于您使用的是哪个 Claude，如果您负责帮助团队建立熟练度，那么这种区别对于您首先应该教什么至关重要。
本文将介绍我们的发现，并提供一个简单的课程模型，供您为自己的组织调整使用。
每个产品都有其标志性动作
每个 Claude 平台在起步阶段都会奖励一种不同的行为。我们称之为标志性动作：一种门户行为，一旦出现，就能最可靠地提升其他熟练度指标。
在 Chat 中，标志性动作是迭代。通过后续轮次进行优化的用户，在我们衡量的其他每个维度上都表现出更强的熟练度，而发送一条消息就离开的用户几乎没有表现出任何批判性评估。迭代创造了其他技能得以发展的空间。
在 Claude Code 和 Claude Cowork 中，标志性动作是明确目标。这两个智能体平台都会奖励在 Claude 开始工作之前就清楚说明自己想要什么的用户。明确目标的用户也更频繁地指定格式、更刻意地设置交互风格、更有效地分解任务。目标清晰度与描述行为的全部范围相关联，而这种关联在这些平台上是迭代所不具备的。
对于任何为自己的组织构建 Claude 培训的人来说，这意味着入门引导应该首先教授标志性动作。一个不能尽早建立迭代习惯的 Chat 课程，将难以在此基础上构建任何东西。一个不能建立目标清晰度的 Claude Code 或 Claude Cowork 课程，将培养出提交模糊请求、然后又纳闷为什么输出结果不符合预期的用户。
描述谱系随练习而发展
在标志性动作之后，学习者会沿着我们称之为描述谱系的方向前进：这是塑造 Claude 给您的输出所能使用的一系列选项。该谱系按持久性组织，即该功能影响您与 Claude 交互的时长。在基础端，塑造发生在当下，只影响一次响应。您进行迭代，添加上下文，上传文件。在高级端，塑造发生在配置层面，影响之后的每一次响应，而您无需付出太多额外努力。您设置一个 Project，编写一个 CLAUDE.md，安排一个工作流。
这里令人鼓舞的发现是，描述技能似乎会随着时间和接触经验有机地、非线性地增长。使用时间更长的用户更频繁地提供示例，更刻意地设置交互风格，更清楚地传达语气期望。持续使用 Claude 的人会自己摸索出这些技能，因此，如果您的培训时间有限，只需让人们接触不同类型的描述方式，让他们可以在 Claude 上练习，就应该会有成效。
判别力螺旋必须被教授
判别力，即围绕评估 Claude 给您的反馈的一系列行为，其发展方式截然不同。它不会随着使用年限而增长，也不会从对功能的熟悉程度中转移而来。
部分原因在于验证方式的转变。当 Claude 编辑一个文件或生成一份报告时，用户可以看到它做了什么。他们查看差异对比、运行测试、浏览输出。这种观察性验证是真实存在的，我们的指标无法完全捕捉到它，因为当您可以直接查看时，您不会去输入"这对吗？"这样的问题。但观察只能捕捉到您能看到的错误。它会遗漏错误的假设、缺失的上下文，以及看似合理实则虚假的说法。一份能够编译通过的差异对比，仍可能蕴含错误的方法；一份读起来流畅的报告，仍可能引用了错误的来源。
此外，随着以前由初级员工完成的任务越来越多地被 Claude 自动化，将需要有意识的项目来教导人们"什么才是好的标准"。
如果您的培训时间有限，判别力是应该集中精力的地方。
一个简单的课程模型
简而言之，教学顺序是：
- 首先教授标志性动作
- 沿着描述谱系推进
- 在每一步都重新审视判别力
每一次产品学习体验，无论是正式的模块还是快速的团队会议，都应该强化该产品的标志性动作，引入与学习者相关的功能，并以一次判别力检查作为结尾。建立一个"现在来质疑它"的步骤，正是保持批判性评估持续进行的关键。
下面的表格将此模型映射到每个产品。请将它们作为您自己课程的起点，根据您团队实际使用的功能和检查方式进行调整。
Chat
标志性动作：迭代。通过后续轮次进行优化。
| 持久性级别 | 功能 | 教学方法 | 判别力检查 |
|---|---|---|---|
| 基础 | 迭代、模型选择、文件上传、网络搜索 | 先演示，然后让人们用自己的任务进行探索 | 这个响应实际上可用吗，还是需要再进行一轮？ |
| 中级 | Artifacts、扩展思考、连接器 | 将创建与格式规范配对；将思考定位为"当您希望 Claude 更深入思考时" | 阅读思考过程。这个推理站得住脚吗，还是 Claude 只是听起来很自信？ |
| 持久 | Projects、自定义指令、记忆 | 展示一个设置良好的 Project 如何改变其中的每一次对话 | 您的 Project 给 Claude 提供的是正确的上下文，还是仅仅是更多的上下文？ |
Claude Code
标志性动作：明确目标。在 Claude 开始运行之前说明您想要什么。
| 持久性级别 | 功能 | 教学方法 | 判别力检查 |
|---|---|---|---|
| 基础 | 提示清晰度、文件引用、模型选择 | 一个明确的目标，一次智能体运行，然后审查 | 在接受差异对比之前，问问 Claude 它假设了什么 |
| 中级 | Skills、斜杠命令、MCP | 塑造一种可重复使用的能力 | 在一个它可能出错的案例上测试该能力 |
| 持久 | CLAUDE.md、hooks、子智能体 | 塑造该代码库中的每一次会话 | 审查您的配置。Claude 是否按您期望的方式使用它？ |
Claude Cowork
标志性动作：明确目标。在 Claude 执行之前，撰写一份说明您需求的简报。
| 持久性级别 | 功能 | 教学方法 | 判别力检查 |
|---|---|---|---|
| 基础 | 初始提示、模型选择、嵌入式问题、输出审查 | 撰写一个自包含的提示；检查您得到的结果 | 在使用之前，问问自己：什么会让它出错？ |
| 中级 | 连接器、插件、Skills | 塑造一种可重复的获取或生成模式 | 连接器是否获取了您真正需要的内容，还是只是容易找到的内容？ |
| 持久 | 计划工作流、多步骤自动化 | 塑造无需您参与即可运行的工作 | 您上次验证这个工作流仍能产出良好结果是什么时候？ |
接下来该怎么做
AI Fluency Index 将继续每月跟踪这些模式，随着产品的演进和数据集的增长，我们会持续发布我们的发现。如果您正在为自己的组织构建 Claude 培训，并希望以这项研究为基础，AI Fluency 框架和课程材料（在新标签页中打开）可免费获取，您也可以订阅 AI Fluency 新闻通讯（在新标签页中打开），以便在有关 AI 熟练度的新研究发布时收到通知。
我们特别希望听到那些在智能体平台上尝试判别力教学的团队的反馈，因为数据表明，这正是用户自然行为与良好实践要求之间差距最大的地方。如果您正在进行类似的尝试，我们很乐意从中学习。