常見挑戰及解決方法
當您開始與 Claude 合作時，您很可能會遇到回應不完全符合您預期的情況。這是正常的——而這正是改善您方法的機會。以下是一些最常見的挑戰以及如何應對它們。
| 挑戰 | 發生了什麼 | 試試這個 |
|---|---|---|
| Claude 的回應過於籠統 | 您的提示沒有包含足夠關於您特定情況的背景資訊 | 新增關於您的受眾、角色或限制的細節。不要只寫「寫一封關於專案延遲的電子郵件」，試著寫「寫一封電子郵件給我們的企業客戶，說明軟體整合將延遲兩週。他們目前為止都很有耐心，但這已經是第二次延遲了。請保持專業但帶有歉意的語氣。」 |
| 回應太長（或太短） | Claude 在猜測合適的長度 | 明確說明：「給我一個兩段的摘要」或「請控制在 100 字以內」或「我需要一份全面的分析——長度不是問題」。 |
| Claude 沒有遵循我的格式 | Claude 理解您想要的內容，但不理解您想要的呈現方式 | 展示，而不只是描述。提供格式範例，或明確描述結構：「每個部分使用項目符號並加上粗體標題」。 |
| 我得到了聽起來很有自信但結果卻是錯誤的資訊 | Claude 偶爾會產生看似合理但不正確的資訊，尤其是在特定事實或小眾主題方面 | 對於高風險的工作，請獨立驗證關鍵事實。要求 Claude 引用來源或標示信心程度。啟用網路搜尋以讓回應基於最新資訊。 |
| 語氣不對 | Claude 預設採用有幫助且專業的語氣，這可能不符合您的需求 | 用簡單的語言描述語氣：「讓這段文字更口語化」或「這應該聽起來權威且正式」。提供您想要風格的寫作範例。 |
反覆迭代的心態
與 Claude 合作時，最重要的心態轉變之一，就是認知到您的第一個提示很少能產生完美的結果——而這沒關係。請將您最初的提示視為對話的開始，而不是一次性的請求。
有效使用 Claude 的使用者會：
- 將初稿視為起點。 檢視 Claude 產生的內容，找出哪些有效、哪些無效，然後進行調整。
- 提供具體的回饋。 「讓它更短」是可以的，但「刪掉前兩段，並讓結論更具行動導向」會更好。
- 知道何時該重新開始。 如果對話已經偏離主題，有時開啟一個新對話並使用更清晰的提示，會比試圖重新導向更快。
什麼是 AI 流暢度？
AI 流暢度是指能夠有效與 AI 工具協作的能力——不僅僅是知道該點擊哪些按鈕，而是培養在不同情境下善用 AI 的判斷力。
AI 流暢度的 4D 框架是由 Rick Dakan 教授（Ringling College of Art and Design）與 Joseph Feller 教授（University College Cork）透過研究合作所開發，確立了四項核心能力，結合起來能幫助您充分發揮與 AI 互動的效益：
- 委派（Delegation）： 決定哪些工作應由人類完成、哪些應由 AI 完成，以及如何在兩者之間分配任務。包括了解您的目標、AI 的能力，並對協作做出策略性的選擇。
- 描述（Description）： 有效地與 AI 系統溝通。包括清楚定義輸出結果、引導 AI 的處理過程，以及指定期望的 AI 行為與互動方式。
- 辨別（Discernment）： 審慎且批判性地評估 AI 的輸出、處理過程、行為與互動。包括評估品質、準確性、適當性，並找出可改進的地方。
- 盡責（Diligence）： 負責任且合乎道德地使用 AI。包括對 AI 系統與互動做出審慎的選擇、保持透明度，並對 AI 協助完成的工作負責。
您在整個課程中已經一直在練習這些技能。第 2 課的提示框架（設定場景、定義任務、指定規則）根源於「描述」。上述的疑難排解技巧則運用了「辨別」與「盡責」。
若想了解更多，請查看我們的免費AI 流暢度課程（在新分頁中開啟），深入探討這四項核心能力，並提供實務練習與真實世界的應用案例。
針對您的工作流程評估 Claude
當您開始將 Claude 整合到更多工作中時，您可能會想：我要如何知道 Claude 是否真的擅長這項特定任務？
這正是「辨別」變得至關重要的地方。評估（evals，evaluations 的簡稱）是一種培養直覺的方法，用於評估 Claude 在您重視的任務上的輸出表現。這是一種系統化的方式，用來測試 Claude 在您重視的特定類型任務上的表現如何。
為什麼評估很重要
您的工作是獨一無二的。Claude 可能擅長撰寫行銷文案，但在您特定領域的技術文件方面可能需要更多指引。執行簡單的評估能幫助您：
- 了解 Claude 在您的工作流程中能帶來最大價值的地方
- 找出您需要提供更多背景資訊或範例的任務
- 對 Claude 在重複性任務上的輸出建立信心
簡單的評估方法
您不需要複雜的基礎架構來評估 Claude。以下是一個實用的方法：
- 收集範例。 收集 5 到 10 個您經常執行的任務範例——您寫過的電子郵件、您建立的報告、您做過的分析。
- 建立測試提示。 撰寫能產生類似輸出的提示。包含您在執行這項工作時自然會有的背景資訊。
- 比較輸出結果。 執行您的提示，並將 Claude 的回應與您的範例進行比較。問問自己：
- Claude 是否掌握了關鍵資訊？
- 語氣和風格是否合適？
- 有什麼遺漏或可以改進的地方？
- 調整您的方法。 根據您所學到的，調整您的提示、新增範例向 Claude 展示什麼是好的結果，或找出哪些地方需要人工審查。
範例：使用 Claude 進行資料分析
獲得更好的結果
在上一課中，我們討論了數據隱私與安全——您絕對需要保護什麼以及如何保護。那麼現在，讓我們來談談這個可能一開始就阻止您將 AI 用於數據分析的問題：我該如何信任這些結果？
今天的課程是關於委派審慎循環（delegation diligence loop），具體來說，就是透過系統性地用您已經了解的數據來測試 AI，從而建立對 AI 在您特定工作中分析能力的信心。透過這樣做，您可以更好地理解 AI 將如何支援您的特定情況。
這個過程從委派開始。運作方式如下。首先，找出一項您經常執行、想要委派給 AI 的特定分析任務。找出您已經完成分析的過往數據，然後與 AI 合作重現您所做的事情，評估哪些有效、哪些無效。調整您的方法並再次測試。如果 AI 能夠匹配您已知的結果，您就知道如何使用它，並能在未來類似的任務中信任它。如果不行，您就學到了這項任務不應該委派出去。
那麼讓我向您展示這在實務中是什麼樣子，然後我們再來談談如果您一開始對數據不是那麼熟悉該怎麼辦。
認識一下 Rio，Valley Veterans Services 的專案主任。每一季，他都會分析專案出席率與就業成果，計算參與率、追蹤每月變化，並判斷出席率是否與就業安置成功相關。這項分析一直要花他好幾個小時。
在考慮委派時，Rio 知道他想繼續使用這項分析的結果來改善他的專案。他想親自解讀結果，但他希望能省去平常在實際分析時常陷入的數據清理和公式混亂。因此，為了測試 AI 在這種情境下是否合適，他打算用上一季的數據來評估它。他清楚知道在沒有 AI 的情況下分析這些數據後得出的結果，而且他手上還有開始分析前的原始雜亂數據。這就是他的測試案例。
Rio 上傳數據並開始與 AI 合作，運用描述與判斷力來進行他的分析。只是每次 AI 回應時，Rio 都會將結果與他所知的事實進行核對，並記下 AI 推理中可能存在的落差。有時候，額外的描述有助於 AI 得出他想要的結果。在這些情況下，Rio 知道他必須在未來的數據分析任務中納入這類資訊。其他時候，Rio 可能會發現真正的能力落差。這就是委派審慎循環的實際運作。Rio 評估模型能力的審慎態度，可以改變他未來選擇委派給 AI 的內容。
他的第一次嘗試可能是這樣的：「我正在分享我們上一季就業培訓計畫的出席數據和就業成果數據。請分析這三個月的參與模式，並繪製出席水準與就業成功之間的相關性圖表。我特別想了解持續出席是否能預測更好的就業安置結果。」
AI 回應了一份摘要。但 Rio 並沒有假設這就是事實，而是將其與自己的記錄進行核對，並記下哪些是對的、哪些不對。AI 正確識別出專案出席率與就業安置之間的相關性，但它遺漏了一個關於住房援助與就業安置結合專案的關鍵洞見。於是 Rio 調整了他的描述，要求 AI 再試一次，但要特別注意專案類型。這一次 AI 抓到了自己的錯誤。於是 Rio 記下，未來幾季他需要特別要求 AI 在進行分析時考慮專案類型。
接著他做了一件更難的事：「您也能根據參與者的註冊時間來看這個問題嗎？」AI 做出了回應，Rio 觀察到，儘管不知道註冊數據，AI 仍能協助提取這些資訊。他記下一筆備忘，稍後要交叉核對這些結果。
透過這個過程，Rio 系統性地驗證了 AI 在他的季度報告中能做什麼、不能做什麼。他了解到，只要有正確的描述，AI 就能準確重現他過去手動執行的分析。但他也識別出了明確的限制和需要後續跟進的領域。AI 需要數據中有註冊日期才能進行世代分析（cohort analysis）；否則它會嘗試推斷這些日期，而這是他不想要的。最重要的是，Rio 現在擁有一套經過測試的方法，可以自信地用於本季的數據，並清楚記錄了他需要納入哪些資訊，以及他自己仍需補充哪些背景脈絡。
當 Rio 將這套經過驗證的方法用於新數據時，他的審慎態度仍在持續。他會根據自己對專案的了解，檢查數字是否合理。他會為最終報告負責，並在被問及時坦誠說明 AI 的角色。但現在他是基於經過驗證的信心在工作，而不是憑猜測。
那麼，這就是這個框架。找出一項您想要委派的特定分析任務。明確說明您需要什麼。然後找出您已經完成該分析的過往數據。您需要正確答案，才能評估 AI 是否能得出這些答案。與 AI 合作重現您過去的分析，並系統性地評估結果。AI 產出了什麼？它是如何處理這項任務的？它是如何傳達發現的？找出落差，調整您的委派方式，然後再次測試。如果您能驗證 AI 能產出正確的結果，您就建立了一套可以自信地用於新數據的方法。但如果經過幾次調整後仍無法達成，您就學到了這不是一項應該委派的任務。
那麼這一切都很好，但如果您一開始對數據就不太熟悉，無法自行發現那些流程上的落差呢？AI 也可以是一個有用的工具，幫助您腦力激盪並實作您自己可能沒想到的解決方案。因為 AI 模型特別擅長程式設計，它們可以協助處理諸如撰寫 Excel 公式、重新格式化雜亂數據等事情。在這些情況下，您可以直接把您的問題或想法帶給 AI，並明確要求協助理解解決方案可能是什麼樣子，就像您與團隊中的數據分析師合作一樣。在與 AI 合作的過程中，持續要求澄清和解釋，這樣您就能跟上流程並理解最終的輸出結果。
請記住，驗證能建立信心，但並不能消除責任。您仍然有責任檢查這些結果是否合理，並在分析過程中坦誠說明 AI 的角色。
這種測試方法適用於您正在考慮的任何分析任務：捐款人分析、預算預測、調查綜合分析、成果追蹤。先測試，驗證哪些有效，然後更有信心地應用，或者了解哪些根本不應該委派。
在下一課中，我們將探討工作流程增強，以及當 AI 代表您處理例行任務時，如何應用這些相同的原則。
上方的影片取自我們的非營利組織的 AI 流暢度（在新分頁中開啟）課程，但這個範例對任何使用 AI 處理資料的人都適用。若要評估 Claude 如何處理您的資料：
- 找出一個您曾手動分析過的資料集
- 建立提示，請 Claude 代您進行分析
- 將 Claude 的結果與您原本的結果進行比較
- 記錄模式並相應調整您的提示：也許 Claude 得到了正確的數字，但卻忽略了整體的模式
這種輕量級的評估能幫助您培養直覺，了解如何在您重視的任務上與 Claude 合作——以及應該將審查與調整的精力集中在哪裡。
課程反思
在繼續之前，請思考：
- 您已經遇到過哪些常見挑戰？下次您可能會嘗試哪些技巧？
- 在您的工作中，哪些地方可以透過簡單的評估來了解 Claude 是否適合用於重複性任務？
- 4D 框架可能如何幫助您思考與 Claude 的協作方式？
接下來
在下一課中，您將探索 Claude 桌面應用程式，以及在其中與 Claude 合作的三種方式——逐輪對話（Chat）、交接工作（Cowork），以及建構軟體（Claude Code）。