本指南旨在與Anthropic 教育報告：AI 流暢度指數（在新分頁中開啟）搭配使用。無論您是探索 AI 技能發展的領導團隊、討論對機構影響的教職員團隊，或是反思如何在工作中與 AI 協作的專業學習社群，本指南都適用於任何規模的團隊。
設定場景
以下每個部分都包含關鍵主題的簡要摘要，接著是討論提示。您不需要涵蓋每個部分或每個問題。請選擇與您的團隊最相關的內容。
建議格式：
- 安排 45 到 60 分鐘進行專注討論。
- 請參與者提前閱讀或略讀該報告（在新分頁中開啟）。
- 選擇 2 到 3 個討論部分和一項選擇性活動。
主題 1：您的團隊已經做得很好的地方
數據顯示，大多數人已經自然地展現出許多流暢度行為。大約 86% 的對話包含迭代和改進。約一半包含目標澄清。大約 41% 包含良好輸出範例。這些都是真實的技能，您團隊中很可能已經有許多人在做這些事情。
討論提示
1. 查看報告中的行為普遍性圖表，您認為您團隊中哪些流暢度行為最強？哪些您猜測最弱？
2. 最常見的行為是迭代和改進。當您思考團隊如何使用 AI 時，人們是傾向於迭代並對初始回應提出質疑，還是接受第一個輸出？是什麼驅動了這種行為？
主題 2：迭代效應
迭代和改進是數據中與所有其他流暢度行為相關性最強的單一因素。包含迭代的對話在各方面都顯示出顯著更高的比率：澄清目標 +23.6 個百分點、提供範例 +22.6 個百分點、識別缺失背景 +17.1 個百分點、指定格式 +16.3 個百分點，以及質疑推理 +14.7 個百分點。
討論提示
1. 報告顯示迭代與更多流暢度行為相關，但尚無法證明因果關係。您認為這種關係的原因是什麼？是否可能是更複雜的任務自然需要迭代和更多流暢度技能？
2. 什麼障礙可能阻止您團隊中的人進行迭代？想想時間壓力、感知的努力程度、對下一步該問什麼的不確定性，或者只是不知道迭代的價值。
3. 如果您要設計一個團隊規範或實踐來鼓勵更多迭代，它會是什麼樣子？一個「好的」後續訊息與較無效的訊息相比會是什麼樣子？
主題 3：成品效應
當 AI 產生精美的輸出時，使用者會在前期投入更多精力來指導工作，但卻變得較不願意評估他們得到的結果。報告將此稱為成品效應。
數據顯示成品對話中指導性行為的比率較高：澄清目標 +14.7 個百分點、指定格式 +14.5 個百分點、提供範例 +13.4 個百分點，以及迭代 +9.7 個百分點。但所有三種辨別行為都下降了：質疑推理 -3.1 個百分點、核實事實 -3.7 個百分點，以及識別缺失背景 -5.2 個百分點。
由於這些數據是相關性而非因果性的，報告提供了幾種可能的解釋。精美的輸出可能會發出「完成」的訊號，即使它們不應該如此。成品任務可能涉及比其他工作更少的事實精確度。或者使用者可能是透過其他管道評估輸出，例如執行程式碼或與同事分享草稿，而不是在對話本身中進行評估。
討論提示
1. 您是否曾因為輸出看起來很精美而接受了 AI 生成的結果，後來才發現問題？發生了什麼事？
2. 報告指出，使用者可能在對話之外評估成品。根據您團隊的經驗，AI 輸出的真正評估發生在哪裡？是在對話中，還是之後？
3. 報告認為，隨著 AI 模型產生越來越精美的輸出，批判性評估這些輸出的能力將變得更有價值。什麼能幫助您團隊中的人在輸出看起來完成時保持批判的眼光？
主題 4：在您的組織中培養 AI 流暢度
研究指出三個許多使用者可以加強技能的領域：保持在對話中（迭代）、質疑精美的輸出，以及設定協作的條件。
討論提示
1. 在報告的三項建議中（多迭代、質疑精美的輸出、設定協作的條件），哪一項對您的團隊目前最具可行性？哪一項最難採用，為什麼？
2. 報告建議告訴 AI 您希望它如何與您互動，例如「如果我的假設錯誤請提出質疑」或「告訴我你不確定的地方」這樣的指示。您團隊中有人嘗試過這個嗎？有什麼不同？
3. 您組織目前對 AI 技能發展的方法是什麼樣子？是正式培訓、同儕學習、試錯，還是其他方式？效果如何？
4. 如果您可以在下一季度專注於在整個組織中建立一項 AI 流暢度技能，會是哪一項？您可以採取的一個具體起步措施是什麼？
選擇性活動
這些實作練習可以將討論延伸到實踐中。根據您團隊的興趣和可用時間選擇一項。
迭代挑戰（15 分鐘）
每位參與者與 Claude 就與其工作相關的任務開啟一段對話。收到第一個回應後，他們必須在認為輸出完成之前，發送至少三則改進、質疑或重新引導的後續訊息。之後討論：輸出如何改變？如果您在第一個回應就停止，您會錯過什麼？
找出缺口（15 分鐘）
讓 Claude 針對您團隊熟悉的主題生成一個成品（文件、程式碼片段、分析）。一起審查輸出，找出看起來正確但可能有誤的地方、缺失的內容，以及未經檢查的假設。利用這個練習來建立關於評估技能的對話基礎。
設定條件（10 分鐘）
每位參與者撰寫一段簡短的「協作前言」，用於重要 AI 對話開始時：他們希望模型如何與他們互動、他們想要什麼樣的質疑、他們期望模型標記什麼。在團隊中分享並比較各自的方法。
延伸閱讀
這些資源為 AI 流暢度指數的研究結果提供了額外的背景資訊。
- 由 Rick Dakan 和 Joe Feller 與 Anthropic 合作開發的4D AI 流暢度框架（在新分頁中開啟），定義了支撐這項研究的 24 項行為指標。
- Anthropic 關於程式設計技能的研究（在新分頁中開啟）探討了開發人員在撰寫和審查程式碼時與 AI 互動的模式。
- 先前的 Anthropic 教育報告，關於大學生（在新分頁中開啟）和教育工作者（在新分頁中開啟），提供了特定群體如何使用 AI 的背景資訊。
本討論指南是 Anthropic 教育報告：AI 流暢度指數（2026）（在新分頁中開啟） 的配套資料。它由 Anthropic 的 AI 流暢度計畫製作，旨在協助領導者、教育工作者和團隊理解報告的研究結果，並在其組織中培養更強的 AI 流暢度。