當我們推出 AI Fluency Index（在新分頁中開啟） 時，我們希望了解人們如何隨著時間推移而逐漸精通與 Claude 協作。早期數據來自 Chat，它講述了一個一致的故事：熟練度沿著兩條行為模式截然不同的軌道發展。有些技能會隨著練習自然成長，而有些則需要刻意、反覆的教學。這項發現塑造了我們對於新手引導和產品內學習的思考方式，也為各組織建立自己的 Claude 訓練提供了一個起點。
自那時起，我們已將 Index 擴展到 Claude Code 和 Claude Cowork，使總數達到超過 50,000 則對話，涵蓋 11 項行為性 AI 熟練度指標。熟練度在這三個介面上具有共通的結構，但每個產品都有自己的切入點。「精通 Claude」看起來是什麼樣子，取決於您使用的是哪一個 Claude，而如果您負責協助團隊建立熟練度，這項區別將決定您應該優先教導什麼。
本文將說明我們的發現，並提供一套簡單的課程模型，供您為組織調整採用。
每個產品都有其招牌動作
每個 Claude 介面在一開始都會獎勵不同的行為。我們稱之為招牌動作：一旦出現，就能最可靠地提升其他熟練度指標的入門行為。
在 Chat 中，招牌動作是反覆迭代。透過後續回合進行精煉的使用者，在我們衡量的其他每個面向上都展現出更強的熟練度，而只傳送一則訊息就離開的使用者，幾乎完全沒有展現任何批判性評估。迭代創造了其他技能得以發展的空間。
在 Claude Code 和 Claude Cowork 中，招牌動作是釐清目標。這兩個代理型介面都會獎勵在 Claude 開始工作之前，就清楚說明自己想要什麼的使用者。釐清目標的使用者也更常指定格式、更刻意地設定互動風格，並更有效地拆解任務。在這些介面上，目標清晰度與整個「描述」行為範疇的關聯程度，是迭代所無法達到的。
對於任何正在為組織建立 Claude 訓練的人來說，這意味著新手引導應該優先教導招牌動作。一套未能及早建立迭代習慣的 Chat 課程，將難以在此基礎上建立任何其他能力。一套未能建立目標清晰度的 Claude Code 或 Claude Cowork 課程，將培養出交付模糊需求、然後納悶為何輸出結果不如預期的使用者。
「描述」光譜會隨著練習而發展
在招牌動作之後，學習者會沿著我們稱之為「描述」光譜的方向前進：這是塑造 Claude 給您的回應時，可運用的各種選項範圍。這個光譜是依持久性來組織的，也就是該功能影響您與 Claude 互動的時間長短。在基礎端，塑造發生在當下，只影響單一回應。您進行迭代、加入脈絡、上傳檔案。在進階端，塑造發生在設定層面，會影響之後的每一次回應，而不需要您付出太多額外心力。您設定一個 Project、撰寫一份 CLAUDE.md、排程一個工作流程。
這裡令人振奮的發現是，「描述」技能似乎會隨著時間和接觸經驗，有機且非線性地成長。使用時間較久的使用者更常提供範例、更刻意地設定互動風格，並更清楚地傳達語氣期望。持續使用 Claude 的人會自行摸索出這些技能，因此如果您的訓練時間有限，單純讓人們接觸可以與 Claude 一起練習的不同類型「描述」方式，應該就能收到成效。
「判斷力」螺旋必須被教導
「判斷力」，也就是評估 Claude 回應內容的一系列行為，發展方式則截然不同。它不會隨著使用年資而成長，也不會從對功能的熟悉程度轉移而來。
部分原因在於驗證方式的轉變。當 Claude 編輯檔案或產出報告時，使用者可以看到它做了什麼。他們會檢視差異、執行測試、瀏覽輸出結果。這種觀察式驗證是真實存在的，而我們的指標並未完全捕捉到這一點，因為當您可以直接查看時，就不會去輸入「這樣對嗎？」這類問題。但觀察只能抓出您看得見的錯誤。它會遺漏錯誤的假設、缺失的脈絡，以及看似合理但實際錯誤的說法。一份能夠編譯通過的差異，仍可能隱含錯誤的做法；一份讀起來流暢的報告，仍可能引用了錯誤的來源。
此外，隨著過去由初階員工完成的任務日益被 Claude 自動化，將需要有意識地推行計畫，教導人們「什麼才算是好的成果」。
如果您的訓練時間有限，「判斷力」正是應該集中投入的地方。
一套簡單的課程模型
簡單來說，教學順序如下：
- 優先教導招牌動作
- 沿著「描述」光譜前進
- 在每個步驟都重新檢視「判斷力」
每一次產品學習體驗，無論是正式的課程模組還是一次快速的團隊會議，都應該強化該產品的招牌動作、介紹與學習者相關的功能，並以一次「判斷力」檢核作結。建立一個「現在來質疑它」的步驟，正是讓批判性評估持續存在於循環中的關鍵。
下方的表格將此模型對應到各個產品。請將它們作為您自己課程的起點，並調整其中的功能與檢核項目，以符合您團隊實際使用的內容。
Chat
招牌動作：迭代。透過後續回合進行精煉。
| 持久性層級 | 功能 | 教學方式 | 判斷力檢核 |
|---|---|---|---|
| 基礎 | 迭代、模型選擇、檔案上傳、網路搜尋 | 先示範，再讓人們用自己的任務去探索 | 這個回應真的可以直接使用嗎？還是需要再進行一輪？ |
| 中階 | Artifacts、擴展思考、連接器 | 將建立內容與格式指定搭配進行；將「思考」定位為「當您希望 Claude 更深入思考時」使用 | 閱讀思考過程。這個推理站得住腳嗎？還是 Claude 只是聽起來很有自信？ |
| 持久 | Projects、自訂指示、記憶 | 展示一個設定良好的 Project 如何改變其中的每一次對話 | 您的 Project 提供給 Claude 的是正確的脈絡，還是只是更多的脈絡？ |
Claude Code
招牌動作：釐清目標。在 Claude 開始執行之前，說明您想要什麼。
| 持久性層級 | 功能 | 教學方式 | 判斷力檢核 |
|---|---|---|---|
| 基礎 | 提示清晰度、檔案參照、模型選擇 | 一個明確的目標、一次代理型執行，然後檢視結果 | 在您接受這個差異之前，先問問 Claude 它做了什麼假設 |
| 中階 | Skills、斜線指令、MCP | 塑造一項可重複使用的能力 | 在可能出錯的案例上測試這項能力 |
| 持久 | CLAUDE.md、hooks、子代理 | 塑造此儲存庫中的每一次工作階段 | 審查您的設定。Claude 是否按照您預期的方式使用它？ |
Claude Cowork
招牌動作：釐清目標。在 Claude 執行之前，撰寫一份說明您需求的簡報。
| 持久性層級 | 功能 | 教學方式 | 判斷力檢核 |
|---|---|---|---|
| 基礎 | 初始提示、模型選擇、內嵌問題、輸出檢視 | 撰寫一個自成一體的提示；檢查您得到的結果 | 在使用這個結果之前，先問：什麼情況會讓它是錯的？ |
| 中階 | 連接器、外掛、Skills | 塑造一個可重複使用的擷取或產出模式 | 連接器擷取的是您真正需要的內容，還是只是容易找到的內容？ |
| 持久 | 排程工作流程、多步驟自動化 | 塑造無需您參與即可運行的工作 | 您上一次驗證這個工作流程仍能產出良好成果是什麼時候？ |
接下來該怎麼做
AI Fluency Index 會持續每月追蹤這些模式，隨著產品演進與資料集擴大，我們也會持續發布我們所學到的內容。如果您正在為組織建立 Claude 訓練，並希望以這項研究為基礎，AI Fluency 框架與課程教材（在新分頁中開啟）可供免費取用，您也可以訂閱 AI Fluency 電子報（在新分頁中開啟），以便在有關 AI 熟練度的新研究發布時收到通知。
我們特別有興趣了解那些正在代理型介面上嘗試「判斷力」教學的團隊，因為根據數據顯示，這正是使用者自然行為與良好實務要求之間差距最大的地方。如果您正在進行類似的嘗試，我們很樂意向您學習。