自從Claude code出現，人類與AI的互動模式產生了非常大的改變。ChatGPT時代，AI作為一個「諮詢的對象」，回答我們的各種問題，提供可能的解決方法。然而，實際上的操作還是得要人類來進行。Claude code則將AI的功能進一步推進：直接幫你把工作做完。幫你寫Code完直接幫你執行、可以幫你整理好雜亂的檔案夾、甚至幫你在Slack上發訊息。
我有幸任職於總部在矽谷的公司，已經引進了Claude的系統。Claude已成為我的每日工作中不可分割的一部分，也因此讓我想更了解其運作邏輯。Anthropic在近幾個月推出了官方線上課程，內容相當豐富。問題來了：已經有實作經驗，要從哪一門課開始上呢？在這個Youtube影片《I Took All 7 Anthropic Courses in One Weekend (Honest Review)》中有提到三種不同的roadmap，每一個都有提到這門AI Fluency，並且「這門課並不僅限於Claude的應用，適用於所有AI工具」，於是我選定此作為第一堂課。
【上這門課前我對AI的理解與心態】
我總是把AI當成一個「聰明的人類朋友」在聊天與問問題。我會拋出一個「簡短的問題」，像是「最近明明很認真運動，為什麼體重還變重？」然後等ChatGPT問我問題，「要回答你這個問題，請先告訴我你最近作了什麼運動？飲食上有沒有任何改變呢？」我再來一一回答。
此外，我認為「不管是誰用ChatGPT，都是同一個ChatGPT。」所以我並不重視或去研究「寫Prompt的技術」。然而，真的是這樣嗎？在一篇研究論文Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback中有提到，即使是同一篇作文，如果Prompt中提及學生的身份特徵，如學習能力、種族、性別等，AI給出的的寫作回饋會完全不同。（詳細中文版可以看阿伯寫的這篇文章）
此外，在「單純諮詢、問問題」的時代，Prompt的品質差異也許還影響有限：畢竟最後判斷、執行的仍是人類。然而，在AI會直接執行任務的此刻，Prompt的品質則會直接決定產出結果的品質。
與AI互動的「4D框架」：Delegation（分工）、Description（說明）、Discernment（分辨）、DiIligence（謹慎）
【Delegation（委派/分工）】
身為「各領域的專家＋AI的指揮官」，在開始告訴AI要做什麼之前，第一步，我們必須先思考：我們現在眼前的目標是什麼？達成什麼樣的結果，可以稱之為成功？
人類與AI協作的基礎是「專業知識」，人類的責任，是思考在這個領域、各個任務之中，如何恰如其分的讓人類與AI發揮強項？因此第二步，是了解AI能做到哪些事情。像是哪一個模型的性能表現更適合、或者在各個系統中哪些分別重視「速度、創意、深度、或精準度」？
下一步，則是將任務分割成許多小任務，並且思考：哪些應該由人類完成、哪些交給AI完成效率會更高。
使用AI工具的目的並非「自動化所有事情」，而是在每個任務之中，找到人類與AI最有效的合作方式。
【Description（說明）】
不要讓AI來猜你的心！清楚說明、解釋背景，以明確的例子代替抽象描述，以及對於AI的產出適時給予回饋。
第一，清楚說明要產出什麼？第二，你希望AI用什麼方式來處理這個要求？第三，你希望AI如何跟你互動？
正如同前面提到，一樣的AI工具，但是由於一個互相交流溝通的系統，會按照使用的人的指示（Prompt）不同有不同的產出。
在課堂練習中，有一部分是實際要求「直接和Claude互動，生成一個專案計劃」，並請Claude給你關於「你寫的Prompt」的回饋。
這是Claude給我的回饋：
你最大的問題
你大部分的提問方式都是對話式、被動反應的——跟著Claude的問題走，而不是一開始就主動說清楚你需要什麼。這在一般聊天裡沒什麼問題，但這樣一來，是Claude在主導對話的結構，而不是你。
尤其是在撰寫專案計畫這類作業時，好的提示詞要「開門見山」：一開始就把你的目標、限制條件、想要的格式，以及Claude需要的背景資訊一次說清楚。
Claude的回饋宛若醍醐灌頂：就像前面說的，我把AI當成聰明的朋友，所以「我一開始就沒想清楚我要達成的是什麼，而是期待AI告訴我該做什麼」。因此，我完全讓AI主導了整個對話結構、更是主導了我的思考過程。我嚴重忽略了獨立思考的必要性。
如何下「好的AI指令」：6大技巧
- 說明來龍去脈
點出我們要做什麼，為什麼要做這件事？以及我（提問者）的背景、知識水準。我的實際應用例子是
❌ 「以現金流為基礎的信用審核(Cashflow Underwriting)是什麼」
✅「解釋Cashflow Underwriting跟傳統方式的不同，以及市場上有哪三個最大的提供者，各自創新的部分是什麼。我是一個數據分析師，剛進入信用風險的領域。請寫一個概要，幫助我能事先準備、聽懂接下來要參與的公司內部會議。」 - 給具體例子
❌ 「幫我寫一篇LinkedIn文章」
✅ 「幫我寫一篇LinkedIn文章，風格類似這個例子：『上週我讀了一本書，裡面有一句話讓我想了三天……』開頭要有故事感，不要太正式。」 - 指定產出的格式與限制
❌ 「幫我總結這篇報告」
✅ 「幫我總結這篇報告，限制在150字以內，用三個重點條列，不要用專業術語，讓非金融背景的人也能看懂。」 - 將複雜的任務逐步拆解成小任務
❌ 「分析這個季度的銷售數字」
✅ 將步驟細分為「1. 從銷售紀錄找到最熱賣的商品 2. 比較本季度與前一個季度的差異 3. 點出任何不尋常的趨勢 4. 提出這些趨勢可能的原因」 - 讓AI回答前先思考
❌ 「這個信用模型有什麼問題？」
✅ 「這個信用模型有什麼問題？請先列出你的分析思路，再給我結論，不要急著給答案。」 - 指定AI的扮演的角色或說話語氣
❌ 「幫我解釋現金流核貸」
✅ 「請用高中生也能理解的方式解釋以現金流為基礎的信用審核是什麼，你的角色是一個耐心的老師，語氣輕鬆，可以用生活中的例子來比喻。」 - 其他技巧：回答一個事實性問題時，問AI對這個答案有多少把握？
我覺得這個非常重要，在我自己的實際操作經驗中，我發現AI常常會在沒有告知的狀況下做一些假設，加上AI的語氣通常非常篤定，所以不能全盤接收，需要額外確認。
【Discernment（分辨/識別）】
承接到前面說到「不能全盤接收AI的答案」，這個「分辨」的框架是絕對必要的！
首先，在識別AI的產出時，必須分辨：這是否符合事實？是否符合目的？是否前後連貫、結構完整？是否有達到我的要求？
此外，也需要檢查AI的思考、作業過程：前後論述邏輯是否有矛盾？是否漏掉任何重要的條件？是否選擇了錯誤的分析方法或處理順序？是否陷入循環推理（用結論來證明結論，但沒有邏輯支撐）？
因此，也要分辨AI的溝通方式是否符合需求。像是溝通風格（角色設定）、資訊深度是否合適？對回饋的反應是否恰當？互動效率是否夠高？
在我的作業過程中，我非常深刻感受到，我必須「一步一步跟上並確認AI的思考、作業過程」，不然我就會迷失，不確定AI到底怎麼得出一個結論，不知道每一步的前提、假設、邏輯是否正確，我就會對產出的結果沒有信心。而且如果發現結果有錯誤，會花更多時間回去一步一步糾錯。
【DiIligence（謹慎）】
你需要對AI的整體運作結果負全責。從選擇什麼AI系統、以及如何操作開始，就是你的決定及責任。此外，對於AI在任務中扮演的角色也有責任透明公開，舉例：此篇文章中一些中文翻譯、及部分Prompt的例子有詢問Claude。最重要的，你分享的AI產出結果，你必須負責到底。
這讓我想到2023年曾有紐約的律師，在準備法庭文件時使用ChatGPT搜尋相關判例，卻沒有驗證這些案例的真實性。最終提交給法院的訴狀中引用了六個ChatGPT捏造的假案例，被對方律師發現而最後遭到罰款的故事。（NY Lawyers and Law Firm Sanctioned for Citing Fake Cases Derived from AI）在搜尋的過程中，我甚至發現同樣的事件後來陸陸續續其實有好幾例發生。
這個實際案例進一步的說明：你可以讓AI做任何事，但最後責任都在於你。這也讓我更加思考在團體合作與AI協作之下的責任歸屬可能更加複雜。舉例，當員工A使用員工B所製作的AI工具而發生問題時，責任歸屬如何界定？
【上完課後我對AI的理解與心態改變】
這門課的內容，以及課堂練習帶給了我在AI工具使用時心態上的質變，也讓我看見了自己最大的盲點：為什麼我習慣用簡短的對話開始，讓AI透過一來一往的問答來猜我的心？因為很多時候我根本沒想清楚自己要做什麼。
此外，因為Claude的實作能力，我對AI的角色設定，也從「一個聰明的朋友、談話對象」，調整為「一個聰明的部下」。身為一個好的主管，我不應該只是把一個模糊的問題丟給部下，讓部下去猜我的想法。我必須先思考清楚「要做什麼、怎麼做」，並且「說明清楚」，減少來回溝通產生的問題。其實管理AI，就跟管理人的技能是完全相通的。
最重要的是，在整個對話、作業過程中，我都必須要保持獨立思考與判斷的能力，不能讓AI主導我的思考脈絡，將成果照單全收。因為我才是主管，是最後要負責的人！
