AI 素养速成课

4 项能力，3 种与 AI 协作的方式，以及一个实用习惯：决定、描述、检查并承担责任。

想象一位才华横溢的新同事加入了你的团队。

上班第一天早晨，你对她说：

「准备一份关于 AI agent 的课程大纲。」

几小时后，她交来一份精美的大纲。但问题是，它面向博士研究人员，默认你有完整的一个学期，几乎没有动手练习。

她能力不足吗？不是。

真正的问题是你没有告诉她足够的信息。你没有说明受众、可用时间、教学风格，也没有说明学生学完后应该能做什么。

与 AI 协作很相似，但有一个重要区别。

新同事会学习。告诉她一次你的学生是初学者，下个月她仍然记得。AI 并非如此。它不会把任何信息从一次对话带到下一次，因此每段新对话都像面对一位从未见过你的同事。对人只需说一次的事，你要么每次都向 AI 重复，要么把它放到 AI 会自动读取的位置。这不是值得抱怨的缺陷，而是需要纳入计划的工作条件；学会这样规划，正是下面四项能力之一。

即使 AI 很强大，协作方式不佳时仍会给出错误结果。知道几条巧妙提示词远远不够。你需要知道：该给 AI 什么、如何引导它、如何判断它的工作，以及何时不应信任或使用它。

这就是 AI 素养。

本课介绍由 Rick Dakan 教授和 Joseph Feller 教授创建、通过与 Anthropic 合作制作的课程传播的 AI 素养框架。框架包含 4 项人类能力，称为 4D：

1. 委派（Delegation）：决定 AI 应该做什么
2. 描述（Description）：说明你需要什么
3. 辨别（Discernment）：判断 AI 交付的内容
4. 尽责（Diligence）：负责任地使用 AI，并对结果负责

无论你是在与助手聊天、使用 AI agent 编程，还是构建为他人工作的 Digital FTE，都会用到同样的四项能力。

阅读约需 30 分钟，练习提示词和自测另需 15–20 分钟。

一分钟了解整门课

如果只记住 4 个问题，请记住这些：

能力	通俗问题
委派	AI 应该做什么？哪些工作应由我保留？
描述	AI 要把工作做好，需要知道什么？
辨别	结果真的优秀且值得信任吗？
尽责	这样使用 AI 负责任吗？我准备好对结果负责了吗？

接下来的课程会教你如何答好这 4 个问题。

它在 Foundations 中的位置

请先阅读 AI 究竟是什么。那门课解释机器，本课解释你应该如何与机器协作。下一门 2026 年的 AI 提示词 则教授实用技巧。

一个实用的学习顺序是：

机器 → 协作 → 技巧

主题	AI 究竟是什么	本课	2026 年的 AI 提示词
AI 如何工作	深入讲解	快速回顾	默认已掌握
如何沟通	上下文为何重要	描述	实用提示技巧
如何判断答案	为什么合理不等于正确	辨别	模型检查习惯
把什么交给 AI	锯齿状前沿	委派	选择模型和工具
负责任地使用	大多不在范围内	尽责	安全使用工具和权限

随着模型进步，技巧会改变；这 4 项能力则是为长期适用而设计的。

用 3 分钟亲眼看看

先别看理论，直接观察本课所讲的现象。

打开任意 AI 助手，粘贴下面这段话，认真阅读返回内容：

Write a welcome email for new members.

它会写得通顺、合格，却完全泛泛而谈，因为你没有提供任何素材。现在打开一个新对话，粘贴下面这段：

Write a welcome email for new members of a small women's cycling club
in Karachi. Most are nervous beginners who have never ridden in traffic.
Warm and a bit funny, under 150 words, no exclamation marks. End by
telling them the Saturday 6am ride is slow on purpose and nobody gets
dropped.

同一个模型，同一项任务，机器同样只工作 3 秒。

第二封邮件更好，是因为第二条请求带上了第一条遗漏的信息：这些人是谁、害怕什么、语气如何、篇幅多长，以及邮件目的。这里没有任何玄妙技巧，只是把之前没有说出来的事说清楚了。

请记住刚才观察到的两点：

1. 两个结果之间的差距来自你，而不是模型
2. 你能判断第二封邮件更好，是因为你足够了解骑行俱乐部、紧张的初学者或 Karachi

第一点是描述，第二点是辨别。开课 3 分钟，你已经掌握了四项能力中的两项。接下来，本课会为四项能力逐一命名，说明每一项会在哪里失效，并展示当你不再独自在聊天窗口工作、而开始构建服务他人的 AI 时，它们会演变成什么。

学完后应该理解什么

学完本课，你应该能够解释：

• 除了「擅长写提示词」，AI 素养还意味着什么
• 自动化、增强和自主行动之间的区别
• 如何决定哪些工作属于你，哪些属于 AI
• 描述的三种类型：产物、过程和表现
• 如何评估 AI 输出，而不是因为它听起来自信就接受
• 尽责的三种类型：创作、透明和部署
• 四项能力如何在真实项目中协同工作
• 这些个人能力如何扩展为 Agent Factory 的工程实践

第 1 部分：先看全局

1. 能使用 AI 不等于具备 AI 素养

能够使用强大的 AI，并不表示你懂得如何用好它。

几乎每位读者都能使用相同的模型。两个人在同一天早晨，以同一种套餐打开同一个助手，一个人得到值得发布的成果，另一个人却得到一份精美但只能悄悄丢掉的东西。工具没有不同，区别在于人如何使用它。

AI 素养意味着以以下方式与 AI 协作：

• 有效：达成目标
• 高效：不浪费时间、精力或不必要的 token
• 合乎伦理：公平、诚实地使用 AI
• 安全：保护人、隐私、安全和重要信息

注意这个定义中没有什么。

你不必知道如何训练大语言模型，不必理解 Transformer 的每个细节，也不需要收集「神奇提示词」。

这些知识可能有用，但不是基础。

基础是学会围绕 AI 做出良好的人类决策。

因此，这个框架聚焦于 4D：

委派 → 描述 → 辨别 → 尽责

一个简单的记忆方法是：

决定 → 说明 → 检查 → 负责

正式的能力名称很重要，本书会始终使用它们；通俗版本则帮助你记住每项能力的作用。

对 Agent Factory 的读者而言，这是一切的前提。在 Mode 1 中，你用通用 agent 解决问题；在 Mode 2 中，你为他人构建 Digital FTE。两者都要求 AI 素养。

如果连一个 AI 助手都无法协作好，你还没有准备好设计可能代表成百上千名用户行动的 AI 系统。

从上一门课带走的 3 个事实

AI 究竟是什么 讲解了许多关于语言模型的概念。请牢记这 3 点：

1. 看似合理不等于正确。 AI 可能自信地给出错误答案，这通常称为幻觉
2. 输出会变化。 同一请求在不同时间可能得到不同答案
3. AI 只能利用它能获得的信息。 这些信息可能来自训练知识、当前对话、文档、记忆、搜索和其他已连接工具。缺少重要信息时，AI 可能会猜测

因此，应把 AI 输出视为一位能干同事交来的工作：有用，常常令人印象深刻，但仍需要你审查。

2. 与 AI 协作的三种方式：自动化、增强与自主行动

学习 4D 之前，还需要理解一个概念。

人类与 AI 协作大致有三种模式：

1. 自动化：AI 执行你指定的任务
2. 增强：你与 AI 共同完成任务
3. 自主行动：AI 代表你朝目标工作

主要区别在于：AI 拥有多大自由来决定下一步做什么。

自动化：「完成这项任务」

在自动化模式中，你会准确告诉 AI 要执行什么任务。

例如：

• 「用 5 个要点总结这份报告」
• 「把这封邮件翻译成乌尔都语」
• 「从这份 PDF 中提取发票号码、日期和总额」

你的角色接近脚本编写者：定义任务，由 AI 执行。

工作明确且可重复时，自动化很有用。

增强：「帮我思考」

在增强模式中，你和 AI 一起工作。

例如：

• 头脑风暴一个商业想法
• 审查软件架构
• 改进课程计划
• 比较两种策略
• 探索一个你尚不知道答案的问题

此时 AI 不只是在执行指令，更像一个思考伙伴。

你们可能会来回交流很多轮。你提问，它回应；你质疑，它修改；你们共同改进结果。

自主行动：「替我追求这个目标」

在自主行动模式中，你向 AI 提供目标和边界，然后允许它自行决定许多步骤。

例如，你不再说：

「阅读这 5 封邮件并总结。」

而可能会说：

「让我的收件箱保持易于管理。回复常规邮件，标记重要邮件；遇到任何不确定的事，先问我。」

现在 AI 必须做决定：哪封邮件是常规邮件？哪封重要？什么时候应该询问你？

你的角色已经从脚本编写者变成了导演。

初学者往往忽略自主行动的另一半，而本书正是建立在这部分之上。框架本身的定义是：人类配置 AI，让它代表他人独立执行未来的任务。请再慢慢读一遍，其中两个词承担了关键含义。

未来意味着工作发生时你不在场。你周一配置好 AI，它会在你睡觉时处理周四的工作。

为他人意味着 AI 服务的人可能根本不是你。你配置它；与你的 AI 对话的却是客户、学生或同事。

自动化和增强都让你留在座位上。自主行动则让你离开座位，而 Mode 2 的所有难点都源于这一事实：你无法监督每个决定，所以必须提前把判断机制内置进去。

自动化与自主行动之间的区别尤其重要：

	自动化	自主行动
你提供	任务或步骤	目标与边界
AI 决定	很少	许多下一步
你的角色	脚本编写者	导演
常见失败	某一步做得不好	误解目标或边界

这三种模式没有哪一种天然更好。

成熟的 AI 用户会选择适合当前工作的模式。

一个项目可能同时使用三种模式：自动提取数据，与 AI 一起思考例外情况，再授予 agent 有限权限来处理常规案例。

在 Agent Factory 中，Mode 1 大量使用自动化和增强；Mode 2 则把自主行动系统化。Digital FTE 不只是「AI 在做事」，而是在职位定义、System of Record、权限、规则和治理范围内行动的 AI。

因此，AI 越自主，4D 就越重要。

第 2 部分：四项能力

3. 委派：决定谁该做什么

初学者最常见的错误发生在写出第一条提示词之前。

人们打开 AI 助手就开始输入，却没有先决定：

• 我究竟想达成什么目标？
• 好结果是什么样？
• 哪些部分应由 AI 完成？
• 哪些部分应由我完成？
• 哪些决定绝不能交给 AI？

这就是委派问题。

委派是决定人类与 AI 应如何分配工作。

它不只是「把工作交给 AI」，而是在设计工作流。

委派包括三个部分：

1. 问题意识：理解目标和工作
2. 平台意识：了解哪种 AI 系统或工具适合这项工作
3. 任务委派：决定每个部分由谁完成

（框架自己的参考文档把第一项称为目标与任务意识。含义相同，你在其他资料中可能会遇到这两个名称。）

3.1 问题意识：知道自己想完成什么

向 AI 提出任何请求前，先问自己：

• 目标是什么？
• 这是为谁服务？
• 成功是什么样？
• 可能出什么问题？
• 哪些地方必须由人类判断？

假设你想让 AI agent 为一家小企业催收逾期发票。

初学者可能会输入：

「帮我构建一个催收发票的 agent。」

AI 可以生成一些东西，但真正困难的问题仍然没有答案：

• 应该联系哪些客户？
• 发票逾期多少天才联系？
• 应该使用什么语气？
• 金额达到多少时需要人工批准邮件？
• 如果客户对发票提出异议，该怎么办？
• agent 可以读取哪个会计系统？
• agent 可以发送邮件，还是只能起草？

这些不是提示词问题，而是业务问题。

除非你有意授予 AI 决定业务政策的权限，否则它无法替你决定；很多时候，你也不应该授权它决定。

3.2 平台意识：选择正确类型的 AI

并非每种 AI 系统都同样擅长每项工作。

你可能会选择：

• 用推理模型处理困难的多步骤问题
• 用支持搜索的助手获取当前信息
• 用编程 agent 开发软件
• 用支持 agent 的系统处理涉及工具和多个步骤的工作

你不必记住每一个模型名称，市场变化太快。

但需要养成一个习惯：

「这是适合这项工作的工具吗？」

尝试不同系统，比较结果，记录哪些方法有效。2026 年该选择哪些 AI 员工 提供了本书对这一变化领域的最新地图。

3.3 任务委派：有意识地划分工作

理解问题和平台后，把工作拆分成若干部分。

假设你正在制作一门像本课这样的课程：

任务	最佳负责人	原因
决定受众和学习目标	人类	需要目的感和判断力
提议可能的课程结构	AI + 人类	AI 提供广度，人类做出选择
根据商定大纲起草各节	AI	擅长快速生成初稿
核实事实主张	人类	作者仍须承担责任
加入亲身经验和本地示例	人类	AI 没有你的经验
改进语法和一致性	AI	适合机械式审查
批准最终课程	人类	作品会关联你的姓名和声誉

这就是委派的实践。

你提出的问题不再是「AI 能做这件事吗？」

而是：

「哪些部分该由 AI 做，哪些部分该由我做，为什么？」

它在 Agent Factory 中会演变成什么

为他人构建 agent 时，委派会变成工程。

问题意识变成规格说明：目标、约束、风险和完成定义。

任务委派变成 Digital FTE 的边界：agent 可以做什么、人类保留什么、什么情况必须升级。

垂直领域的 System of Record 会让这些决定持久且可检查。

继续学习 Spec-Driven Development 和 The FDE AF Model。

4. 描述：提供 AI 所需的信息

回想课程开头的那位同事。

她的课程大纲之所以错误，是因为你漏掉了重要信息。

AI 面临同样的问题，而且更严重。它无法读取你的想法，只能利用现有信息。遗漏重要内容时，它可能做出合理猜测；合理猜测仍可能是错的。

描述是向 AI 提供做好工作所需信息与指导的能力。

描述远不只是「写一条好提示词」。

它包括三个部分：

1. 产物描述：你想要什么
2. 过程描述：你希望如何开展工作
3. 表现描述：你希望 AI 如何行动，无论是与你协作还是独立工作

一个简单的记忆方法是：

做什么 → 怎么做 → 如何与我协作

4.1 产物描述：定义结果

产物描述回答：

「我到底想得到什么？」

可以包括：

• 输出类型
• 受众
• 格式
• 长度
• 语气
• 重要主题
• 需要排除的内容

比较下面两条请求。

模糊：

「总结这份报告。」

更清楚：

「为只有 10 分钟阅读时间的高管总结这份季度财务报告。重点关注收入趋势、重大风险和建议采取的行动。使用简短要点，控制在一页以内。突出显示与上季度相比变化显著的数字。避免不必要的会计术语。」

第二条请求不是更聪明，而是更完整。

这是初学者必须掌握的重要经验：

完整性通常比巧妙措辞更重要。

4.2 过程描述：定义方法

过程描述回答：

「AI 应该如何完成工作？」

你可以指定：

• 要遵循的步骤
• 工作顺序
• 使用的方法
• 要模仿的示例
• 完成前要执行的检查

例如：

「审查这段代码时，先检查正确性，再检查安全性，最后检查风格。在确认代码是否真正可用之前，不要花时间讨论命名问题。」

想要的产物仍然是「代码审查」，但现在你也定义了过程。

4.3 表现描述：定义 AI 如何行动

表现描述回答：

「这个 AI 应该如何行动？为谁行动？」

先从你今天就能使用的版本开始，此时「为谁」的答案只是你。

例如：

• 简洁还是详细
• 支持还是质疑
• 探索还是果断
• 先提问还是做出合理假设
• 标明不确定性还是直接给出最佳答案

一条实用的表现描述可以是：

「我的假设薄弱时，请提出质疑。标明不确定性。不要为了礼貌而附和我。如果我的论点更有力，请说明原因；如果你的论点更有力，请坚持立场并解释。」

这样，AI 就不再是一台礼貌回答问题的机器，而会成为更好的思考伙伴。

这是小规模版本，适合聊天窗口，受众只有你一人。框架赋予它的含义更大：表现描述是在定义 AI 独立行动时，应该如何服务使用它的人，包括不是你、也永远看不到你所写指令的人。

两者是在不同规模上运用同一种能力。当你输入「不要为了礼貌而附和我」时，便是在编写一条约束未来行为的规则。辅导 agent 绝不能在学生尝试解题前直接给出答案，也是同一种表达，只是风险提高了：编写一次，应用上千次，服务你永远不会见到的人。

因此，从 Mode 1 走向 Mode 2 时，表现是描述中扩展最多的部分。在聊天中，糟糕的表现描述会让你烦恼 10 分钟；在已部署的 agent 中，它就是产品本身。

描述比提示词更广

2026 年的 AI 提示词 教授提供示例、指定约束、拆分任务和定义角色等实用技巧。

本课教授这些技巧背后的更大概念：描述。

不知道如何措辞时，不要僵住。用普通语言说明情况，并请 AI 帮你把它转化为更清楚的指令。

从提示词工程到上下文工程

提示词工程会问：

「这条消息应该如何措辞？」

上下文工程会提出一个更大的问题：

「AI 要成功，必须能够获得哪些信息？」

这些信息可能包括：

• 文档
• 示例
• 记忆
• 对话历史
• 政策
• 工具
• 数据库记录
• 定义
• 指令

这对 agent 极其重要。

如果 agent 拿到错误数据、缺少规则、示例不佳，或无法访问所需工具，再漂亮的提示词也无济于事。

它在 Agent Factory 中会演变成什么

描述扩展到系统规模后会变成架构。

系统提示词可以让表现描述长期有效。SKILL.md 可以让过程描述重复使用。System of Record 可以保存 agent 所需的领域知识、规则、定义和治理要求。

达到这个规模后，好的描述就是好的上下文工程。

继续学习 System of Context 和 System of Record。

5. 辨别：不要把自信与正确混为一谈

AI 经常显得很自信。

这有助于提高可读性，却会给信任带来危险。

错误的 AI 答案通常不会附带警告标签。它可能看起来精美、详细而确定。

因此，描述工作之后，你还需要第二项能力：

辨别是判断 AI 交付内容质量的能力。

描述会问：

「我把工作解释清楚了吗？」

辨别会问：

「AI 真的把工作做好了吗？」

这里有一个实用术语：自动化偏误。它指人类过于轻信自动化答案的倾向，尤其当答案看起来自信或专业时。

失败可能看起来像成功

包含幻觉的答案可能与正确答案几乎一模一样。

流畅的文字不是证据。貌似引用的链接不是证据。自信的语气也不是证据。

准确性重要时，务必核实。

辨别与描述彼此映照。它同样包含三个部分，指向同样三件事：

1. 产物辨别：结果本身好吗？
2. 过程辨别：以这种方式与 AI 协作真的划算吗？
3. 表现辨别：AI 独立行动时，另一端的人是否得到了良好服务？

5.1 产物辨别：结果好吗？

请问：

• 事实正确吗？
• 是否遵守了每项重要要求？
• 有遗漏吗？
• 内部是否一致？
• 专家会觉得可信吗？
• 我愿意在上面署名吗？

此时，你自己的领域知识会极其宝贵。

会计师能发现错误的会计假设，程序员能发现隐蔽的 bug，教师能发现会让初学者困惑的解释。

AI 可以加快专家工作的速度，却不会消除对专业能力的需求。

判断结果也意味着判断支撑它的理由，因为 AI 可能凭薄弱理由得出正确答案，而建立在错误假设上的正确答案不会一直正确。

假设 AI 推荐 Vendor A 而不是 Vendor B。结论或许合理，但它可能假设 Vendor A 拥有一个实际上不存在的功能。在支撑结论的理由经得起检验前，不应信任这项建议。

可以要求 AI 展示：

• 假设
• 证据
• 决策标准
• 计算过程
• 中间结果
• 其他解释

请把这些内容视为供你审查的理由，而不是模型隐藏内部推理的逐字记录。

例如：

「推荐某个选项之前，请列出你的假设、支持这些假设的证据，以及用于做决定的标准，然后再给出建议。」

这样，答案就更容易检查。

5.2 过程辨别：这种工作方式划算吗？

有时答案本身没有问题，协作方式却有问题。

人们几乎从不问这个问题，因为输出看起来还不错，于是整段会话似乎就是成功的。请退一步，不要只看最后一条消息，而要检查整个过程：

• AI 会根据反馈调整，还是又回到原来的做法？
• 同一个错误纠正两次后，它还会再犯吗？
• 它是否变得过度附和，以至于毫无用处？
• 我是否每一轮都在修复同一个格式问题？
• 修改 AI 草稿的工作量，是否已经超过我自己从头写？

最后一点值得诚实面对。花 20 分钟引导 AI，却节省 1 小时，这是胜利；花 20 分钟引导，却只节省 15 分钟，则是一次亏损，只因过程让人感觉富有成效而被误当成胜利。

过程失效时，你有三种逐步升级的选择：改变表现描述、换工具，或收回任务。三者都属于 AI 素养。只有第三种感觉像失败，但通常并不是。

5.3 表现辨别：无人监督时，AI 是否真正服务好人？

第三种辨别只在使用自主行动模式后出现，因此也是本书最终最关心的一种。

表现辨别要判断 AI 独立面向用户的行为，是否给与它互动的人带来良好结果。这不同于判断某一项输出是否正确。

AI 导师可能每题都答对，却仍是一位糟糕的导师，因为学生一犹豫，它就直接给出解答，导致没人真正学会。客服 agent 可能很快解决工单，却仍然很差，因为它关闭了客户认为尚未结束的对话。

你无法在单个聊天窗口中看出这些问题。它们只会在整体中显现：用户接下来做了什么、抱怨什么，以及哪些案例总以同一种方式悄悄出错。

这也诚实地解释了为什么表现辨别最终会变成基础设施。没人能逐条目测 1000 段对话，所以必须构建系统替你观察。

描述—辨别循环

描述与辨别自然形成一个循环：

1. 描述你想要什么
2. AI 生成内容
3. 检查内容
4. 说明需要修改什么
5. AI 再次尝试

这很正常。

优秀的 AI 工作通常需要迭代。第一次回答往往只是草稿，而不是终点。

提供反馈时，可以使用这个简单结构：

问题 → 为什么重要 → 改进方向

薄弱的反馈：

「错了。重来。」

更好的反馈：

「第二节假设读者是企业客户。我们的受众是独立创业者，所以建议成本太高。请按预算有限的一人公司重写这一节。」

第二个版本给了 AI 真正可用的信息。

有时，改进描述仍然不够。辨别可能说明最初的委派决定就是错的：也许选错了工具，也许 AI 原本就不该负责那部分，也许工作需要人类专家。

这同样是 AI 素养。

它在 Agent Factory 中会演变成什么

构建 AI 系统时，辨别会变成评测工程。

手工提出的「这足够好吗？」会变成评测套件、生产检查、监控、抽样和发布门禁。

你无法自动化一种自己从未学会做出的判断。

继续学习 Trusting the Checker 和 Eval-Driven Development。

6. 尽责：负责任地使用 AI，并对结果负责

前三个 D 帮助你获得更好的结果。

尽责提出了另一个问题：

「我究竟应该以这种方式使用 AI 吗？」

想象一位讲师用 AI 起草学生的期末反馈。

文字非常出色，但讲师把学生姓名、成绩和纪律记录粘贴到学校从未批准的消费级 AI 服务中。学生也不知道，可能进入学业档案的评语有 AI 参与。

输出可能很好。

这种 AI 用法仍然不负责任。

尽责意味着对 AI 的使用方式以及其输出所带来的后果负责。

尽责包含三个部分：

1. 创作尽责：创作前和创作中做出负责任的选择
2. 透明尽责：相关人员需要知道时，如实说明 AI 的角色
3. 部署尽责：作品使用或发布前完成验证并承担责任

6.1 创作尽责：负责任地选择工具和数据

向 AI 系统提供信息之前，请问：

• 其中包含个人数据吗？
• 包含公司的机密信息吗？
• 我是否有权把这些信息放入这个工具？
• 谁能访问或保留这些数据？
• 我的组织批准了这项服务吗？
• 是否存在法律、合同或专业限制？

最省事的路径并不总是负责任的路径。

把真实客户数据库复制到碰巧打开的 AI 工具中，可能节省 5 分钟，却制造严重的隐私或合规问题。

6.2 透明尽责：如实说明 AI 的角色

并非每项 AI 辅助任务都需要公开声明。

但当 AI 对他人产生实质影响时，披露就可能很重要。

例如：

• 学术工作
• 招聘决定
• 客户沟通
• 医疗或财务建议
• 专业报告
• 以人类原创名义呈现的内容

具体规则取决于情境、组织、法律和专业标准。

一个实用原则是：

AI 辅助结果对他人的影响越大，保持透明的理由就越充分。

透明不等于公开工作流的每个细节，而是在 AI 的角色很重要时，不要误导别人。

6.3 部署尽责：离开你手中之前先验证

AI 辅助作品在发布、发送、执行或用于决策前，都要检查。

视任务而定，检查可能包括：

• 核实事实
• 确认来源真实存在
• 检查计算
• 审查偏见或不公平结果
• 确认权限和权利
• 遵守组织政策
• 高影响行动须获人工批准

一个有力的最终问题是：

「我愿意自信地在上面署名吗？」

如果答案是否定的，作品就还没准备好。

尽责最重要的一课很简单：

AI 可以自动化工作，却不能自动化责任。

如果 AI 辅助系统做出有害决定，运营它的组织仍负有责任。如果编程助手引入漏洞而工程师将其发布，工程师和组织仍须承担后果。

它在 Agent Factory 中会演变成什么

尽责正是 Agent Factory 以治理为先的原因。

达到系统规模后：

• 创作尽责变成数据规则、访问控制和批准工具政策
• 透明尽责变成披露和用户体验设计
• 部署尽责变成评测门禁、审计日志、监控和人工审查

在 Mode 2 中，你不只是在亲自实践负责任的 AI 使用，还要把责任机制内置到供他人使用的产品中。

继续学习 System of Record 和 Designing the Vertical SoR。

第 3 部分：综合运用 4D

7. 把 4D 作为实际工作循环

你已经分别学过四项能力，真实工作会把它们混合在一起。

框架作者明确教授了描述—辨别循环。对 Agent Factory 工作而言，本书扩展了这个想法，把四项能力组成一个实际工作循环：

委派 → 描述 → 辨别 → 尽责 → 按需重复

每个部分的作用如下：

• 委派决定 AI 是否应该参与，以及负责什么
• 描述向 AI 提供目标、上下文、过程和所需行为
• 辨别检查结果，并改进下一轮
• 尽责用责任意识包围整个过程

下面通过一个真实示例观察这个循环。

示例：记账 Digital FTE

Ayesha 是 Lahore 的一名 Forward Deployed Engineer。她正帮助 Karachi 的一家小型会计事务所构建记账 Digital FTE。

他们首先想自动化的工作是每月银行对账。

第 1 步：委派

Ayesha 没有一开始就要求 AI「构建一个对账 agent」。

她先与会计合伙人一起梳理工作。

他们决定：

• agent 可以将银行交易与分类账记录匹配
• agent 可以标记未匹配项目
• agent 可以起草对账报告
• 每项日记账调整都必须由人类批准
• 所有核销决定都由人类保留
• 任何影响客户税务状况的事项都由会计师处理
• 高金额未匹配项目要升级给指定人员

现在，边界清楚了。

第 2 步：描述

接下来，Ayesha 向系统提供所需信息：

• 事务所的会计科目表
• 匹配规则
• 过往对账示例
• 合伙人已经使用的报告格式
• 升级规则
• 重复付款和过期支票的定义
• agent 永远不能自行过账日记账分录的规则
• agent 永远不能直接联系客户的规则

这就是系统规模的描述。

第 3 步：辨别

Ayesha 不会因为演示令人印象深刻，就认定 agent 可以正常工作。

她使用事务所已经信任的历史对账来测试。

团队检查：

• 有多少匹配正确
• 有多少错误匹配漏过检查
• 是否升级了正确的案例
• agent 是否升级过多
• 表现是否随时间变化

会计师还会审查一些看似成功的匹配，而不只看失败案例。这很重要，因为系统可能通过悄悄失败而显得安全。

第 4 步：尽责

客户财务数据留在获批的基础设施中。

系统会记录 agent 的操作。

需要或适合披露时，客户会被告知对账使用了 AI 辅助。

人类合伙人仍须在对账结果上签字。

合伙人仍对最终结果负责。

这就是 4D 循环的实践。

个人能力已经变成系统属性。

能力	在聊天中	在 Agent Factory 中
委派	决定请 AI 做什么	界定 Digital FTE 及人类与 AI 的边界
描述	提供指令和上下文	系统提示词、技能、上下文工程、Systems of Record
辨别	审查答案	评测、监控、抽样、Trusting the Checker
尽责	保护数据并对结果负责	治理、权限、审计、披露、人工审查

Agent Factory 不会取代 AI 素养。

它把 AI 素养工业化。

它如何连接四项生存技能和 10-80-10 法则

4D 是本书贯穿始终的理念在个人规模上的版本。

通过 4D，10-80-10 法则 更容易理解：

• 最初 10%：确定方向。 委派和描述在这里最强。决定什么值得做，并说清目标
• 中间 80%：编排 AI。 AI 产出、你来引导，描述和辨别持续反复
• 最后 10%：判断真相。 重要内容发布前，辨别至关重要
• 全部 100%：负责任地行动。 尽责不是最后的勾选项，而是包围整个工作流

因此，在聊天窗口练习 4D，就是在预演以后构建和治理 AI 系统时需要的同一组人类能力。

8. 初学者常犯的四个错误

大多数令人沮丧的 AI 体验都可以追溯到以下某种失败。

错误 1：定义问题之前就写提示词

尚未决定成功是什么样，你就开始输入。

缺失的能力：委派

修复方法：先定义目标、受众、约束，以及人类与 AI 的分工。

错误 2：把第一次回答当成最终答案

你认为第一次回答较弱，就代表 AI 毫无用处。

缺失的能力：描述—辨别循环

修复方法：检查结果，提供具体反馈，然后迭代。

错误 3：因为答案精美且专业就信任它

你把流畅误当成准确。

缺失的能力：辨别

修复方法：核实重要事实、假设、计算和来源。

错误 4：出事后才考虑隐私或责任

你只顾完成任务，却忽略 AI 的使用方式。

缺失的能力：尽责

修复方法：部署前确定数据、披露、批准和责任规则。

每天都能使用的初学者清单

请 AI 完成有意义的工作前，快速检查：

阶段	问问自己
委派	目标是什么？AI 应该做什么？哪些工作由我保留？
描述	AI 需要什么产物、上下文、方法和行为？
辨别	如何确认答案正确、完整且有用？
尽责	数据安全吗？需要披露 AI 的角色吗？谁来批准并对结果负责？

不必把每项小任务都变成书面流程。

重点是让这 4 个问题成为习惯。

练习前的简短回顾

AI 素养不是背诵提示词的能力，而是有效、高效、合乎伦理且安全地与 AI 协作的能力。

你可以通过三种模式与 AI 协作：

• 自动化：AI 执行定义明确的任务
• 增强：你和 AI 一起思考
• 自主行动：AI 独立朝你设定的目标行动，通常服务的还是其他人

三种模式都需要同样四项能力：

• 委派：决定人类与 AI 如何分工
• 描述：为 AI 提供所需信息
• 辨别：判断返回内容
• 尽责：负责任地使用 AI，并对结果负责

如果本课只记住一句话，请记住：

决定 AI 应该做什么。清楚描述工作。检查返回的结果。对接下来发生的事负责。

现在就试：6 条提示词

只阅读 AI 素养还不够，请实际使用它。

打开 AI 助手，尝试下面的练习。你不必一次完成全部 6 项。

1. 为真实任务制定 4D 计划

选择一件本周确实需要完成的事。

I need to do this: [describe the task].

Before we start, walk me through the four Ds of AI fluency for it:
delegation, description, discernment, diligence. Ask me one question
at a time, skip any that obviously does not apply, and give me the
plan as a short table at the end.

观察重点：计划主要由你的答案构成，而不是 AI 的答案。这正是重点。委派和尽责只能由你决定；AI 在这里的价值是提醒你提问，而不是代替你决定。

2. 在熟悉领域运用辨别

选择一个你真正有经验的主题。

Let's discuss [topic I know well].

Talk to me like a knowledgeable colleague, not a lecturer.
As we go, I will watch for three things:
- where you improve my thinking,
- where I need to correct you,
- where my own experience makes me reject your suggestion.

Start by asking which part of the topic I want to discuss.

观察重点：在熟悉领域，辨别的成本有多低。你几乎不费力、甚至不用刻意决定，就能发现错误主张。这种轻松感正是你的专业能力在发挥作用，而在练习 3 中，你不会拥有这种优势。

3. 体验非专家的感受

现在选择一个你几乎不了解的主题。

Teach me the basics of [topic I know little about].
Explain it for a complete beginner and use concrete examples.

At the end, identify the claims in your explanation that I should
verify with a reliable source, and explain why they deserve checking.

观察重点：同样质量的输出带给你的感受有何不同。这里没有任何内容让你觉得错，因为你没有知识可供核对。记住这种感觉：你构建的 agent 的每位用户都会一直处于这种状态，这正是 Digital FTE 需要评测而不能只靠信任的原因。

4. 编写表现描述

在严肃工作会话开始时使用下面这段：

During this conversation:
- challenge weak assumptions,
- flag uncertainty on factual claims,
- do not agree with me just to be polite,
- ask a clarifying question when an ambiguity would materially change the answer,
- change your recommendation when new evidence supports a change,
- explain why when you disagree with me.

观察重点：只需几轮，区别就会非常明显；但如果打开新对话而忘记重新设置，效果也会迅速消失。正因为这种消失，已部署 agent 才会把表现描述保存在系统提示词中，而不是某个人的记忆里。

5. 接受建议前先检查理由

把一个真实决策交给 AI，然后补上：

Before making a recommendation, list:
1. the important assumptions,
2. the evidence supporting them,
3. the criteria you are using to compare the options,
4. the major uncertainties.

Then make the recommendation.
I want a justification I can review, not just a conclusion.

观察重点：如果某项假设没有被写出来，你是否会默默接受它？这正是最值得核实的一项；当 AI 只给结论时，它完全不可见。

6. 让一个小项目完整经历 4D 循环

选择一个大约 1 小时能完成的项目：学习计划、教程、演示文稿、提案或小型编程任务。

I want to complete this project using the 4D AI Fluency framework:
[describe the project].

First, help me decide the human/AI division of work.
Then, before each AI-owned task, ask what product, process,
and performance I want.

After each important output, stop so I can evaluate it.
At the end, run a diligence check covering facts, sensitive data,
disclosure, approvals, and anything I should verify before using the work.

完成后问自己：

哪一个 D 最费力？

它很可能就是最需要练习的能力。

快速自测

不要回看，凭记忆回答。只要有一道题让你向上滚动，就说明那一节还没有真正掌握。

1. 哪 4 种品质定义了 AI 素养？
2. 自动化、增强和自主行动有什么区别？
3. 委派由哪三个部分组成？
4. 描述由哪三个部分组成？
5. 为什么自信的 AI 答案仍可能需要核实？
6. 辨别由哪三个部分组成？
7. 尽责由哪三个部分组成？
8. 发布 AI 辅助作品前可以问什么问题？
9. 用一句话概括 4D 循环。
10. 辨别如何在 Agent Factory 中变成工程实践？

答案

1. 有效、高效、合乎伦理且安全。
2. 自动化执行定义明确的任务；增强把 AI 当作思考伙伴与你协作；自主行动则拥有更多选择步骤的自由，并朝目标行动。
3. 问题意识、平台意识和任务委派。
4. 产物描述、过程描述和表现描述。
5. 因为 AI 生成的是看似合理的输出，而合理不等于正确。流畅措辞无法证明事实、假设或推理正确。
6. 产物辨别、过程辨别和表现辨别。
7. 创作尽责、透明尽责和部署尽责。
8. 「我愿意自信地在上面署名吗？」
9. 决定 AI 应该做什么，描述工作，评估返回内容，并对整个过程负责。
10. 它会变成评测、监控、抽样、审查门禁，以及其他用于检验 AI 系统表现是否可接受的方法。

本课新增术语

关于机器的技术词汇，请参阅 AI 究竟是什么 和本书的 术语表。下面是本课的重要术语。

AI 素养。 以有效、高效、合乎伦理且安全的方式与 AI 协作的能力。

4D。 委派、描述、辨别与尽责。

自动化。 AI 根据具体指令执行定义明确的任务。

增强。 人类与 AI 作为思考伙伴共同工作。

自主行动。 AI 代表某个人朝目标工作，并自行选择许多步骤。

委派。 决定需要完成哪些工作、AI 应该做什么，以及人类应该保留什么。

问题意识。 在让 AI 参与前，理解目标、工作、风险和成功的含义。

平台意识。 理解哪种 AI 系统或工具适合当前任务。

任务委派。 有意识地把各部分工作分配给人类或 AI。

描述。 向 AI 提供做好工作所需的信息和指导。

产物描述。 定义想要的输出。

过程描述。 定义 AI 应如何处理工作。

表现描述。 定义 AI 独立行动时应该如何服务使用它的人。在聊天规模上，这是你的工作风格偏好；在系统规模上，则是已部署 agent 的长期行为。

辨别。 评估 AI 的输出、理由和行为是否足够好。

产物辨别。 评估结果本身。

过程辨别。 评估与 AI 协作的方式是否真正划算，而不是只判断某一项输出是否优秀。

表现辨别。 评估 AI 独立面向用户的行为是否为其服务对象带来良好结果。

尽责。 对 AI 的使用方式以及输出带来的后果负责。

创作尽责。 在创作前和创作中负责任地选择工具、数据和 AI 用法。

透明尽责。 AI 的角色会影响他人时，如实说明它的作用。

部署尽责。 AI 辅助作品使用、发布、发送或执行前，对其验证并担保。

上下文工程。 设计 AI 系统所需的信息环境，包括指令、文档、工具、记忆、政策、示例和其他相关上下文。

自动化偏误。 人类过于轻信自动化输出的倾向。

幻觉。 AI 自信或看似合理，却包含捏造或错误信息的输出。

接下来学什么

你已经掌握了 Foundations 其余部分所依赖的人类框架。

接下来，2026 年的 AI 提示词 会把描述转化为每天都能使用的实用习惯。

如何在 AI 时代思考 会加强辨别与批判性思维。

在后续构建路径中：

• Spec-Driven Development 把委派和描述转化为工程方法
• Trusting the Checker 与 Eval-Driven Development 把辨别转化为评测基础设施
• System of Record 和 Designing the Vertical SoR 把尽责、上下文和治理转化为系统架构

如果你正在获取证书，请查看 认证，了解本材料对应的考试。

来源与许可说明

AI 素养框架由 Ringling College of Art and Design 的创意写作教授兼 AI 协调员 Rick Dakan，以及 University College Cork 的 Cork University Business School 信息系统与数字化转型教授 Joseph Feller 创建。他们的课程《AI Fluency: Framework and Foundations》与 Anthropic 合作制作，并以 CC BY-NC-SA 4.0 许可发布；参考文档《Framework for AI Fluency: Practical Overview Document》则以 CC BY-NC-ND 4.0 许可发布。

这门速成课用本书自己的语言和示例独立解释该框架，并非对原材料的复制或改编。这里采用的每项能力、子能力和模式定义，都已经与作者的 Practical Overview Document 及框架术语表核对。Agent Factory 映射、每项能力从聊天扩展到工厂系统的方式，以及四项能力组成工作循环的表述，都是本书的延伸。其中如有错误，责任在我们，而非框架作者。

也请阅读原作。它是免费的，而且对框架研究基础的讲解胜过任何摘要。

• AI Fluency Framework：作者自己的站点，包含论文、演示文稿和开放教育资源
• 《AI Fluency: Framework and Foundations》：Claude Academy 上免费的 12 课原始课程，约需 3–4 小时，也可通过 anthropic.skilljar.com 访问
• 《Framework for AI Fluency: Practical Overview Document》：作者持续更新的参考文档，也是对子能力最精确的说明
• 配套课程《Teaching AI Fluency》《AI Fluency for Educators》和《AI Fluency for Students》，同样可在 Claude Academy 与 OpenCourses.ie 免费学习
• AI Fluency Framework 术语表 (PDF)，版权归 2025 年 Rick Dakan、Joseph Feller 与 Anthropic 所有，以 CC BY-NC-SA 4.0 许可发布

---

闪卡学习辅助

---

测试你的理解

本课开头的 4 个问题读起来很容易，真正执行却很难。下面的情境会把你放进其他人的工作中，眼前已经有一项决定等待处理。请根据推理而非措辞回答，并注意每题真正测试的是哪一个 D。

Checking access...