Anthropic 推出 AI 学习平台 Claude Academy 把公司内部已经在使用的员工培训方法整理并公开

Anthropic 内部是怎么培养员工的？

Claude Academy 直接照着 Anthropic 的内部培训方法搭建。这里的 AI fluency 指的是：能有效、安全、有判断地使用 AI。

第一，从入职第一天训练 4D 框架。 所有员工在 onboarding 阶段学习 4D AI Fluency Framework，同时理解 Agent 能看到什么、AI 常犯哪些错误，以及如何管理提供给 Agent 的上下文。员工要先划出委派边界：哪些任务交给 AI，哪些环节留在人手里，然后练习从 AI 生成结果里找出破绽。

第二，用“Ever-boarding”接进入职培训。 员工会继续学习 AI 的能力与限制，以及有证据支持的人机团队协作方法。模型、工具和工作方式一直在变，一次培训显然不够；持续学习因此成了每个岗位的日常要求。

第三，让 AI 工具直接进入日常工作流。 员工可以通过 Claude Tag 即时查询公司、岗位和个人入职计划相关的问题；IT、法务、员工福利等 Slack 频道也由 Claude 协助回答。学习被嵌进了每天遇到问题的现场。

Anthropic 称，具备 AI fluency 的员工能够围绕真实问题更灵活地组队、承担范围更大的项目，并规模化地向公司专家学习。但这仍是 Anthropic 对自身实践的描述：官方没有给出员工能力前后测、业务收益对照组或课程完成后的行为变化数据。能确认的是，它已经把 AI 培训当作组织运行的基础设施，而不只是一项员工福利。

Claude Academy 的五条核心教学理念

1. AI 教育首先要增强人的自主权

课程从工作和生活中的真实问题出发，不要求学习者先背一遍产品功能。“自主权”还包含一个容易被忽略的动作：主动决定哪些技能值得继续亲自练习，避免因为把所有过程外包给 AI 而失去核心手感。

2. 长期心智比固定技巧更重要

旧式 AI 培训常教一套“正确动作”：声明角色、描述受众、限定格式、补几个例子。问题是，模型一升级，昨天必要的动作可能今天已经被模型自动完成。官方举例称，以前用户要主动写明“受众是法务同事”；更新的模型缺少关键信息时，已经可以自己追问。

因此，Claude Academy 更强调耐久心智：开始前定义成功；把第一版当草稿；把上下文视为首要杠杆；按风险程度核验；把 AI 当作需要指导的协作者，而不是神谕；AI 的帮助不会转移人的责任。其中两句最能概括这种转向：“今天的 AI 是你将用过最差的 AI”，以及“验证投入应与风险代价成正比”。前一句是工作假设，不是已经得到证明的技术预测；后一句则可以直接变成任务验收规则。

3. 安全使用 AI，要管理聊天框前后的完整过程

安全和有效取决于完整过程。使用前要划清分工：敏感备忘录的核心论证可以自己写，把总结和排版交给 AI；探索性数据分析可以让 AI 协助，但最终核验仍留给人。使用后还要向同事、客户或其他利益相关方说明 AI 在文档、分析或媒体制作中参与了什么。这不等于给所有内容机械贴标签；披露要跟场景和风险匹配，同时把责任链讲清楚。

4. 学 AI 必须动手、试错和反思

Claude Academy 的用例、教程和课程都要求学习者边做边练，通过实验和复盘找到适合自己的协作方式。Anthropic 甚至称，今天的 Academy 会是它“最固定的一版”；未来会逐步增加个性化练习，减少统一课程路径的限制。

5. 会用 AI 之后，它可以反过来加速一切学习

AI 还可以承担学习伙伴的角色：面对密集概念，可以要求它画图拆解；遇到复杂逻辑，可以进行苏格拉底式追问；学习者还能让它生成交互式解释，再继续质疑和修正。所谓“超级外挂”，价值在于降低提问、反馈和反复练习的成本。

4D 框架：把五条理念变成完整工作闭环

4D AI Fluency Framework 把人机协作拆成四项能力：

• Delegation（委派）：先决定目标、任务怎么拆，以及哪些部分适合交给 AI。
• Description（描述）：把目标、背景、约束和完成标准讲清楚。
• Discernment（判断）：检查输出是否正确、完整、适用，哪里只是看起来合理。
• Diligence（责任）：对数据、披露、使用方式和最终结果负责。

课程页又把这套框架推进了一层。它先区分三种人机关系：AI 按指令完成具体任务的自动化，人与 AI 共同思考和执行的增强，以及人设定知识与行为边界、让 AI 代表自己工作的自主运行。4D 要覆盖这三种模式，任务越接近自主运行，委派和责任就越不能含糊。

课程并没有停在概念解释。第 3 课先放一段 5 分钟视频，再让学习者分别用营销邮件、研究数据和故事角色三个任务练习 4D，最后回答自己哪一项最弱、下一次真实工作准备怎么改。Diligence 也被拆成创建过程、透明披露和部署使用三类尽责。

点击上图可观看 Anthropic 的 5 分钟 4D 框架视频。

记住四个 D 没什么难度，难的是把它们连成工作闭环。普通提示词课通常只教 Description：怎样把话说得更清楚。4D 把视野拉到聊天框前后——输入提示词之前，先判断该不该委派；收到结果之后，再核验、披露并承担后果。一次工作的结论还会反过来改变下一次委派边界。

这也是“agency”在这里的实际含义：AI 帮你扩大行动范围，但没有替你决定什么值得做。你可以自己写备忘录里最敏感的部分，把汇总幻灯片交给 AI；也可以让 AI 做探索性分析，但把最终检查留给人。切分方式没有万能答案，它取决于风险、能力和你希望保留的手感。

官方截图甚至把“识别不适合 AI 的任务”列为 Delegation 能力。换句话说，会用 AI 的高级表现之一，是知道什么时候不用。

“漂亮成品”悖论：输出越完整，越容易少检查

Anthropic 自己的 AI Fluency Index 给这套课程找到了一个很尖锐的现实缺口。

研究分析了 9,830 段多轮 Claude.ai 对话。4D 框架共有 24 项行为，但研究只能从聊天中观察其中 11 项。结果显示，持续迭代的对话平均出现更多 AI fluency 行为：2.67 项，对照的非迭代对话是 1.33 项。

更值得注意的是 artifact 对话，也就是 AI 生成代码、文档、应用或交互工具的场景。用户在这些对话里更会“下指令”：澄清目标、指定格式、提供例子的比例都上升了；但更少识别缺失背景、查证事实和质疑模型推理。

这不是“AI 让人变笨”的因果证明。研究只观察 Claude.ai 的聊天行为，用户完全可能在聊天之外运行测试、查资料或请同事审稿；任务类型也可能不同。但它暴露了一个非常实用的心理陷阱：输出越完整、越漂亮、越像成品，人越容易把“看起来完成”误当成“已经验证”。

因此，“按风险程度核验”必须进入生产流程。低风险草稿可以抽查；影响客户、资金、法律或公开声誉的结果，需要证据链、测试和明确的人类签字。核验成本不必处处拉满，但不能被漂亮界面降到零。

完成任务不等于形成能力

Claude Academy 明确反对只看不练。课程中的用例、教程和练习要求学习者边做边反思：什么办法有效，哪些能力仍然要亲自练，AI 究竟是在帮助理解，还是只替你交作业。

这个区分有实证背景。Anthropic 的一项编程技能随机对照实验让参与者学习一个新的 Python 库。AI 组完成任务平均只快约两分钟，差异没有达到统计显著；随后的测验均分却是 50%，手写组是 67%。差距最大的是调试类问题——恰好是未来监督 AI 代码最需要的能力之一。

这项实验范围很窄，不能推出“用 AI 学任何东西都会退步”。实验内部也有重要差异：把 AI 用来追问概念、要求解释并保持自己动手的人，掌握程度更好。风险出在把“产出已经出现”误认成“能力已经形成”。

所以有效练习至少要留下三个痕迹：开始前自己写出完成标准；过程中说明为什么接受或拒绝 AI 的建议；结束后能离开当前对话，独立复述或修复结果。徽章只能证明课程完成，不能替代这三种能力证据。

Anthropic 也在用 Reflect 把 4D 框架变成持续的个人反馈，而不是一次性的课程结业。

继续阅读Anthropic 给 Claude 加了 Reflect：像屏幕使用时间一样，看清你的 AI 习惯设置里一键出报告。聊了什么、什么时候聊得多、常让它干什么，摊开给你看。要先打开 Memory。→

企业怎么把这套方法落到培训里？

从这套方法可以进一步推出：企业 AI 培训需要同时淘汰过时课件和“听完一场课就算转型完成”的验收方式。

一套更有效的训练应该直接嵌进真实工作：

1. 拿一个真实任务开场：直接处理学员下周要交付的分析、方案或流程，别从抄示例提示词开始。
2. 先画委派边界：写清哪些步骤交给 AI，哪些判断必须留在人手里，以及为什么。
3. 先定义完成标准：在生成之前确定质量、事实、格式和风险门槛，避免拿第一版反推标准。
4. 交付可检查的证据：不仅交最终文档，还交来源、测试、修改记录或人工确认点。
5. 复盘并更新规则：模型变了、任务变了，旧提示和旧限制都要重测；课程因此成为持续更新的运行系统。

这五步是本文根据 4D、练习和 ever-boarding 原则推导的企业实施方法，Anthropic 尚未把它作为 Academy 成效方案发布。相应的衡量方式也要变化：课程完成率和节省时间只能算过程指标，还要看员工能否接更复杂的任务、发现 AI 的错误、说明委派边界，并在高风险场景留下可审计的判断。

如何开始使用 Claude Academy

先分清两条学习线。 Academy 首页一条线按 Claude.ai、Cowork、Code、Tag 和 Platform 等产品组织，另一条线专门讲 AI Fluency。后者包括 AI Capabilities and Limitations、AI Fluency: Framework & Foundations，以及面向教师、学生、非营利机构、小企业和开发者的课程；示例可能使用 Claude，4D 和能力边界等内容并不绑定某个模型。

再从推荐课程开始。 Academy 会结合用户选择的兴趣方向和已经完成的内容推荐下一门课。AI Fluency: Framework & Foundations 是一条较完整的入门路径：14 节课、约 4 小时、1 个测验，并提供完成徽章。

再用进度和徽章管理学习。 登录后可以保存进度、追踪课程完成情况，并在完成课程评估后取得徽章。它们适合记录学习路径，但不能单独证明学习者已经具备独立核验和解决真实问题的能力。

让 Claude 主动推荐下一步。 用户可以安装 Claude Academy Skill，让 Claude 根据实际工作方式推荐适合的课程或学习路径。这比从完整目录里盲目选课更接近“在工作中学习”的设计。

两个直接入口。 访问 academy.claude.com；或者在 Claude 个人资料菜单中打开“Learn more”。

Claude Academy：能力与证据边界

Anthropic 自己也承认，现在的 Academy 是它“最固定的一版”。个性化、交互式解释器和大规模学习伙伴仍是计划，不是已经交付并验证的结果。

这把问题重新落回人的判断：AI 时代的教育不能只让人更快拿到答案。模型会越来越擅长生成答案，稀缺的是人能否定义问题、保留必要能力、识别漂亮错误，并对最后的决定负责。

只让学员记住更多按钮的 AI 课会很快过期。能留下来的，是划边界、做核验、留证据这些随模型升级仍然有用的能力。