EP01. "AI Fluency Index 讨论指南：团队用 AI 的真实数据说了什么"
🔒 登录后可标记已读- Anthropic 统计了一批真实对话后发现，86% 的对话里用户会追问/修改 AI 的答案（iteration）——那你自己团队呢，是拿到答案就直接用，还是会继续磨？
- 这不是报告本身，是配套的讨论指南：教怎么带一场 45-60 分钟的团队讨论会，围绕《Anthropic Education Report: The AI Fluency Index》这份报告里的数据展开
- 前置知识：参与者最好先读过原报告，这份指南只负责给讨论框架、问题和几个可选小活动
- 核心概念是「成品效应」（Artifact Effect）：AI 给的答案越像一份完工的成品，用户越不容易再去检查它对不对
- 学完可以直接照着这份指南的四个话题 + 三个小活动，带一场有结构的团队讨论
重点内容
报告里的三组关键数据
指南开场先拿几个数字破题，说明「用 AI 用得好的习惯」其实大部分人已经在做，只是不自觉：
| 行为 | 数据 |
|---|---|
| 会追问/修改 AI 的答案（iteration） | 约 86% 的对话里出现 |
| 会先说清楚自己要什么（goal clarification） | 约一半的对话 |
| 会给 AI 具体例子（output examples） | 约 41% 的对话 |
Topic 1：团队本来就有的强项
先讨论上面这三组数据里，团队自己最强的是哪一项；再具体一点，讨论大家平常拿到 AI 第一次给的答案，是会继续磨，还是直接照单全收。
Topic 2：为什么「追问」这个习惯特别重要
报告发现 iteration（追问/修改）跟其他几项好习惯是绑在一起的——一旦对话里出现 iteration，其他维度的表现也会一起提升。讨论重点：为什么会有这种连带关系？团队里是什么原因让大家不愿意多问一轮？
Topic 3：成品效应（The Artifact Effect）
当 AI 一次给出的东西看起来很「成品」（排版工整、结构完整），使用者反而会：
- 前期更愿意花心思去下指令（directive behaviors 变多）
- 但事后检查评估的力度反而变少
📌 指南提醒：越工整、越像成品的输出，越容易让人误以为「这就是完成了」，反而放松了查证。这一点值得对照 EP02（《AI 能力与局限》）里讲的「幻觉常藏在具体细节里」——看起来越完整的答案，不代表细节越可靠。
Topic 4：组织层面可以往哪个方向发展
指南给出三个改进方向，供团队讨论怎么落地到自己的工作习惯里：
- 多追问几轮——不要拿到第一版答案就结束
- 对"看起来很完整"的输出多留一个心眼——越工整越要检查
- 跟 AI 系统先讲清楚协作的规矩——比如固定要求 AI 标注不确定的地方
三个可选小活动
带讨论会时可以挑一个来实操：
- Iteration Challenge（追问挑战）：对同一个 AI 初次回答，连续做三轮追问/修改，感受答案怎么被磨出来的
- Spot the Gap（挑错游戏）：拿一份 AI 生成的成品，一起找里面藏的错误或没说清楚的假设
- Set the Terms（定规矩）：每个人写一份自己跟 AI 协作的个人守则（比如"数字类内容一律要求附来源"）
Sources
官方文档：
- A Discussion Guide for the AI Fluency Index — https://academy.claude.com/tutorials/a-discussion-guide-for-the-ai-fluency-index