2026 年 8 月 20 日，Anthropic 上线了 Claude Academy。按照官方发布说明，每月有数百万人访问 Anthropic 网站，寻找如何使用 AI 的资料。现在，这些课程、教程和案例被放进了一个更完整的学习平台。
乍看之下，这像是大模型公司常见的用户教育项目。注册、选课、拿徽章，再顺手熟悉一下自家产品。可我把 Anthropic 的发布说明和配套的 AI Fluency Framework 对照着看了一遍，发现它想教的东西比产品操作宽得多。
Claude Academy 关心的第一个问题并不是提示词怎么写。它先让学习者判断，一件工作该不该交给 AI，哪些环节应当留在人手里，生成结果又该查到什么程度。
这个顺序很重要。模型越聪明，使用 AI 的难点越会从怎样问，移到交给它什么，以及人愿意为结果承担多少责任。
如果你需要在工作流中接入API，自由切换全球200+大模型（客服开白），魔芋AI提供合规保障、财务开票、企业级网关、技术支持与定制服务，助力更高效地管理应用AI能力。
链接注册可领百万Tokens：魔芋AI大模型网关I全球大模型一站式调用及服务平台魔芋AI大模型聚合平台（大模型网关平台）专注于提供高效能、低成本的多品类 AI 模型服务，助力开发者和企业聚焦产品创新。
https://www.moyu.info/register?aff=qBX9
Claude Academy 目前提供了什么
Claude Academy 已经可以通过 academy.claude.com 访问，也能从 Claude 个人菜单里的 Learn more 入口进入。用户可以根据兴趣和已经完成的内容获得课程推荐，记录学习进度与徽章，还能安装 Claude Academy Skill，让 Claude 按照用户的工作方式推荐课程或学习路径。
平台里的内容分成课程、教程和使用案例。Anthropic 表示，其中既有 Claude 产品相关内容，也有不依赖特定模型和产品的通用课程。课程围绕工作和生活中需要解决的问题组织，例如法律工作者可以学习怎样让 Claude 协助处理一部分任务，同时判断哪些内容应由自己完成。
这套思路来自 Anthropic 的内部培训。新员工入职第一天就会接触 4D AI Fluency Framework、智能体上下文管理，以及模型常见错误。完成入职培训以后，员工还要参加被称为 ever-boarding 的持续学习项目，继续了解 AI 的能力、限制和人机协作方法。
这里需要分清一件事。Claude Tag、由 Claude 协助管理的 IT、法务和福利 Slack 频道，属于 Anthropic 在介绍内部学习方式时举出的例子。官方没有把它们列为 Claude Academy 面向普通用户开放的功能。
4D 框架究竟在教什么
Dakan 和 Feller 在 2023 至 2024 年间形成了 4D AI Fluency Framework，Anthropic 随后与两人合作开发课程。相关内容后来进入高校课程、员工培训和社区活动。AI Fluency Framework 官方材料记录了这段过程。
4 个 D 分别对应 Delegation、Description、Discernment 和 Diligence。中文可以理解为任务分配、需求描述、结果辨别与负责实践。
| 能力 | 要解决的问题 | 实际动作 |
|---|---|---|
| Delegation | 哪些工作交给 AI，哪些工作由人完成 | 先弄清目标，再判断模型能力与限制，最后安排人机分工 |
| Description | 怎样让 AI 理解任务 | 说明期望产物、工作过程、受众、格式，以及协作时的行为方式 |
| Discernment | 怎样判断结果能不能用 | 检查准确性、相关性、推理过程和交互表现，找到需要修改的部分 |
| Diligence | 怎样对 AI 辅助的工作负责 | 选择合适的系统，披露 AI 的参与方式，并对采用和传播的结果负责 |
这 4 项能力连在一起，正好覆盖一次 AI 协作的完整过程。
很多人通常从 Description 开始，上来就琢磨角色设定、示例、输出格式和提示词结构。4D 把 Delegation 放在前面，要求使用者先判断是否应该调用 AI。涉及敏感信息、专业判断或个人能力长期保持的任务，交出多少，往往比提示词写得多漂亮更要紧。
Discernment 的范围超过核对单个事实。框架把辨别延伸到产物、过程和表现。文章中的数据可能都是真的，论证仍然可能漏掉关键条件。代码可能通过测试，依赖选择和异常处理仍然可能埋下问题。模型语气很肯定，也不能替代检查。
Diligence 则把责任带回使用者。你用了什么工具，向系统提交了什么数据，是否向同事或客户说明 AI 参与，发布前做了哪些核验，这些都属于 AI 素养。模型生成了一段内容，并不会顺手接走签字人的责任。
提示词技巧为什么越来越不耐用
Anthropic 在发布说明里举了一个很有意思的例子。过去，人们常被教导要在提示词中主动描述受众。新模型发现缺少关键信息时，已经能自己追问。曾经有效的固定动作，随着模型更新很快就会失去原来的分量。
这正是很多 AI 教程的难处。今天还在传播的万能模板，下次模型更新后可能只剩形式。学习者记住了一套指令，却没有学会判断任务风险，也不知道什么时候该停下来核验。
Claude Academy 因此更强调能维持较长时间的思维习惯。官方给出的一个原则很实用，核验强度应当与事情的风险相称。
让 AI 整理一份私人阅读清单，错一两项的代价很低，快速浏览即可。让 AI 修改生产环境的数据库脚本，检查方式就该完全不同。开发者至少要看变更范围、权限、回滚方案和测试结果。涉及医疗、法律、财务或公开发布的内容，还需要合适的专业人员复核。
同样一次模型调用，因为后果不同，合格的使用方式也不同。AI 素养很难靠一个万能提示词解决。
AI 使用发生在对话框的前后
Anthropic 还把教学范围放到了对话框之外。
调用模型以前，人要决定是否委派、怎样拆分任务、哪些资料可以提交。模型工作时，人要补充上下文、观察过程、调整方向。得到结果以后，人还要核验、修改、记录来源，并在需要时披露 AI 的参与。
官方举出的例子很具体。一份敏感备忘录可以由人亲自起草关键段落，把摘要幻灯片交给 AI。探索性数据分析可以让 Claude 协助，最终检查仍由人完成。这里没有固定答案，重点在于学习者能说清自己的分工依据。
对于开发团队，这套方法可以压缩成一张简单的任务卡。
|-------|-------------------------|
| 项目 | 开始前要写清的内容 |
| 任务目标 | 最终要解决什么问题，成功标准是什么 |
| 人机分工 | AI 负责哪些步骤，人保留哪些判断和操作权限 |
| 可用上下文 | 可以提供哪些代码、文档和数据，哪些信息不能提交 |
| 交付要求 | 输出格式、约束、测试条件和禁止改动的范围 |
| 核验计划 | 谁来检查，检查哪些证据，风险高时增加什么复核 |
| 使用披露 | 是否需要向同事、客户或读者说明 AI 如何参与 |
这张表没有复杂技巧，却能挡住不少常见问题。许多失败源于模糊的任务边界，生成内容又未经检查便进入下一步，模型偶尔答错只占其中一部分。
ever-boarding 可能比一门结业课更重要
Anthropic 把持续培训叫作 ever-boarding，可以理解成不会结束的入职学习。这个词多少有点公司内部文化的味道，背后的判断却很实在。
传统软件的操作培训通常有一个结业点。菜单和流程短期内相对稳定，学会以后可以用很久。生成式 AI 的能力、交互方式和风险边界变化更快。员工去年形成的经验，今年可能已经不够用。有些旧技巧失效了，有些原先不能交给模型的工作开始变得可行，也有新的安全问题出现。
一次培训很难解决这种变化。组织如果真想让员工安全使用 AI，需要定期更新案例，让不同岗位分享失败与核验方法，还要为高风险任务保留清楚的责任人。课程只是其中一部分，工作中的反馈才会让判断逐渐变准。
这也解释了 Claude Academy 为什么同时提供课程、教程、案例、推荐路径和进度记录。Anthropic 想把 AI 学习做成长期过程。至于它能否让用户持续回来，仍要看课程更新速度、实践质量，以及学习结果能不能进入真实工作。
这次发布仍有几个边界
Claude Academy 已经上线，但官方也承认，今天的学习体验仍然比较固定。借助 Claude 提供大规模、个性化和互动式练习，是后续设想，不能当成已经完整落地的能力。
平台虽然强调通用 AI 素养，课程和案例依然由 Claude 生态提供。读者可以借鉴 4D 框架，也应留意具体操作是否适用于其他模型、企业数据政策和本地合规要求。
另外，完成课程和拿到徽章只能说明学习者走过了既定内容。真正的 Discernment 和 Diligence 要在具体工作里接受检验。一个人能复述幻觉、上下文窗口和核验原则，不等于他在赶工时仍愿意停下来查证。
我更在意 Claude Academy 传出的另一个信号。大模型公司的竞争已经走到用户怎样学会使用 AI 这一环。模型能力越接近，谁能帮用户建立稳定的方法，谁就更容易进入日常工作。
对普通用户和开发者来说，4D 最有用的地方也很朴素。下次打开 AI 工具时，先别急着寻找一句更强的提示词。先问自己几个问题。这项任务该交多少，结果该怎么查，出了问题由谁负责。
能把这些问题答清楚，AI 才真正开始替你做事。