你有沒有想過，為什麼有人用 Claude 幾個月就超牛逼，但有人用了一年還在重複踩坑？差別不在天分，而在於有沒有學對方式。

最近 Anthropic 發佈了一份有夠猛的研究成果——他們分析了超過 50,000 場 Claude 對話，從中找出了人們如何逐步掌握 AI 協作的規律。不是靠猜、不是靠碰運氣，而是實實在在的數據驅動的學習路徑。今天就來拆解一下這套課程到底在教什麼，以及你應該如何應用。

為什麼多數人卡在「新手天花板」

說實話，很多人用 Claude 的方式就是：丟一個需求進去、看結果、複製貼上。有時候能用，有時候垃圾。然後就以為自己「會用 Claude」了。

但真相是，你根本沒有在學習。你只是在透支運氣。

Anthropic 的研究發現，使用者的進度通常沿著兩條軌道發展，但這兩條軌道的成長邏輯完全不同：

  • 某些技能會自然成長——只要一直用，經驗累積就會進步
  • 某些技能則需要刻意教學和反覆練習，不然永遠改不了

這個發現改變了整個 Claude 的教育設計，也應該改變你的學習策略。

50,000 場對話說出的真相

研究數據涵蓋了 Claude Chat、Claude Code 和 Claude Cowork 三個產品面，統計了 11 個「AI 流暢度指標」(AI Fluency Indicators)。結論很清楚：每個 Claude 產品都有自己的「必殺技」，掌握這招才能打好基礎。

在 Chat 裡，必殺技是「迭代」(Iteration)

  • 會在追蹤對話中持續修正的使用者，其他所有流暢度指標都更高
  • 反之，只傳一條訊息就走的人，根本沒有發展出任何批判性評估能力

迭代創造了學習的空間。你問、Claude 回答、你調整方向、它優化。這個循環就是成長的引擎。

在 Claude Code 和 Cowork 裡，必殺技是「明確目標」(Clarify the Goal)

  • 先講清楚你要什麼，再讓 Claude 開始執行的使用者，後續指令格式、互動風格、任務分解都做得更好
  • 反過來，模糊提需求然後期待 Claude 猜對的人，基本上都失敗

看起來簡單，但這就是為什麼有人的 Claude Code 工作流真香，有人卻在持續吐槽「它怎麼都做不對」。

從敘述到評估：學習的三階段

Anthropic 把使用者的成長模型拆成三個層次，分別代表不同持久度的控制方式：

第一層：基礎敘述 (Basic Description)

最直接的塑形方式——這一刻影響這一次回應。迭代、上傳檔案、補充上下文，都在這層。

好消息：這些技能會隨著時間自然成長。只要你持續用 Claude，不需要特別教，你就會慢慢學會怎麼提供更好的背景資訊、怎麼描述得更清楚。

第二層：中等持久性 (Middle Durability)

涉及重複能力的塑形。用 Skills 定義標準流程、設定互動風格、使用 MCP（Model Context Protocol）。

第三層：持久配置 (Lasting Configuration)

在配置層面做一次調整，往後每場對話都受惠，而不需要每次都重複溝通。Project、CLAUDE.md、Scheduled Workflow 都在這層。

這三層裡，前兩層會隨著使用自動進步，但有一個例外…

最難學的課題：評估力 (Discernment)

這是重點。評估能力不會因為你用久了就自動進步，它也不會從其他技能轉移過來。

為什麼？因為現代化的驗證方式很騙人：

  • Claude 改了一個檔案？你看 diff，測試通過，就以為沒問題
  • Claude 寫了一份報告？讀起來蠻順的，看起來就沒錯誤
  • 但這些都只是「你能看到的表面」

看不到的問題才是要命的：

  • 編譯通過的代碼可能邏輯思路根本錯誤
  • 文筆流暢的報告可能引用的數據來源有問題
  • 聽起來很有說服力的建議可能基於錯誤的前提假設

如果你的訓練時間有限，應該把重點放在「評估力」這個環節上，因為這是最容易被忽視、也最致命的盲點。

實戰課程框架

Anthropic 整理出的學習序列超簡潔：

  1. 優先教產品的必殺技（Chat 是迭代、Code/Cowork 是明確目標）
  2. 沿著敘述頻譜逐步深入（從基礎到持久配置）
  3. 在每一步都插入評估檢查（「現在停下來，這個結果對嗎？」）

關鍵是那最後一步——「現在質疑它」。因為如果不把批判性思維烙進學習流程裡，用戶很容易就陷入「盲目信任」的模式。

舉例：Chat 使用者怎麼練

難度等級 該練什麼 怎麼教 評估檢查
基礎 迭代、選模型、上傳檔、網路搜尋 現場示範，讓他們拿自己的任務試 這個結果真的能用，還是還需要調整一輪？
進階 Artifacts、Extended Thinking、Connectors 配合格式指定來創作；把 Thinking 當成「我要 Claude 想得更深」的工具 讀讀看 Thinking 過程，推理邏輯到底站不站得住？
深度 Projects、自訂指令、Memory 看一個設定好的 Project 如何改變每一場對話 你的 Project 設定是真的在幫 Claude，還是只是餵它更多資訊？

舉例：Claude Code 使用者怎麼練

難度等級 該練什麼 怎麼教 評估檢查
基礎 明確目標、檔案參考、選模型 一個清楚的目標、一次執行、然後檢視結果 接受 diff 前，先問 Claude：「你對這個任務有什麼假設？」
進階 Skills、Slash Commands、MCPs 打造可重複的能力 用這個 Skill 去測試一個它可能搞砸的情境
深度 CLAUDE.md、Hooks、Subagents 在整個 repo 層面塑形每一場工作 定期審視你的配置，Claude 有沒有按你預期的方式用它？

Claude vs 其他 AI 工具：學習方式的差異

你可能在用 Cursor 或 Copilot，或兩者都用。他們怎麼教使用者？通常是：「這是功能，試試看。」

Claude 的研究驅動課程不太一樣。它不是列功能清單，而是基於「50,000 場真實對話」的數據，找出了什麼教法最有效。Cursor 的 Agent 模式有優勢，但它們沒有這種規模的數據分析。Copilot 在企業集成上強，但學習路徑不如 Claude 這套深思熟慮。

換句話說，Claude 不是在賣功能，而是在教你怎麼思考 AI 協作。

適合哪些人

這套課程對以下人群特別有價值：

  • 想系統化提升 Claude 技能的開發者——不再靠猜測，用實證方法學習
  • 帶團隊的主管或技術主導——想為整個團隊建立 Claude 的培訓課程
  • 剛開始用 Claude Code 的人——掌握「明確目標」這個必殺技能
  • 覺得自己用 Claude 但成果差強人意的人——可能是評估力沒練好

如果你還在「丟需求→看結果→複製」的循環裡，這套東西就是為你設計的。

最後的想法

學習用 Claude 不像學習一個傳統工具——你不是在學「按哪些按鈕」，而是在學「怎麼和 AI 思考」。研究數據告訴我們，最高效的學習不是瞎試試，而是遵循一個經過驗證的進度：掌握基礎、深化敘述、恆常評估。

最後提醒一下：不要高估自己的評估能力。再有經驗的工程師都容易被漂亮的程式碼或流暢的文筆騙過。這不是你的問題，是 AI 的特性。所以「現在質疑它」要變成習慣，而不是偶爾想起來才做。

真香的不是 Claude 本身，而是掌握了「怎麼和它合作」之後，你能做的事。

原文來源：Getting good at Claude: A research-backed curriculum

參考來源：Claude Code in Action - Anthropic Academy