在企业 AI 能力建设的实际推进过程中，一个核心难题始终困扰着培训团队：如何量化评估员工的 AI 使用熟练程度？传统的培训效果评估往往依赖主观问卷或简单的工具使用时长统计，难以捕捉人与 AI 协作过程中的关键行为模式。Anthropic 于 2026 年 2 月发布的 AI Fluency Index 提供了一套基于行为科学的评估框架，其核心是将 AI 使用能力分解为 24 个可观测的行为指标，并从中提炼出可工程化落地的量化参数。本文将深入解析该框架的指标体系、数据来源以及面向企业培训场景的可操作性建议。
4D AI Fluency Framework：四维能力模型
Anthropic 与亚利桑那州立大学 Rick Dakan 和 Joseph Feller 教授合作开发的 4D AI Fluency Framework，将 AI 使用能力划分为四个核心维度，每个维度对应一系列具体的行为指标。这四个维度构成了整个评估体系的基础架构：
Delegation（委托维度） 关注用户如何选择和结构化地分配任务给 AI，包括决定什么工作可以委托给 AI、给予 AI 多大的自主权、以及如何在人与 AI 之间分配工作流程。该维度强调的是任务分配的决策能力，而非单纯的操作技巧。
Description（描述维度） 衡量用户能否清晰、具体地描述任务目标、约束条件和上下文背景。用户是否提供了足够的背景信息？是否给出了期望的输出格式示例？这些都直接影响 AI 的输出质量。该维度对应的行为包括明确目标、指定输出格式、提供示例等。
Discernment（判断维度） 考察用户对 AI 输出进行批判性评估的能力。具体表现为是否会质疑 AI 的推理过程、是否检查事实准确性、是否能识别缺失的上下文或隐含假设。该维度是防止 AI 幻觉风险的关键防线。
Diligence（勤勉维度） 聚焦于风险管理和后续跟进行为，包括记录 AI 在工作中的作用、考虑下游影响、在使用或分享 AI 输出前进行适当的验证和修改。该维度对应的是负责任的 AI 使用文化。
四个维度共定义了 24 个行为指标，其中 11 个可直接从 Claude.ai 的对话日志中检测，另外 13 个发生在对话界面之外，需要通过定性方法评估。
可观测指标体系与数据基础
在企业培训场景中，真正具有工程化落地价值的是那 11 个可直接观测的行为指标。Anthropic 基于 2026 年 1 月 20 日至 26 日的 9,830 个 Claude.ai 多轮对话样本，使用隐私保护分析工具 Clio 进行了大规模行为检测。数据筛选排除了问候语、单次交换、测试消息和纯闲聊对话，确保分析对象为具有实质协作价值的对话。
关键的可观测指标按出现频率排序如下：迭代和精炼（Iteration and refinement）以 85.7% 的出现率位居首位，这是最强的单一预测指标；明确目标（Clarifying the goal）、指定格式（Specifying format）、提供示例（Providing examples）分别对应描述维度的核心行为；质疑推理（Questioning reasoning）、识别缺失上下文（Identifying missing context）、事实核查（Fact-checking）则构成判断维度的三大行为信号。
研究揭示了一个重要发现：迭代和精炼行为与几乎所有其他 fluency 行为呈强正相关。展示迭代行为的对话平均包含 2.67 个额外的 fluency 行为，而缺乏迭代的对话仅有 1.33 个。更值得注意的是，迭代对话中用户质疑 AI 推理的可能性提升了 5.6 倍，识别缺失上下文的可能性提升了 4 倍。这一发现为培训设计提供了明确的优先级指引。
工程化实现的关键参数
企业在构建自己的 AI 能力评估体系时，可以参考以下工程化参数进行系统设计：
行为检测模型参数：Anthropic 使用 11 个独立的二元分类器进行行为检测，分类器基于 Claude Sonnet 4 构建。每个对话可能被标记为展示零个、一个或多个行为指标。分类语言检测使用 Claude Haiku 3.5，支持六种语言（英、法、西、中、日、德），各语言组间行为率差异在 3 个百分点以内，说明框架具有良好的跨语言一致性。
样本规模与置信区间：9,830 个对话样本覆盖一周时间，数据稳定性验证显示大多数行为指标的日间波动在 1-5 个百分点范围内。唯一的显著偏差出现在周六：迭代和精炼行为降至 81.4%（工作日峰值 87.9%），反映了休闲用途与目的性用途的差异。企业进行内部评估时，建议单次样本量不低于 1,000 个对话，以确保行为率的统计稳定性。
Artifacts 场景的特殊处理：约 12.3% 的对话涉及 AI 生成代码、文档、交互工具等 artifacts。研究发现这类对话呈现出独特的双面特征：描述和委托行为显著增加（明确目标 +14.7 个百分点、指定格式 +14.5 个百分点、提供示例 +13.4 个百分点），但判断行为全面下降（识别缺失上下文 -5.2 个百分点、事实核查 -3.7 个百分点、质疑推理 -3.1 个百分点）。这意味着在评估开发类任务的 AI 能力时，需要单独建模 Artifacts 场景的判断行为基线。
企业培训落地的三条核心建议
基于 AI Fluency Index 的研究成果，企业在构建 AI 能力培训体系时可以遵循以下三条可操作原则：
第一，将迭代行为作为培训的第一优先级指标。 数据明确显示迭代是所有 fluency 行为的 “超级入口”—— 它不仅自身是核心能力，还能自然带动其他行为的出现。培训设计应鼓励员工在获得初次回复后继续深挖，而非接受首个答案后转向新任务。具体操作上，可以设置 “至少三次追问” 的练习目标，或者要求员工在每次协作中至少尝试一个改进方向。
第二，针对 Artifacts 生成场景单独设计批判性思维训练模块。 研究发现 AI 生成 polished outputs 时，用户会不自觉地降低评估力度。这一现象在代码生成、文档撰写等高频场景中尤为突出。企业应专门设计 “过度信任” 纠正培训，例如要求员工在收到代码输出后强制执行独立测试、在收到文档初稿后进行至少一项事实核验。
第三，将协作条款设置纳入培训必修内容。 数据显示仅有 30% 的用户会主动告知 AI 期望的交互方式。培训中应教授员工在任务开始时建立明确的协作约定，例如 “当我的假设错误时请指出”、“在给出答案前先展示推理过程”、“标注你不确定的部分”。这种前置约定能够显著提升后续对话中的批判性互动质量。
持续评估的监控框架
企业若要将 AI Fluency Index 框架真正融入人才发展体系，还需要建立持续监控机制。建议设置三个层次的评估周期：基线评估在新员工培训完成后一周内进行，采集首次系统性对话数据；季度评估覆盖最近 1,000 个工作相关对话样本，追踪行为率的变化趋势；年度深度评估则扩大样本规模至 5,000 以上，并纳入定性访谈以覆盖 13 个不可直接观测的行为指标。
行为率的监控阈值建议参考以下标准：迭代行为低于 70% 触发红色预警、低于 80% 触发黄色预警；判断维度三个指标（质疑推理、识别缺失上下文、事实核查）任一低于 50% 触发团队培训需求评估；Artifacts 场景的判断行为下降幅度超过 5 个百分点时触发专项复盘。
AI Fluency Index 为企业提供了一个以行为科学为基础、以可量化指标为支撑的评估框架。其核心价值不在于提供一个静态的 “熟练度分数”，而在于揭示了 AI 能力发展的关键行为路径。随着 AI 工具在企业中的渗透率持续提升，建立系统化的能力评估与培训体系将成为人才战略的必要组件。
参考资料
- Anthropic Education Report: The AI Fluency Index, 2026 年 2 月
- 4D AI Fluency Framework, Anthropic Skilljar Courses