課程定位：為什麼要學 Claude
這門課不是教你記住某個按鈕在哪裡。介面會改版，但「判斷什麼任務適合交給 AI、如何下達清楚指令、如何覆核結果」是可以長期沿用的能力。
- 目標：建立可遷移的 AI 工作模式，而非特定工具操作記憶
- 範圍：Chat、Cowork、Code 三種主要工作型態
- 原則：Human → AI → Human，人始終定義任務並保留最終責任
資訊
AI 提供能力，人保留責任。這句話會貫穿整套課程。
AI 101 · 模組 1
Claude 通識與 AI 工作模式
從生成式 AI 到代理式 AI，建立 Claude 的工作心智模型
開始第一節已完成 0 / 19
同步我的進度加入梯次後，進度可跨裝置保存，講師也能看到
學習目標
- 區分生成式 AI 與代理式 AI，並說出生成式 AI 的主要限制
- 說明 Chat、Cowork、Code 三種工作模式，以及各自適用的情境
- 了解 Projects 與 Artifacts 如何支援長期脈絡與反覆修改的產出
- 在使用 AI 產出前，運用人工審查清單與四個資料安全問題
課程定位
生成式 AI
生成式 AI（Generative AI）是什麼
生成式 AI（Generative AI）根據你給的輸入（文字、文件、圖片）產生新的內容：文字、摘要、程式碼、分析草稿。它的核心能力是「根據上下文生成合理的下一步內容」。
常見用法
撰寫草稿、摘要長文件、翻譯、整理會議紀錄、生成程式片段。
- 行政工作：把一份活動企劃草稿改寫成給主管看的正式版本
- 客服工作：把雜亂的客戶來信整理成條列式問題清單
- 專案工作：把一份英文技術文件摘要成三段中文重點，方便團隊快速掌握
資訊
生成式 AI 不會自己判斷「這份草稿是不是已經可以交出去」，這個判斷永遠是人的工作。
自我檢測
同事請 Claude「幫忙把一堆零散的會議語音逐字稿，整理成條列式的待辦事項」，這主要是運用生成式 AI 的哪一種核心能力？
生成式 AI 的限制
- 可能產生看似合理但錯誤的內容（幻覺 / hallucination）
- 不主動查證來源，除非明確要求並提供依據
- 對最新或內部資訊的掌握取決於你提供的上下文
- 沒有「動手做」的能力，除非搭配工具或代理式功能
注意
任何輸出在交付前，都需要人工覆核關鍵事實與數字。
自我檢測
生成式 AI 最主要的限制是什麼？
代理式 AI
代理式 AI（Agentic AI）是什麼
代理式 AI（Agentic AI）不只生成內容，還能規劃步驟、呼叫工具、執行多步驟任務，並根據中間結果調整下一步。Claude 的 Cowork 與 Code 能力即屬於此類。
- 會先規劃「先做什麼、再做什麼」，而不是只回一段文字
- 可以讀取多份檔案、搜尋資料、執行計算，再把結果串起來
- 中途發現資料不夠或方向不對時，能主動調整下一步，而不是卡住不動
工作情境
請 Claude 讀取本月五份分店營運報表，彙整出共同的異常項目並製作一份摘要表格。這需要規劃、讀取多份資料、彙整，屬於代理式任務，而不是單純生成一段文字。
自我檢測
下列哪一項工作最能體現「代理式 AI」而非單純「生成式 AI」的能力？
生成式 vs 代理式
生成式 AI
- 單次回應
- 你提供輸入，它產生輸出
- 不主動採取行動
- 適合：草稿、摘要、翻譯
代理式 AI
- 多步驟規劃與執行
- 可呼叫工具、讀寫檔案
- 中途可根據結果調整
- 適合：跨文件整理、自動化流程
同一個任務，兩種做法
「幫我寫一封請客戶補件的信」通常只需生成式 AI 單次產出；但「幫我檢查這 20 位客戶的資料是否補齊，並分別草擬提醒信」則需要代理式能力先逐一檢查，再分別產出。
AI 自主性與治理（Governance）
代理式能力越強，自主性越高，風險與治理需求也越高。授權範圍、可執行的動作、以及誰來覆核結果，都必須在交辦任務前想清楚。
- 任務授權範圍要明確：AI 可以做什麼、不能做什麼
- 高影響力的輸出（對外文件、決策依據）一定要人工覆核
- 留下可追溯的紀錄，方便事後檢視
工作情境
讓 AI 幫忙「草擬」寄給客戶的扣款調整通知，和讓 AI 直接「送出」扣款調整通知，授權範圍完全不同：前者終稿仍由人核可寄出，後者等於把對外承諾的決定權交給 AI。
注意
不應該設計出「AI 自動輸出即可直接交付」的工作流程。
自我檢測
請 AI 代理式地彙整並草擬一批客戶扣款調整通知，下列哪一種授權設計最符合治理原則？
Claude 工作模式
Claude 的工作心智模型
可以把 Claude 想成三種工作型態：Chat（對話思考）、Cowork（協同執行多步驟任務）、Code（自動化與程式）。三者共用同一套判斷與覆核原則。
| 型態 | 核心動作 | 工作範例 |
|---|---|---|
| Chat | 單次或多輪對話，思考與草擬 | 腦力激盪新專案的三個方向 |
| Cowork | 委派較完整的任務，多步驟執行 | 彙整四份客戶反饋，產出主管摘要 |
| Code | 重複性、規則明確的自動化 | 每週固定格式的銷售報表整理 |
Chat：思考、提問、發想
Chat 適合快速討論、腦力激盪、草擬文字、釐清問題。單次或多輪對話即可完成。
工作情境
主管臨時請你想三個活動名稱，你可以用 Chat 快速發想、來回篩選，幾分鐘內收斂出幾個候選名稱，不需要額外準備任何檔案。
自我檢測
下列哪個情境最適合直接用 Chat，而不需要委派成 Cowork 任務？
Cowork：委派、執行
Cowork 適合把一個較完整的任務委派給 AI，讓它讀取多份資料、規劃步驟並產出結果，人再進行審核與調整。
工作情境
月底需要彙整三個區域的業績週報、找出共同的落後原因、並寫成一份給主管看的摘要。這種需要讀多份資料、歸納、產出結構化報告的任務，適合委派給 Cowork，而不是逐句在 Chat 裡貼資料。
自我檢測
需要彙整三個區域的週報、找出共同落後原因並產出主管摘要，最適合用哪一種工作模式？
Code：建立、自動化
Code 適合重複性高、規則明確的任務，例如批次整理資料、產生報表腳本。一次性任務未必需要寫程式；重複發生的任務才值得自動化。
自我檢測
什麼情境最適合使用「Code / 自動化」而非單純 Chat？
Projects 與 Artifacts
Projects：集中管理長期任務的上下文
Projects 讓你把相關文件、指示、風格規範集中在一個空間，之後每次對話都能延續同樣的上下文，不必重複貼資料。
工作情境
每個月都要用同一套公司格式規範寫週報、月報，把格式規範、過去範例放進一個 Project，之後每次只需要貼新數據，不用每次重新說明格式要求。
自我檢測
每個月都需要用同一套公司格式撰寫月報，最有效率的做法是什麼？
Artifacts：可編輯、可重複使用的產出
Artifacts 是獨立於對話之外、可持續編輯的產出物，例如文件、表格、簡易網頁。適合需要反覆修改、最終要交付的內容。
工作情境
製作一份要交給主管的提案表格，需要來回調整欄位與措辭多次。用 Artifact 編輯，每次修改只更新那份文件本身，不必在對話串裡重新產生整份內容再複製貼上。
工具選擇
工具選擇：Chat、Cowork 或 Code？
- 任務是否單次、可一次講清楚？
是 → 優先考慮 Chat - 任務是否需要整合多份資料、多步驟？
是 → 優先考慮 Cowork - 任務是否會重複發生、規則明確？
是 → 優先考慮 Code / 自動化 - 任務是否高風險、高影響力？
是 → 無論選哪種，都需要加強人工覆核
自我檢測
一項任務「每季要重複執行、規則固定，但輸出結果會直接影響部門預算核定」，依工具選擇流程，最合適的做法是？
人工覆核與資料安全
Human–AI Review：人工覆核怎麼做
- 區分 Fact（事實）、Analysis（分析）、Unknown（未知）
- 對關鍵數字與結論，回頭核對原始資料
- 檢查是否有邏輯跳躍或未驗證的推論
- 確認交付前是否符合原始任務目標
自我檢測
AI 產出一句話：「本季客訴數量上升 12%，可能是因為新出貨流程還不熟悉所致。」句中「可能是因為……」這部分屬於哪一類？
資料安全四問
- 這份資料可以離開內部系統嗎？
確認資料分級與公司政策 - 是否包含客戶個資或機密？
如有，先去識別化或取得授權 - 誰有權限看到這次對話內容？
確認共用範圍與保存方式 - 出錯的後果是什麼？
評估風險等級，決定覆核強度
注意
不確定資料是否可以使用時，先詢問主管或資安窗口，不要自行判斷。
自我檢測
同事想把一份包含客戶姓名、電話的客訴清單貼到 AI 工具裡，請它分類整理，依資料安全四問，第一步該做什麼？
AI Workforce Foundation：六大基礎能力
什麼才算會用 AI？六大基礎能力
資訊
會操作工具不等於具備 AI 工作能力。AI 工作能力是能正確選擇任務、提供必要 context、設計工作指令、驗證輸出、保留人工責任，並在風險出現時知道停止或升級。
- AI 任務判斷（Task Judgment）：判斷任務是否適合 AI 協助，區分可委派、需共同完成、必須人工負責的步驟，辨識高影響或不可逆決策不應由 AI 單獨決定
- 指令設計（Instruction Design）：用 Task、Context、Requirements/Constraints、Output Format 描述工作，分辨「多寫字」與「提供必要工作條件」的差異
- Context 與來源判斷（Context & Source Awareness）：判斷任務需要哪些資訊，區分 authoritative／supporting／unknown 來源，避免不必要的個資與敏感資料暴露
- 輸出驗證（Output Verification）：檢查事實正確性、計算與數量、來源支持、遺漏、矛盾、合理性與未支持的推論
- Human–AI–Human 工作流程：人定義任務、AI 協助執行、人審查決定並保留最終責任
- 負責任使用（Responsible Use）：辨識個人資料、機密資訊、未經授權的敏感內容、偏見／公平性疑慮、高影響決策，以及需要升級的情況
自我檢測
下列何者最接近「具備 AI 工作能力」的定義？
Verification before delivery：交付前的驗證
任何 AI 產出在交付前，都應該系統性地走過一次驗證清單，而不是覺得「讀起來很合理」就直接送出。
- 來源檢查（source check）
這句話是否能在原始資料中找到依據？ - 數字與計算檢查（number / calculation check）
數字、比率、加總是否正確？除數或基準是否存在？ - 遺漏檢查（missing-information check）
是否漏掉重要的限制、例外或未完成事項？ - 矛盾檢查（contradiction check）
前後文是否互相矛盾？ - 後果檢查（decision-impact check）
如果這裡有錯，後果有多嚴重？後果越嚴重，驗證強度應該越高。
範例
AI 摘要寫「客訴成長至少三成，反映訓練嚴重不足」，但原始資料只有本季數字、沒有去年同期資料，也沒有訓練相關紀錄。「成長至少三成」是無來源數字，「訓練嚴重不足」是超出原文的推論，兩者都必須被挑出來覆核，不能照單全收。
敏感資料決策：這份資料可以給 AI 嗎？
把工作資料交給 AI 之前，先判斷這份資料屬於哪一類，再決定：可直接使用、需去識別化、需取得授權，或不應該送入工具。
| 資料類型 | 建議做法 |
|---|---|
| 客戶名單（姓名、電話、消費紀錄） | 去除或以代碼取代可識別個資，只保留任務需要的欄位 |
| 學生資料（成績、出缺勤、學號） | 去識別化並確認用途已獲授權，保留人工複核步驟 |
| HR records（績效、薪資、考核） | 未經授權不得使用一般 AI 工具，需先確認核准管道 |
| internal meeting notes（未公開的內部決策） | 評估是否含機密內容，必要時先去除敏感段落 |
| confidential contract terms（合約金額、條款） | 不應貼入未核准工具，若不確定應升級詢問主管或資安窗口 |
注意
不確定一份資料是否可以使用時，先升級詢問主管或資安窗口，不要自行假設可以使用。
自我檢測
同仁想把一份包含機密合約條款的文件貼到未經核准的公開 AI 工具，請它「幫忙潤飾」，最正確的下一步是？
重點回顧
Module 1 重點回顧
- 生成式 AI 產生內容，代理式 AI 規劃並執行多步驟任務
- Chat / Cowork / Code 對應不同任務型態
- Projects / Artifacts 幫助管理上下文與可重複使用的產出
- Human → AI → Human：人定義任務、AI 執行、人覆核並負責
- AI Workforce Foundation 六大基礎能力：任務判斷、指令設計、Context 與來源判斷、輸出驗證、Human–AI–Human、負責任使用