摘要：Anthropic Academy 说明，大模型公司的竞争正在从模型参数走向开发者生态、企业培训和组织能力建设。
过去两年，AI 公司最重要的竞争几乎都集中在模型上：谁的模型更强，谁的推理更好，谁的上下文更长，谁的价格更低，谁的编码能力更接近高级工程师。
这个逻辑没有错。模型能力仍然是 AI 产业的底座。但如果只盯着模型发布，很容易忽略另一个正在发生的变化：AI 公司正在从“提供模型”转向“培养使用模型的人”。
Anthropic Academy 就是一个很值得观察的信号。
Anthropic 在官方学习页面中把 Anthropic Academy 定位为覆盖 API 开发指南、企业部署最佳实践等内容的学习资源体系，并明确列出 AI Fluency、API development、Model Context Protocol、Claude Code 等课程，完成后还可以获得证书。这已经不是简单的产品帮助文档，而是一个围绕 Claude 生态建设的系统化培训平台。
这件事看似不大，实则非常关键。它说明 AI 的竞争正在进入第二阶段：第一阶段比模型，第二阶段比生态，第三阶段比人才与组织能力。模型再强，如果企业员工不会用、开发者不会接、管理者不会改流程，最终仍然只能停留在“演示很好、落地很难”的状态。
为什么 AI 公司要自己做教育
传统软件公司也有培训体系，比如微软、Oracle、SAP、西门子、AWS 都有认证课程和开发者社区。但 AI 公司做教育，意义不完全一样。
传统软件的学习重点是“功能在哪里、接口怎么调、系统怎么部署”。而 AI 的学习重点，是“如何与不确定的智能系统协作”。
这就带来一个根本变化：AI 工具不是普通软件。普通软件是确定性的，你点击一个按钮，它返回一个固定结果；AI 系统是概率性的、上下文相关的、任务驱动的，同一个问题在不同上下文中可能产生不同答案。
用户不仅要学功能，还要学任务分解、上下文管理、提示设计、工具调用、结果校验、风险边界和协作方式。
Anthropic 的 AI Fluency 课程就体现了这一点。官方介绍中提到，这门课与学术专家合作推出，目标是教授与 AI 系统高效、有效、符合伦理且安全互动的实践技能，并且既适合新手，也适合有经验的 AI 使用者。
这说明 Anthropic 并不是只教“Claude 怎么用”，而是在尝试定义一种新的能力：AI Fluency，也就是 AI 流利度。
未来，AI 流利度可能会像办公软件能力、互联网检索能力、数据分析能力一样，成为职场基础能力。区别在于，它不只是会不会打字、会不会点按钮，而是能不能把一个业务目标转化成 AI 可以协作完成的任务。
从 Prompt 学习到 Agent 工作法
早期大模型培训基本都围绕 Prompt 展开：如何写清楚指令，如何指定角色，如何给样例，如何控制输出格式。这个阶段很重要，但它只是 AI 使用的第一步。
随着 Claude Code、MCP、Skills、Computer Use、RAG、工具调用等能力出现，AI 的学习重点正在从“写 Prompt”变成“组织任务系统”。
Anthropic 的课程和学习入口很能说明这个变化。官方 Academy 页面强调 AI Fluency、API development、Model Context Protocol 和 Claude Code；Claude for Work 页面则把企业应用学习拆成 Artifacts、Projects、Skills、Research、Tools & integrations、Claude for work courses、Claude Cowork 等主题。Build with Claude 页面进一步把 API、SDK、Agent、Skills、MCP、Claude Code、Tool use、Extended thinking、RAG、Prompt engineering、Evaluations 等内容组织到开发者学习入口中。
这背后其实是一个很大的范式转换：过去我们学习的是“如何让 AI 回答得更好”，现在要学习的是“如何让 AI 把事做完”。
这就是从 ChatBot 工作法走向 Agent 工作法。
ChatBot 工作法的核心是提问和回答。用户问一句，模型答一句，中间主要靠用户推进。Agent 工作法的核心是目标、计划、工具和反馈。用户提出目标，AI 拆解任务，调用工具，处理文件，写代码，生成结果，再根据反馈继续调整。
人与 AI 的关系，也从“问答关系”变成“协作关系”。
这就是为什么 Anthropic Academy 不是一个普通培训网站。它实际上是在帮助 Anthropic 定义 Claude 生态的工作方法：什么叫会用 Claude，什么叫会用 Claude Code，什么叫会用 MCP，什么叫会构建基于 Claude 的应用，什么叫安全、有效、负责任地让 AI 完成复杂任务。
AI 厂商争夺的不只是开发者，而是工作流入口
为什么 OpenAI、Anthropic、Google 都越来越重视开发者教育和企业培训？答案很简单：谁定义了开发者的工作方法，谁就更有可能占据未来智能软件的入口。
在传统云计算时代，开发者学习 AWS、Azure、GCP，本质上是在学习云基础设施的使用方式；在移动互联网时代，开发者学习 iOS、Android、小程序，本质上是在学习平台生态的应用开发方式；在 AI Agent 时代，开发者学习 Claude Code、MCP、API、RAG、评估、工具调用，本质上是在学习下一代智能应用的构建方式。
Anthropic 的 Build with Claude 页面很清楚地把开发者学习从“调 API”扩展成一整套能力图谱：模型选择、API 与 SDK、智能体模式、Skills、MCP、Claude Code、工具使用、扩展思考、RAG、提示工程、评估、成本与性能优化。官方对 Build with Claude 的描述是：用全面的 API 指南和最佳实践，开始开发 Claude 驱动的应用。
这说明大模型厂商已经意识到，单纯卖 API 不是终点。真正的壁垒来自应用范式、开发工具链、连接协议、评估体系和开发者心智。
MCP 为什么重要？因为它试图把模型与外部工具、资源、提示词等能力标准化连接起来。Claude Code 为什么重要？因为它把模型变成了开发流程中的执行者。Skills 为什么重要？因为它让特定任务能力可以被封装和复用。Evaluations 为什么重要？因为企业必须知道 AI 系统到底能不能稳定工作。
培训体系的作用，就是把这些能力从“功能列表”变成“开发者习惯”。当开发者习惯了某一套 Agent 架构、某一套工具连接方式、某一种评估方法，生态黏性就形成了。
企业 AI 落地的最大瓶颈，往往不是模型
很多企业现在做 AI，经常会遇到一个尴尬局面：领导很重视，模型也接入了，知识库也建了，试点也做了，但真正每天用的人不多。原因不是员工不想提高效率，而是 AI 没有进入他们真实的工作方式。
企业 AI 落地至少有三类能力缺口。
第一类是个人能力缺口。员工不知道哪些任务适合交给 AI，不知道如何提供上下文，不知道如何检查结果，也不知道如何把 AI 产出接回自己的工作流。
第二类是团队能力缺口。一个团队里，如果每个人都用自己的方式和 AI 协作，结果很难复用，也很难沉淀。企业需要统一的提示模板、知识规范、任务流程和质量标准。
第三类是组织能力缺口。AI 真正产生价值，往往意味着流程重构，而不是在原有流程旁边加一个聊天框。哪些环节由 AI 起草，哪些环节由人审核，哪些数据可以调用，哪些动作必须审批，哪些结果要留痕，这些都需要组织设计。
Anthropic 的 Claude for Work 页面把企业学习放在团队生产力、Artifacts、Projects、Skills、Research、Tools & integrations、Claude Cowork 等主题下，并强调帮助组织实施 Claude、提升团队生产力。这说明 AI 厂商已经把企业落地理解为一个系统工程，而不是单点工具交付。
对中国企业来说，这一点尤其值得重视。很多企业现在的问题不是缺 AI 账号，而是缺“AI 使用制度”和“AI 岗位方法论”。员工会问问题，但不会设计任务；会让 AI 写文案，但不会让 AI 接流程；会建知识库，但不会把知识变成 Agent 可调用的能力；会买模型，但不会建立评估机制。
对工业智能和数字工匠的启示
如果说通用办公场景需要 AI Fluency，那么工业场景更需要 Industry AI Fluency，也就是行业 AI 流利度。
工业企业里的 AI 使用，不是简单写邮件、做总结、生成方案。它涉及 CAD、CAE、PLM、MES、ERP、LIMS、质量系统、设备数据、工艺知识、标准规范、售后案例等复杂对象。一个工程师会不会用 AI，不只是会不会写 Prompt，而是能不能把工程任务拆解为数据、模型、规则、工具和验证步骤。
比如，一个研发工程师要用 AI 做方案优化，他需要知道如何描述目标函数、约束条件、材料参数、工况边界和验证方法；一个质量工程师要用 AI 做缺陷归因，他需要让 AI 读取检测数据、关联工艺参数、查询历史案例并生成可审计报告；一个售后工程师要用 AI 做故障诊断，他需要把设备日志、现场照片、维修记录和专家经验组织成可推理的任务链。
这就是数字工匠平台真正应该解决的问题：不是让每个岗位多一个聊天框，而是让每个岗位形成自己的智能工作流。每个岗位都需要一套“AI 能力课程”：如何提需求、如何组织文件、如何调用工具、如何验证结果、如何沉淀知识、如何与 Agent 协作。
从这个角度看，Anthropic Academy 对我们有一个直接启发：未来做企业级 AI 平台，不能只交付软件，还要交付方法论、课程体系和岗位能力标准。特别是在工业智能场景里，平台、课程、案例、模板、评估和认证应该一起设计。只有这样，AI 才能从“少数人会玩的工具”变成“组织可复制的生产力”。
这类能力不是买一个模型账号就能自动出现的。它需要企业把岗位知识、业务流程、数据权限、工具接口和评估标准一起设计出来，再通过培训、模板、案例和平台能力沉淀为组织资产。
这也是“数字工匠”概念真正有价值的地方。未来的数字工匠，不只是会操作一套工业软件的人，而是能够把工程经验、行业知识和 AI Agent 工作流结合起来的人。他既理解工艺和质量，也理解数据和模型；既能提出业务目标，也能把目标拆解成 AI 可以执行、系统可以审计、人可以复核的任务链。
AI 人才培养将成为下一轮基础设施竞争
AI 公司做教育，本质上是在建设生态基础设施。模型是技术基础设施，API 是开发基础设施，MCP 是连接基础设施，课程和认证则是人才基础设施。没有人才基础设施，前面的技术很难扩散。
未来企业里的 AI 人才也会分层。
第一层是普通员工的 AI Fluency，能够安全、高效地把 AI 用到日常工作。
第二层是业务骨干的 AI Workflow 能力，能够把岗位任务改造成 AI 协作流程。
第三层是开发者的 Agent Engineering 能力，能够基于 API、MCP、工具调用和评估体系构建智能体应用。
第四层是管理者的 AI Governance 能力，能够设计权限、流程、风险和组织边界。
这四类人才，才是企业真正实现 AI 转型的关键。只买模型，不培养人，AI 很难落地；只培训 Prompt，不改流程，AI 很难产生组织价值；只做试点，不建立标准，AI 很难规模复制。
因此，Anthropic Academy 背后的产业信号非常明确：大模型厂商正在从技术公司变成“模型 + 工具 + 教育 + 生态”的平台型公司。它们不只是训练模型，也在训练用户；不只是发布能力，也在定义工作方式；不只是服务开发者，也在重塑企业组织能力。
结语：真正的壁垒正在从模型走向人和组织
Anthropic Academy 释放的产业信号很清楚：AI 公司不再满足于把模型放出来，让市场自己摸索怎么用。它们开始主动定义学习路径、开发者方法、企业工作流和认证体系。
这意味着 AI 竞争正在从“谁有更强模型”扩展到“谁能培养更多会用 AI 的人”。模型能力仍然重要，但它会越来越像云计算时代的算力和基础设施：强大、必要，但不是全部。
未来真正拉开差距的，是谁能把模型能力转化为开发者习惯、团队流程、企业标准和行业方法论。
对于企业而言，问题也不再只是“选哪个模型”，而是“如何让组织具备 AI 工作能力”。谁能先建立自己的 AI Fluency、Developer Fluency 和 Industry AI Fluency，谁就更有可能把 AI 从演示工具变成真实生产力。
一句话总结：AI 时代的竞争，不只是模型竞争，也是学习体系竞争。未来真正重要的，不是谁拥有最强模型，而是谁能让最多人、最多企业、最多行业以正确方式使用 AI，把模型能力转化为可复制、可治理、可持续的生产力。
参考资料
-
Anthropic：Anthropic Academy
https://www.anthropic.com/learn -
Anthropic：AI Fluency: Framework and Foundations
https://www.anthropic.com/learn/claude-for-you -
Anthropic：Build with Claude
https://www.anthropic.com/learn/build-with-claude -
Anthropic：Claude for work
https://www.anthropic.com/learn/claude-for-work