KeyFrame內部研究專用

Master Claude in Under 16 Minutes (Beginner to Pro)

Parker Prompts·6月27日週六·15 min英文

三句話摘要

揭示Claude AI背後的七個隱藏功能,教你如何從聊天工具升級為生產力系統。 Claude的真正威力不在於單一功能,而在於七個互連工具組成的系統——掌握它們能把你的工作流從手動操作升級為自動化系統。 Cowork是檔案層面的自動化 — 你給Claude一個資料夾權限,它可以直接讀寫編輯檔案,用文字指令取代手動操作。例如研究旅遊相機並產出Excel表、自動整理混亂的資料夾結構。

重點整理

重點
  • 1

    Cowork是檔案層面的自動化 — 你給Claude一個資料夾權限,它可以直接讀寫編輯檔案,用文字指令取代手動操作。例如研究旅遊相機並產出Excel表、自動整理混亂的資料夾結構。

  • 2

    Skills是工作流的記憶體 — 一次定義複雜的工作流程(如合約風險檢查),Claude日後自動辨識該工作類型並執行,甚至能排程每日自動跑完整資料夾的任務。

  • 3

    Design + Connectors打造真正的工作系統 — 上傳品牌資源後,Claude自動保持設計一致性;連接Google日曆、Notion、Zapier等工具,用自然語言直接命令這些平台執行動作。

  • 4

    Claude Code建的是能動作的軟體 — 不同於Design(產生網站外觀),Code寫的是真正運作的應用程式,使用者可用麥克風錄音提意見,AI即時修改。

實用技巧與重點

乾貨
  • 七大工具與具體功能:
  • Cowork(需桌面版)
  • 連結資料夾後可讀寫檔案
  • 實作:新聊天視窗 → 連接資料夾 → 設定編輯權限 → 使用Opus 4.8模型
  • Dispatch(行動版)
  • 在手機Claude應用程式上傳送任務至家中電腦
  • 條件:家中電腦必須開機且登入Claude
  • 功能:開啟合約檔案、檢查更新日期和隱藏費用、新增條款、傳簡訊結果
  • Artifacts
  • 普通聊天產生快照式工件
  • Cowork Artifacts保持與資料即時同步、有版本歷史、獨立頁籤
  • 使用者已創建超過5億個工件
  • Claude Design(桌面版點擊左下角)
  • 上傳品牌資源(logo、色彩、字型、網站)建立設計系統
  • 選項:高保真或線框版本
  • 可匯出為可編輯檔案(Figma格式)、保留所有圖層可編輯
  • 編輯功能:Markup(評註段落)、Edit(毫米級調整)、Comments(AI修補指示)
  • Connectors(Design窗口 → Customize → Browse plugins → Connectors)
  • Google Calendar:詢問2小時時段空檔 → 自動加入行事曆
  • Notion:研究營養計劃 → 自動添加格式化頁面
  • Zapier自動化
  • Skills(新聊天 → 輸入詳細提示 → Claude產生打包好的技能)
  • 範例:合約紅旗檢查器(檢查風險、異常條款、缺失資訊)
  • 必須點擊「Save Skill」才能保存
  • 可在Schedule裡設定排程任務(例如每日10:00自動執行)
  • Claude Code(桌面版切換到Code分頁)
  • 權限模式:Plan Mode推薦(先規劃後執行,減少錯誤)
  • 模型:Opus / Effort(努力等級越高越費用越多但結果越好)
  • 範例專案:習慣追蹤器(新增習慣、每日勾選、顯示連續天數)
  • 修正方法:點麥克風按鈕錄音說明問題 → AI執行修改

結論

結論

Claude的真正威力不在於單一功能,而在於七個互連工具組成的系統——掌握它們能把你的工作流從手動操作升級為自動化系統。

完整解析

詳細

Claude不只是一個聊天工具——它是七個完全不同的系統藏在同一個介面後面,而大多數人只在用其中最基礎的功能。講者花了兩年時間深入測試每個功能,並用它們打造真實工具和完整業務。核心問題是:人們對Claude的理解停留在「輸入文字、得到回應」的層面,但這只開發了不到10%的能力。

第一層改變來自Cowork與Dispatch。Cowork讓AI不只是思考,而是直接在你的電腦上行動——上傳一個資料夾,它就能讀寫任何檔案、建立表格、整理混亂結構。Dispatch更激進:你在手機上傳簡訊,家中電腦自動完成工作。這代表AI從「回答問題的工具」變成「執行工作的助手」。

第二層是將這些工作變成永久系統。Skills讓你定義一次複雜流程(例如法律合約審查),之後Claude自動認出該工作類型並執行,甚至能排程每日批量處理整個資料夾。這打破了AI工具最大的弱點——每次都要重新解釋需求。相反,你現在有了自己的「AI員工」,懂你的標準、遵循你的流程。

第三層整合外部系統。Claude Design不只產生漂亮網站,它能從你的品牌資產(logo、色彩、字型)推導出完整設計系統,所有後續創作自動保持一致風格。更強大的是Connectors——它讓Claude直接操控Google日曆、Notion、Zapier等工具,你用自然語言下命令,它自動處理資料同步。這變成了一個真正的工作流整合平台,而不只是聊天框。

最後是Claude Code。雖然名字提到「Code」,但你幾乎不需要寫程式——只要說出想要什麼,它就建立真實可運作的應用程式。不像Design產生的是視覺樣本,Code做的是完全功能性軟體:按鈕能動作、邏輯在背景運作。修正方法也創新:用麥克風錄音說出問題,AI聽完立即修改。這把傳統的「重複迭代」流程變成對話。

這七個工具的核心價值不在各自的能力,而在它們如何串聯——從檔案自動化、工作流記憶、設計系統、外部整合,到完全自動化的程式開發。講者強調,AI時代才剛開始(比互聯網普及還年輕),現在投入的人會像90年代網路早期採用者一樣建立優勢,而多數人只會把超級工具當成升級版搜尋引擎。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。