KeyFrame內部研究專用

How To Use Claude for Small Businesses

Mikey Vibe Coding·7月7日週二·25 min英文

三句話摘要

小企業主如何用Claude在Base44上建立完整的業務系統:網站、管理工具和自動化流程。 掌握「小步驟反覆改進」的節奏,用清晰的自然語言描述需求,讓Claude按需逐步擴建業務系統,是小企業主不需寫程式也能擁有客製化工具的關鍵。 Claude在Base44中扮演「建設者」角色,不只是聊天助手,能生成可用的完整應用系統。大多數人只用它的5%功能(查詢或校對),掌握建設方法後才能發揮真正價值。

重點整理

重點
  • 1

    Claude在Base44中扮演「建設者」角色,不只是聊天助手,能生成可用的完整應用系統。大多數人只用它的5%功能(查詢或校對),掌握建設方法後才能發揮真正價值。

  • 2

    迭代策略優於一次性大改。先產生初版、檢視結果、針對單一部分改進、再次檢視,這種小步驟反覆循環比試圖同時改十件事更能產生優質結果。

  • 3

    三個系統形成閉環的業務流程:官網吸引客戶→內部管理工具組織資訊→自動化系統維持客戶關係,三層相互支撐,替代多個分散的付費工具。

  • 4

    自動化帶來的核心價值不只省時,更重要的是「不會遺忘」。系統一致地執行每項跟進,相比人工作業確保更高的客戶評論收集率和重複業務機會。

實用技巧與重點

乾貨
  • 模型選擇:Claude Opus 4.8(影片錄製時最新版本)
  • 平台:Base44
  • 官網組成:Hero區段(標題、描述、按鈕)+ 服務列表 + 客戶推薦 + 聯絡表單
  • 內部工具功能:客戶資料(名稱、電話、信箱、地址)、工作追蹤(連結客戶、服務類型、排程日期、價格、狀態三態:已預訂/進行中/已完成)、新增編輯功能
  • 自動化觸發機制:工作狀態改為「已完成」→ Claude自動生成客製化感謝信 → 引用客戶名稱和服務內容 → 請求評論 → 自動寄送
  • 時間節省計算:每週10份工作 × 5分鐘/封 = 每週近1小時,年度累計約50小時
  • 發布方式:Base44免費提供域名(*.base44.app)
  • 編輯成本:直接在預覽區編輯文字無需消耗額度
  • 擴展可能:線上付款結帳 + 自助預約系統 + 發票生成 + 客戶入口網站 + 報表儀表板

結論

結論

掌握「小步驟反覆改進」的節奏,用清晰的自然語言描述需求,讓Claude按需逐步擴建業務系統,是小企業主不需寫程式也能擁有客製化工具的關鍵。

完整解析

詳細

影片的核心問題是:小企業主往往只用Claude來校對信件,浪費了它作為系統建構引擎的潛力。講者示範如何在Base44平台上用Claude逐步建立三層完整的業務系統。

首先是公開網站。當客戶決定是否接洽前,通常會先線上搜尋。網站的前幾秒鐘決定了第一印象,因此需要清晰的標題、強力的呼籲行動(CTA)和信任元素。講者用單一提示詞描述了所有需求——包括業務類型、各區段內容、配色方案——Claude就生成了可用的完整網站。他特別強調:不要試圖一次修正所有細節,而是逐次改進單一部分。改善標題後再看結果、增加服務區的圖示和價格再看結果,這種節奏遠優於一次提交十項改動的做法。

其次是內部管理工具。小企業通常讓客戶資訊分散在試算表、便籤、筆記本、訊息應用裡,導致每個人都得靠記憶維持系統運轉。講者示範建立一個工作儀表板,同時追蹤客戶與工作。系統能存儲客戶聯絡資訊、追蹤各工作的狀態、快速查詢正在進行的任務,所有資訊集中在一個地方。這個工具是為企業主與員工設計的(客戶看不到),純粹是內部營運系統。

最後是自動化層。當工作標記為完成時,Claude自動為該客戶生成客製化感謝信——引用客戶名字、提到他們購買的服務、請求評論——然後直接寄出。這不是範本信件,而是根據實際工作資訊生成的個人訊息。講者用數字說明價值:每週10份工作、每封信5分鐘,一年就是數十小時的重複作業。但更重要的是自動化不會遺忘。人工處理時,忙碌時容易漏掉跟進,導致潛在的回頭客失去聯絡;自動系統確保每份完成的工作都收到相同的跟進流程,提升客戶評論率和重複業務機會。

三個系統串連成一個完整的業務流程。客戶在官網看到並透過聯絡表單詢問→進入內部工具被追蹤管理→工作完成時自動收到感謝信和評論請求→評論反過來強化官網的社會證明。這不只省去了多個付費工具的訂閱費(網站建構工具、CRM、郵件自動化平台),也大幅減少了管理工作。整個系統用自然語言描述建立,無需寫程式、無需雇用開發者或設計師。

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。