KeyFrame內部研究專用

What is an AI Agent? How I Automated My Daily Task With AI (Visual Explanation)

Data with Baraa27 min英文
觀看原始影片

三句話摘要

用AI Agent完整自動化日常任務的系統方法——從基礎LLM概念到Sub-agents並行處理的完整工作流。 真正發揮AI潛力不是停留在對話框,而是組合LLM、工具、MCP、Skills、Loop和Sub-agents,把數小時的重複手工變成幾分鐘的全自動流程。 AI幻覺的真相:LLM不是故意說謊,而是在超出訓練數據範圍時填空猜測。由於知識截止日期(Knowledge Cutoff)限制,最近發生的事件無法知曉,所以需要Web Search工具即時查詢公開信息來減少幻覺風險。

重點整理

  1. AI幻覺的真相:LLM不是故意說謊,而是在超出訓練數據範圍時填空猜測。由於知識截止日期(Knowledge Cutoff)限制,最近發生的事件無法知曉,所以需要Web Search工具即時查詢公開信息來減少幻覺風險。

  2. MCP的權限控制設計:連接Gmail等外部應用時,用戶可精確定義AI的操作權限(只讀、需批准或禁止),確保AI無法超越邊界。即使AI要求執行禁止操作,系統會直接拒絕,完全由用戶掌控而非依賴AI的善意。

  3. Skills與Context Engineering的平衡:Skills儲存用戶的決策邏輯與寫作風格供AI重複使用,但過多Skills會導致AI過載出錯。Context Engineering要求精選只提供任務所需的上下文,避免無關信息干擾AI判斷。

  4. Loop Engineering解決反覆迭代的問題:讓AI在生成輸出後自動檢查是否符合目標,不符合就自動修正,循環到完美為止。這才是真正的「設定後即可」自動化,解放用戶的持續監督需求。

實用技巧與重點

  • LLM訓練耗時:海量文本蒐集 → 十億次預測練習 → 人類反饋優化 → 超過一年完成
  • Prompt Engineering三要素:明確定義任務、提供必要背景、指定輸出格式
  • Web Search工具覆蓋:公開網站、GitHub程式碼、論壇討論、YouTube影片
  • Claude中MCP配置流程:Customize → Connectors → 選擇應用(如Gmail) → 選擇操作權限 → 設定規則(Always Allow / Need Approval / Denied)
  • Skills創建流程:Customize → Skills → Create Skill → 命名 + 描述 + 詳細指令
  • Agent核心定義:LLM具備選擇、跳過、反應、決策能力時即成為Agent
  • ReAct迴圈:思考(Reason) → 執行(Act) → 觀察結果 → 反覆循環直到完成
  • Claude Loop Engineering指令:/loop 用法
  • Sub-agents案例:講者用Fable 5模型同時啟動200個Agent最佳化網站(耗資高但時間快90倍)
  • 自動化時間效益:手工處理100封郵件需1-2小時 → 自動化後2分鐘完成
  • 定時執行:使用Schedule trigger設定每天自動運行,後臺執行無需開啟電腦

結論

真正發揮AI潛力不是停留在對話框,而是組合LLM、工具、MCP、Skills、Loop和Sub-agents,把數小時的重複手工變成幾分鐘的全自動流程。

完整解析

講者從個人的日常痛點開啟這段旅程。身為內容創作者,每天收到數百封贊助郵件,必須逐一甄別真假、搜索公司資訊、撰寫回覆,整個流程完全手工。這不僅耗時且容易因忙碌而遺漏重要機會。

要理解AI自動化,得先懂LLM的本質。LLM透過預測下一個詞來工作——它在互聯網海量文本上訓練了超過一年,學會在某個詞序列後最可能出現哪個詞。聽起來簡單,但透過十億次練習和人類反饋調整,這套算法能生成連貫有用的回應。不過關鍵問題是知識截止日期:LLM只知道訓練數據的時間點之前發生的事。最近的新聞、新成立的公司,它完全無法知曉。

最初的解決方案是讓AI單純寫郵件草稿。但只靠預測不夠準確,需要引入AI工具。Web Search就是關鍵工具,讓AI能即時查詢網站、GitHub、論壇和社群媒體,取得最新信息,大幅減少「幻覺」——AI自信但錯誤的回應。同時需要學習Prompt Engineering:如何清晰表達任務(做什麼)、提供背景(知道什麼)、指定格式(怎麼回答)。

但光能查詢和回覆還不夠。講者需要AI直接存取Gmail,避免手動複製貼上。這時MCP(Model Context Protocol)出場——它像USB標準一樣為AI與外部應用的連接制定統一規則。在Claude中連接Gmail時,用戶不是盲目授予全部權限,而是能精確設定:只讀郵件、禁止寫入、需要批准前才能發送等。即使AI程式出錯要求刪除郵件,系統會根據設定的規則直接拒絕,完全由用戶掌控。

有了工具和應用連接後,AI需要學會像用戶一樣思考。Skills就是為此設計——講者讓AI學習自己過去寄出的數百封郵件,提取開場白、結尾、用詞習慣、什麼樣的公司該拒絕等模式,將這些打包成可重複使用的Skill。這樣每次執行時,AI就知道如何按用戶風格決策和寫作。

但Skills引入了新挑戰。過多的Skills和上下文會讓AI混亂、做出預料外的事。這就是Context Engineering的概念——不是給越多資訊越好,而是精選只提供必要的內容。

即便有了Skills,AI的輸出仍可能需要多輪修正。新概念Loop Engineering解決了這個問題:讓AI在生成回覆後自動檢查是否符合Skills和要求,不符合就自動重寫和修正,一直循環到完美為止。這是Claude最近實現的功能,用戶用 /loop 指令啟用。這才是真正的「設定後即可」——不再需要反覆人工提示。

最後一個最佳化層級是Sub-agents。當郵件數量激增時,單個Agent處理變得緩慢。講者可以讓一個主Agent扮演管理者,將100封郵件分成10份,各自分配給10個Sub-agents並行處理,每個Sub-agent獨立完成整套流程(讀、研究、決策、寫),然後主Agent匯總所有結果。這將30分鐘的工作壓縮到2分鐘。講者提到用Fable 5模型甚至能同時啟動200個Agent優化網站(雖然成本驚人,但速度無敵)。

整個流程最後一步是Schedule trigger——設定每天固定時間自動運行,甚至不用開啟電腦。講者本人已將這套完整方法應用到數據工程、內容創作和網站最佳化等多領域。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。