KeyFrame內部研究專用

The Ultimate Claude Code Tutorial (Beginner to Pro)

Zinho Automates·8月17日週一·20 min英文

三句話摘要

Claude Code 最新工作流程與進階用法:從計劃模式到後臺自動化,一套完整的 AI 編程新範式。 Claude Code 從「你指導的工具」進化為「你管理的團隊成員」——以語音作為橋樑、自動化測試為保險、後臺運行為解放、雲端排程為自動化,想像力而非硬體成了真正的限制。 提示詞策略已反轉:舊方式是堆積規則(「你必須做 A,永遠不做 B」),新方式是設定判斷標準,讓 Claude 自己決定如何達成,這樣才能發揮最新模型的能力而非箝制它。

重點整理

重點
  • 1

    提示詞策略已反轉:舊方式是堆積規則(「你必須做 A,永遠不做 B」),新方式是設定判斷標準,讓 Claude 自己決定如何達成,這樣才能發揮最新模型的能力而非箝制它。

  • 2

    語音優於打字:打字會壓縮與自我編輯,削弱上下文。語音則會完整洩露所有細節,這是區分普通與卓越成果的關鍵差別。

  • 3

    Claude 現在能自我 QA:啟動 Dev server、點擊按鈕、測試表單、在提交前修復錯誤,然後以差異檢視(diff)形式讓你審查,就像 code review 一樣——你是經理而非編碼員。

  • 4

    瘦身的 Claude MD + Skills 架構:不要寫大型說明檔,改為 3 行必要資訊 + 可重用 Skills(斜線命令觸發的工作流程),讓 Claude 從程式碼本身學習其餘內容。

實用技巧與重點

乾貨
  • 模型選擇:Sonnet(默認)、Opus(難題)、Fable 5(最困難任務,昂貴)
  • 努力等級(Effort):默認值為常規,max 用於最難問題(較慢較貴)
  • 核心命令:/plan(計劃模式)、/compact(壓縮對話保留摘要)、/clear(完全重設)、/doctor(掃描死亡代碼)、/code-review(自動審查)
  • 新特性
  • 預覽面板(即時看到 Claude 測試中的 app)
  • 多 session 並行(同一專案不同工作互不影響)
  • 後臺 jobs(關掉筆電後仍可運行)
  • Side chat(主任務進行時側邊提問)
  • 截圖快速修復(貼截圖說「fix this」)
  • MCP 連接:Google Sheets、GitHub、Slack、Notion 等
  • Claude MD 改變:Anthropic 刪除 80% 系統提示詞,模型變更優秀無損
  • Project 內容:只保留「Claude 無法從程式碼學到的」→ 品牌聲音、錯誤訊息風格、架構決策、Skills 指針
  • 部署:單句指令即可部署到 Vercel 並獲得可分享 URL
  • Routines:在 Anthropic Cloud 按排程運行(如每週一早上分類 bugs、每晚審查 PR)
  • Gauntlet Loop(Matt Schumer 發起):三行提示詞架構 = 任務 + 多代理分工 + 循環至滿足標準

結論

結論

Claude Code 從「你指導的工具」進化為「你管理的團隊成員」——以語音作為橋樑、自動化測試為保險、後臺運行為解放、雲端排程為自動化,想像力而非硬體成了真正的限制。

完整解析

詳細

Claude Code 在過去幾個月經歷了根本性的變化。Anthropic 的工程師公開表示,舊的提示詞堆積規則已不再適用於新一代模型——反而會箝制 Claude 的能力。新的核心洞察是:給予 Claude 判斷標準而非規則手冊,讓它來決定如何達成。例如,與其說「永遠用小寫」,不如說「保持風格簡潔友善」。

從實踐流程看,變化同樣深刻。過去使用者需要自己編寫程式碼或仔細指導每一步。現在,計劃模式(plan mode)讓 Claude 在動手前思考問題並提問,確保方向正確。更關鍵的是,語音輸入已超越文字——講話時你會完整表達意圖,打字時卻會自我編輯與壓縮。試著只按麥克風按鈕,像講天一樣說出你要的東西,Claude 會問澄清問題。

一旦核准,Claude 會啟動開發伺服器,自動測試、點擊按鈕、填寫表單、抓出 bug 並修復,在告訴你之前完成整個 QA 流程。你看到的預覽面板會即時顯示它在測試什麼。完成後,你不是盲目信任,而是打開差異檢視(diff view)像經理一樣審查——行行對照,確認該改的有改、不該改的沒改。如果不滿意,用截圖說「fix this」或留評論,無須懂程式碼。

另一個根本改變是 Claude MD 和架構。Anthropic 刪除了 80% 的系統提示詞,因為新模型足夠聰慧,能從程式碼本身學習。所以你的 Claude MD 應該從 50 行縮至 3 行——只保留「Claude 無法從資料夾推斷的東西」:品牌聲音、錯誤訊息風格、某個關鍵架構決策。其餘的細節放進 Skills——這些是可重用的工作流程,你寫一次後就用斜線指令觸發,Claude 會在相關時刻自動調用。例如,設計 Skills 定義外觀,那往後每個新頁面 Claude 都知道要用相同風格。

工具連接部分,MCP(Model Context Protocol)讓 Claude 直接整合 Google Sheets、GitHub、Slack 等。你只需打開連接器選單、加入工具、開始對話——Claude 就能登錄資料。習慣追蹤應用 Steak 為例,Claude 可自動把完成的習慣寫進試算表。這是軟體從「你去訪問它」變成「它運行你其他應用」的轉折點。

高階機制包括多重並行 session(同專案不同任務不相互干擾)、後臺持續運行(送出大任務後離開,回來時已完成)、side chat(主任務進行時側邊發問而不中斷)。當上下文填滿時,用 /compact 壓縮為摘要繼續工作,或用 /clear 完全重設。/doctor 則掃描你的設置並刪除死亡代碼——未用的 Skills、忘記的連接器、臃腫的 Claude MD。

最後一個進階技巧是 Gauntlet Loop——一個三行提示詞架構讓多個代理分工、彼此批評、循環至滿足標準。但重點是不要從零開始用它;先正常方式建一個穩固版本,再用 loop 磨尖刀子。部署時,一句話告訴 Claude 部署到 Vercel,它會配置、推送、交回可分享的 URL。Routines 則讓你在 Anthropic Cloud 上按排程運行任務,例如每周一分類 bugs 或每晚審查 PR——你的筆電從此不再是瓶頸。

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。