KeyFrame內部研究專用

【用 AI 做副業】讓 AI 學會你的技能,幫你賺錢打造副業賺錢!

Hei_Ai 成長日記·5月20日週三·14 min中文

三句話摘要

用 Claude Code 將個人專業技能封裝成 AI 自動化工作流程,並以此開創副業變現。 把自己的工作 SOP 與過往成果投餵給 AI、再用 Harness Engineering 鎖定輸出規範,就能將個人技能封裝成可複售的自動化系統,是當前最具可行性的 AI 副業路徑。 AI 能複製你的風格,但需要大量樣本與規則約束。 將過去的工作成果大量投餵給 AI,它才能學會你的語氣與偏好;同時要在 CLAUDE.md 或 Skill.md 中明確哪些地方必須遵守規矩、哪些地方可以發揮,防止 AI 每次輸出完全相同的模板。

重點整理

重點
  • 1

    AI 能複製你的風格,但需要大量樣本與規則約束。 將過去的工作成果大量投餵給 AI,它才能學會你的語氣與偏好;同時要在 CLAUDE.md 或 Skill.md 中明確哪些地方必須遵守規矩、哪些地方可以發揮,防止 AI 每次輸出完全相同的模板。

  • 2

    自動上傳不等於最佳效果,人工手動上傳流量明顯更高。 講者根據自身數據觀察,AI 自動上傳到 Threads/Facebook 的文章流量比手動上傳差,建議 AI 生成後仍由人工發布。

  • 3

    Harness Engineering 是讓 AI 真正聽話的關鍵。 CLAUDE.md 等指令文件對 AI 來說只是「參考」,必須設計好執行環境(Harness),才能強制 AI 遵循既定規則產出符合需求的結果。

  • 4

    做出自動化流程只完成一半,變現才是另一半。 能用 AI 完成任務與能靠此賺錢是兩回事,需要找到有相同痛點的公司、接案或將系統打包販售,才能真正把技能轉化為副業收入。

實用技巧與重點

乾貨
  • 工具:Claude Code、Supadata(取影片字幕稿)、Skool、Threads、Facebook、IG
  • 文件:CLAUDE.md、Skill.md(用於定義 AI 工作規則與風格)
  • 技術概念:Skill(技能封裝)、Harness Engineering(執行環境設計)、Schedule/Routine(定時自動執行)
  • 時間效益:寫一篇文章從 1-2 小時 → 10 分鐘審批
  • 文章實際流量數據:2,000 / 13,000 / 20,000 / 83,000 人次(均由 AI 工作流程產出)
  • 報價:單套 Content Pipeline Skill 賣給公司約港幣 1 萬元 + 每月維護更新費
  • 五步驟流程:① 找出可自動化任務 → ② 拆解 SOP 教導 AI → ③ 驗證 AI 能完成基本成果 → ④ 定製化(投餵樣本 + 撰寫指令規則)→ ⑤ 用 Schedule/Routine 自動化執行
  • 適合自動化的任務特徵:重複性高(每日/週/月)、繁雜但難度低、涉及資料收集整理、輸出差異不大且有固定模板

結論

結論

把自己的工作 SOP 與過往成果投餵給 AI、再用 Harness Engineering 鎖定輸出規範,就能將個人技能封裝成可複售的自動化系統,是當前最具可行性的 AI 副業路徑。

完整解析

詳細

AI 工具的普及讓普通人也能將自身專業包裝成可規模化的產品。講者以自己的 Content Pipeline Skill 為例展示:這套建立在 Claude Code 上的 AI Agent,能自動根據指定主題產出 Facebook 貼文、IG 內容、Skool 社群貼文、封面配圖,並上傳至個人網站。整套流程不只是泛用的 AI 寫作,而是已學會講者本人的文章風格、語氣,以及各平台演算法偏好,因此產出的文章實際觸及人次達 2,000 至 83,000 不等。最關鍵的效益是:以往撰寫一篇完整內容需要 1-2 小時,現在只需 10 分鐘審批 AI 的輸出即可,角色從「執行者」轉變為「審批者」。

這套方法的商業邏輯在於將個人技能「AI 化」後對外販售。講者已將此工作流程賣給多家公司,每家收費約港幣 1 萬元,並附帶每月維護與更新費用。他提出一套五步驟框架讓任何人都能複製此模式:首先找出具有高重複性、低難度、輸出穩定等特徵的任務;接著將工作流程拆解成詳細 SOP 教導 AI,例如競品分析任務需明確告知 AI 去哪個討論區、搜尋哪些關鍵字、如何分類評論;之後再驗證 AI 能否穩定產出基本成果。

完成基本任務後,定製化才是真正提升價值的核心。講者建議兩個方法:一是投餵大量自己過去的工作成果,讓 AI 學習個人風格,但同時要明確告知哪些規矩不能破、哪些地方可以創意發揮,避免 AI 每次複製出完全相同的模板;二是透過 CLAUDE.md 或 Skill.md 撰寫指令規則。然而講者特別強調,這些文件對 AI 來說只是「參考」,必須透過 Harness Engineering 設計好執行環境,才能讓 AI 真正遵循規則。最後一步是使用 Schedule 或 Routine 功能設定定時自動執行,例如每天早上八點讓 AI 先跑完整個流程,九點上班後只需檢視結果並給予回饋修正。

完成技術建置後,變現才是整個閉環的另一半。講者提醒,能做出好用的自動化流程與能靠此賺錢是兩件截然不同的事,需要主動找到有相同痛點的目標客戶、接案或打包系統販售,才能讓技能真正轉化為副業收入。他也預告將開設訓練營,涵蓋技能盤點、Claude Code 實作、個人品牌打造與客戶開發等完整流程。

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

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。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。