KeyFrame內部研究專用

我搭了一套 Claude Cowork 自動化系統,模板免費送!

李厂长来了·7月3日週五·19 min中文

三句話摘要

用Claude Cowork搭建本地文件驅動的自動化系統,通過精心的文件夾結構和可復用技能實現工作流自動化。 Cowork的價值在於通過精心設計的文件夾結構將一次性的AI任務系統化轉為可復用的自動化工作流,真正使AI成為具備上下文記憶和執行一致性的生產力助手,而非僅是聊天機器人。 文件夾結構決定系統品質 — Cowork根據文件夾層級理解任務context,主文件夾包含多個子文件夾作為獨立項目。精心設計的結構讓Cowork能準確執行,無需每次都詢問用戶。

重點整理

重點
  • 1

    文件夾結構決定系統品質 — Cowork根據文件夾層級理解任務context,主文件夾包含多個子文件夾作為獨立項目。精心設計的結構讓Cowork能準確執行,無需每次都詢問用戶。

  • 2

    三層配置系統 — 連接器打通第三方平台(Gmail、Notion、Google Drive)、技能是可復用的指令集合、插件是預設的Skills與Connectors組合,降低從零開始的複雜度。

  • 3

    自動生成項目記憶 — 每個子文件夾自動生成CLAUDE.md(說明書)與MEMORY文件(記憶系統),讓Cowork持續學習該項目特性,提高重複任務的一致性和品質。

  • 4

    從任務轉化為可復用技能 — 完成一次任務後可保存為Skill供未來使用,例如郵件回覆工作流可複製應用於後續郵件處理。

實用技巧與重點

乾貨
  • 基礎配置
  • 僅支持Claude桌面應用(Windows/Mac),暫無手機和網頁版
  • 三種模型:Opus(性能最強但token消耗快)、Sonnet(平衡方案)、Haiku
  • 可連接平台:Gmail、Notion、Google Drive、Canva、S&P Global等
  • 文件結構
  • 主文件夾名稱:Cowork操作系統
  • 子文件夾示例:YouTube頻道、郵件管理、內容策略等
  • 自動生成文件:CLAUDE.md(項目說明)、MEMORY.md(項目記憶)
  • 實際案例數據
  • 郵件管理:查看Gmail過去一個月郵件、追踪常聯繫人、記錄回覆語氣
  • 視頻製作:同時進行2期視頻項目,每期含調研文件和腳本文件
  • YouTube子文件夾結構:數據分析、視頻1(腳本+調研)、視頻2(腳本+調研)
  • 工作流程
  • 命令調用:輸入斜杠+命令名(如/begin)啟動流程
  • 保存技能:完成任務後點擊「保存Skill」轉為可復用指令
  • 郵件自動化:直接在Gmail中生成回覆,無需複製貼上

結論

結論

Cowork的價值在於通過精心設計的文件夾結構將一次性的AI任務系統化轉為可復用的自動化工作流,真正使AI成為具備上下文記憶和執行一致性的生產力助手,而非僅是聊天機器人。

完整解析

詳細

講者在過去數週研究了Claude Cowork的自動化能力,最終搭建了一套完整系統,可自動整理郵箱、生成郵件回覆、整理視頻素材並提供周熱點調研報告。Cowork的核心優勢在於它不同於傳統AI聊天工具,不是將數據存儲在雲端,而是直接操作用戶電腦本地的文件和文件夾。這決定了系統的可控性和靈活性,因此精心設計的文件夾結構成為自動化系統成功的基石。

Cowork操作系統由三個層級組成,缺一不可。連接器(Connectors)負責打通Cowork與Gmail、Notion、Google Drive、Canva等第三方平台,讓Cowork能自動拉取這些平台數據,無需手動複製貼上。技能(Skills)則是預設的指令集合,用戶定義一次後,Cowork便可反覆調用並按照既定工作流程執行。插件(Plugins)則將相關的Skills和Connectors打包組合,Anthropic提供的免費插件如生產力(Productivity)和金融(Finance),安裝後即可自動啟用所有相關功能,大幅降低從零配置的複雜度。

具體建置過程是先創建主文件夾"Cowork操作系統",再在其下創建多個子文件夾代表不同項目(如YouTube頻道、郵件管理)。當Cowork在某個文件夾中工作時,會自動生成CLAUDE.md(該項目的說明書)和MEMORY記憶文件(記錄該項目特性),這樣每個項目都有自己的指令體系和持續學習的記憶,Cowork無需重複詢問就能精準執行。講者以郵件管理為實例,展示了如何讓Cowork查看Gmail過去一月的郵件、分析常聯繫人和回複語氣風格、生成處理建議(刪除/歸檔/屏蔽/回複),並直接在Gmail中撰寫回複郵件。完成後可將整個工作流保存為Skill,未來只需一條指令就能反覆執行相同流程。

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

🔬“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。