KeyFrame內部研究專用

3 Secret Ways Claude Code’s Creator Actually Uses It

Nate Herk11 min英文
觀看原始影片

三句話摘要

Anthropic 團隊解釋為什麼新版 Claude Code 刪除 80% 系統提示,以及如何透過「解除限制(unhobbling)」讓模型發揮全力。 新模型不需要舊指令,最大的突破是改變「如何指揮」而非「指揮什麼」——用高層級目標和驗證標準取代微管理步驟,讓聰慧的模型發揮真正的潛力。 每個模型都是不同的個性。Anthropic 在每次新模型發佈時都會重新調整系統提示、工具集和工具提示,因為過去對某個模型有效的方法對新模型可能完全行不通。Opus 5 的改進消除了許多過去需要「修正」模型行為的指令。

重點整理

  1. 每個模型都是不同的個性。Anthropic 在每次新模型發佈時都會重新調整系統提示、工具集和工具提示,因為過去對某個模型有效的方法對新模型可能完全行不通。Opus 5 的改進消除了許多過去需要「修正」模型行為的指令。

  2. 解除限制的概念就像教導不同程度的人。給十歲小孩需要非常具體的逐步指導,但對十年工作經驗的人給同樣指令會適得其反——反而會妨礙他們發揮專業知識。現代 AI 模型更像後者,需要高層級的方向而非微管理。

  3. 驗證是關鍵。現代提示的技巧不在於工程化詞彙,而在於設定看似稍難的任務、明確的成功標準,然後讓模型自己驗證成果。重點不再是「你怎麼做」,而是「什麼是完成」。

  4. 管理 AI 代理應該像管理人才團隊——給予方向、設定標準、讓它們思考,但保留最後的判斷權。外包思考過程,但保留對願景的理解。

實用技巧與重點

  • Anthropic 在 Opus 5 發佈時刪除超過 80% 的系統提示
  • Boris Churny(Claude Code 創作者)建議每隔六個月刪除 CLAUDE.md、所有技能和 hooks,測試模型表現
  • 提示策略轉變:從「做 1、2、3、4 步」改為「描述任務、護欄、退出標準,讓模型自己想辦法」
  • 實例對比:無技能/無 CLAUDE.md 版本的資源指南雖然格式不如有技能的版本整潔,但內容結構(使用時間戳和想法分類)反而更優
  • 概念術語:「Hobbling」(限制模型) 和「Product Overhang」(模型有未被發掘的能力)
  • 在 slash goals 中加入驗證標準範例:「我要的不是原型,而是經過 10 次迭代、完整 QA、明天能上市的產品」

結論

新模型不需要舊指令,最大的突破是改變「如何指揮」而非「指揮什麼」——用高層級目標和驗證標準取代微管理步驟,讓聰慧的模型發揮真正的潛力。

完整解析

Anthropic 在開發 Claude Code 時有個根本的設計哲學:每個新模型都需要完全不同的對待方式。當 Opus 5 推出時,他們刪除了 80% 的系統提示——這看似違反直覺,卻反映了一個重要的真相:Opus 5 足夠聰慧,許多過去用來「矯正」模型行為的指令反而成了累贅。

講者透過教育比喻解釋這個現象。教十歲小孩製作投影片,需要極具體的指引——每一步、每個顏色、每個格式;但對十年職場經驗的人使用同樣指令,反而會綁手綁腳,妨礙他們發揮專業判斷。現代 AI 模型的進化意味著我們應該逐漸走向「高層級指導」模式。

但這不代表全面刪除所有自訂設定。講者實驗發現,當他移除所有技能和 CLAUDE.md 後,生成的資源指南格式不如以前整潔,卻在邏輯組織上更優(使用時間戳標記每個核心觀點)。結論是:不是刪除一切,而是重新思考。對於品牌指引、視覺偏好、特定工作流這類內容保留技能;但對於創意任務本身的描述應該高層級化,讓模型決定如何執行。

關鍵轉變在於驗證。Boris Churny 強調,現代 AI 工程的核心技能不再是「精妙的提示詞」,而是「如何給模型一個看似略難的任務,並讓它能自我驗證」。設定明確的成功標準、建立驗證機制、讓模型自己檢查工作品質——這比使用者重複檢查更有效。講者甚至在 slash goals 結尾加上「要求完整 QA 和 10 次迭代」這類情緒化的語言,意外地讓模型表現更好。

管理 AI 代理的原則本質上是管理人才的原則。優秀的經理不會微管理,而是設定方向、評定品質、讓團隊發揮。應該外包思考過程給代理,讓它們提出想法,但保留最終的願景理解和判斷權。關鍵是信任能力,同時維持適當的監督。

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。