KeyFrame內部研究專用

How to Build AI Agents Like a Pro in Minutes (beat 99%)

Jake One Page10 min英文
觀看原始影片

三句話摘要

構建真正實用的 AI 代理系統:從單一提示詞演進到多層基礎設施 真正有用的 AI 代理不是靠一份完美的提示詞,而是透過分層架構(知識庫、可複用技能、自動排程、通訊整合)成為你日常工作流的一部分。 單一超長提示詞的問題:每次使用都要重複解釋業務背景、重寫流程、手動拆解複雜任務,這不是智能型代理的失敗,而是架構設計不當。

重點整理

  1. 單一超長提示詞的問題:每次使用都要重複解釋業務背景、重寫流程、手動拆解複雜任務,這不是智能型代理的失敗,而是架構設計不當。

  2. Channels 整合通訊應用:將代理內嵌到 WhatsApp、Telegram 等已有的通訊軟體,讓使用者無需另外開啟應用就能使用,大幅增加日常使用頻率。

  3. Sub-agents 並行處理複雜任務:當需要同時研究多個議題或執行多個步驟時,透過子代理並行工作,原本需要 10 分鐘的順序處理可以大幅縮短。

  4. Skills 與 Automations 創造可重複流程:定義一次流程、儲存為技能、透過自動化調度執行,避免每週重複撰寫相同指令,確保輸出一致性。

  5. Files 建立永久知識庫:上傳業務指南、政策文件等,代理在未來對話中可直接存取,無需重複說明背景資訊。

實用技巧與重點

  • 平台:Base 44、Base 104
  • 整合渠道:WhatsApp、Telegram
  • 5 大核心功能:Channels(通訊應用整合)、Sub-agents(子代理並行)、Skills(可複用技能)、Automations(自動排程)、Files(知識庫)
  • 具體案例:Weekly Research Report 技能,每週一早上自動執行
  • 政策示例:12 小時內取消清潔服務收費 100%,無退款(24 小時政策)
  • 性能提升:單代理 10 分鐘的工作量,透過並行子代理可大幅縮短

結論

真正有用的 AI 代理不是靠一份完美的提示詞,而是透過分層架構(知識庫、可複用技能、自動排程、通訊整合)成為你日常工作流的一部分。

完整解析

大多數人在建構 AI 代理時犯的致命錯誤,是假設代理只需要一份詳盡的指令。他們會寫一個冗長的提示詞,測試一次看起來不錯,就認為完成了。但當下週再用同一個代理時,問題立刻浮現:需要重複解釋業務背景、重新撰寫流程說明、必須手動將複雜任務拆成小步驟。這不是提示詞不夠聰明的問題,而是架構設計的根本缺陷。許多人的解決方案是堆砌更多細節進同一個提示詞,但這樣做只會讓維護變得更難,系統也變得更不穩定。

真正能像團隊成員一樣運作的代理,根本不是建立在單一超長指令上。它們採用分層架構:代理知道自己的職責、應該如何運作、何時應主動出擊、使用者在哪裡可以找到它。Base 44 提供的五個功能正是實現這個架構的關鍵。首先是 Channels,它將代理直接整合進 WhatsApp 或 Telegram 等日常使用的通訊應用,讓你不必另開視窗就能完成工作。其次是 Sub-agents,當面對需要同時處理多個領域的複雜任務(如同時研究 AI 趨勢、無程式碼競爭對手、SaaS 定價)時,代理會將任務分成三份,讓子代理平行進行,原本需時 10 分鐘的工作瞬間完成。

第三層是 Skills 與 Automations 的組合。你只需定義一次「週報研究」的流程(研究主題→提取前三大發現→附上來源→產出簡報),將其儲存為可複用技能,再透過自動化排程在每週一早上執行,代理每次都會遵循相同的流程,確保輸出高度一致。最後是 Files 功能,讓代理擁有永久的知識庫。上傳《清潔服務指南》後,當客戶詢問「12 小時內取消服務該如何計費」,代理無需被提醒,自動查閱文件、找到 24 小時政策、回答「計費 100%、無退款」。

實踐建議的順序是:先從 Files 開始建立知識基礎,再定義 Skills 確立流程,透過 Automations 實現排程,最後連接 Channels 讓代理觸手可及。這樣組合起來,代理就從隔離的聊天框變成真正的工作基礎設施。

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。