KeyFrame內部研究專用

How to Build an AI Agent with Claude Code (Claude AI Agent Tutorial)

AI Master22 min英文
觀看原始影片

三句話摘要

教你在 Claude 桌面應用中無需編程建立 AI 代理工作流,從被動提問升級到主動完成複雜任務的完整系統。 真正的 AI 代理工作是設計清晰的指令讓 AI 獨立執行完整項目,而不是寫更複雜的代碼,關鍵是透過 Claude.md 和詳細的工作流文件提供持續的上下文指導。 AI 工作分為三個層級,大多數人停留在第一層而不自知。層級一是基礎聊天(提問→複製答案),層級二是製作模式(要求製作內容但需人工管理每步),層級三才是真正的代理工作——設定目標後讓 AI 自主完成整個流程從規劃到執行再到審核,你不再參與每個微決策,只需設定目的地讓代理自己開車。

重點整理

  1. AI 工作分為三個層級,大多數人停留在第一層而不自知。層級一是基礎聊天(提問→複製答案),層級二是製作模式(要求製作內容但需人工管理每步),層級三才是真正的代理工作——設定目標後讓 AI 自主完成整個流程從規劃到執行再到審核,你不再參與每個微決策,只需設定目的地讓代理自己開車。

  2. Claude.md 是單一最重要的文件,它讓代理在每次工作時都能自動讀取你的背景、規則和偏好而非每次重新解釋。這份 Markdown 文件包含專案背景、個人介紹、工作規則和資料夾結構,設計得當會比任何提示工程技巧都更有效,因為它提供持續的上下文指導而非一次性命令。

  3. 代理工作流架構有三個組件:工作流檔案(用純英文描述流程的 Markdown),代理本身(Claude 作為協調者),工具集(內置的檔案操作和文字能力)。違反直覺的是最重要的是工作流檔案而非工具——設計周密的流程配基礎工具勝過設計不良的流程配複雜集成,因為智能源於指令設計而非技術棧。

  4. 計劃審核是最被低估卻最具價值的步驟,執行前要求代理展示計劃、解釋邏輯、列出步驟,這個兩分鐘的審核可預防十分鐘的後續修正。沒有審核的代理工作流容易走錯方向,修正半成品流程遠比調整計劃困難。

實用技巧與重點

  • 三層 AI 工作模式:
  • 層級一:基礎聊天(提問→複製答案)
  • 層級二:製作模式(要求製作,人工管理每步)
  • 層級三:代理工作(設定目標→自主完成全流程)
  • Claude.md 檔案結構:
  • 專案背景:2-3 句說明工作區用途
  • 關於我:背景、受眾、語氣偏好
  • 規則部分:編碼可重用的指導(如「執行前始終展示計劃」)
  • 資料夾結構:workflows、output、resources 三個資料夾
  • 研究代理的工作階段:
  • 澄清階段:提出至少 3 個釐清問題(範圍、受眾、深度)
  • 規劃階段:展示寫好的執行計劃等待批准
  • 研究階段:按主題進行深入研究
  • 整合階段:連接不同來源的發現
  • 審核階段:檢查後存檔
  • 內容重新利用代理的輸入輸出:
  • 輸入:單一長篇腳本放入 input 資料夾
  • 輸出:3 個 60 秒短視頻腳本 + 1 個社交包(X、LinkedIn、Instagram)
  • 格式:所有檔案轉換為 PDF 並存至 output 資料夾
  • 耗時:約 2 分鐘完全自主執行
  • 五大常見錯誤:
  • 跳過 Claude.md——導致每次從零開始、品質不一致
  • 目標模糊(「研究 AI」vs「研究行銷人員如何用 AI 代理製作內容,免費工具優先」)——具體度決定輸出質量
  • 跳過計劃審核——以為省時實則浪費更多時間修正
  • 不要求澄清問題——代理假設導致大量平庸輸出
  • 一次建多個系統——五個半成品系統都不信任
  • 代理能力擴展進程:
  • 初級:簡單獨立任務(研究報告、內容大綱、文件摘要)
  • 中級:迭代式工作流(多輪修訂、腳本撰寫、編輯改進)
  • 高級:多工作流系統(一個工作流觸發或通知另一個)
  • 提及的工具平台:
  • Claude 桌面應用(Anthropic 官方)
  • GoHighLevel:社交媒體排程、電郵行銷、日曆預訂、工作流模板
  • AI Master 課程:「Generative AI Essentials」模組(系統提示、多模態、行銷、資料分析)
  • 支援模型:ChatGPT、Claude、Gemini、Deep Seek、Grok

結論

真正的 AI 代理工作是設計清晰的指令讓 AI 獨立執行完整項目,而不是寫更複雜的代碼,關鍵是透過 Claude.md 和詳細的工作流文件提供持續的上下文指導。

完整解析

這支影片核心論述是:大多數人仍在把 Claude 當高級搜尋引擎使用,但存在一個完全不同的工作模式能將 AI 從工具升級為真正的助手。講者首先為 AI 工作區分三個清晰層級。層級一是基礎聊天,適合快速查詢和解釋,但本質上還是搜尋引擎的邏輯。層級二是製作模式,要求 Claude 創建實際內容如腳本或郵件,但工作流仍由人工管理——你決定下一步、審核輸出、推動整個項目向前。層級三才是真正的代理工作,你設定最終目標然後讓 AI 獨立思考、分解任務、提問不清楚的地方、按順序執行、自我審核並交付成品。這種模式對大多數人而言甚至不知道存在,卻是 Claude 最強大的用法。

建立有效代理工作流的基礎是一份名為 Claude.md 的簡單 Markdown 文件。這份文件包含四個核心部分:首先是專案背景,用 2-3 句說明這個工作區的用途(如「用於 AI 輔助研究和內容創作,服務非技術受眾」);其次是個人介紹,告訴 Claude 你是誰、你的受眾是誰、你偏好什麼語氣;第三是規則部分,編碼可重用的工作偏好(如「執行任何多步驟任務前始終展示計劃」、「檔案名稱使用小寫加連字符」);最後是資料夾結構,定義 workflows 存放指令、output 存放成品、resources 存放參考資料。看似簡單,但一份設計周密的 Claude.md 的價值勝過任何高級提示工程技巧,因為它在每次工作時都會被自動讀取,提供持續的上下文而非一次性指令。許多掙扎於 AI 代理的人其實是在跳過這個檔案。

代理工作流的架構包含三個相互配合的組件。第一是工作流檔案,一份 Markdown 文件用純英文描述完整流程,涵蓋目標、步驟、規則和預期輸出格式,本質上就是用白話寫的操作程序而非代碼。第二是代理本身 Claude,它讀取工作流檔案、理解目標並作為協調者決定每步的行動、該在何時暫停等待輸入。第三是工具集,包括檔案讀寫、搜尋、編輯等內置功能。一個關鍵洞察是最重要的組件不是工具而是工作流檔案——設計周密的工作流搭配基礎工具會遠優於設計不良的工作流配複雜集成,因為智能源於指令設計而非技術棧。

講者示範了兩個實踐例子。研究代理工作流的運作方式是:提出澄清問題深入理解受眾和所需深度,然後展示寫好的計劃等待批准,之後進行主題研究、整合發現、撰寫報告、存檔到 output 資料夾。你不參與任何中間步驟,只在最初提供需求並審核計劃。內容重新利用代理則更實務化且令人印象深刻:你把一個長篇腳本放入 input 資料夾,代理自動識別其中三個最強時刻各自轉換成獨立的 60 秒短視頻腳本配新鮮的開頭,同時針對 X、LinkedIn 和 Instagram 分別撰寫優化的社交貼文,最後把所有內容轉換為 PDF。整個流程在約兩分鐘內完全自主執行,所有檔案自動整理到 output 資料夾。

講者特別詳細討論五個常見錯誤以及為何迴避它們對成功至關重要。第一個是跳過 Claude.md 導致代理每次都從零開始、無法保持一致品質、最終浪費的時間比節省的更多。第二個是目標陳述含糊——說「研究 AI」會得到類似維基百科的東西,但說「研究行銷人員如何使用 AI 代理製作內容,重點放在免費工具且目標是從未寫過代碼的受眾」就會產生完全不同的實用輸出。具體度決定品質。第三個是跳過計劃審核階段以為能節省時間,實際上是最大的錯誤——在代理執行前花兩分鐘審核計劃能預防十分鐘的後續修正工作,因為代理一旦開始執行多步驟工作流就會承諾一個方向,糾正半成品遠比調整計劃困難。第四個是工作流檔案沒有明確要求澄清問題,導致代理做出假設而這些假設是大量平庸輸出的源頭。第五個是貪心地一次建立研究系統、內容規劃器、CRM 工作流、郵件回復器和分析儀表板,結果是五個都半成品且都不信任。

講者提出的擴展路徑是合理且循序漸進的。首先從簡單的自包含任務開始——研究報告、內容大綱、文件摘要——這些低風險高反饋的任務能讓你立即看出代理是否表現良好。其次進階到迭代式工作流,代理生成初稿然後根據反饋多輪優化,腳本撰寫和編輯改進都適用這個模式。最後才是高級的多工作流系統,一個工作流的輸出通知或觸發另一個——研究代理產生發現報告,內容規劃代理讀取報告並基於發現生成視頻創意。核心原則是代理能力不是一次解鎖的,而是逐步建立的,每個組件變得更精煉時整個系統就變得更強大。

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。