KeyFrame內部研究專用

Codex Desktop Application Tutorial | Claude Code: Learning Will Not Be Wasted - How Can AI Agents...

柚智夫妻 X 雷蒙三十·5月31日週日·51 min中文

三句話摘要

比較 Claude Code 與 Codex 兩款 AI 代理工具的差異,教導如何用桌面版打造可跨平台遷移的個人化 AI 助手。 建立本地化、可遷移的 AI Agent 配置(SSOT 核心文件 + 資料夾化記憶),讓你在 Claude Code、Codex、Gemini 之間自由切換,不被任何平台綁定,才是 AI 時代保持自由和效率的長期之計。 桌面版優於終端機: 小白用戶應該直接使用桌面版而非終端機。當時 Claude Code 桌面版不好用,建議終端機。現在兩個都進步了,特別是 Codex 整個中文化介面,大幅降低學習門檻,讓非工程師也能建立自己的 AI Agent。

重點整理

重點
  • 1

    桌面版優於終端機: 小白用戶應該直接使用桌面版而非終端機。當時 Claude Code 桌面版不好用,建議終端機。現在兩個都進步了,特別是 Codex 整個中文化介面,大幅降低學習門檻,讓非工程師也能建立自己的 AI Agent。

  • 2

    上下文管理是關鍵: 長對話會消耗額度快速且 AI 變笨。需要在 80% 時手動壓縮上下文而非等到 100% 自動壓縮。規劃文件與執行對話分開成兩個獨立對話,更省額度且執行正確率更高。

  • 3

    SSOT 單一真實來源設計: 建立一份核心配置文件(如 CORE_RULES.md),讓 CLAUDE.md 與 AGENTS.md 都指向它。這樣無論用 Claude Code 或 Codex,AI 讀到的都是同一份最新文件,避免維護多份散落的文件導致訊息不同步。

  • 4

    個人化 Skill 系統化工作流: 不要直接安裝別人的 Skill,而是先評估是否適合。用完一個專案後,把個人化的工作流程寫成自己的 Skill 文件,讓 AI 未來在相似任務中自動套用你的偏好,而非通用解答。

實用技巧與重點

乾貨
  • 模型與界面:
  • Claude Code:Claude 模型、英文界面
  • Codex:GPT 模型、中文界面(設定 > 語言 > 中文台灣)
  • 額度與模型選擇:
  • Claude Code:選 Opus 4.7 1M(100 萬 Token 上下文)、Effort 選 High 足夠(High/Medium/Low/Extra/Max)
  • Codex:USD 20 月費基本方案、額度較寬鬆
  • 上下文管理:
  • Claude Code:右下角查看額度(Context Window 百分比)、斜線打 Compact 壓縮
  • Codex:左下角剩餘用量、斜線精簡此討論上下文(80% 時執行)
  • 檔案路徑輸入:
  • Mac 快捷鍵:Option + Command + C 複製完整路徑
  • 直接拖拉檔案或資料夾入對話框
  • 編輯文件工具:
  • VS Code(免費開源,微軟開發):按 Ctrl+S(Windows)或 Command+S(Mac)保存
  • MarkEdit(Mac,免費開源):簡潔易用介面
  • Codex 獨有強項:
  • 生圖:符合品牌設計的高質量圖像生成
  • Computer Use:控制電腦操作遊戲、填表單(耗 Token 量大)
  • 遠端控制:iPhone 掃 QR 碼控制家裡電腦,反應快、無延遲
  • Skill 安裝邏輯:
  • 不說「幫我安裝」,改說「這個適合我們嗎」或「幫我研究一下」
  • AI 會評估 CP 值、與你現有系統的匹配度
  • 配置檔案結構:
  • 原始檔:000_Agent/CORE_RULES.md
  • 快捷鍵指向:CLAUDE.md → CORE_RULES.md、AGENTS.md → CORE_RULES.md、GEMINI.md → CORE_RULES.md
  • 記憶資料夾:Memory/user、Memory/feedback、Memory/project、Memory/reference
  • 權限設定三層級:
  • 預設權限:任何行動都要同意(太繁瑣)
  • 自動審核:簡單操作自動執行、刪除/啟動程式仍需同意(推薦)
  • 完整權限:全部自動,配合系統框架限制刪除能力(進階用法)
  • 記憶系統開啟:
  • Codex:個人化 > 啟用記憶(但資料鎖在 Codex,無法遷移)
  • 建議:本地資料夾管理記憶,可跨平台遷移

結論

結論

建立本地化、可遷移的 AI Agent 配置(SSOT 核心文件 + 資料夾化記憶),讓你在 Claude Code、Codex、Gemini 之間自由切換,不被任何平台綁定,才是 AI 時代保持自由和效率的長期之計。

完整解析

詳細

雷蒙開場提到他的兩支 Claude Code 教學影片觀看人數快要超過 50 萬,許多零基礎學員包括非工程師都按照教學步驟訓練出自己的 AI Agent 來外包工作。但是最常見的問題就是「終端機太難上手,能用桌面版嗎?」一個月內 Claude Code 桌面版進步明顯,Codex 也急起直追,市面上出現了許多「要離開 Claude Code 轉用 Codex」的聲音。因此今天的影片目的是講清楚兩者的本質差異,以及如何配置讓你的 AI Agent 在兩個平台上都能無縫運作。

從模型層面看,Claude Code 預設用 Claude 模型但可自行替換(接本地 LLM 或其他 API),而 Codex 只能用 GPT 系列。最關鍵的差異是易用度:Claude Code 全英文介面,Codex 完整中文化,對小白來說友善得多。Codex 還有殺手級應用像是生圖能力(比 Gemini Nano 更好)、遠端控制手機和電腦,以及 Computer Use 功能讓 AI 代為操作。價格方面都有 USD 20 月費版本,但 Claude Code 真正高效工作可能要用到 USD 100 月費,而 Codex USD 20 就額度充足。

使用桌面版時需要注意三個上下文管理要點。首先要知道在哪裡看額度:Claude Code 在右下角,Codex 在左下角。其次,不要等到額度滿了才自動壓縮(容易漏資訊),應該在 80% 時手動執行壓縮。第三,規劃文件和執行對話分開成兩個獨立對話,規劃阶段很耗上下文窗口,分開能更省額度且執行正確率更高。

講者示範了一個實務案例:用 Codex 整理紐西蘭旅行的素材。給 AI 一個包含上百張照片和影片的資料夾路徑,它自動根據「要給剪輯師用」的背景目的,按時間線、場景主題、素材類型等多維度分類,並產生詳細的素材總表和分類說明。整個工作以前可能要員工花一整個下午,AI 則在秒級完成,且分類更細緻。接著用「Video Spec Builder」Skill 引導式地討論影片創意、風格、配音、受眾,最後生成詳細的剪輯規劃文件。然後開一個新對話,把規劃文件的路徑貼上,呼叫 AI 剪輯 Skill 讓 AI 自動剪輯初版。講者給回饋後 AI 迭代優化,經過數版最終產出滿意的成品。整個流程體現了:給 AI 充分背景和目的、分開規劃與執行、迭代回饋優化、最後把成熟工作流寫成 Skill 供未來複用。

實現 AI Agent 可遷移性的核心是 SSOT(Single Source of Truth)設計。講者建立一份原始核心配置文件 CORE_RULES.md,然後讓 CLAUDE.md、AGENTS.md、GEMINI.md 都指向它(Windows 捷徑或 Mac 軟連結)。這樣只要更新一份,三個平台的 AI 都讀到最新版本。同時把記憶系統(Skill、Knowledge、Memory)放在本地資料夾而非 Codex 內建記憶,才能在 Claude Code、Codex、Gemini 之間自由遷移,不被單一公司鎖定。講者贈送迷你課學員一份「AI Agent 雙棲健檢清單」,可用來評估自己的配置是否已達到可遷移標準。

Codex 最強的功能是 Computer Use:左上角開啟外掛程式,綁定電腦和手機,AI 可以操控你的螢幕幫你玩遊戲、填表單、查機票和里程點數。講者示範讓 Codex 玩手機上的單機遊戲,它自己點擊、戰鬥、獲勝,整個過程中講者仍能在電腦上做其他工作。iPhone 也能掃 QR 碼遠端控制家裡的電腦,反應速度很快,這點比 Claude Code 的遠端控制好很多。但要注意 Computer Use 非常耗 Token,建議只在沒有 API、CLI 或 MCP 的工具才用這個「最後手段」。

權限設定上,預設權限太繁瑣,自動審核最平衡(簡單操作自動做、敏感操作仍需同意),進階用戶可開完整權限但透過系統框架限制刪除能力。記憶系統可開啟 Codex 內建記憶,但若要跨平台遷移必須把記憶存在本地資料夾,否則轉到 Claude Code 時會全部遺失。

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。