KeyFrame內部研究專用

99% 的人都用錯了!千萬別在 Claude 裝幾百個 Skills,這才是前 1% 高手的隱藏玩法!

李哈利AI·6月24日週三·13 min中文

三句話摘要

揭示高手只用極少量精心設計的技能而非盲目堆積數百個技能的秘訣,介紹如何構建專業級技能架構來對抗傳統SaaS產業衰退。 停止盲目堆積數百個通用技能,精心構建20-30個包含流程、知識與腳本的專屬技能,才能既優化AI性能,又為自己打造一套不需月費的個性化軟件。 技能的真正結構是三層架構:skill.md定義整個工作流和執行步驟(AI的大腦藍圖),references包含品牌調性、案例研究和專業知識庫確保輸出專業度,script包含可直接執行的代碼與API調用。關鍵機制是Cloud Code通過YAML Front Matter摘要功能,只加載當前需要的部分內容,極大節省上下文窗口。

重點整理

重點
  • 1

    技能的真正結構是三層架構:skill.md定義整個工作流和執行步驟(AI的大腦藍圖),references包含品牌調性、案例研究和專業知識庫確保輸出專業度,script包含可直接執行的代碼與API調用。關鍵機制是Cloud Code通過YAML Front Matter摘要功能,只加載當前需要的部分內容,極大節省上下文窗口。

  • 2

    盲目堆積技能的多重危害:Anthropic官方指出可加載技能列表有1.5萬字符硬性限制,超過即無法加載。裝太多技能導致上下文浪費,技能之間相互干擾,AI無法判斷該選用哪個技能,最終觸發正確技能的概率低至20%(15次才對1次),輸出結果完全不符預期。

  • 3

    傳統SaaS行業的崩潰:Surface Now從239跌至127(腰斬)、Intuit從801跌至330(下降60%)、Adobe從700跌至262、Salesforce從365跌至200。整個軟件行業蒸發285個十億美元市值,因用戶發現月付20美元訂閱大模型就能用技能替代所有傳統軟件。

  • 4

    新的商業機遇:中小企業雖不再使用傳統SaaS,但業務需求反增。若能提供客制化技能與AI解決方案,可收取高額費用,領先競爭對手數月甚至數年。

實用技巧與重點

乾貨
  • 技能獲取與工具
  • Anthropic官方GitHub:Surface、Kamal Design、Cloud API、Dogs、PDF、PowerPoint等官方安全技能
  • Skill Hub:86,000個技能的市場平台,需謹慎篩選
  • GetShedon(GSD):GitHub框架,可用於從零開始構建自定義技能
  • 技能架構三層
  • skill.md:「第一步做什麼、第二步做什麼」的SOP流程定義
  • references:品牌語調、專業知識庫、參考文獻
  • script:圖片生成、外部API調用等可執行腳本
  • 數字指標
  • 可加載技能字符限制:1.5萬
  • 最優技能部署數量:20-30個
  • 技能觸發正確率(盲目堆積):20%(15次1次對)
  • 股票跌幅:Surface Now腰斬、Intuit-60%、行業蒸發285個十億美元

結論

結論

停止盲目堆積數百個通用技能,精心構建20-30個包含流程、知識與腳本的專屬技能,才能既優化AI性能,又為自己打造一套不需月費的個性化軟件。

完整解析

詳細

隨著Cloud Code和AI Agent功能推出,越來越多人陷入普遍誤區:認為安裝越多技能,AI就越強大。但講者通過數月逆向工程發現,事實恰恰相反。真正的頂尖高手反而只使用極少量經過完美架構的專屬技能。

技能的本質是精心設計的文件結構,包含三層架構。首先是skill.md,定義整個工作流的流程和SOP,像是AI的大腦藍圖;其次是references,包含品牌調性、案例研究和專業知識庫,確保輸出的專業度;最後是script,即可直接執行的代碼或API調用,將AI邏輯轉化為數字化輸出。關鍵是Cloud Code不會一次性加載所有內容,而是通過YAML Front Matter摘要機制只照亮當下需要的部分,極大節省上下文窗口。

盲目堆積技能會帶來災難性後果。Anthropic官方明確指出可加載技能列表有1.5萬字符的硬性限制,超過即無法加載。更糟的是,裝太多技能不僅浪費上下文,還導致技能相互干擾,AI無法判斷該選用哪個相似技能,最終導致觸發正確技能的概率低至20%(15次中只1次正確)。這使AI的輸出變得極其不可預測。

與此同時,傳統SaaS行業正面臨前所未有的衝擊。Surface Now從239跌至127、Intuit從801跌至330(下降60%)、Adobe從700跌至262、Salesforce從365跌至200。整個軟件行業蒸發了285個十億美元。原因簡單:人們每月只需花20美元訂閱大模型,就能用技能完全替代傳統軟件。這創造了全新商機——中小企業遠離傳統SaaS但業務需求倍增,若能提供客制化技能解決方案,即可收取高額費用,領先競爭對手數月至數年。講者強調黃金法則:在skill.md中清晰定義流程、在references中放置所有知識庫、在script中處理自動化執行,這樣的架構不僅清晰易維護,也能快速定位問題。

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。