KeyFrame內部研究專用

Full Workshop: Setting Yourself Up for Success —Jason Liu, OpenAI Codex

AI Engineer75 min英文
觀看原始影片

三句話摘要

OpenAI工程師分享如何用Claude Code(Codex)應用構建AI增強的個人工作系統,透過執行緒管理、自動化、外掛和計算機控制來處理200+並行專案。 透過壓縮、語音、引腳執行緒、自動化和計算機控制的組合,可以把AI助手從工具升級為真實的工作隊友,最終實現從個人生產力到團隊增強的飛躍。 --- ## 補充說明 如何立即開始 1. 下載Claude Code應用 2. Clone講者的模板:`jxnl/personal-monorepo-template` 3. 開啟專案,用App shots指令"幫我設定這個" 4. 建立第一個引腳執行緒,命名為"Chief of Staff",新增簡單提示:"每天9 a.m.檢查我的日程、郵件、Slack,告訴我最重要的三件事" 5. 啟用心跳自動化:`keep an eye on this daily` 6. 嘗試用語音輸入替代鍵盤 常見陷阱 - X high reasoning不一定更好——低/中等推理對日常工作足夠,還能省token - 不要讓模型過於謹慎——加上"Auto Review"許可權,讓AI主動承擔風險 - 記憶系統需要幾周才能自我最佳化,不要期望第一天就完美 - 在Agent.md中明確限制——如"不修改生產程式碼",防止意外破壞 壓縮(Compaction)是基礎 — 過去認為長執行緒會衰退,現在單條執行緒可執行5周、容納400個子代理,關鍵是壓縮讓模型能持續理解上下文。這打破了"20條訊息後新開執行緒"的舊規則。

重點整理

  1. 壓縮(Compaction)是基礎 — 過去認為長執行緒會衰退,現在單條執行緒可執行5周、容納400個子代理,關鍵是壓縮讓模型能持續理解上下文。這打破了"20條訊息後新開執行緒"的舊規則。

  2. 語音輸入是生產力乘數 — 講者用腳踏板控制錄音,每天用15分鐘語音備忘替代文字。AI會自動讀取會議記錄、郵件來理解模糊的語音指令,效率比鍵盤輸入快3倍,工程師可保持"手放在背後"的姿態工作。

  3. App shots是上下文黑科技 — 截圖工具同時捕獲影象和應用的完整輔助功能樹。傳送Slack截圖時,AI自動知道頻道ID、使用者ID,函式呼叫從讀取OCR、查詢列表、匹配人名的35次跳轉,降至1次精準呼叫。

  4. 執行緒即隊友,自動化即經理 — 引腳執行緒可以列表其他執行緒、傳送訊息、相互協作。加上心跳自動化(heartbeat)定期喚醒,執行緒可自主執行支援、監控、內容更新。未來架構是:管理員執行緒 → IC執行緒,執行緒間可互相委派工作。

實用技巧與重點

  • 工具名稱與功能
  • Claude Code (Codex) — 主應用
  • App shots — 捕獲應用完整上下文的截圖工具
  • Chrome Extension & Computer Use — 分別控制瀏覽器和全系統
  • 外掛生態:Slack, Gmail, Notion, Linear, Obsidian, Twitter
  • 技能系統:skills.sh / Versailles skills tool 可搜尋已有技能庫
  • 具體步驟與方法
  • 個人monorepo模板:`jxnl/personal-monorepo-template`
  • Chief of Staff執行緒:每天9 a.m.自動執行,檢查所有聯結器,優先順序排序
  • 心跳自動化指令:`keep an eye on this`(定期檢查)、`keep an eye on this every 30 minutes`(指定間隔)
  • 目標設定:在檔案中編寫Goal.md + Plan.md,可邊執行邊修改範圍
  • 執行緒控制工具:`list_threads`(列表其他執行緒)、`send_message_to_thread`(跨執行緒通訊)
  • 具體案例資料
  • 單條執行緒存活:5周、400個子代理
  • App shots最佳化:函式呼叫從35次降至1次
  • 技能複用:公司內最受歡迎的"finalize Codex skill"被100%團隊成員使用
  • 檢查功能用量:個人Check Notes技能在2-3個月內從15萬次呼叫降至0(因記憶系統接手)
  • 模型選擇:Chief of Staff預設用Medium reasoning(非X high),低計算成本高效率
  • 自動處理案例:Amazon客服等候檢查(每5分鐘→每1分鐘),成功追回$400
  • 作業系統化
  • 三幕工作法:輸入上下文 → 處理 → 輸出行動
  • 記憶體系統結構:
  • /projects — 每個專案含README、Agent.md(指令集)、關聯Slack頻道
  • /people — 每個人物的郵箱、Slack ID、工作地址、關聯專案
  • 日誌類:Daily Summary、Work Log(長期任務追蹤)
  • 許可權模式:Ask Me, Auto Review, Full Auto (YOLO)
  • 遠端控制:iOS掃QR碼→控制Mac執行任務

結論

透過壓縮、語音、引腳執行緒、自動化和計算機控制的組合,可以把AI助手從工具升級為真實的工作隊友,最終實現從個人生產力到團隊增強的飛躍。 --- ## 補充說明 如何立即開始 1. 下載Claude Code應用 2. Clone講者的模板:`jxnl/personal-monorepo-template` 3. 開啟專案,用App shots指令"幫我設定這個" 4. 建立第一個引腳執行緒,命名為"Chief of Staff",新增簡單提示:"每天9 a.m.檢查我的日程、郵件、Slack,告訴我最重要的三件事" 5. 啟用心跳自動化:`keep an eye on this daily` 6. 嘗試用語音輸入替代鍵盤 常見陷阱 - X high reasoning不一定更好——低/中等推理對日常工作足夠,還能省token - 不要讓模型過於謹慎——加上"Auto Review"許可權,讓AI主動承擔風險 - 記憶系統需要幾周才能自我最佳化,不要期望第一天就完美 - 在Agent.md中明確限制——如"不修改生產程式碼",防止意外破壞

完整解析

Jason在OpenAI從事廣泛的知識工作,從原型設計、程式碼編寫、影片編輯到合作關係和教育工作。在AI賦能的時代,他面臨的核心挑戰是:過去可能有10個隊友各負責一件事,現在每個人都在處理10個專案,他需要追蹤200多個專案的進展,同時不錯過任何Slack訊息或郵件。Claude Code應用成了他的解決方案。

這個解決方案的核心是壓縮技術的突破。早年的AI模型會在20條訊息後逐漸遺忘上下文,迫使使用者頻繁啟動新執行緒。如今,壓縮讓單條執行緒可以執行五週、容納數百個子代理,而模型仍能準確理解工作背景。這改變了工作組織的邏輯——一個"引腳執行緒"可以像真實隊友一樣持續工作。

Jason打破了對AI互動的傳統想象。他不是透過鍵盤輸入指令,而是用腳踏板錄音。當他騎腳踏車回家時,可以告訴AI"在某處找個影片,匯出它,上傳到Google Drive",AI會自動搜尋會議記錄、Slack訊息來理解模糊的指令。語音比鍵盤快3倍,更重要的是,它讓工程師可以"保持手放在背後",在真實的人類對話中獲得上下文,而不是埋在螢幕前。

App shots是一項被他稱為"所有時代最滿足"的功能。普通截圖只是影象,模型需要做OCR、查詢資料庫、匹配使用者ID,往往需要35次函式呼叫。App shots同時捕獲應用的完整輔助功能樹——Slack截圖時,模型立即知道頻道ID、所有使用者ID,一個函式呼叫就能精準傳送訊息。這種上下文效率差異是巨大的。

工作流的核心是執行緒系統和自動化。每個專案、每個支援工單、每個監控任務都對應一個引腳執行緒。透過"心跳自動化"(heartbeat automation)——只需告訴AI"keep an eye on this every 30 minutes"——執行緒可以定期喚醒自己,檢查Slack、Twitter、郵件,自動路由問題、更新狀態。更強大的是,執行緒間可以通訊:一個監控執行緒發現新問題時,會建立新的子執行緒,甚至發訊息給已有的相關執行緒說"這個問題又出現了"。

支撐這一切的是個人知識庫系統——Jason稱之為monorepo。它包含三個核心目錄:projects(每個專案的README、指令集Agent.md、關聯的Slack頻道)、people(每個聯絡人的郵箱、Slack ID、過往郵件)以及各類記憶檔案。當他告訴AI"找一個執行緒,更新所有自動化用最新的模型版本"時,AI會遍歷整個知識庫。這不是魔法——是透過記憶系統和結構化文件,讓模型對他的工作有完整理解。

計算機使用(computer use)功能讓AI能控制整個桌面。Jason第一次體驗到"感受到AGI"的時刻,就是看到游標在iMovie中自動操作,找到音效、設定時間戳。現在他可以說"填這個表格",AI會判斷是在Chrome還是Safari,選擇合適的控制方式完成。他甚至設定過自動檢查Amazon客服佇列的自動化,每5分鐘檢查一次,如果等候時間變短就更頻繁地檢查,最終成功追回$400退款。

所有這些都建立在對AI"提問"能力的充分信任上。不是給AI寫詳細提示詞,而是傳送10分鐘的語音備忘說"這件事有點奇怪,我想Dylan有回覆過我",AI自動搜尋Gmail、Slack、會議記錄來理解。這種信任需要時間培養——新執行緒、新隊友的前幾周需要詳細指導,但隨著記憶積累,AI逐漸學會"知道自己需要做什麼"。

最後一個關鍵點是技能共享。Jason在公司內建立的自動化技能——如自動化開發者支援分類、合規檢查、新聞撰寫——被整個團隊使用。這不僅提升了自己的效率,更讓他成為公司的"AI冠軍"。這也解釋了為什麼他的工作角色模糊:"我實際上不知道我的工作是什麼了。"——因為他已經自動化了大部分工作,剩下的主要是確保AI系統的質量和與人類的連線。

11 min
AI 安全中文11月21日

防蒸餾的三道防線:OpenAI 怎麼保護 AI 的思考過程

一隻羊聊AI看原片 ↗
  • 思考過程是最值得保護的資產:完整的思維鏈(Chain-of-Thought)包含最終答案中沒有的中間步驟,蒸餾來的模型若學到完整思考過程,會多掌握超出預期的能力,包括原本應被防護的攻擊技巧。實驗顯示,學完整思考的學生在資安測驗中表現顯著優於
  • 三層防護結構應對單次請求與持續威脅:模型透過對抗訓練自我拒絕套話,分類器檢查請求意圖與回應內容(包括工具參數),API 層將思考過程與對話綁定,防止跨對話搬運。九月報告曾揭示的加密思考搬運攻擊已被修補。
10 min
AI 安全中文11月13日

The New AI Security Nightmare: Undetectable LLM Backdoors

Internet of Bugs看原片 ↗
  • LLM 可被訓練成在表面上表現正常,卻在特定條件(如在程式碼註釋中看到某個特定字串)觸發時執行訓練者指定的惡意行為,例如上傳環境變數檔案到遠端伺服器。這種後門是不可偵測的,研究者找不到檢測方法,且即使進行後續重新訓練也無法消除。
  • 任何參與模型創建或分發的人員都可能植入這類後門,不論模型是由知名 AI 廠商託管在雲端、還是自行部署。只要組織內有不可信任的人員,就無法完全排除這個風險。
22 min
AI 技術中文10月27日

Switch 2 宣告失守! AI 黑客 14 日暴力破解,唔使拆機、唔使焊晶片!任天堂今次真係驚咗?

大世界看原片 ↗
  • 漏洞來源出人意料:攻擊源於 iTunes 上售價約 25 美元的編程教學軟體 Small Basic。黑客利用其解釋器中的 32 位整數溢位漏洞穿過沙盒限制,再透過 ROP 鏈和緩衝區溢位層層深入,最終取得檔案系統完整權限。這套設計精妙的攻
  • AI 徹底改變破解生態:研究員 Pepsi Poo 坦承,破解工作大部分由 OpenAI 的 Codex AI 編碼代理執行。他搭建自動化測試裝置讓 AI 24 小時不間斷地觸發漏洞並自動重啟,兩週內完成原本需耗時數年的工程。這不是 AI