Full Workshop: Setting Yourself Up for Success —Jason Liu, OpenAI Codex
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
重點- 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
乾貨- 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
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
詳細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。
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。
