KeyFrame內部研究專用

14 分钟掌握Claude Code最新的14个进阶配置 | CLAUDE.md | Skills | MCP | Fork | Subtask | OpusPlan

YAHA学堂中文
觀看原始影片

三句話摘要

CloudCode 上下文優化與工作流程管理實戰指南。 CloudCode 的效率取決於如何減少上下文浪費、設定合理自動化規則,以及根據工作階段選擇適合的模型與工具組合。 專案指令需要有效性審視。cloud.md 應只保留「刪除後會導致錯誤」的規則,例如測試需求、程式碼評審流程、保留遺留介面的原因,但目錄結構、相依套件這類可自動發現的資訊只會重複浪費 CloudCode 的讀取資源,應該移除。

重點整理

  1. 專案指令需要有效性審視。cloud.md 應只保留「刪除後會導致錯誤」的規則,例如測試需求、程式碼評審流程、保留遺留介面的原因,但目錄結構、相依套件這類可自動發現的資訊只會重複浪費 CloudCode 的讀取資源,應該移除。

  2. 技能載入邏輯不同於直覺認知。技能名稱和描述在每次對話中加載,完整內容只在實際調用時讀取,因此多個技能不會立即填滿上下文。真正的浪費來自專案型態不符的自動載入,例如後端 API 開發卻自動載入前端技能,應主動停用而非完全刪除。

  3. 權限提示可透過分層規則降低。自動模式評估工具風險,設定專案層級允許清單處理唯讀操作(查看檔案、檢查狀態),但刪除、修改共享系統的決策仍需人工確認,區分有後果的決策與例行工作。

  4. 對話分支與分岔用途不同。分支保留原始對話探索替代方案;分岔複製到背景工作階段委派任務;子任務繼承完整上下文回傳結果。若計畫包含介面約束和驗收標準,可啟用清空上下文選項,但單靠對話討論就清空會遺失資訊。

  5. 模型分配應按工作階段規劃。Opus 處理複雜決策與計劃,Sonnet 執行實作,平衡效能與成本,但需確認各代理的實際模型使用,因為單一代理設定可能優先於預設值。

實用技巧與重點

  • cloud.md:儲存無法從程式碼推導的規則
  • 技能診斷:顯示上下文成本和使用狀況,可按代幣用量排序
  • 自動模式分類器:評估工具操作風險
  • 權限減少工具:識別唯讀指令,組織成專案層級允許規則
  • 上下文清理選項:計畫接受時啟用,清空對話歷史
  • 五種輸出樣式:Default(預設)、Proactive(主動)、Concise(簡潔)、Explanatory(詳解)、Learning(學習)
  • 思考摘要選項:顯示推理過程概要
  • 焦點模式(Focus Mode):全螢幕終端壓縮檢視
  • 模型組合:Opus + Sonnet 方案
  • 逾時設定:1 分鐘、5 分鐘、10 分鐘、無限等待
  • 評估設計:針對知識庫 Q&A 工具設定正確性、引用、未知資訊處理的檢查標準
  • 快捷鍵:Ctrl+S(儲存提示)、Ctrl+Y(恢復刪除)、Ctrl+Z(撤銷編輯)
  • 技能儲存位置:預設使用者配置目錄,可移至專案資料夾便於協作
  • MCP 協議:連接外部工具的標準協議
  • 消息傳遞:不同工作階段可相互傳遞資訊,但不自動合併完整歷史

結論

CloudCode 的效率取決於如何減少上下文浪費、設定合理自動化規則,以及根據工作階段選擇適合的模型與工具組合。

完整解析

許多 CloudCode 使用者發現工作流程變得緩慢,但原因往往不在模型效能,而在於每次對話都攜帶了大量不必要的資訊。首先要檢視專案指令檔案 cloud.md 的有效性。這個檔案應該記錄無法從程式碼本身推導出來的規則——例如每次變更都必須附帶測試、某些老舊介面雖不優雅但務必保留、誰必須在發布前進行評審。然而許多人在裡面重複列出目錄結構、相依套件這類資訊,這只是在浪費 CloudCode 的讀取資源。判斷標準很簡單:刪除某項指令會導致錯誤嗎?如果有具體後果就值得保留,反之則應移除。

其次,技能與掛鉤的管理對上下文效率影響深遠。常見誤解是安裝多個技能會立即填滿上下文,但實際上只有技能名稱和描述在每次對話加載,完整內容只在調用時讀取。真正的浪費來自於專案型態不符的技能自動啟用——例如從事後端 API 開發卻自動載入前端顯示相關技能。此時應停用高耗能技能,檔案並未刪除,只是在當前工作流程中暫時隱藏,需要時再恢復。外部工具連接也是另一個成本源。知識庫或團隊訊息工具可能自動連接,但若當前任務不需要它們,應關閉自動連接,這只影響該通道的存取,不會影響個別配置的工具服務。

權限提示可透過自動化規則有效減少。自動模式配備風險評估分類器,參考專案資訊和近期對話起草環境配置供使用者驗證。針對重複相同權限查詢,可設定專案層級允許清單來處理唯讀指令(查看檔案、檢查狀態),但刪除、修改、發布到共享系統的操作應維持各自驗證,重點是區分哪些決策有後果、哪些只是例行工作。

對話與工作流程的組織也很關鍵。分支讓你在保留原始對話的前提下探索另一思路;分岔則複製當前對話到背景工作階段委派獨立任務;子任務繼承完整上下文並回傳結果。若計畫檔案足夠完整,包含介面約束、驗收標準和受限檔案清單,可啟用清空上下文選項,讓助手只基於計畫執行,這樣能減少雜訊。但前提是計畫本身必須完整——若只靠對話討論而未建立計畫就清空上下文,會導致資訊遺失。

最後,模型分配應按工作階段規劃。Opus 用於複雜決策與計劃,Sonnet 用於實作,這種搭配能在效能與成本間取得平衡,但須確認各代理的實際模型使用,因為單一代理設定可能優先於預設值。日常輸入也有便利快捷鍵可用,如 Ctrl+S 儲存提示、Ctrl+Y 恢復刪除文字、Ctrl+Z 撤銷編輯,都能提升工作流程效率。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。