KeyFrame內部研究專用

我烧了 71 亿 token,才筛出让 Claude Code 真正干活的 6 个 Skills | 回到Axton

回到Axton11 min中文
觀看原始影片

三句話摘要

透過 Claude Code 的 Skills 工作流程自動化完整的內容生產管線,從選題到發布全程自動執行。 把 Claude Code 從單次工具轉化為工作流系統的關鍵,是先分析工作步驟再配 Skill,而非先裝工具再找用途。 工作流思路優於單個工具:大多人裝完 Claude Code 就吃灰,是因為反向思考——先找工具再找問題。正確做法是先分析日常工作步驟,再為每步配一個 Skill,變成流水線。

重點整理

  1. 工作流思路優於單個工具:大多人裝完 Claude Code 就吃灰,是因為反向思考——先找工具再找問題。正確做法是先分析日常工作步驟,再為每步配一個 Skill,變成流水線。

  2. 數據決策勝過直覺:選題 Skill 監控 31 個同業頻道,抓出真實播放數據。作者最看好的方向只有幾千播放,而被忽視的方向卻有幾十萬,用數據而非拍腦袋決策。

  3. 多 AI 互補勝過單個 AI:Claude 寫稿,Codex 和 Gemini 評審,三家互相挑刺。單個 AI 寫東西會自嗨,不同公司的 AI 能找到彼此看不見的邏輯漏洞。

  4. 人負責判斷,AI 負責執行:每個環節最終拍板權在人手裡,封面迭代五輪才定稿,審稿意見也是人決定改不改。AI 出體力和方案,判斷權始終在人。

實用技巧與重點

  • 官方數據:最猛月份 55,000+ 訊息、6,000+ 會話、300+ 萬行程式碼改動
  • 選題監控:31 個同業頻道、1,400+ 條視頻、自動每天早上 7 點運行
  • 審稿工具:ai-pair Skill(已開源)
  • 圖解工具:excalidraw-diagram Skill(GitHub 3,000 星 Obsidian 視覺化專案開源)
  • 字幕處理:700+ 塊字幕能挑出幾十個錯誤、校對完自動生成 45 段文章 + 30+ 編輯建議
  • 發布自動化:四個平台四種格式(網站、Newsletter、微信、X),原本需時 1-2 小時,現在單一命令搞定
  • 安全工具:Surfshark VPN(一帳號不限裝置數、CleanWeb 廣告攔截、Alert 郵件外洩監控、優惠碼 axton)
  • 課程資源:MAPS 課程(系統學習工作流程方法論)

結論

把 Claude Code 從單次工具轉化為工作流系統的關鍵,是先分析工作步驟再配 Skill,而非先裝工具再找用途。

完整解析

講者的核心問題在於:為什麼 Claude Code 常常裝完就吃灰?他的答案是順序反了。大多人先裝工具再找問題,試了十幾個 Skills 每個都不錯,但從不重複使用。正確做法應該是反過來——先分析日常工作,再為每一步分配合適的工具。

講者的工作是內容生產,從選題到發布共六步,因此打造了一條六工位的流水線。第一工位是選題,這也是最值錢的一個 Skill。它每天早上七點自動監控 31 個同業頻道的 1,400 多條視頻,告訴講者什麼選題在漲、什麼在跌。決策時關鍵是有真實數據——他曾自己最看好的方向只有幾千播放,反而被忽視的方向有幾十萬播放。這不是盲信 AI,而是用數據驗證直覺。

稿件寫完進入第二工位審稿。講者的做法是讓三個 AI 互相挑刺:Claude 負責寫稿,Codex 和 Gemini 負責評審。一篇自己讀了好幾遍的 Newsletter,Codex 直接指出全文最大的邏輯漏洞——一個用來支持觀點的類比,仔細推敲反而是反面證據。不同公司的 AI 視角互補,往往能找到單個 AI 看不見的細節。

第三工位是封面和配圖。AI 根據一句話描述出多個概念方案,大幅壓縮迭代時間——從原來一下午,變成幾分鐘出五個可選方案。講者曾為一部電影封面來回五輪,最終選中空魚缸的隱喻,影片點擊率也很好。

第四工位是影片內的圖解和動畫。影片中那些手繪心智圖、一步步展開的流程動畫,都來自 excalidraw-diagram Skill,把文字直接變成圖甚至動畫。一條影片的心智圖動畫就有一萬多幀,全自動生成。這些圖既能用於影片,也能用於文章配圖,一圖兩用。

第五工位是字幕校對。自動轉錄的字幕往往錯字遍佈,Skill 能從 700 多塊字幕中挑出幾十個錯誤。更妙的是校對好的字幕還能自動變成可發布的文章——700 多塊字幕變成 45 段文章加 30 多項編輯建議,標注哪裡需要事實查核、哪裡口語需清理。

最後一工位是發布。文章要寄到網站、Newsletter、微信公眾號、X,四個平台四種格式,手工乾一遍需時 1-2 小時。這個 Skill 一條命令搞定:自動配圖、傳到圖床、替換鏈接、生成微信草稿、打包成 X 支援的文章格式,講者只需看著它跑、點幾下確認即可。

整個流程在三月的真實案例中完整展現:選題工位用數據定方向、稿子經三場 AI 交叉評審揪出兩個問題、封面五輪迭代定稿、B-roll 動畫一萬多幀自動生成、字幕自動校對後轉成文章、發布到四個平台。這原本是小團隊一週的活,現在一人加上裝了這些 Skills 的 Claude Code 就搞定了。

但核心是:每個環節最後的拍板權始終在人手裡。AI 出體力和方案,判斷權在人,這是整套系統真正能跑起來的原因。講者的思路完全可複製到任何工作領域——把工作拆成工位,為每工位找 Skill,由人負責驗收。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。