KeyFrame內部研究專用

Claude Code 必學設定 Hooks,完整教學一次搞懂

Gary Chen·8月16日週日·19 min中文

三句話摘要

Claude Code 的 Hooks:在特定時機自動執行檢查、防呆和通知的強制機制。 建立 Hook 只需要說清楚「什麼時候啟動」和「啟動後做什麼」,讓 AI 幫你自動化那些重複提醒、固定時機的工作。 Hook 與 Cloud Markdown 的根本差異:Cloud Markdown 是提醒指條,需要 AI 自己判斷要不要遵守;Hook 是由軟體掌控的 Deterministic 機制,只要設定時間點一到就絕對執行,不涉及 AI 的判斷風險。

重點整理

重點
  • 1

    Hook 與 Cloud Markdown 的根本差異:Cloud Markdown 是提醒指條,需要 AI 自己判斷要不要遵守;Hook 是由軟體掌控的 Deterministic 機制,只要設定時間點一到就絕對執行,不涉及 AI 的判斷風險。

  • 2

    四個工作階段的 Event 分布:系統啟動階段(Session Start、User Prompt Submit)、工具準備執行階段(PreTool Use)、工具執行完成階段(PostTool Use)、工作結束階段(Stop、Notification、SubAgent 相關事件、Precompact)。

  • 3

    Handler 的選擇取決於檢查是否需要理解:Command 執行本機腳本適合規則明確的檢查(如敏感資料檢查);Prompt 用現有資料直接判斷;Agent 可先讀檔案、搜尋、執行測試再判斷,適合複雜驗收;HTTP 和 MCP Tool 用來串接外部服務。

  • 4

    兩個長期穩定運作的關鍵:觸發範圍要精確(用 Matcher 和 Handler 邏輯雙重篩選),必須設定明確的結束條件(否則 Stop Hook 可能一直重複檢查)。

實用技巧與重點

乾貨
  • Event 四大階段
  • 啟動階段:Session Start(對話開啟/恢復時)、User Prompt Submit(送出提問時)
  • 工具執行階段:PreTool Use(工具執行前),PostTool Use(工具執行後)
  • 結束階段:Stop(本輪工作結束時)、Notification(通知提醒)、SubAgentStart/Stop、Precompact(上文濃縮前)
  • Handler 五種類型
  • Command:執行本機指令或腳本
  • HTTP:將資料傳到外部服務
  • MCP Tool:呼叫已連線的 MCP 工具
  • Prompt:交給另一個 AI 模型回答(無法讀檔案)
  • Agent:啟動 SubAgent 可讀檔案、搜尋、執行測試
  • 實際案例
  • 敏感資料檢查:Matcher = Bash(只攔截 Git 命令),Handler = GitCommitSecretGuard 腳本(檢查 ENV 檔案、API 密鑰)
  • AI 寫作痕跡檢查:Event = Stop(工作結束時),Handler = Humanizer Gate 程式 + Agent 驗收
  • 流行專案應用:Super Powers(SessionStart Hook 強制載入 Skill)、Clubman(User Prompt Submit Hook 注入相關記憶)、Impactable(PostTool Use Hook 驗收 UI 品質)
  • Codex 與 Cloud Code 的差異
  • Cloud Code:31 種 Event,5 種 Handler
  • Codex:11 種 Event,目前只執行 Command Handler(其他需求透過 Command 呼叫 Skill/Agent 完成)

結論

結論

建立 Hook 只需要說清楚「什麼時候啟動」和「啟動後做什麼」,讓 AI 幫你自動化那些重複提醒、固定時機的工作。

完整解析

詳細

Hooks 解決的核心問題是 Cloud Markdown 的可靠性不足。Cloud Markdown 提供的是提醒指條,AI 在每次對話時需要自己判斷要不要遵守,但 AI 常常會遺忘。相反地,Hook 是由 Claude Code 軟體本身掌控的強制機制,只要設定的時間點一到,軟體就會直接介入強制執行,完全不依賴 AI 的判斷。

Hook 的運作基礎是三層架構。Event 決定了觸發時機——Cloud Code 目前支援 31 種 Event,按工作階段分為四類。啟動階段包括 Session Start(對話開啟或恢復時)和 User Prompt Submit(送出提問時);工具執行階段有 PreTool Use 和 PostTool Use;結束階段則有 Stop 以及 Notification、SubAgent 系列、Precompact 等特殊狀況的 Event。確定了 Event 後,Matcher 負責篩選條件——雖然 Cloud 會調用很多工具,但不能每次都觸發 Hook,所以 Matcher 用來指定要攔截的具體操作(如只鎖定 Bash、只看副檔名是 .ts 的檔案)。最後,Handler 決定觸發後要做什麼,有五種類型:Command 執行本機腳本;HTTP 傳資料到外部服務;MCP Tool 呼叫已連線的工具;Prompt 交給另一個 AI 模型判斷(無法讀檔案);Agent 啟動 SubAgent 可以先讀檔案、搜尋、執行測試再判斷。

實務上有兩個常見案例。敏感資料檢查用 PreTool Use Event 在 Git commit 執行前攔截,Matcher 設定為只鎖定 Bash 指令,Handler 執行 GitCommitSecretGuard 腳本檢查提交內容是否包含 .env 檔案、API 密鑰等敏感資訊,若發現就擋下提交並告知哪個檔案有問題。另一個案例是內容創作中檢查 AI 寫作痕跡,用 Stop Event 在工作結束時觸發,Handler 先執行 Humanizer Gate 程式找出本次修改過的文章,再要求 Cloud 啟動 SubAgent 呼叫去 AI 味 Skill 審查文章,檢查通過後才允許結束工作。

要讓 Hook 長期穩定運作,需要注意兩件事。第一是觸發範圍要精確——用 Matcher 和 Handler 邏輯做雙重篩選,避免無關操作也被攔截。第二是必須設定明確的結束條件——特別是 Stop Hook,如果沒有通過條件記錄,可能會一直要求 AI 修改再檢查,陷入無限循環。

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。