KeyFrame內部研究專用

How to Use Claude Projects (Full Tutorial)

Kevin Stratvert·5月14日週四·6 min中文

三句話摘要

Claude Projects 是一個組織工作空間的功能,讓用戶在統一的地方上傳檔案、設定指令並管理相關的 AI 對話。 Claude Projects 透過統一的檔案存儲、全局指令與聊天組織,讓使用者能在單一工作空間內有效管理多項相關工作,大幅降低重複溝通與檔案管理的負擔。 專案組織框架:使用者應為行銷、研究、程式碼等不同工作類型建立分開的專案,避免對話混亂,讓每個專案保持聚焦的上下文。

重點整理

重點
  • 1

    專案組織框架:使用者應為行銷、研究、程式碼等不同工作類型建立分開的專案,避免對話混亂,讓每個專案保持聚焦的上下文。

  • 2

    全局指令系統:在專案層級設定的指令會自動應用於該專案內所有聊天,無需在每次對話中重複,Claude 能理解工作要求的一致性。

  • 3

    多檔案上傳與引用:支援文件、試算表、圖像、PDF、GitHub 儲存庫等多種檔案格式,上傳後 Claude 在整個專案的聊天中都能引用這些檔案作為背景資訊。

  • 4

    聊天與專案管理:所有相關聊天自動組織在專案內,用戶可快速跳轉到過去的對話、移除聊天或轉移至其他專案;已完成的專案可歸檔以減少雜亂。

實用技巧與重點

乾貨
  • 支援的檔案格式:文件、試算表、圖像、PDF、GitHub 儲存庫
  • 檔案上傳方式:點擊檔案分類旁的加號按鈕、拖放檔案、聊天內直接上傳
  • 專案操作:編輯名稱與描述(三點選單)、加星標(星號圖示)、歸檔(三點選單)
  • 聊天管理:移除聊天、轉移至其他專案、將現有聊天加入專案(三點選單)
  • 指令作用範圍:全局應用於該專案內所有聊天
  • 檔案作用範圍:聊天內上傳的檔案只限該聊天;專案層級上傳的檔案供整個專案使用
  • 星標專案:在左側欄「Starred」分類下快速存取常用專案

結論

結論

Claude Projects 透過統一的檔案存儲、全局指令與聊天組織,讓使用者能在單一工作空間內有效管理多項相關工作,大幅降低重複溝通與檔案管理的負擔。

完整解析

詳細

Claude Projects 是為解決 AI 使用者在進行多項工作時對話散亂的問題而設計的功能。當使用者頻繁使用 AI 聊天,往往會累積許多相關與不相關的對話,難以回顧或管理。Projects 提供的解決方案是建立專案導向的工作空間。

使用者首先在左側邊欄點擊專案圖示進入專案首頁,然後建立新專案。建立時需要輸入專案名稱(例如「Kevin Cookie Company 布朗奶油鹹焦糖餅乾推出」)與選擇性的描述。專案建立後,使用者即進入該專案的工作空間。為了快速存取重要專案,使用者可點擊星號圖示將其加入左側邊欄的「Starred」分類。

在專案內部,使用者可設定「專案指令」,這些指令對整個專案內的所有聊天全局生效。例如在示例中,指令設定為「在每個回應開頭加上餅乾表情符號」。這樣的指令系統避免了在每次新對話中重複說明要求。更實際的用途包括設定語調、格式、品牌風格或工作流程指南。

檔案上傳是 Projects 最強大的功能。使用者可透過按加號按鈕、拖放或聊天內上傳,新增多種檔案格式(文件、試算表、圖像、PDF、GitHub 儲存庫)。上傳到專案層級的檔案會在該專案的所有聊天中被 Claude 自動引用,無需重複上傳。示例中的使用者上傳了客戶調查結果、定價試算表與品牌筆記,Claude 隨後能在聊天中總結客戶回饋而無需使用者再次提供檔案。相對地,聊天內上傳的檔案僅限該聊天使用。

對話管理方面,所有相關聊天自動組織在專案內,使用者可透過專案首頁快速跳轉到任何過去的對話。若要移除聊天或轉移至其他專案,可點擊聊天旁的三點選單操作。現有的其他聊天也可透過三點選單加入此專案。為保持專案焦點清晰,建議避免在同一專案內混合不相關的聊天,讓 Claude 保持對正確上下文的理解。最後,已完成的專案可透過三點選單選擇「歸檔」,將其移至歸檔分類,日後需要時仍可從歸檔區恢復。

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。