KeyFrame內部研究專用

Claude Code: Build Your First AI Agent in 30 Minutes (Zero Code)

AI Foundations30 min英文
觀看原始影片

三句話摘要

無需寫程式碼,在Claude Code用四個層級建立自動化AI代理處理日常工作。 任何人都能30分鐘內不寫程式碼建立全自動AI agent,關鍵是按層級遵循工作區→工具連接→三文件定義→本地測試→雲端部署的順序。 Agent的核心概念是執行工作而非回答問題——你給它任務,它用應用程式和工具自動完成,就像email agent自動標籤郵件、草擬回覆,全程無需人工干預。

重點整理

  1. Agent的核心概念是執行工作而非回答問題——你給它任務,它用應用程式和工具自動完成,就像email agent自動標籤郵件、草擬回覆,全程無需人工干預。

  2. Workspace是基礎建設——建立資料夾後在Claude Desktop連接,agent就能一致地找到所有檔案,避免工作散亂在各個chat中,就像在自己熟悉的廚房快速找到工具。

  3. 三個檔案構成agent的完整人格系統——claude.md儲存指令與規則、skill.md紀錄分步流程、memory.md學習反饋,agent每次執行前都會讀取,確保行為一致且不重複犯錯。

  4. 本地測試至少一週後再上雲——新手最常犯的錯誤是第一天就自動化,一週後才發現agent持續做錯工作;應該像教新手駕駛一樣在副駕駛位觀察與指正。

實用技巧與重點

  • 連接器總數:9,600+ connectors(微軟全生態、Stripe、Shopify、HubSpot、Salesforce、monday.com)
  • Agent三個文件:claude.md(根目錄)、memory.md(根目錄)、skill.md(隱藏資料夾.claude/skills/)
  • Mac顯示隱藏資料夾:Command + Shift + Period
  • 工具權限等級:allow / needs approval / block(分read、write、delete工具)
  • Slash命令範例:/email-agent、/daily-brief、/Don-Draper、/skill-creator
  • 測試方式:輸入/[skill名稱]手動觸發
  • 部署方式:GitHub私人repo + scheduled routine
  • 執行頻率選項:每小時、每個工作日、每兩週、每月
  • GitHub指令:直接問Claude「安裝GitHub沒有?沒有的話幫我裝」

結論

任何人都能30分鐘內不寫程式碼建立全自動AI agent,關鍵是按層級遵循工作區→工具連接→三文件定義→本地測試→雲端部署的順序。

完整解析

這支影片完整展示如何在無程式碼前提下利用Claude建立真正的自動化agent。講者Drake Saucier開場示範成果——他的email agent在幾秒內自動標籤8封未讀郵件、草擬回覆並理解用戶意圖,全程不需人工干預。這徹底打破「建立agent=寫程式碼」的迷思。

建立agent分四個層級。第一層是設置workspace——在電腦建立資料夾作為agent的「廚房」,所有檔案集中在一個地方。使用Claude Desktop的Code標籤後選擇該資料夾,agent就能一致地讀寫檔案,還能建立HTML或Markdown文件供agent與人類同時理解。

第二層是連接工具。Claude看不到Gmail、日曆或雲端應用,必須透過connector功能授權。超過9,600個connector可用,整個微軟生態、Stripe、Shopify、HubSpot等都涵蓋。連接時能細粒度控制——讓agent能讀取草稿但不能直接發送郵件,或完全禁用轉寄。一旦連接到Claude帳號,所有該帳號的workspace都能使用,無需重複授權。

第三層是建立agent本體——影片核心。講者提供免費的「agent builder」提示詞,它會進行8-12個訪談問題,收集agent需要的資訊與範例,自動生成三個關鍵檔案。Claude.md儲存agent的人物設定、指令與規則;skill.md是分步流程手冊,告訴agent每次執行要遵循的確切步驟,例如讀取Claude.md更新資訊→取得郵件→草擬回覆等;memory.md儲存從用戶反饋學到的教訓。Agent每次運行前都會讀取這些檔案,確保不重複犯同樣的錯誤。

第四層是測試與部署。常見錯誤是第一天就自動化,導致一週後才發現持續做錯工作。正確方法是本地測試一、兩週。手動輸入「/email-agent」等slash命令觸發agent,觀察結果。發現問題時告訴agent修改,它會更新memory.md記住。經反覆調整確認完全可信後,再將整個workspace推送到GitHub私人repo(Claude的終端存取可自動完成),建立scheduled routine讓agent在雲端每小時自動執行——無論你的筆電開或關都持續運作。這就像咖啡機定時功能,前一晚設定,早上醒來咖啡已準備好。整套流程完全無需寫程式碼,只需用自然語言向Claude描述需求。

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。