KeyFrame內部研究專用

Claude Code 零基礎入門(上)|非工程師也能打造 AI 助理的詳細配置教學

柚智夫妻 X 雷蒙三十·4月8日週三·35 min中文

三句話摘要

非工程師從零到一安裝、配置 Claude Code,並打造個人 AI 助理的完整入門教學。 Claude Code 的核心價值不在寫程式,而在於把你的資料、工具與工作流整合成一個懂你、能替你執行任務的 AI 代理人,非工程師只要做好初始配置就能完整解鎖這套能力。 Claude Code 是 AI 的第三階段進化,不只是聊天工具。 Chat(ChatGPT 類)只能問答,Cowork 可處理檔案與行事曆,Claude Code 則能自主調用工具、生成軟體、執行複雜任務,等同於一個能擴充能力的貼身工程團隊。

重點整理

重點
  • 1

    Claude Code 是 AI 的第三階段進化,不只是聊天工具。 Chat(ChatGPT 類)只能問答,Cowork 可處理檔案與行事曆,Claude Code 則能自主調用工具、生成軟體、執行複雜任務,等同於一個能擴充能力的貼身工程團隊。

  • 2

    非工程師入門最大障礙是終端機體驗,換用 Cmux 可解決。 原生終端機無法換行、無法點選游標,Cmux 支援多視窗分頁、選取自動複製、滑鼠點擊,讓操作門檻接近一般聊天介面。

  • 3

    CLAUDE.md 是讓 AI 持續記住你的核心機制。 把個人背景、語言偏好、工作習慣寫入此檔案,每次開新對話 Claude Code 都能讀取,避免傳統 AI 換視窗就失憶的問題。

  • 4

    MCP 外掛工具讓 Claude Code 的能力可以無限擴充。 原生爬網頁能力有限,安裝 Firecrawl(月免費 500 篇)與 Playwright 後,即可抓取動態網站內容,串接 Gmail、Google Calendar、Notion 等服務則可建立每日自動早報。

實用技巧與重點

乾貨
  • 訂閱方案:Pro 每月 $20 美金;Max 100 方案更高額度
  • 模型選擇:Pro 方案建議選 Sonnet 以節省額度;最強版本為百萬 context 視窗模型
  • 推薦終端機:Cmux(免費,支援 Command+T 多分頁、滑鼠點擊、選取自動複製)
  • 快捷啟動:設定 `cc` alias,打 `cc` 直接切換至專案目錄並啟動 Claude Code
  • 啟動模式:No flicker 模式,讓對話框更順暢
  • 權限模式:Default(每步詢問)→ Accept Edits(只問編輯)→ Bypass(全部允許,新手推薦)
  • 防誤刪黑名單:設定後有 23 條規則阻擋刪除、重置等危險指令
  • MCP 工具:Firecrawl(需 API Key,免費方案每月 500 次爬取)、Playwright
  • 核心檔案:CLAUDE.md,存放個人偏好與工作記憶
  • 配置文件來源:作者 GitHub 與 Notion 文檔(影片說明欄附連結),含防誤刪設定、CC 快速配置文件
  • 實際應用案例:線上互動工具、品牌工具箱、學員見證管理、家庭記帳財務系統、品牌 CIS 系統、團隊儀表板(整合 GA、WordPress、電子報、廣告後台、訂閱營收)
  • AI 助理功能:串接 Discord 晨報、爬取電腦工作紀錄做晚間回顧、自動發布 WordPress 文章

結論

結論

Claude Code 的核心價值不在寫程式,而在於把你的資料、工具與工作流整合成一個懂你、能替你執行任務的 AI 代理人,非工程師只要做好初始配置就能完整解鎖這套能力。

完整解析

詳細

這支影片的核心動機來自一個非工程師的親身實驗:作者雷蒙花了一個多月用 Claude Code 打造出個人 AI 分身「雷小蒙」,並替老婆柚子準備了一台全新電腦,從零開始記錄整個配置過程。影片想解決的問題很具體——Claude Code 對大眾來說入門門檻高,但如果因此錯過它,就是錯過了一個真正能替人「做事」的新世代工具。

雷蒙先用三層結構解釋了 AI 的演進:第一層 Chat(ChatGPT、Gemini)是無手腳的圖書館,只能問答;第二層 Cowork 類似外包整理師,能做檔案歸檔與行事曆讀取;第三層 Claude Code 則是貼身管家,能理解自然語言需求、呼叫外部工具、生成完整應用程式。它最大的差異在於所有資料放在本地、可授予 API 金鑰讓它直接操作外部服務(如 GA 後台、WordPress),以及可透過 MCP 外掛近乎無限擴充能力。雷蒙舉了自己三月份的實例:在不打任何程式碼的情況下,用自然語言指令打造出品牌工具箱、家庭記帳系統、以及整合所有社群與營收數據的團隊儀表板。

安裝流程上,雷蒙特別提醒搜尋 Claude Code 時要避開釣魚廣告連結,務必確認網址含 claude.com 或 claude.ai。安裝後他強烈建議換掉系統預設終端機,改用 Cmux——原因是預設終端機無法換行、游標無法點擊,對非工程師極不友好。Cmux 支援多分頁視窗(Command+T)、選取自動複製、滑鼠定位,操作起來更接近一般聊天介面。接著設定 `cc` 快捷指令與 No flicker 模式,讓每次進入工作環境只需打兩個字。權限部分,作者提供了一份防誤刪黑名單(23 條規則),並說明初學者可直接選擇 Bypass 模式避免頻繁確認彈窗,但保留對刪除、重置等危險操作的攔截機制。

在 AI 記憶與工具擴充方面,CLAUDE.md 是整套系統的地基——把個人背景、語言習慣、工作偏好寫入後,每次開新對話 Claude Code 都能讀取,不再像舊式 GPTs 換個視窗就失憶。最後示範了 MCP 工具的安裝:原生爬網頁遇到 JavaScript 動態載入的限制,安裝 Firecrawl(免費方案每月 500 次)與 Playwright 後,即可突破障礙抓取社群媒體與一般網站內容。影片結尾預告下一步要串接 Gmail、Google Calendar 與 Notion,讓 AI 助理自動生成每日晨報——這正是 Claude Code 作為真正個人工作代理人的完整形態。

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。