KeyFrame內部研究專用

Learn 80% of Claude Cowork in Under 20 Minutes

Jeff Su·4月7日週二·18 min中文

三句話摘要

Claude Co-work 桌面應用的七項核心功能與生產力工作流自動化實踐。 Claude Co-work 通過本地文件訪問、無限持久記憶和多工具連接,將 Claude 從對話助手升級為能完整管理用戶生產力系統的自動化代理。 本地文件訪問改變輸出方式:相比 Claude Chat 受限於每次 20 個文件、單個 30MB,Co-work 直接訪問本地文件系統無限制。最關鍵的是輸出方式不同——Chat 只在窗口展示文本需人工下載,Co-work 直接生成可編輯文件到指定文件夾,省去所有中間步驟。

重點整理

重點
  • 1

    本地文件訪問改變輸出方式:相比 Claude Chat 受限於每次 20 個文件、單個 30MB,Co-work 直接訪問本地文件系統無限制。最關鍵的是輸出方式不同——Chat 只在窗口展示文本需人工下載,Co-work 直接生成可編輯文件到指定文件夾,省去所有中間步驟。

  • 2

    持久記憶是決定性優勢:Claude Chat 的記憶存儲雲端有容量限制,Co-work 將所有決策、偏好、工作習慣永久保存至本地文件,無限期無損保留,使 AI 逐次迭代更懂用戶。

  • 3

    工具連接器實現跨系統協作:連接 Gmail、Google Calendar、Google Drive、Notion 後,Co-work 能同時讀寫多個平台數據,例如自動比對 Google 會議記錄與 Notion 筆記找出遺漏承諾,這是單一聊天工具無法做到的。

  • 4

    定時任務整合前述所有功能:每天自動執行的收件箱分類任務結合了本地規則文件、持久記憶中的用戶風格、Gmail 連接器讀取,數週迭代後達到完全自動化。

實用技巧與重點

乾貨
  • 功能清單與限制對比
  • Claude Chat:每次上傳最多 20 個文件,單個最大 30MB,上下文窗口有上限會觸發自動壓縮
  • Claude Co-work:本地文件訪問無限制,上下文窗口更大,直接生成可編輯文件
  • 七項核心功能
  • 本地文件訪問與編輯
  • 持久記憶(Claude.md、memory.md)
  • 工具連接器:Gmail、Google Calendar、Google Drive、Notion、MCP
  • 自定義技能(Skill)
  • 瀏覽器擴展(速度慢、不可靠,不推薦)
  • 網絡搜索(無法強制執行)
  • 定時任務(Scheduled Tasks)
  • 實踐案例與具體數據
  • 費用報告:100+ 張收據(PDF+JPEG 混合格式)→ 自動提取為 Excel 表格含日期、供應商、類別、金額、總計
  • PDF 拆分:400MB+ 大型 PDF → 按章節自動分割成多個文件
  • 會議記錄比對:Google Gemini 記錄 vs Notion 筆記 → 找出遺漏的行動項與承諾
  • 收件箱自動化:每天早上 6:00 執行,自動分類郵件、生成回覆草稿(數週反饋迭代後接近完美)
  • 初始設置步驟
  • 創建本地 "Co-work Playground" 文件夾用於測試
  • 設定→一般:選用入門指南模板(防止無意刪除/覆蓋文件的安全措施)
  • 設定→功能:啟用記憶功能、設置工具訪問、關閉位置元數據
  • 自訂→連接器:至少連接 Gmail、Google Calendar、Google Drive、Notion
  • 自訂→技能:啟用 Anthropic 技能創建器
  • 技能創建工作流
  • 執行一次完整工作流程 → 告訴 Co-work "把這變成技能" → Co-work 回顧對話記錄、生成技能、運行測試 → 手動上傳到管理面板 → 後續調用只需單擊

結論

結論

Claude Co-work 通過本地文件訪問、無限持久記憶和多工具連接,將 Claude 從對話助手升級為能完整管理用戶生產力系統的自動化代理。

完整解析

詳細

Claude Co-work 是 Anthropic 推出的本地桌面應用,試圖解決 Claude Chat 在生產力工作中的根本瓶頸。兩者最大的區別在於交互模式的本質不同:Claude Chat 採用「任務優先」語言,用戶逐步告訴 AI 該做什麼,最後收到聊天窗口中的文本回覆;而 Co-work 採用「結果優先」語言,用戶明確描述最終結果、限制條件和質量標準,然後 Co-work 直接將可編輯的文件輸出到本地文件夾。這個差異帶來三個實際優勢:首先,Co-work 可直接訪問本地文件系統,無每次 20 個文件、單個 30MB 的限制;其次,輸出是真正的文件而非聊天記錄,用戶無需手動處理;第三,這使得本地持久記憶成為可能。

持久記憶是 Co-work 相比所有線上 AI 助手最革命性的優勢。Claude Chat 的偏好存儲在雲端,容量嚴格受限,一旦超過會觸發對話壓縮導致細節丟失。Co-work 則將所有決策、工作習慣、風格偏好永久保存至本地的 Claude.md 和 memory.md 文件中。用戶甚至可在全新會話中查詢:"我們一起製作了多少期新聞簡報?按應用程序分類。"Co-work 會讀取記憶文件回答"七期,其中 Gmail 兩期、Chrome 兩期"。這種能力來自持久記憶,但持久記憶只有在結合本地文件訪問後才能充分發揮。例如用戶可讓 Co-work 閱讀上個月的全部郵件,提煉寫作風格模式,保存為寫作原則到 memory.md,從此每次起草郵件 Co-work 都會自動遵循該風格。

工具連接器讓 Co-work 能跨越本地與雲端的界線。通過連接 Gmail、Google Drive、Notion 等工具,Co-work 獲得讀寫這些平台的能力,從而執行單一聊天工具無法完成的任務。真實場景是:某公司在 Google 雲端硬盤中用 Gemini 自動生成會議記錄,同時在 Notion 手動記錄會議筆記,經理希望找出兩份文件中遺漏的承諾。Co-work 會同時讀取兩個文件,比對口頭表達與書面記錄,精確指出記錄中缺少的行動項。這是三項功能的協同:連接器讀取數據、本地文件訪問存儲結果、持久記憶記住用戶的偏好。

定時任務(Scheduled Tasks)是 Co-work 最完整的演示場景。用戶可設置每天早上 6:00 自動執行「收件箱分類」任務,生成分類報告與回覆草稿。之所以能完美運作,是因為整合了前述所有能力:收件箱分類規則保存在本地 Markdown 文件中(本地文件訪問),Co-work 通過數週的反饋學習用戶的語氣與簽名風格並記住它(持久記憶),通過 Gmail 連接器讀取新郵件(工具連接),最後生成上下文相關的回覆。這套系統初期需要人工調整反饋,但反饋越多,Co-work 就越精準,最終達到完全自動化。

自定義技能將重複工作流變為可復用資產。用戶執行一次完整的「每週報告整合」流程(合併三個團隊的更新、格式化、控制密度、轉為 PDF),最後告訴 Co-work "回顧我們的對話,創建一個每週報告技能",Co-work 會自動記錄整個流程、生成技能定義、運行假設測試、提示用戶上傳。下次需要整合報告時,用戶只需點擊該技能,幾分鐘內獲得格式完美的結果。這種能力適用於任何重複工作,從簡單的文本潤色到複雜的多步驟工作流。

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。