KeyFrame內部研究專用

From Zero To Advanced AI Agents In 15 Minutes (No Coding)

Zinho Automates·7月22日週三·11 min英文

三句話摘要

教你用無代碼平臺從零建立三個真正可用的 AI 代理,自動管理收件匣、發佈內容、分析業務。 AI 代理的真正價值不是自動化本身,而是停止「使用工具」、開始「擁有一個懂你的助手」——讓機器在你睡覺時幫你經營業務的每個角落。 身份優於功能配置:建立代理的核心轉變是改變心態——不是在填功能表單,而是用自然語言描述一個真實的人物身份。講者強調「你是在寫信給一個人」,而非編程。這讓代理能理解潛在意圖和上下文,而不是機械執行預設命令。

重點整理

重點
  • 1

    身份優於功能配置:建立代理的核心轉變是改變心態——不是在填功能表單,而是用自然語言描述一個真實的人物身份。講者強調「你是在寫信給一個人」,而非編程。這讓代理能理解潛在意圖和上下文,而不是機械執行預設命令。

  • 2

    記憶系統的決定性差異:代理與聊天機器人的根本區別在於記憶累積。每次互動代理都會學習你的偏好,記憶欄會自動填充;聊天機器人每次都重新開始。分離式記憶則防止多品牌運營時不同聲音相互干擾——一個開關就能重組整個系統。

  • 3

    差異化的模型配置:不同工作應配不同模型——聊天交互用輕量級模型降低成本,自動化任務(如深度數據分析)需更強大模型確保準確性。在設定中分別配置兩個模型選擇器,才能充分發揮代理的潛能。

  • 4

    無人監管運行需要明確的安全邊界:權限設定是前置條件,必須進入安全設定關閉「刪除資料」和「更新資料」權限,啟用自動密鑰檢測。這不是可選項,而是讓代理安全獨立運行的非協商基線。

實用技巧與重點

乾貨
  • 平臺與資源
  • Base.ai(使用作者連結免費註冊)
  • Free School 社群提供提示模板與每週新工作流
  • 第一個代理:收件匣檢查器
  • 連接工具:Gmail 外掛、Calendar 外掛
  • 具體任務:閱讀收到的郵件、草擬日常回覆、標記需人工處理的郵件並說明原因、查看行程表後才回答可用時間
  • 設定時間:1-2 分鐘
  • 輸出渠道:WhatsApp 摘要推送
  • 第二個代理:內容發佈代理
  • 連接工具:LinkedIn 外掛、X(Twitter)外掛
  • 具體任務:選擇想法、撰寫 LinkedIn 完整版文章、撰寫 X 鉤子版、按計畫分別發佈兩個平臺
  • 關鍵配置:分離式記憶(防止多品牌聲音混淆)
  • 第三個代理:業務分析代理
  • 連接工具:CRM、Google Analytics、Slack 外掛
  • 日常任務(每日早上 8:00 自動運行):
  • 對比本月流量與上月數據
  • 分析用戶來源與變化
  • 檢查 CRM 中潛在客戶是否轉化或卡在某環節
  • 如發現異常,詳細說明原因並通過 Slack 報告
  • 模型配置:聊天用 Claude 3.5 Sonnet,自動化用 Claude 3 Opus(更強大)
  • 安全設定必須項
  • 進入設定 → 安全性 → 代理權限
  • 關閉:更新資料、刪除資料
  • 啟用:自動偵測秘密(防止 API 密鑰暴露)
  • 分享與複製
  • 點擊分享 → 公開模板連結
  • 他人可複製代理結構但需連接自己的工具,不暴露你的帳戶與 API 密鑰

結論

結論

AI 代理的真正價值不是自動化本身,而是停止「使用工具」、開始「擁有一個懂你的助手」——讓機器在你睡覺時幫你經營業務的每個角落。

完整解析

詳細

建立 AI 代理的根本轉變,在於改變你對「自動化」的思考方式。這不是在配置一個軟體工具,而是在招募一個真正的助手。講者從第一原則開始:當你描述代理時,描述的應該是它的身份和人品,而非功能清單。他的例子是「你不是聊天機器人,你是助手,你正在成為某人的專屬助手」——短短一句話卻完全改變了代理如何理解和執行工作的方式。

第一個代理展示了基礎用法。連接 Gmail 和 Calendar,給它一個簡單任務:處理收件匣。但在啟動之前,講者做了一個容易被忽視卻至關重要的動作——進入權限設定,確保代理無法刪除或更新資料,啟用自動密鑰檢測。這個 30 秒的檢查看似麻煩,卻是讓一個完全無人監管的代理安全運行的基礎。接著代理開始工作:阅讀每封郵件、自動起草回覆、標記需要人工審核的內容並說明原因。輸出端則透過 WhatsApp 推送摘要,讓信息以最自然的方式回到使用者手中。講者說「我就撐過了每週最難熬的一個小時」——這正是代理的現實價值。

第二個代理進入了「代你說話」的領域。這裡身份的定義變得更加細緻——代理不再是幫手,而是你的聲音。連接 LinkedIn 和 X 後,講者給它一個核心任務:選擇想法、為 LinkedIn 寫完整版、為 X 寫鉤子版、按計畫發佈。這裡引入了一個強大的配置概念:分離式記憶。講者舉例説如果你經營健身品牌和商業品牌,分離式記憶能防止它們的聲音相互污染——同一個代理系統能在不同記憶命名空間中保持完全不同的身份和風格。

第三個代理代表了完全的自動化系統。它的角色是分析師,不做事只報告。連接 CRM、Google Analytics 和 Slack,設定自動運行時間為每天早上 8 點。這時講者揭露了一個高級細節:設定中有兩個模型選擇器。一個用於聊天模式(我和代理互動時使用輕量級模型以降低成本),另一個用於自動化(需要更強大的模型做深度分析)。代理每天早晨獨立運行,對比流量數據、分析用戶來源、檢查轉化漏斗,任何異常都會通過 Slack 詳細說明。講者的最終描述最能說明一切:「今天早上我連個網頁標籤都沒打開,我沒有查看儀錶板,我沒有登入任何系統。我的手機震動了一下,收件匣裡的東西都處理完了,貼文也發出去了,分析師告訴我流量上升了。」這不是工具的堆砌,而是真正的系統。

這三個代理展示了從入門到企業級的完整路徑。最後講者還分享了一個強大功能——分享代理模板。透過公開連結,任何人都可以複製你建立的代理結構和邏輯,但由於不包含連接器信息,他們需要自己連接工具,你的 API 密鑰和帳戶完全安全。一次開發,無限複製。

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。