2026必學技能：AI Agent技能工程全解析及實務操作指南

這段影片深入解析了AI代理（AI agents）在雲端代碼平台（如Cloud Code、Co-Work、CodeEx）的強大能力，並強調學習「技能工程（Skill Engineering）」在未來的重要性。透過技能，任何人都能簡單透過提示自動化流程，並且技能具備自我優化潛力；優質技能甚至將成為可貨幣化的資產。

什麼是技能（Skills）？

技能本質上是AI代理執行特定流程的指令集合，包括流程說明文件（skill.md）、參考資料、工具操作指令、子代理啟動指令及程式碼腳本（例如API調用）。這種結構使得技能既具靈活性又強大，能融合人類判斷（human in the loop），並隨時更新。

技能的架構與類型

• skill.md：流程說明文件，作為技能的核心SOP（標準作業程序）
• 參考文件：文字檔如品牌風格、客戶背景或行銷策略，及程式碼腳本、圖片、影片等非文本文檔
• 工具操作指令（MCP instruction）：指引代理如何有效使用列入流程的特定軟體工具

多種類型的參考資料使技能可靈活應對不同任務需求，並可實現逐步載入（progressive disclosure）以避免上下文超載。

技能與外掛（Plugins）的差異與關係

外掛是包含多項技能、命令和代理的套件，並附帶連接器以支援更複雜的多步驟工作流。外掛能根據部門需求分發，並支援版本控制，類似SaaS軟體。技能則是外掛的核心組件，外掛本質上是技能的集合。

技能適用範圍與自訂化

技能廣泛適用於各行各業和部門，企業可依據自身特有流程及品牌風格自訂技能，同時員工也能針對個人工作方式進行調整。技能的開放性與可分享性促進了團隊一致性及高效運作。

如何建立與優化技能？

1. 明確定義技能名稱及觸發條件（如輸入關鍵字）
2. 設定技能目標與流程，包含是否需要人類介入（human in the loop）及輸出格式
3. 準備相關參考文件及工具操作指引
4. 設計多選項輸出以利人類選擇最佳結果
5. 設立規則防止錯誤發生，並允許技能自動更新與自我學習

建立技能過程中，如無參考文件可先讓AI協助生成，運用迭代方式不斷優化。例如示範中的資訊圖表產生技能經過多次調整，包含輸出格式、品牌風格及多樣化視覺呈現，漸趨完美。

示範與應用

影片中示範了如何在Cloud Code透過指令觸發資訊圖表產生技能，系統根據使用者輸入自動判斷產出平台格式、視覺類型，並提供多種變體選擇，最後使用者可將成品儲存作為優良範例協助技能持續學習和提升。

結語與資源

AI技能的工程類似軟體工程，需要考量使用者體驗、上下文管理及不斷迭代更新。學會打造與優化技能，是未來提升個人與企業生產力的關鍵。此外，透過市場平台分享或販售技能，為開發者開闢新的貨幣化途徑。

更多影片與資源請見下方描述連結，其中包含完整技能開發指南、外掛製作流程及AI加速器社群資訊，適合想深入學習並掌握AI技能工程的朋友。

利用Obsidian與Claude Code打造你的第二大腦與工作助理

本次訪談介紹了Obsidian與Claude Code的強大結合及其在打造個人知識管理系統與智能代理中的應用。Vin詳細說明了如何利用Obsidian作為一個以Markdown文件為基礎、具有互聯關係鏈接功能的知識庫（vault），並搭配Claude Code這種自然語言命令行代理工具，有效管理與調用個人工作與生活的多重資訊。

主要內容與亮點包括：

• Claude Code介紹：一種可以通過自然語言指令控制電腦並讀寫文件的智能代理，能自動化處理複雜任務，並且可將項目描述等上下文資料直接存放成文件，避免重複解釋。
• Obsidian的核心優勢：它是一套基於Markdown文件的系統，允許使用者建立文件間的雙向連結，形成龐大的知識網絡，有點類似大腦思考聯想的模式，方便以後快速檢索與發現隱藏的關聯。
• Obsidian CLI的功能：結合Claude Code，CLI能讓代理程式不只是看到獨立文件，更把文件之間的連結結構納入理解，從而挖掘出深層的模式、潛在想法及長期累積的知識。
• 實用指令與應用實例：如「context」指令自動整合每日筆記、行事曆、待辦事項等資料，生成當日優先任務計畫；「slashclose day」總結並萃取當日行動項目；「ghost」用來檢視並測試自己觀點的矛盾與變化，促進自我反思與成長。
• 透過代理程式擴展生產力：Vin展示了如何讓代理根據個人Vault分析及建議工作重點、創意想法甚至是一整套的工作流程自動化，例如按日劃分任務域、從每日筆記自動提取創意、跨領域連結不同知識點，極大提升個人決策與執行效率。
• 隱私與信任問題：由於Vault存有大量個人詳細資料，授權代理訪問被比喻為給予「第二大腦」的存取權，Vin強調要謹慎評估與掌控分享內容，並認為這將是未來社會重要的隱私與倫理議題。
• 未來展望與哲學思考：討論了這種以純文本、互聯的知識管理系統如何象徵一種新的數位記憶體，並能被LLM代理程序有效利用，成為人類認知與創造力的延伸。Markdown文件被稱作是現代數位思考的基石，而代理是連結記憶與行動的橋樑。

總結來說，訪談強調：

• Obsidian配合Claude Code所提供的系統，是建立自主、深度、持續進化的個人知識庫與智能工作搭檔的關鍵工具。
• 利用這套系統，可幫助用戶產生更及時且具洞察力的想法，提升個人效率，進而改善幸福感、身心健康與財務狀況。
• 雖然設置門檻較高且耗時，但對於希望充分發揮AI協助能力的重度使用者來說，是突破傳統生產力工具的關鍵所在。

最後，Vin分享了如何透過持續記錄與反思、結合代理程式建立個人及團隊的「第二大腦」，並鼓勵大家勇於嘗試這些開放、可塑性的工具，讓未來的工作與生活更智慧高效。

使用Apple M4 Max MacBook Pro一年的真實體驗分享

這段影片是一位創作者分享他購入並使用配備超強規格的M4 Max MacBook Pro一年的心得與經驗。

他當初購買時是抱著滿載最高配備的想法，理論上能應付所有工作需求，尤其是影片剪輯和渲染，但實際使用後發現大部分時間沒有發揮到這麼強大的效能，只有影片快速渲染這部分是獨有M4 Max晶片才能做到的。

在日常輕量工作如撰寫文章時，即使是20年前的舊電腦也能輕鬆勝任，因此覺得買這麼強的配置有些浪費。最明顯的缺點是電池續航力，M4 Max MacBook Pro因為性能提升，電池消耗大幅增加，輕度使用時感覺是在「無謂地燒電」。更新macOS後，初期續航甚至一度急劇下降，但後來恢復正常。

螢幕方面，作者非常喜歡具備「奈米紋理」(nano-texture)面板，認為對眼睛不易疲勞且減少反光，且與14吋相比，16吋螢幕讓多工操作更為舒適，但攜帶時不夠輕巧且大小略顯笨重，手腕放置空間比14吋更大但使用時感到不太舒服，尤其當配戴智慧手錶時會有壓迫感。鍵盤體驗穩固順手，Touch ID靈敏好用，但有些功能鍵使用率低，且舊款M1 Pro鍵盤容易油亮磨損，目前新的M4 Max還未出現該問題。

音效表現令他驚喜，認為是他用過筆記型電腦中音質最好且不需要額外擴音設備。內建鏡頭與麥克風品質好，足夠日常會議使用。

在影片剪輯上，他使用Final Cut Pro進行多軌4K與8K素材剪輯與後製，流程順暢無卡頓且軟體穩定度高。影片渲染速度快，且不同電源模式可依需求在渲染時間與電池續航間取得平衡。存取大型檔案經常使用2TB以上SSD，雖然價格昂貴但帶來便利與安心。

他總結，如果預算充足且工作需求能發揮其性能，這台筆電是非常值得投資的。但若只是輕度使用或不確定是否需要如此強大的性能，不建議盲目跟風購買，他個人未來考慮不會再次購買Max晶片版本，會繼續使用現有機器許多年。

用本地化 Gravity Claw（Claudebot）打造可客製 AI 助手 — 五步 CLAWS 架構速覽

本影片由 Jack Roberts 示範如何在本機（local‑first）使用 OpenClaw / Gravity Claw（他稱作 Gravity Claw = anti‑gravity + clawbar）建構自訂的 Claudebot，強調完全可客製、無供應鏈風險、能接管各種功能但也要注意資安與金鑰管理。主要採用一套「五步 CLAWS」實作框架（C＝Connect、L＝Listen、A＝Archive、W＝Wire、S＝Sense），並示範從環境準備到部署上線的完整流程與關鍵組件。

重點概要

• 核心理念：在本地端建立可組合（像樂高）的 AI 助手，所有功能可逐步加入並完全理解其架構與資料流，降低資料外洩／供應鏈風險。
• 主要工具：anti‑gravity（示範平台）、Telegram（Bot 介面）、OpenRouter 或 OpenAI（模型）、Gro / Whisper（語音轉寫）、11Labs（語音合成）、Pinecone（向量資料庫）、Docker、Node.js、Railway（可選的雲端部署）以及各種 MCP（Model Context Protocol）連接器如 Zapier、Notion、Supabase 等。
• 安全措施：將 Telegram 帳號白名單化（只有指定 ID 可互動）、本地優先、限制 API 金額、謹慎管理金鑰與部署位置以降低暴露風險。

五步 CLAWS 實作概要

• Connect（連接）
  • 準備：下載 anti‑gravity、Docker、Node.js；在 Telegram 用 BotFather 建 Bot，取得 token；在 OpenRouter / OpenAI 建 API key 並配置於 anti‑gravity。
  • 把 Telegram ID 白名單化，確認 bot 在本機能即時回應。
• Listen（聆聽）
  • 加入語音處理：使用 Gro / Whisper 做語音轉文字（transcription）；示範如何讓 bot 接收語音訊息並回傳轉寫結果。
  • 加入 11Labs 做 TTS（文字轉語音），讓 agent 能以較人性化的聲音回覆。
• Archive（記憶 / 存檔）
  • 設計三層記憶系統：Core memory（系統 prompt 長期常駐）、conversation buffer（短期會話）、semantic long‑term memory（向量化存於 Pinecone）。
  • 每次訊息嵌入並儲存；LLM 會在必要時抓取語義相關片段以回補上下文，避免每次都傳完整上下文以節省成本與 token。
  • 建立 soul.md（個性 / 行為準則）與初始設定問題清單，作為每次會話的常駐背景。
• Wire（串接 / 超能力）
  • 透過 MCP（Model Context Protocol）管理各種整合（如 Zapier 存取 Gmail、Notion、Supabase、GitHub 等），實現讀郵件、讀日曆、存取文件等能力。
  • 展示如何在 anti‑gravity 內安裝 MCP server config 並註冊 API keys，讓 agent 能直接呼叫外部服務。
  • 比較本地化 Pinecone + SQLite 與雲端 Supabase/pg_vector 的 trade‑offs（延遲、成本、資料控管、部署複雜度）。
• Sense（感知 / 主動心跳）
  • 建立 heartbeat 機制（node‑cron），讓 assistant 可主動在指定時間（例如每天 08:00）發送督促訊息或問候，並能基於記憶給出個性化內容。
  • 若需 24/7 可用，可將專案部署到 Railway（或類似平台），但要注意不要同時在本地與雲端同時執行以免重複動作。

示範功能 / 流程檢視

• 即時對話（Telegram）、讀取最後一封電子郵件主旨、語音訊息轉寫並回覆、用 11Labs 的聲音合成回覆語音。
• Pinecone 範例：可檢視已儲存的記憶片段並用於後續語義搜尋（例如問到先前說過的公司屬性即能回應）。
• 將專案推到 Railway 並設定 env vars，可做到遠端常駐；anti‑gravity 支援將部署流程自動化為「Skill」，方便持續迭代與推送。

風險、技巧與建議

• 風險：若不當管理 API 金鑰、白名單或公開暴露實例，可能造成資料外洩或濫用。雖然 open‑source 可 fork，但也曾有人暴露大量實例，須小心。
• 建議：用白名單、金額上限、在本地先測試（staging）再部署、避免同時在兩處執行、隨時 rotate 金鑰／限制權限。
• 開發流程：用 anti‑gravity 快速迭代功能（從 dashboard 選取模組像拉樂高），測試後再 freeze、deploy 到 Railway；保留本地版本做開發與回滾。

結論

影片示範了一條實作路徑，從下載工具、建立 Telegram bot、串接模型與外部 service、設計記憶層級到部署與自動化 heartbeat，最終達成一個能語音互動、有長期記憶並能主動發訊的本地化 Claudebot（Gravity Claw）。優點是高度可客製與資料控制，缺點與風險在於需謹慎管理金鑰、連接與部署策略。Jack 同時提供了可下載的資源與範例設定，方便跟著影片一步步實作。

拆解 Anthropic「從零打造 C 編譯器」的宣傳：成就與誇大

這段訪談重點在評析 Anthropic 最近發布的一則行銷影片──宣稱其旗艦模型 Claude 在無人干預下、以 16 個 agent 平行運作、數週時間自動完成一個從零開始的 Rust 寫成 C 編譯器，能編譯 Linux、SQLite、Redis、Lua 甚至 Doom。發表同時還披露了約 2,000 次雲端執行、約 2 萬美元 API 成本，產出約十萬行的編譯器，支援 x86、ARM、RISC‑V。

作者的評價分為兩部分：

• 正面：真正了不起的是，他們能讓多個 agent 在正確的引導與編排下，長時間（數週）自動運作並產出可滿足規格的軟體。這顯示大型模型與多 agent 協作在處理長時程、複雜任務上已出現實質進展，值得肯定。
• 負面／批判：行銷與實際情況有大落差，影片與文章大量誤導或隱匿重要細節——

主要批判點：

• 「從零（from scratch）」與「無人干預」說法誇大：實際上有完整的既有測試套件與可供比對的 GCC（已開源、模型也可能已訓練過），等於給了大量既有先例與黃金測試例；此外團隊可以隨時呼叫現有工具做線上比對（online oracle），並非真實的完全零基礎。
• 無法產生可實際啟動的 Linux：雖然可以編譯出 Linux 相關程式，但因無法產生小於 32KB 的 16 位 x86 啟動段（生成 output 超過限制），所以實際上無法從真實實機的 real mode 啟動 Linux，引導可用性受限。
• 工具鏈不完整與使用者體驗問題：編譯器 CCC 與 GCC 不同，缺少組譯器與連結器等必要工具，README 的範例程式甚至無法編譯，GitHub 上有大量 issue 與爭論，說明可用性尚未成熟。
• 模型複製訓練資料的風險：模型會重現受版權保護或既有程式碼（例如可近似重現訓練資料中的大段原文），這使得「從零」的宣稱更顯問題。
• 仍有人工介入與穩定性問題：agent 會崩潰需重啟、團隊需監督與修正，並非完全放任自動運行。

總結與建議：

• 實際的技術成就是值得肯定的：能把多 agent、長時程任務穩定化、並在有限人力下達成複雜專案，是一個有意義的里程碑。
• 行銷語句應更誠實透明：把「自動化編排取得成果」與「完全從零、無人干預」區分開來，避免誤導社群與投資者，也能換來更多正面支持。
• 對使用者與研究社群的下一步：檢視工具鏈完整性、重現性、測試/比對來源與版權風險，以及改善範例與文件品質，會比誇大宣傳更實際有幫助。

結語：作者既欣賞此類技術進展，也強烈批判過度或不誠實的行銷話術，呼籲 Anthropic 與同業以更誠實的方式呈現成果，讓關注者能在公平資訊下判斷技術真實價值。

Claude Co‑work：讓 AI 從「聊天」變成可執行的協作夥伴

這段影片介紹了 Anthropic 由「聊天型」AI 演進到能實際執行工作的產品演變，重點在新推出的 Claude Co‑work 如何把 LLM 從只能對話的助理，變成可以直接在你工作檔案與資料夾上執行、協作與產出的工具。

背景與演進

• Anthropic 先在 2025 年推出 Claude Code，使開發者用 LLM 不只寫程式，也用來管理專案、做研究、產出報表等多元用途。
• 2026 年 1 月推出 Claude Co‑work，將 Code 的能力做成更友善的協作介面，讓一般使用者也能把 AI 放在工作資料夾裡共同完成任務。

主要功能與使用模式

• 介面分為 Chat、Co‑work、Code 三個分頁；Co‑work 是介於 chat 與 code 之間的「進階聊天/協作」模式。
• Co‑work 強調「任務/工作」而非單純聊天：側欄顯示為「New task」，並以可共用的資料夾作為工作空間（需授權一次性或永久存取）。
• AI 可以直接存取該資料夾內的檔案、編輯並產生新檔案，工作成果會儲存在本機的工作資料夾中（非雲端同步）。
• 具備「思路/思考流程（thought process）」與私人待辦清單，能顯示執行進度與子任務；也會分派子代理（sub‑agents）並行處理大型工作以擴展上下文能力。
• 內建網路研究能力與「plan mode」，會主動提出追問以釐清需求（例如行程時間、偏好住宿類型），避免像一般 chat 那樣盲猜。

示範案例

• 編輯 45,000 字的書稿：Co‑work 能把整本稿放在資料夾中、以子代理並行閱讀與分析，產出有優先順序、具體修正建議（例如可及性、章節節奏、示例不足等），比逐章上傳的 chat 更能把握整體脈絡。
• 家庭墨西哥自駕行程規劃：使用語音輸入與 Co‑work 進行多輪互動、做網路研究、給出四晚行程建議，並自動生成可下載/列印的 Word 行程檔；Co‑work 會標註不確定處並列出可變動參數，方便反覆修正。

優點

• 能處理更大量的上下文（整本書、專案資料夾），提供更整體且具體的建議或產出。
• 以資料夾為單位共享工作環境，方便 AI 直接讀寫、產生持久檔案與工作紀錄。
• 具有更成熟的互動流程（追問、計畫模式、可見不確定性），減少錯誤假設。

限制與注意事項

• 目前為早期研究預覽（beta），可能會有意外行為或錯誤。
• 需付費訂閱：目前最低的付費標準方案（影片拍攝時為每月美金 20 元）即可使用 Co‑work（之前較高階功能曾需更貴方案）。
• 需使用 MacOS 桌面應用（Windows 支援將於未來推出）；工作資料與對話是儲存在本機，跨裝置同步有限，換電腦或手機時不會自動出現先前本機的工作紀錄。
• 與傳統 chat 的使用習慣不同：必須習慣以資料夾/專案為單位工作，並管理授權與本機檔案結構。

總結建議

• 如果你已在付費使用 LLM（約 $20/月），值得試用或改用 Co‑work，特別是需要大量上下文或希望 AI 幫忙執行實際檔案／專案工作的使用者（作者、內容創作者、產品/專案經理等）。
• 使用前要注意本機儲存與跨裝置可見性的限制，並預期這仍是研究預覽版本。
• 影片作者也提供了免費的快速上手指南（可在說明欄或留言中找到），建議搭配指南循序嘗試以掌握最佳實務。

如何為下個版本的模型而建：Claude Code 的誕生、設計原則與未來展望

本次訪談主角為 Claude Code 創造工程師 Boris Churnney，談話聚焦產品起源、設計抉擇、使用者行為觀察、以及面向快速進化的大型語言模型（LLM）的實務策略與願景。

起源與最初設計：Claude Code 最初只是個在終端機（CLI）運行的輕量原型，用來試 API、驗證工具使用（tool use）概念與快速 dogfooding。之所以選終端，是因為最便宜、最快速能驗證「模型能否實際幫助寫程式」。許多早期功能與 UX 都由內部使用者逐步驅動演化。

終端意外成為核心設計：雖然 Boris 一開始認為終端只會是起點，但 CLI 的簡潔限制反而成為優勢：開發者把注意力放在任務流程上而非檔案/UI，體驗既輕快又有趣，且容易快速迭代。後來才拓展到桌面、Web、iOS/Android、VS Code / JetBrains 等多個介面，但底層 agent 邏輯一致。

產品原則：建構「六個月後的模型」

• 不要只為當前模型做產品：Boris 的核心建議是「不為今日模型而建，為六個月後的模型而建」，也就是設計時預想模型快速進步的邊界與能力。
• 潛在需求（latent demand）：真正成功的功能是「把使用者已在做的事做得更容易」，觀察用戶真實工作流並將其自動化或優化。
• Scaffolding 與等待之間的抉擇：可用外部結構（scaffolding）短期提升效能，但模型迅速升級可能讓這些補強變得多餘。評估投入報酬並決定是先造橋還是等模型自行跨越。

Claude.MD 與 prompt 簡潔性：團隊實務上採用短而精的 Claude.MD（類似個人/團隊指令集），只放最必要的規則與流程；當內容膨脹到上千 tokens，建議刪掉重寫以回到最小必要指示。目標是讓模型「最少提示即可回到正軌」。

Plan mode、sub-agents 與團隊工作法：Plan mode 是在執行前要求模型先寫計畫再動手的模式（實際上只是往 prompt 補一句「請先不要寫程式」），對於現階段仍然很有用。但模型越強，Plan mode 的需求會下降（Boris 預期可能在短期顯著縮減）。系統可自動產生並分配 sub-agents（遞迴 agent）以平行搜尋或偵錯，並在團隊 / tasks 間協作，形成「agent swarm」來產出功能或插件。

使用者互動與細節可見性：關於終端輸出冗長與否，團隊透過使用者回饋（有些人要看原始 bash / log）加上可調的 verbose 模式來兼顧新手與進階使用者。迭代頻繁、緊密回饋是設計流程的常態。

招聘與團隊文化：偏好具「初學者心態」、「從第一原理思考」並能承認錯誤的人。面試時會問「你曾錯在哪裡？」之類問題以評估學習型態。團隊同時需要超級專家（specialists）與通才（generalists），以及能夠把 agent 用到開發流程中的工程師。

生產力與實際成效：內部數據顯示自採用 Claude Code 後，Anthropic 的人均生產力顯著上升（範例指標：PR / commit 增長），某些團隊已到 70–100% 的程式碼由 agent 產出。個人層面上，Boris 自 Opus 4.5 起宣稱幾乎不再直接手寫程式碼，而是用 agent 產出並審核。

快速重寫與短生命週期：整個產品與程式碼持續被重寫、移除或替換以適應模型更新。Boris 強調沒有哪一部分會穩定超過數月──架構與 scaffolding 持續演化。

未來展望與安全性：Boris 視編碼工作將被普遍「解決」為下界：更多人可成為 builders，工程師職稱與工作內容會變得更廣泛（例如需求寫 spec、與使用者互動、系統設計等）。上界風險則包含 ASL4（模型能自我遞歸提升）或被惡用於生物／漏洞設計等場景，因此公司把 AI 安全放在核心使命。

給創業者與 DevTool 建議（總結式要點）：

• 以「潛在需求」為主：先觀察人們現在怎麼做，再把那件事做得更簡單。
• 為下個模型而建：預期模型會在數月內大幅進步，設計時考慮這個速度。
• 不要與模型賭鬥：更通用的模型會勝過專門的手工解法，投資需有時間成本、技術債與可替代性的考量。
• 快速原型與頻繁 dogfooding：用小範圍、快速迭代測試使用方式與 UX。

整體而言，訪談傳達的核心是：在 LLM 快速演進的時代，成功的產品設計靠的是對使用者真實行為的觀察、以最小化的指示把模型帶上軌道、以及在「等待模型變強」與「構建 scaffolding」之間找到最佳投入。Claude Code 的經驗證明：簡潔、以使用者為中心、並且預期模型能力逐步取代手工流程，是當前最有效的策略。