Claw Code技能自我優化的自動化循環實現與應用

本影片介紹了一種能讓Claw Code中技能自動改進的創新方法，靈感來自OpenAI創始團隊成員暨前Tesla AI負責人Andre Carpathy提出的「自動研究(auto research)」概念。該概念透過AI自動試錯、評測指標，持續微調程式碼實現無間斷優化，像是部署一個24小時不眠不休的自主學習系統。

作者以Carpathy的三種核心檔案為基礎：指令檔(program.md)、結果記錄檔與訓練腳本，說明如何簡化構建自我優化回路，只需不到10行程式碼即可運作。系統會反覆執行「調整-測試-判斷-保留或還原」的循環，不斷提升性能而非等待人工干預。

在Claw Code中，技能的描述(YAML格式)極大影響觸發率，內建的Anthropic skill creator已實現類似自我優化循環，自動改善技能描述從而提升技能啟動率。而對於技能真正輸出質量的評估，作者提出使用明確的二元(真/假)斷言檢驗，如字數限制、格式要求，以及結尾是否為問句等，可量化檢測輸出是否符合預設規範。

該方法透過建立一個eval文件夾與eval.json文件，列出25條真偽判斷斷言，AI系統會根據這些斷言自動測試技能輸出並決定是否調整skill.md指令。此循環相當於Carpathy原始迴圈在Claw Code技能上的應用，顯著提高了測試通過率和技能產出一致性。

影片中演示了如何用此方法優化一個行銷文案技能，經過多輪迴圈訓練後，成功糾正並整合條件規則，最終技能通過率由95.8%提升至100%。作者建議用戶可放心設定並讓系統在夜間自動執行，隔日即可擁有明顯更佳的技能版本。

此自我優化策略分為兩層：一是提升技能描述以確保技能能準確啟動；二是使用二元斷言評估輸出內容，進一步微調技能指令。作者提醒此機制主要改善格式、結構和規則遵守，對語氣、創意等主觀元素仍需人工判斷與調整。

最後，作者提及新推出的完整Claw Code智能經營系統，整合品牌記憶、多項技能和自我學習維護功能，並支援手機Telegram操作，讓使用者可輕鬆管理並優化整個商業流程。

結合Auto Research提升Claude Code技能的可靠性與自我優化技巧

本影片分享如何利用最新AI技術「Auto Research」來提升Claude Code技能的準確性和自我改進能力。影片一開始說明目前Cloud Code技能執行約70%準確，作者透過引用OpenAI前成員暨Tesla AI負責人Andrej Karpathy最近發布的Auto Research GitHub專案，示範如何讓多個智能代理協作，循環優化技能自身的輸出與提示詞(prompt)策略。

重點包括Auto Research的三大關鍵組成：可量化的客觀指標（objective metric）、自動化評估工具（automated evaluation）、以及持續可變更的技能內容（如提示詞）。作者以提升圖表生成技能（diagram generator）為例，定義了四項明確的評估標準：文字清晰且文法正確、符合柔和粉彩的配色方案、圖表線性排列，以及避免使用數字排序。這些簡單的「是/否」題組成評測集，讓AI模型能自動生成、評估，再根據結果優化提示詞，不斷提升輸出品質。

影片展示Auto Research的實作流程：先讓代理閱讀該GitHub倉庫，再將預設技能和評估標準餵入，透過每兩分鐘生成10張圖表，經過評測後調整提示。此方法不僅顯著提高成品質量（從最初的32分提升至39/40分），也節省了優化成本。作者同時提及此技術可應用於網站優化、電子郵件行銷、分割測試等多種場景，展望AI代理未來可持續跨版本改良技能。

最後，作者鼓勵大家利用他釋出的Auto Research程式碼免費無門檻試用，並推薦觀看他的完整Claude Code教學課程，學習如何從頭到尾打造並優化AI技能與代理。此影片不僅實用且啟發性強，對有志提升AI效能的使用者極具參考價值。

自動化實驗管線：結合Claude Code與Karpathy的Auto Research提升AI與業務績效

本次影片介紹由著名AI研究者Andre Karpathy釋出的開源專案「Auto Research」，結合Claude Code後，能打造出真正能自我優化的AI系統。Karpathy的核心想法是讓AI模型自主進行訓練循環：模型自行修改程式碼、短時間訓練、評估結果、決定保留或舍棄，重複執行，從而在隔天得到更優化的模型。

影片主講人非機器學習訓練者，而是聚焦將模型應用於賺錢。他憑借此思路，實際運用Auto Research於業務，例如「冷郵件(cold email)優化」。冷郵件以提高回覆率為主要目標，主講人將Cold email文案作為可調整變數，回覆率作為優化目標，借助Auto Research全自動進行新文案生成、AB測試、篩選優勝版本，重複迭代優化。

他展示了完整的操作流程：

• 下載Karpathy的Auto Research原始碼庫。
• 配置實驗設定（目標指標、測試方法等）。
• 搭配Cold email服務（例如Instantly API）使Agent能自動發送郵件並收集成效數據。
• 利用GitHub Actions設定定時運行，每4小時自動收集數據、自動生成新文案挑戰者、部署新活動，省去人工操作。
• 引入Slack通知，時時掌握實驗進度與結果。

他強調此方法是科學實驗自動化，解決傳統實驗操作繁瑣、人力不足與迭代速度慢等問題，且反覆累積實驗知識，逐步提升系統智慧。隨著執行次數增加，挑戰者文案能超越基準文案，帶來顯著成效提升。

除此之外，還能應用於其他領域，如：

• 網頁轉換率優化(landing pages CRO)，透過API自動改版測試。
• 廣告素材優化，依據點擊率或轉換率自動調整廣告文案。
• 客服聊天機器人腳本優化，以顧客滿意度為目標指標。
• 電商產品描述優化，結合網頁自動操作技術和銷售數據。
• YouTube標題、電子報標題等標題優化。

使用前需注意三大要素：

1. 明確的目標指標(例如回覆率、驗證損失、轉換率)，易於客觀評估。
2. 可調節的測試參數(如郵件文案、廣告創意等)。
3. 可程式介面(API)操作實驗物件，確保Agent能自動部署與監控。

同時，他也談到迴圈速度的重要性，循環越短，能快速獲得與應用數據，提升成果，例如Karpathy的模型約五分鐘一個迴圈，能快速優化。若無法快速回饋，實驗效果則會大打折扣。

影片最後提供詳細示範教學，包含如何克隆儲存庫、建立新專案、透過語音輸入建置Cold email優化器、設定GitHub Actions自動排程、並透過Slack通知追蹤進度。並鼓勵開發者依自身業務需求擴展應用，將此技術民主化，打造24小時自我成長的AI營運管線。

講者邀請觀眾訂閱頻道，並歡迎分享使用經驗與建議，期望日後製作更多實際案例解析影片，助力大家實踐AI自動化實驗與業績提升。

龍人（Homo Longi）：揭開人類起源的新篇章與丹尼索瓦人的真面目

這段訪談介紹了人類演化史上一項重大突破——來自中國哈爾濱的14.6萬年前“龍人”頭骨化石，這可能是神秘的丹尼索瓦人（Denisovans）的實體證據，徹底改寫了我們對人類親緣關係的理解。過去我們認為尼安德塔人（Neanderthals）是現代人（Homo sapiens）的最近親，但最新研究暗示，丹尼索瓦人才是我們更親近的姊妹群，甚至可能與現代人共用超過百萬年的共同祖先。

丹尼索瓦人最初於2010年因在俄羅斯丹尼索瓦洞發現的一塊手指骨提取的DNA所識別，證明他們不是尼安德塔人也非現代人，而是第三種人類。直到“龍人”頭骨的發現以及DNA證實其與丹尼索瓦人基因匹配，科學家才終於見到丹尼索瓦人的真實面貌：該頭骨體型龐大，顴骨厚實，既有尼安德塔人腦顱特徵，又具現代人臉形。

此外，訪談也探討了來自中國一百萬年前的楊縣2號頭骨，即使其嚴重變形，CT掃描重建後顯示它與龍人和丹尼索瓦人有著密切關聯，並非傳統認定的直立人。這使得人類演化時間軸可能需大幅提前，且共同祖先「X祖先」或許起源於亞洲而非非洲，這一言論挑戰了長期以來的非洲起源假說。

丹尼索瓦人的生活環境多元且適應力極強，他們不僅居住於寒冷的北方哈爾濱地區，也曾在海拔高達3200至3700米以上的青藏高原活動，還有遺傳證據顯示他們的基因曾在東南亞熱帶地區散布，展現出廣泛的生態適應性。

目前有兩個主要遺址屬於丹尼索瓦人：俄羅斯的丹尼索瓦洞與中國青藏高原的巴夏卡茨洞。後者考古發現了石器和獵捕高原動物的痕跡，為丹尼索瓦人的行為及生態提供了珍貴資訊，顯示他們會製作火和使用工具。

這一系列發現不僅揭露了我族複雜的家族樹，也提出了為何在過去約10萬年前，地球上多種人類種群共存，最終只剩下現代人倖存的重大疑問。訪談最後指出，未來更多化石證據和基因分析將是解答這些謎題的關鍵。

總體而言，龍人與丹尼索瓦人的發現是21世紀生物人類學的重大里程碑，它不僅改寫了教科書，更深刻影響我們對自身來歷和身份的認知。

Google Gemini大幅升級Workspace，助力AI原生辦公體驗

Google近期在AI競賽中發布了重磅更新，將全新AI模型Gemini深度整合進Google Workspace，包括Docs、Sheets、Slides和Google Drive，打造AI原生的辦公軟體工具。此舉直接在使用者日常工作的應用程式中導入AI功能，超越以往需要切換工具的操作模式，服務約3億Workspace使用者及全球約30億Google生態用戶。

在Google Docs中，用戶只需簡單輸入指令（如依據會議紀錄和活動列表撰寫社區通訊），Gemini即可迅速生成完整草稿，並能依照用戶指示調整內容長短與結構，同時結合「匹配寫作風格」功能，使AI生成文字風格更貼近個人習慣。此外，Gemini還可掃描電郵提取資訊，將內容自動套用在既有模板，提高文件建立效率。

Google Sheets的升級更針對許多人感到困惑的試算表設計，Gemini能根據指令自動組織表格架構，從電郵與檔案中提取相關資料，自動填入分類表格、進度儀表板等，甚至可透過「Fill with Gemini」功能自動搜尋網路數據，自動填充申請截止日期、學費等資訊，減少大量人工輸入工作。

在Google Slides方面，使用者只需描述需求（如製作五頁關於東京旅行的簡報），AI便會根據相關電郵、檔案與網絡資料建構完整投影片，並提供自動調色、排版與字數調整功能，將創作流程化繁為簡。

Google Drive部分則引入「AI概覽」與「Ask Gemini」等智能搜尋功能，解決傳統關鍵字搜尋無法有效定位目標檔案的問題，通過理解使用者意圖提供更加精準的搜尋結果，甚至能整合多種來源資料（文件、郵件、日曆等）回應複雜問題，將雲端硬碟升級為個人化知識庫。

此外，Google還同步推出Gemini Embedding 2，這是面向開發者的新一代嵌入模型，能將文字、影像、視頻、音訊及PDF等五類媒體內容統一映射至同一向量空間，簡化多模態AI系統的建構。該模型支援更長文本輸入（最多8192字元）、多種影像格式及短視頻、原始音訊無需轉寫步驟處理，也改進了計算效率及專業領域適應能力，並通過多階段訓練提升檢索精度與穩定性。

綜合來看，Google此次更新不僅優化了數億用戶的辦公體驗，還加強了AI基礎設施，全面推進Gemini在消費端及開發端的應用佈局，展現其在AI技術生態中的積極佈局與競爭力。

5分鐘改善關節靈活度的簡易拉伸指南

這段訪談介紹了人體如何有效維持資源並清除不需要的物質，強調若停止訓練，肌耐力和關節活動度會迅速退化。多數現代人數年來未完整訓練關節全動作範圍，導致肩膀、臀部、背部及腳踝的活動力下降。

訪談透過東南亞文化日常深蹲的例子，對比西方文化中多數人難以完成無助力地深蹲。透過日常活動中的活動度流失會引起肌肉緊繃、無法有效啟用特定肌肉群，甚至影響健身表現。

改善建議為每天花5分鐘針對臀部、上背及腳踝三大關節重要部位進行拉伸和活動度訓練。短時間但高頻率的訓練比偶爾做長時間訓練更有效。

核心訓練動作包含：

• 貓牛式脊椎拉伸：四腳跪姿，讓背部緩慢圓拱與下陷，呼吸配合，促進背部肌肉放鬆，約做7到8個循環。
• 最棒的伸展（World’s Greatest Stretch）：結合弓步放鬆臀部和腳踝，逐步延伸上半身和胸部，每邊約30秒，5次來回。
• 亞洲深蹲變體：腳跟墊高，以深蹲姿勢舒展臀部及腳踝，膝蓋外推，維持30秒並進行左右擺動，逐漸減少腳跟墊高。
• 上背旋轉伸展：半跪姿面對牆壁，右手抵牆旋轉上半身左轉，保持臀部不動，逐步增加旋轉幅度和手掌滑動。
• 牆壁滑動增強背肌：背靠牆面，收緊腹部壓平腰椎，雙臂貼牆上下滑動，增強背部深層肌肉掌控力。

整套動作約5分鐘，重點在高品質和正確姿勢。頻繁穩定執行搭配日常多動及健身中的劈腿和舉重動作，能快速提升關節靈活性與全身運動表現。

影片最後推薦訪問者至指定網站下載完整逐步教學PDF，並透過官方網站的分析測驗找到適合自己的身體改造計劃。

此方案結合科學化的飲食、活動與回復，是一套全方位的身體改善計畫。

伸展的神經科學：大腦如何影響你的柔軟度提升

本影片從解剖、生理及神經科學的角度探討伸展運動如何改善身體的柔軟度與關節活動範圍。表面上我們認為肌肉、肌腱等軟組織的彈性決定伸展程度，但事實上大腦與神經系統在其中扮演非常關鍵的角色。

舉例來說，當我們進行腿後肌（股二頭肌）伸展，如屈臀前彎摸腳趾時，肌肉內的「肌紡錘」感受器會偵測肌肉長度及其變化，並透過神經將訊號送往脊髓和大腦。大腦接收到訊息後，會回傳信號調節肌肉張力及肌紡錘敏感度，從而防止肌肉被過度拉伸。這種保護機制稱為「肌肉拉伸反射」，它可使肌肉在過度伸展時立即收縮，保護肌肉不受傷害。

隨著持續且一致的伸展訓練，大腦會逐漸調整對肌紡錘的反應，使得停止拉伸的感覺點往更長的肌長位置移動，換句話說，神經系統會降低肌肉拉伸反射的敏感度，讓你可以伸展得更遠，也就是柔軟度與活動範圍得以改善。

影片也強調了本質於身體位置感覺的「本體感覺」（proprioception），它是讓我們即使閉眼也能知道四肢位置的重要感覺，且這種本體感覺主要來自肌肉內的肌紡錘與其他感受器。

關於伸展方式，影片建議若要長期有效提升柔軟度，靜態伸展（靜止的拉伸並保持一定時間）是最佳選擇。建議每週進行五到六天，每組肌肉做2組、每組維持30秒左右的靜態伸展。此外，強調伸展不僅為柔軟度準備，未來還將介紹如何訓練肌肉在被拉長的位置維持力量。

總結來說，伸展不只是軟組織的彈性問題，神經系統尤其是大腦對柔軟度的調控扮演關鍵角色。理解這一點，有助於我們採用更科學、更有效的方式來增進身體柔軟度與關節的活動範圍。