---

你還在手動餵資料給AI？這套「技能系統」讓Claude像資深員工一樣自動進化

你有沒有這種經驗？花了三個小時把公司內部流程、產品規格、客戶應對話術一股腦地餵給Claude，結果隔天打開對話框，它又變回那個一問三不知的「新鮮人」。你必須重新把那些該死的文件再貼一次，然後祈禱這次它記得住。

這種感覺，就像你每天都要跟同一個同事自我介紹。荒謬至極，對吧？

但你以為這是AI的限制，其實這是你的方法錯了。你不是在跟一個聊天機器人對話，你是在訓練一個員工。而大多數人，連最基礎的「員工手冊」和「績效考核」都沒給它。

今天，我們要徹底拆解一套由AI應用高手Peter Yang示範的終極工作流。這不是那種「教你怎麼寫提示詞」的初階教學，而是一套能讓Claude擁有長期記憶與自主校準能力的「技能系統」。看完你會發現，過去你以為的「AI極限」，其實只是你的認知牢籠。

為什麼你的Claude總是「笨笨的」？因為你沒給它「技能」

先問一個直擊靈魂的問題：你覺得Claude的能力上限在哪裡？

很多人會說：「它會寫程式、會分析資料、會摘要文章，但就是記不住我上次交代過的事。」

錯了。Claude的能力上限，取決於你如何定義它的角色。如果你只是把它當成一個「一次性問答工具」，那它當然每次都從零開始。但如果你把它當成一個「擁有特定技能的員工」，你就會開始思考：我該如何為這個員工撰寫一份精確的職位描述？

這就是Peter Yang在影片中傳授的第一個核心概念：Claude Skills（技能）。

這不是什麼神秘的工程黑科技，而是一種提示詞的設計哲學。傳統的提示詞像是給AI一張便利貼：「幫我翻譯這段文字。」而一個「技能」則是一份完整的操作手冊，裡面包含了：

• 角色定義：你是誰？你的專業領域是什麼？你的溝通風格如何？
• 核心能力：你擅長處理什麼類型的任務？你的輸出格式是什麼？
• 行為邊界：什麼事你絕對不能做？當遇到模糊指令時，你的預設反應是什麼？
• 知識庫連結：你的專業知識從哪裡來？你該參考哪些文件？

舉個例子。與其寫「幫我寫一封給客戶的跟進郵件」，不如為Claude建立一個「資深業務跟進專員」的技能。這個技能會告訴它：「你是一位擁有10年SaaS銷售經驗的客戶成功經理。你的郵件語氣必須專業但親切，開頭一定要先感謝客戶過去的支持。你需要參考『產品定價表』和『常見客戶反對意見處理SOP』這兩個文件。你的目標是促成下一次產品演示會議，而不是直接逼單。」

看出差別了嗎？前者是命令，後者是賦能。當你把Claude當成一個有血有肉的專業人士來訓練時，它的輸出品質會產生質的飛躍。

為什麼這點至關重要？ 因為這代表你不再需要為每個任務手寫落落長的提示詞。你可以將這些「技能」打包、儲存、重複使用。當你需要處理不同類型的任務時，只需切換Claude的「技能」即可，就像為不同工作需求更換專屬工具箱。

讓AI「知道自己不知道」：Evals是你最需要的績效考核

好，現在你給了Claude一份精美的職位描述。它看起來很專業，但問題來了：你怎麼知道它真的有照著做？你怎麼知道它沒有在胡說八道？

這就是第二個核心概念登場的時候：Evals（評估）。

Peter Yang在影片中把Evals形容為AI的「自動化單元測試」。但我想用一個更貼切的比喻：Evals就是AI的績效考核。

想像一下，你是一家公司的老闆。你給員工寫了一份超詳細的SOP，然後就放飛自我，讓他自由發揮。三個月後，你發現客戶投訴變多了，但你不確定問題出在哪裡。是員工沒讀SOP？還是SOP本身有問題？還是客戶的要求變了？

你無從得知，因為你沒有任何數據。

Evals就是來解決這個問題的。它是一套自動化的評估流程，會根據你預先定義好的標準，去測試Claude的表現。這個標準可以是：

• 正確性：Claude的答案是否基於事實？有沒有出現幻覺（Hallucination）？
• 完整性：Claude是否涵蓋了你要求的所有重點？
• 格式一致性：Claude的輸出是否符合你指定的JSON或Markdown格式？
• 語氣合規性：Claude的語氣是否過於生硬或過於隨便？

實戰案例： 假設你建立了一個「技術客服」技能。你可以設計一個Evals，裡面包含10個常見的客戶問題。然後，讓Claude逐一回答。系統會自動檢查：

1. Claude的答案是否引用了正確的知識庫文件？
2. 它的回答是否在200字以內？（你設定的規則）
3. 它是否在最後提供了「是否需要轉接資深工程師」的選項？（你要求的SOP步驟）

如果Claude在「引用正確文件」這項的得分只有60%，你就知道問題出在哪裡了。可能是你的知識庫文件標題太模糊，導致Claude找錯資料；也可能是你的提示詞沒有明確要求它必須引用文件。

Evals的魔力在於，它把AI的表現從「感覺」變成了「數字」。 你再也不用猜測Claude今天心情好不好、有沒有認真工作。你只需要看報表。分數高，代表系統穩定；分數低，代表你需要調整技能或知識庫。

這對於任何一個認真看待AI生產力的人來說，都是不可或缺的。沒有Evals，你就像在黑暗中開車，沒有儀表板，沒有導航，只能憑感覺前進。

終結「金魚腦」：Memory讓Claude擁有你的公司DNA

好了，我們解決了「技能」和「考核」的問題。但還有一個最惱人的痛點：記憶。

你花了半小時跟Claude討論一個專案的來龍去脈，它給出了完美的策略。但你關掉視窗、隔天再打開，它又問你：「這個專案的目標是什麼？」你的血壓瞬間飆升。

這就是所謂的「金魚腦」問題。但Peter Yang在影片中展示的解決方案，並不是什麼神奇的「無限上下文」技術，而是一個更務實、更強大的概念：Memory（記憶）。

別誤會，這裡的Memory不是指Claude會記得你昨天晚餐吃了什麼。而是指一個結構化的、可持續更新的知識庫。

想像一下，你為Claude建立了一個「專屬資料庫」。這個資料庫裡存放的不是一次性文件，而是經過提煉的、關於你、你的團隊、你的專案、你的公司的核心資訊。例如：

• 使用者偏好：用戶喜歡簡潔的答案還是詳細的報告？用戶的專業背景是什麼？
• 專案狀態：目前專案進行到哪個階段？主要的瓶頸是什麼？上次會議的決議是什麼？
• 公司術語：「Q3目標」指的是什麼？「Alpha版本」的定義是什麼？
• 過往決策記錄：為什麼我們選擇了A方案而不是B方案？

這個Memory不是靠Claude自己「記住」的，而是由你（或自動化流程）主動寫入的。每次對話結束後，系統會自動摘要本次對話的關鍵決策和資訊，並更新到Memory中。下一次對話開始時，Claude會先讀取Memory，然後才開始回答問題。

這背後的哲學是什麼？ 是「不要把AI當成一個有記憶的神，而要把它當成一個有檔案櫃的員工」。它不需要記住所有事情，但它知道去哪裡找答案。

這種設計的好處是巨大的：

1. 上下文無限：理論上，你的Memory可以無限增長，因為它不受單次對話的Token限制。它就像一本不斷增長的百科全書。
2. 團隊共享：如果一個團隊共同使用同一個Claude實例，Memory可以成為團隊的「共同大腦」。新人加入時，不需要從頭開始交接，Claude已經具備了團隊的所有知識。
3. 持續進化：隨著你跟Claude的互動越來越多，Memory會越來越豐富。Claude對你的了解會越來越深，它的回應也會越來越個人化、越來越精準。

一個具體的應用場景： 你是一個獨立開發者，正在開發一個App。你可以為Claude建立一個Memory，裡面記錄了：

• 你的程式碼風格偏好（使用TypeScript、函數式編程）。
• 你目前正在解決的Bug（#42：登入頁面在Safari上會崩潰）。
• 你的API金鑰存放位置（環境變數）。
• 你對UI的審美偏好（極簡風格、使用Tailwind CSS）。

當你下次打開Claude，說：「幫我看看這個登入頁面的程式碼。」Claude會直接說：「好的，我注意到你正在處理Bug #42，我已經讀取了你之前寫的登入元件。我發現問題出在Safari對WebAuthn API的支援度不足，建議你改用另一種驗證方式，並參考我放在Memory中的Fallback方案。」

這已經不是一個聊天機器人了。這是一個真正了解你、知道你正在做什麼、並且能提供上下文感知建議的開發夥伴。

技能、評估、記憶：如何打造你的AI員工鐵三角？

現在，我們已經掌握了三個核心武器：Skills（技能）、Evals（評估）、Memory（記憶）。但關鍵在於，如何讓它們協同作戰？

Peter Yang在影片中展示了一套完整的工作流，我將其總結為一個「AI員工管理閉環」：

1. 定義技能（Onboarding）：為你的AI員工撰寫詳細的職位描述。告訴它它是誰、該做什麼、不該做什麼。
2. 注入記憶（Knowledge Base）：將公司背景、專案狀態、使用者偏好等結構化資訊寫入Memory。這是AI的「長期記憶」和「公司DNA」。
3. 執行任務（Work）：讓AI開始工作。它會根據技能定義和記憶庫來執行任務。
4. 評估表現（Review）：透過Evals進行自動化績效考核。檢查AI的輸出是否合規、是否準確、是否偏離了技能定義。
5. 迭代優化（Iterate）：根據Evals的結果，調整技能提示詞、更新記憶庫、或修正Evals的評估標準。然後回到步驟3，形成一個持續優化的循環。

這個閉環的威力在於，它把AI從一個「靜態工具」變成了一個「動態系統」。它會隨著你的使用而變得越來越聰明、越來越可靠。你不再需要手動「調教」它，因為系統本身就在進行自我校準。

核心觀點速覽：你該帶走的三個層次

為了讓你更清楚地掌握這套系統的架構，我整理了一個對照表，幫助你理解從「傳統用法」到「技能系統」的進化路徑。

面向	傳統的「聊天機器人」用法	進階的「AI員工」技能系統
核心概念	一次性問答，每次從零開始	具備角色、知識、行為邊界的專業技能
記憶機制	仰賴對話歷史（Token限制，易遺忘）	結構化記憶庫（Memory），可持續更新與查詢
品質控制	人工檢查，憑感覺判斷	自動化評估（Evals），數據驅動的績效考核
迭代方式	手動修改提示詞，無反饋閉環	評估結果驅動技能與記憶庫優化，形成自動化閉環
適用場景	簡單問答、翻譯、摘要	複雜任務、長期專案、客服機器人、個人AI助理
最終效果	穩定但平庸，每次表現不一	持續進化，愈用愈聰明，輸出品質可量化

這個表格清楚地說明了，為什麼你必須從「使用AI」進化到「管理AI」。前者只是工具，後者才是生產力引擎。

結語：你準備好當AI經理了嗎？

回到最開始的問題：為什麼你的Claude總是笨笨的？

因為你只給了它一個對話框，卻沒有給它一個「職場」。你沒有告訴它它的職位是什麼，沒有給它員工手冊，沒有進行績效考核，更沒有建立它的個人檔案。

現在，你有了這套「技能、評估、記憶」的鐵三角。你不再只是一個AI用戶，你是一個AI經理。你的工作不再是「打字問問題」，而是「設計系統、定義標準、迭代優化」。

這才是AI時代真正的生產力密碼。

當你下次打開Claude時，先問自己一個問題：我今天是來「問問題」的，還是來「訓練員工」的？

如果你的答案是後者，那麼恭喜你，你已經領先了99%的人。而你的Claude，也將從一個「金魚腦」進化成一個無可取代的「超級員工」。

現在，去建立你的第一個「技能」吧。