Claude Agent 自動化實測:從 GA 分析到 NotebookLM 簡報,全程零人工介入

實測 Claude Agent 完成從 GA 數據分析到 NotebookLM 簡報生成的全自動化流程,展示 AI Agent 如何理解任務、操作介面、完成複雜工作流程。

Claude Agent 自動化實測:從 GA 分析到 NotebookLM 簡報,全程零人工介入
Claude Agent 自動化實測:從 GA 分析到 NotebookLM 簡報,全程零人工介入

昨天做了一個讓我非常震撼的測試。

我只是很簡單地對 Claude 說:「請幫我分析我的 GA 資料,並且根據這些資料打開瀏覽器 NotebookLM,在上面去做分析、生成簡報檔,然後再將它輸出出來。」

結果神奇的事情發生了。

Claude 開始智慧地分析我 GA 目前的網站狀況,分析完之後,它將整個複雜且全面的分析內容,直接連到 NotebookLM 建立新筆記、貼上文字,並按下分析按鈕。

然後它就在那邊等待。

等到簡報按鈕可以按的時候,它下載了完成的檔案。

整個過程,完全自動化。

為什麼讓我震撼?

我覺得這真的非常不可思議,主要有以下幾點讓我驚訝:

第一,它了解到我們要分析什麼,以及該如何去分析。

這不只是簡單的指令執行,而是真的理解了分析的目的和方法。

第二,它能將分析內容複製並貼到一個新的瀏覽器視窗中。

這代表它具備跨應用程式的操作能力,不是只能在單一環境中運作。

第三,它看得到瀏覽器內容也能操作貼上,且知道如何按下按鈕、設定定時器。

這是最關鍵的部分,它真的能「看見」介面,並且知道該在什麼時候做什麼動作。

這代表什麼?

許多重要的閉環,在這次任務之中基本上都打通了。

這意味著,一個專業分析人員每天要產生日報的任務,其實 Claude 是可以幫你完成的。

而且這個 Agent 能做到的事情包括:

  • 每天 24 小時運作,只要你有足夠的 Token。
  • 幫你完成整件任務,從頭到尾不需要你介入。
  • 自動寄出檔案或傳送訊息給需要的人。

這些自動化流程,都一定是可以完成的。

我的建議

如果你想要打造自己的 Agent,我強烈推薦你一定要試試看這個應用場景。

不是因為它很酷炫,而是因為它真的能解決實際問題。

每天花在重複性分析和報告上的時間,可能就這樣被解放出來了。

Read more

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

很多人問我,在 Claude 裡面,Project、Skill、Connector 這三個東西到底差在哪裡? 什麼時候該用哪一個? 老實說,我一開始也搞得很混亂。 但實際用了一段時間之後,我發現其實邏輯很簡單。 先從最基本的開始:Connector 是對外的資料來源 如果你需要從外部拿資料,比如說接 Google Calendar、接 Notion、接你自己的資料庫,你就需要 Connector。 它就是一個 MCP 的連結,讓 Claude 可以去外面抓資料回來。 沒有 Connector,Claude 就只能用它自己知道的東西,沒辦法碰到你的資料。 Skill 則是內部的運算邏輯 Skill 沒有辦法對外連接。 它只能在內部用 Python 或程式碼執行。 你可以把它想成是一個 Controller,專門負責處理運算的部分。 比如說,你想讓 Claude 用特定的格式改寫文章、

By Andy Lin
讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need 最近我在 Claude 上快速搭建了七大 Agent。 原因很簡單:你的助理應該是越使用越懂你。 而 Claude Project 有個關鍵功能叫 Memory,它會根據你不斷詢問的過程,主動提取記憶。 這就是我認為 AI 助手真正強大的地方。 GA 分析助手:從進階到客製化 自從我串接 GA MCP 後,這位助手已經變得非常厲害。 漏斗分析、訪客來源、異常事件追蹤、站上任何問題都難不倒它。 但我想要的不只是這些。 我希望它隨著時間,能夠對齊我的知識,知道我要什麼。 你不用想太多,不用一次設定好整個 instructions。 試著使用一週,再回頭看看 memory,你會發現它已經根據你的行為開始學習客製化了。 許多助手不需要懂老闆要什麼,但網站分析不一樣。 因為我沒有那麼多美國時間,

By Andy Lin
AGI 來臨:兩大 AI 巨頭的預測與警示

AGI 來臨:兩大 AI 巨頭的預測與警示

在近期的達沃斯論壇上,Anthropic 執行長 Dario Amodei 與 Google DeepMind 執行長 Demis Hassabis 進行了一場關於「AGI 之後的世界」的深度對談,揭示了 AI 發展的最新進展與未來展望。 AGI 時間線預測 Dario 重申了他去年的預測:在 2026-2027 年,AI 模型將能夠在諸多領域達到諾貝爾獎得主的水準。他表示目前 Anthropic 的工程師已經不再親自寫程式碼,而是讓模型來完成編寫工作,人類只負責編輯和周邊任務。他預估在 6-12 個月內,模型將能端到端完成大部分工程師的工作。 Demis 則持稍微保守的態度,認為在十年內有 50% 的機會實現 AGI。他指出編程和數學領域較容易自動化,因為結果可驗證;但自然科學領域則更具挑戰性,需要實驗驗證,且目前模型在「提出問題」和「建立理論」

By Andy Lin
讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

最近我嘗試做了一個 Agent,專門用來分析我的身體健康狀況。 這不是什麼有商業潛力的專案,純粹是出於好奇。 我想知道現在的 AI 到底能幫我們把健康分析做到什麼程度。 資料從哪來? 要讓 AI 分析任何東西,首先得有資料。 我第一個想到的就是 Apple Health。 因為我每天戴著 Apple Watch,它本來就會自動記錄睡眠、運動、心跳這些數據。 除此之外,我也在嘗試另一個經絡檢測的儀器,有點像中醫把脈的概念,只是還沒整合進來。 我覺得如果未來能把更多資料源串在一起,應該可以做出更有意思的應用。 技術架構其實不難 我用了一個叫「Apple Health Auto Export」的 App。 這個 App 可以把健康資料透過 REST API 自動傳送到你指定的伺服器。 資料打到伺服器後,我再處理並存到 Database 裡。 接著寫一個 MCP Server,然後在

By Andy Lin