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。

Claude 三大元件解析

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、用特定的邏輯分析資料,這些都是 Skill 在做的事。

那 Project 呢?

如果你要做的是一個會持續使用的 Agent 助理,請用 Project。

為什麼?因為 Project 有三個很重要的特性。

第一,它有整體的專案記憶功能。

你每次跟它對話,它都會記得之前聊過什麼,你可以不斷地優化跟調整。

第二,它有獨立的記憶體空間。

你不會希望每次聊天,各個 Agent 的記憶體都混在一起吧?

用 Project 可以把記憶體分開,每個專案有自己獨立的空間。

第三,專款專用。

你可以把每個 Project 當成一個專門的 Agent。

這個專門負責分析,那個專門負責發文。

這樣可以大幅降低出錯的機率,也更好控管。

所以整個邏輯是這樣

你只要想清楚三件事:

  1. 你需要哪些助手?
  2. 這些助手個別需要什麼樣的技能(Skill)?
  3. 這些技能需要什麼樣的資料來源(Connector)?

用這個順序去理解,整個 Agent 的分配就會很清楚。

關鍵在於:資料必須藉由 Connector 來拿到

當一切都設定好之後,你只要每天去使用,然後持續改善 Skill 的設定。

比如說調整 Prompt、優化輸出格式。

你也可以進一步優化 Connector 所需要的資料源。

要在 MCP 伺服器端改,還是在 Skill 端調整,看你的需求。

在不斷使用的過程中,Memory 也會慢慢優化。


這是我最近在快速設定這些東西時的一些心得。

如果你有什麼問題,歡迎在留言處提出來。

如果你想要嘗試社群的 PO 文自動化,也歡迎試試我們的 Boring MCP

它可以幫你快速發布到各種社群平台,也可以查詢社群平台的績效。

Read more

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