Claude Skills 完整設定教學:讓 AI 助理更懂你的需求

Claude Skills 完整設定教學:讓 AI 助理更懂你的需求
Claude Skills 完整設定教學影片縮圖

Claude Skills 是一項能讓 AI 助理更精準理解使用者需求的功能。透過自訂技能,使用者可以獲得更一致、更高品質的輸出結果,大幅提升工作效率。

啟用 Claude Skills 功能

首先需要在設定中啟用技能功能。進入「設定」→「功能」,向下滾動即可看到「Skills 預覽功能」。這項功能預設並未啟用,需要手動開啟。啟用後,使用者可以選擇三種方式創建技能:

  1. 與 Claude 對話建立(適合複雜技能)
  2. 直接撰寫技能說明(適合容易描述的技能)
  3. 上傳現有技能檔案

對於大多數使用者而言,最簡單的方式是選擇「與 Claude 一起創建技能」,系統會引導完成整個建立流程。

實際案例:創建文案審查技能

影片中示範了一個設計公司的實際案例。該公司經常開發新的應用程式和網站,需要一個能審查文案、提升轉換率的技能。

在建立過程中,Claude 會詢問幾個關鍵問題:

  • 公司主要開發什麼類型的應用?(回答:內建 AI 的行動應用程式或 SaaS)
  • 如何提供需要審查的文案?(回答:截圖、Figma 檔案或直接貼上文字)
  • 需要審查哪些元素?(回答:標題、行動呼籲、價值主張等所有元素)
  • 理想的審查報告長什麼樣子?(回答:包含修改前後對照、評分、優先順序排序)

根據這些回答,Claude 會自動生成一個完整的技能檔案,包含:

  • 審查工作流程與評分系統
  • 轉換率優化框架(AIDA、PAS、BAB 等)
  • 各種文案元素的最佳實踐指南

技能 vs 專案:何時該用哪個?

許多人會問:為什麼不直接使用 Claude 的專案功能?

差異在於應用場景。專案適合有明確開始、進行、結束時間點的工作,例如聖誕節行銷活動。而技能則像是組建一個專業團隊,無論在任何專案中都能發揮作用。

例如,文案審查技能可以用於聖誕節活動、情人節促銷,或是日常營運的任何文案需求。技能是跨專案的能力,而非針對特定專案的設定。

測試技能效果

創建技能後,可以立即測試效果。以 Cali(熱量追蹤 App)的文案為例,原始標題是「讓熱量追蹤變簡單」,這個標題過於籠統,缺乏差異化。

技能審查後給出的改進建議:

方案一(具體時間框架):
「3 秒追蹤熱量,無需手動記錄。使用 iPhone 深度感測器獲得精確份量」

方案二(成果導向):
「不用計算任何卡路里就減重 17 磅。你的手機即時計算一切」

這些建議不僅提供了修改前後的對照,還解釋了為什麼這樣改寫能提升轉換率,包括心理學原理和具體數據支持。

持續優化技能

技能並非一次性建立就完成。就像培訓員工一樣,需要根據使用經驗不斷改進。

優化技能的 10 個步驟:

  1. 釐清要解決的問題
  2. 探索 Claude 在無引導情況下的表現
  3. 深入研究該領域
  4. 從研究中萃取原則
  5. 撰寫初步技能
  6. 自我審視品質標準
  7. 迭代改進、收集回饋
  8. 在真實場景中測試
  9. 優化至最佳結構
  10. 持續根據使用結果調整

重點是讓 AI 像專家一樣思考,而不只是遵循步驟。每個章節都要有存在的價值,避免不必要的冗餘。

進階應用

熟悉基礎操作後,可以進一步使用 Claude Code 在終端機中運用技能,獲得更多控制權和靈活性。

技能系統的核心價值在於:讓 AI 助理真正理解使用者的工作方式和需求,提供穩定高品質的輸出。就像擁有一位了解你的專業夥伴,無需每次都重新說明背景,就能得到符合期待的結果。


📺 影片來源: Claude Skills 完整設定教學:讓 AI 助理更懂你的需求

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