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、
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，
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」
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
訂閱了一堆很棒的工具，付了錢，卻發現自己根本沒時間用。Claude in Chrome 讓我實現了每天醒來就有懶人包可看的夢想。
根據麥肯錫、OpenAI、史丹佛等機構的研究報告，2026 年 AI 產業將迎來重大轉變。以下是六個值得關注的關鍵趨勢。 趨勢一：模型不再是重點 過去幾年，每次新模型發布都會引發「哪個 AI 最好」的討論。但從 Artificial Analysis 的數據可以看到，各大 AI 模型在效能圖表的右上角越來越密集，彼此差距正在縮小。 史丹佛的研究也顯示，免費的開源模型如 DeepSeek 和 Llama，效能已逐漸逼近付費的前沿模型。更重要的是，使用成本正在大幅下降。NVIDIA 最新晶片每個 token 的能耗，比十年前降低了 10.5 萬倍。 當效能趨同、成本下降，AI 模型正在變成「大宗商品」。就像沒人會問「誰家的電力最好」，未來的競爭焦點將從模型本身，轉移到應用層。 趨勢二：
每天早上起床，我最期待的一件事，就是看到 GA 分析助手整理好的昨日報表。它會清楚告訴我用戶在哪裡卡關，讓營運長的智慧不再被瑣事淹沒。
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。
流量本身不是目的，讓流量「回來」才是 這幾個月在做產品推廣，我終於搞懂一件事：流量本身不是目的，讓流量「回來」才是。 很多人以為只要有人潮湧進來就成功了，但事實上，那些衝著某篇爆文或某個推薦進來的訪客，絕大多數都是一次性的。 他們來了、看了、走了，然後再也找不到回來的路。 流量的三個溫度 在開始談怎麼留住人之前，先理解一下流量的本質。 我把流量分成三種溫度。 第一種是「冷流量」，這群人完全不認識你，撬動他們通常要靠廣告，而且花費不小。 第二種是「溫流量」，他們可能看過你的內容、聽過你的名字，有點興趣願意點進來看看。 第三種是「熱流量」，他們已經對你有信任、有意圖，這群人最值錢。 社群爆發帶來的是「溫流量」 如果你在社群上某篇內容突然爆了，帶進來的通常是溫流量。 這群人品質其實不錯，他們是被內容吸引、主動點進來的。 但問題是，他們只是「路過」，還沒有建立任何連結。 如果你是靠廣告獲取流量，狀況又不一樣了。
創業成功的關鍵不是技術，而是時機。從 NotebookLM 編輯器的實戰經驗中，我學到了流量分發的重要性，以及如何在對的時間點交付對的產品。
YouTube
AI 模型每週都在更新，新功能不斷推出，很多人嘗試了各種工具，最後卻感到更加迷茫。 這支影片系統性地整理了一套完整的 AI 學習路徑，從最基礎的溝通技巧到進階的自動化應用，幫助使用者真正發揮 AI 的潛力。 與 AI 溝通的三大核心 有效的 AI 提示包含三個關鍵元素：清晰的任務說明、相關的背景資訊、以及明確的輸出格式。 以績效考核對話為例，若只是籠統地詢問，ChatGPT 會給出普通的回應。但當我們清楚說明任務目標、提供背景脈絡、指定輸出形式時，回應品質會大幅提升。 一個實用技巧是：讓 AI 主動提問，幫助你發現還缺少哪些必要的背景資訊。 四個進階提示技巧 第一是「範例提示法」，給 AI 參考樣本。影片中示範用 Gemini 建立網頁，單純描述需求只能得到標準化的結果，但附上兩張風格參考圖後，產出立刻變得精準且有質感。 第二是「觀點轉換法」，讓 AI
Claude Code
AI
在 AI 快速發展的年代，到底該追產品還是追技術？答案是：從問題出發。先問自己想解決什麼問題，再找技術、學技術、分享過程，你就已經在累積第一批使用者了。
AI
分享使用 Claude Skills 和 Remote MCP 的實戰經驗，包括避免命名衝突、使用程式碼強制執行、防止重複發送等關鍵技巧。
AI
分享使用 Claude Skills 和 Remote MCP 的實戰經驗,包括命名衝突、Prompt 跟隨率、重複發送等常見問題的解決方法。
YouTube
McKinsey 的 Software X 團隊分享了一項針對 300 家企業的研究,揭示了 AI 工具在軟體開發領域的真實影響。 儘管個人開發者使用 AI 工具能將原本需要數小時甚至數天的工作縮短至幾分鐘,但企業整體的生產力提升卻僅有 5-15%。 這中間存在著巨大的落差。 問題的核心在於,當開發速度加快後,卻出現了新的瓶頸。 團隊協作方式沒有改變,程式碼審查仍然採用人工方式,而 AI 產生的大量程式碼也帶來了更多技術債和複雜度。 卡內基梅隆大學的研究報告證實了這一點。 McKinsey 指出,企業仍在用 Agile 時代的約束條件運作:8-10 人團隊、兩週衝刺週期、以 story 為單位的工作分配。 但 AI 的影響是不均勻的,某些任務效果顯著,某些則不然;某些開發者經驗豐富,某些還在學習。 這讓工程主管很難有效分配工作和資源,造成大量效率損失。 頂尖企業的做法完全不同。 研究發現,他們採用 AI-native 工作流程的可能性高出
YouTube
Y Combinator 的合夥人們在年終回顧中，分享了 2025 年 AI 產業最讓他們意外的發展。 其中最震撼的變化，是 YC 冬季批次申請者的技術選擇。 過去幾年，OpenAI 一直是創業者首選的 API，市佔率曾高達 90%。 但在最新一批申請中，Anthropic 竟然超越了 OpenAI，成為最多創業者選擇的模型供應商，市佔率超過 52%。 這個轉變並非偶然。 Anthropic 把程式碼能力當作內部核心評估指標，而今年正好是 Vibe Coding 和 AI 程式代理大爆發的一年。 當創業者日常用 Claude 寫程式，自然而然在開發產品時也傾向選擇熟悉的工具。 AI 經濟終於穩定下來 這一年最讓人放心的變化，是整個 AI 經濟終於開始穩定。 模型層、應用層、基礎設施層的分工逐漸清晰，每一層都有機會賺到錢。 去年此時，大家還在焦慮：
年終回顧
年終回顧:從推廣困境出發,嘗試用 AI 自動化解決影片製作的門檻。技術上突破了,但內容方向還在找平衡點。
YouTube
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？
AI
a16z 的三位投資合夥人在 Big Ideas for 2026 中分享了他們對 AI 發展的觀察,這些觀點來自他們投資的第一線實際案例。 提示框的消失 投資合夥人 Mark Andrew 指出,2026 年 AI 應用的主要界面將從提示框(prompt box)轉變為主動式介入。新一代 AI 應用不再等待使用者輸入指令,而是持續觀察使用者行為,主動提出可執行的建議。 他用員工的工作模式做比喻:最低階的員工發現問題後會詢問該怎麼做,而最高階的員工會自行診斷問題、研究解決方案、實施行動,最後只需要主管確認。未來的 AI 應用將朝這個方向發展。 以 AI CRM 為例,傳統 CRM 需要業務人員手動檢視機會、安排行動。新型 AI CRM 則會主動分析所有資料,包括過去兩年的 email
AI
2026 年，軟體服務將從流程化邁向完全 AI 化。了解如何把工作流變成 Skill、服務變成 MCP，掌握未來趨勢，效率提升 10 倍以上。
AI
未來的這一年,我們將從主動尋找應用程式,轉變為應用程式圍繞著我們提供服務。探索 AI 時代如何徹底改變我們的工作方式,以及如何透過 Skill 和 MCP 實現完全的 AI 化。