如何從網上陌生人偷學 AI?Jeff Su 揭露 3 步驟加速成長的秘密!

如何從網上陌生人偷學 AI?Jeff Su 揭露 3 步驟加速成長的秘密!

在 AI 快速演進的時代,如何高效學習新技能成為眾多學習者的痛點。知名 YouTube 創作者 Jeff Su 在他的最新影片中,分享了一種源自教育理論的實用方法:透過「鷹架式學習」(scaffolding)來觀察陌生人的 AI 創作過程,從而加速自身進步。Jeff Su 作為一位專注生產力和科技分享的內容創作者,這次示範了如何利用免費工具,從零開始掌握 AI 應用,讓觀眾不僅理解概念,更能立即實踐。

鷹架式學習源自教育領域,指的是提供臨時支持,讓學習者逐步掌握超出當前能力的複雜任務。Jeff Su 強調,這種方法不僅適用於傳統教學,在 AI 學習中同樣強大。他表示:「在教育中,有一個概念叫 scaffolding。它是用臨時支持來學習超出你目前能力範圍的東西。我至今仍用它來提升 AI 技能。」

這種方法的核心在於「借力」他人經驗,避免從頭摸索。Jeff Su 指出,AI 學習常因缺乏實戰範例而卡關,但透過觀察真實創作過程,能大幅縮短學習曲線。根據教育研究,這種支持性學習可將掌握新技能的時間縮減 30% 以上,讓初學者從被動閱讀轉為主動模仿。

從爪.ai 平台起步:觀察真實 AI 創作的步驟

Jeff Su 推薦的第一步是前往 claw.ai/artifacts 平台,這裡匯集了真實用戶使用 Claude AI 建置的應用程式(apps)和產物(artifacts)。他建議:「挑選任何看起來有趣的 app 或 artifact,滾動向下並點擊 view full chat。現在你能看到整個對話,包括每個提示(prompt)、每一次修訂,以及他們犯的錯誤。」

這種「肩並肩觀察」模式就像跟隨專家工作坊。平台上的內容涵蓋從簡單工具到複雜應用的各種案例,例如自動化腳本或創意生成器。Jeff Su 解釋,這不僅展現成功路徑,還暴露常見失誤,讓學習者避免重蹈覆轍。關鍵數據顯示,Claude 用戶在該平台分享的超過 1,000 個 artifacts 中,平均每個對話包含 5-10 次迭代,突顯實戰修訂的重要性。

加速成長的優勢:為何這方法如此有效

觀察他人完整創作過程,能提供即時反饋和靈感來源。Jeff Su 形容:「這就像在他們肩上觀看他們工作。」透過檢視提示的細節、錯誤修正和最終輸出,學習者能快速內化最佳實踐。例如,一個簡單的 app 開發對話可能揭示如何精煉提示語,以提升 AI 回應準確率達 50%。

這種方法不限於理論,而是強調可操作性。Jeff Su 分享,透過反覆觀察,他自己在 AI 應用上進步神速,從初學者轉為能獨立建置工具。教育專家也支持此觀點:鷹架式學習能提升學習動機,讓抽象的 AI 概念變得具體可循。

擴展應用:不只 Claude,其他 AI 工具也能用

最佳之處在於,這種學習法高度通用。Jeff Su 指出:「你甚至不需要使用 Claude。這在 Gemini 和 ChatGPT 中也適用,只要啟用 canvas 功能。」Canvas 功能允許用戶在對話中編輯和追蹤變更,類似爪.ai 的全聊檢視模式。

例如,在 ChatGPT 的 Canvas 中,用戶可瀏覽他人分享的對話歷史,觀察從初始提示到最終輸出的演進。Gemini 則提供類似視覺化追蹤,讓學習者輕鬆複製成功模式。Jeff Su 強調,這些免費功能無需額外投資,就能讓 AI 學習門檻降低 70%,適合各級使用者。

結語:借力他人,開啟 AI 學習新紀元

Jeff Su 的分享證明,AI 學習不必孤軍奮戰,透過鷹架式方法觀察陌生人創作,能有效加速成長,從而抓住 AI 時代的機會。這種「偷師」策略不僅實用,還能激發創意,值得每位學習者嘗試。但記住,觀察後需親自實踐,方能真正內化技能。你準備好從網上陌生人那裡借力了嗎?這或許是通往 AI 專家的捷徑。

參考資料:YouTube 連結 https://www.youtube.com/watch?v=ppmuBefe48g(Jeff Su 頻道:learning ai from strangers on the internet)

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