新增功能前，先請 AI 找出要改哪些檔案 請 AI 找出新增功能會動到哪些程式檔案，Haiku 和 Opus 找到的數量只差 1 個，費用卻差了十幾倍？ Reddit 有位使用者把專案中的 6 項工作交給不同 Claude 模型，想知道哪些事情能換成便宜的模型來做。 他拿出 Opus 已完成的任務，讓其他模型用相同提示與檔案重做，再核對結果。 其中一題，新增功能實際涉及 48 個檔案，Haiku 5.5 找到 44 個，Opus 5.5 找到 45 個。 兩者都設為 High，也就是這次選用的推理強度；Haiku 花約 0.44 美元，Opus 約 6.17 美元。 光看這項工作，便宜的模型確實交出了很接近的清單。 換成查規則，答案還能直接用嗎？ 這 6 項工作，除了找程式檔案，還有 3 項網路研究，以及 2 篇部落格文章的事實查核。 查運動聯盟的當季規則時，Haiku 沒能開啟官方 PDF，就改用上一季資料回答。 換成 Google Play 帳號規定，原作者整理了 12 個要點來核對，Haiku 答對 5 個，Opus 答對 12 個。 請它檢查文章也碰到麻煩：Haiku 找到 4 處真正的錯誤，卻同時把 30 處原本正確的內容判成錯誤。 如果照著這份建議修改，原本寫對的地方反而可能被改錯，還得再花時間確認。 原作者後來把 Haiku 的推理強度提高到 Xhigh，重做同一組工作。 這次它讀到了官方規則，研究結果也有改善，但文章查核仍把 28 處正確內容判成錯誤。 在這輪的 5 項網路工作中，Haiku 花約 2.28 美元、34 分鐘，Opus High 則約 4.81 美元、16 分鐘。 帳單較低，等待卻更久，拿到的查核結果也還不能直接採用。 先看工作結果，再決定模型怎麼分工 原作者在討論裡交代的做法，是保留 Haiku 搜尋程式碼，研究與事實查核交給 Opus。 找檔案可以拿實際清單比對，查規則得確認引用的是哪一季，檢查文章則要分清真正的錯誤和誤判。 同樣是請 Agent 工作，這幾件事需要核對的地方差很多，也就不能只憑模型的價格決定。 如果你正在考慮替工作流換模型，可以拿自己重複會做的一項工作，用相同資料與要求比較結果，再一起看費用和完成時間。 便宜模型交回的成果能通過原本的檢查，才真的省到了；如果多出重查、重改的時間，也得一起算進去。 圖：找檔案要核對清單，查資料還要確認引用與日期，圖中為案例示意。

用 AI 做好遊戲，先傳給誰玩？ 體育創作者 Frank 用 Claude 協助做出 GeoSports，讓玩家每天看 5 道體育題，在地圖上點出答案的位置。 他先請 Claude 整理開發規格，再透過 Claude Code 反覆修改網站，做到可以玩的版本，才把網址傳給家人與朋友。 他在 Starter Story 訪談裡說，自己先觀察親友會不會再把遊戲傳出去，發現有人分享，才開始在自己的體育社群介紹。 從早期開發紀錄也能看到這段經過：第一天有 79 人玩，第二天增加到 575 人。 到了第三天，一位體育電子報作者介紹這款遊戲，還沒到中午，當天玩家就超過 4,000 人。 玩家分享的，是朋友也能挑戰的同一組題目 要看懂這款遊戲怎麼傳開，可以先看玩家玩完會拿到什麼。 每天答完 5 題，玩家會拿到當天成績，可以連同遊戲網址分享給朋友。 收到的人看得到每題表現，也能直接打開網頁，挑戰同一組題目。 Frank 選擇做網頁版，讀者在 X 或群組看到網址，就能點進去玩，不必先下載 App。 所以他除了自己介紹遊戲，也持續觀察玩家會不會把成績傳出去，以及隔天會不會再回來。 不過，Frank 原本就是體育內容創作者，各平台累積超過 400 萬名追蹤者，推出初期也會在自己的社群介紹，這是理解成長經過時需要一起看的背景。 邀請已經在玩的人，替某一天出題 後來，他注意到一些體育媒體工作者和運動員也在玩，還會對遊戲貼文按讚，便從追蹤者較多的人開始，私訊邀請合作。 要做的事情很具體：替某一天的遊戲寫 5 道題目。 題目上線時，Frank 發文介紹當天的出題者，對方通常也會轉貼，原本追蹤對方的讀者，就有機會點進來玩。 合作對象有自己寫的題目可以分享，玩家能挑戰不同人的題目，Frank 也多了新的內容與接觸新讀者的機會。 這段合作是從對方已經在玩、也有互動開始，再邀請他參與一件明確的事。 如果你也準備做產品，可以先找第一批試用者 看完這個案例，可以先問自己：第一版做出來，手邊有誰願意試用？ 如果你剛起步，可以先找接觸得到的親友或社群，完成一個用途，觀察大家在哪裡停下來、會不會再用，以及會不會主動分享。 等到有人持續使用，再想想能不能邀請他參與內容，讓對方有自己的成果可以介紹給別人。 圖：玩家分享成績，再邀已在玩的創作者出題，讓對方也有內容可以介紹給讀者。

想請 AI 做 Claude Mods，可以從「在右側顯示工作步驟」這種具體需求開始，但目前官方開放的功能，不能把整個 Claude 桌面 App 重新畫一遍。 這期電子報用遊戲 MOD 做比喻，也介紹了我自己做的技能流程面板。 Skool 教室的延伸文章則補上製作前需要知道的範圍：哪些畫面能改、什麼事情發生時 MOD 能收到通知，以及它能更新哪些資料。 例如，輸入框上方可以放提醒，對話裡部分訊息和工具結果可以調整呈現，整個 App 的導覽與內建權限提示則不在同一個修改範圍。 資料也要分清楚：更新面板上的進度、調整這次交給 AI 的文字，以及真的覆寫硬碟檔案，是三種不同的操作。 把 Email 在畫面上遮住，不等於 AI 沒有讀到它；在技能開始時加一段規則，也不代表原始技能檔案已經改了。 文章會用我的流程面板說明這些差別，並附上一段可以交給 Agent 的製作需求，讓你從想看到的結果開始，不必先讀懂程式裡每個函式。 完成之後怎麼檢查，也包含在文章裡：面板顯示等待確認時，AI 是否真的停止指定動作，以及重新開對話後能否載入，都需要各自確認。 可以搭配這期電子報閱讀，再挑自己經常使用的一個技能，找出最想放到畫面上的資訊，交給 Agent 做第一個可測試的版本。 當期電子報：Claude Mods：把介面改成你要的樣子 #91 教室技術全文：Mods 運作拆解 #91

最近社群很多人在討論用 Claude 剪片。 我自己平常就是讓 AI agent 幫我剪片，用的是 video-use。 我查了一下大家分享的做法，大多跟我用的是同一類流程。 先把影片轉成逐字稿，讓模型決定要剪哪裡，再交給 ffmpeg 輸出。 video-use 是其中一個很熱門的開源工具，但不是唯一的選擇。 要加動畫或疊加畫面，可以再接 Remotion 或 HyperFrames，這部分是選配。 另外，Claude Motion 是做動畫圖表的，不是拿來剪實拍影片的。 以上是我查資料整理的。 我的看法是，差別可能只在 Claude 模型本身的品質。 真正關鍵的，是你搭配哪一套開源工具。 我自己的做法，是讓 AI agent 操作 video-use、ffmpeg 和 HyperFrames。 字幕我另外做了一套中文系統，因為 video-use 處理中文字幕不太理想。 語音辨識用本地的 Qwen ASR，斷詞用 CKIP，每集再加一份專屬詞庫。 接著拿電子報的文字校對字幕，最後用 ffmpeg 把 ASS 字幕燒進影片。 模型的部分，我平常大多用 ChatGPT，不是 Claude。 Grok Bot發布

早上介紹了 ChatGPT 的 Intelligent UI，X 上很快就有人問：前端工程師和設計師還需要嗎？ 有人認為介面會變成依提問當場生成、用完就丟的東西。 也有人認為角色只是轉移，背後的設計系統反而更重要。 我的看法是，基本的介面還是必要的。 只給一個空白對話框的話，大部分使用者其實不知道該怎麼開始。 我認為比較好的做法，是介面看起來簡單，但背後藏了很多功能，有疑問時直接在對話框提問就好。 AI 會在使用過程中學習每個人最常用的功能，下次登入時主動把這些功能放到他面前。 這等於是一個不用手動設定、越用越貼近自己的客製化網頁。 另外，我認為依照使用者的提問即時生成資料頁面，也很可能會變成網站的基本功能。 使用者只是想拿到資料，找不到時直接問，系統就用適合的介面呈現結果，再詢問需不需要調整或補充相關資料。 你覺得未來的介面會往哪個方向走，歡迎留言分享看法。 Grok Bot發布