很多人一打開 AI，就把整封信貼進去說「幫我回」。回是回了，但讀起來像罐頭，而且一封一封來，時間根本沒省多少。 問題不在 AI，在順序。用 AI 處理 email，真正有效的是兩步，而且不能反過來：先分信，再寫信。 我自己每天的信箱，大概十分鐘清完。今天把這套拆給你看 👇 ⚡ 先搞懂一件事：最花時間的不是「寫」 有調查指出，上班族平均每天花超過 4 小時在 email 上。但你仔細想，這 4 小時真正花在「打字」的有多少？ 大部分時間，其實耗在「讀完一封，然後決定這封到底要不要回」。一封一封讀、一封一封猶豫，光是篩，半個上午就沒了。 有一份針對數千名知識工作者的研究發現，AI 真正幫你省下的時間，不是來自「打字更快」，而是來自「幫你省掉讀和分類那一步」。 ❌ 多數人的用法：把每一封信丟給 AI，叫它幫你寫回覆 ✅ 正確的用法：先讓 AI 幫你決定「哪幾封值得你花時間」 順序對了，後面才談得上省時間。 🛠️ 兩步法，照順序做 1️⃣ 第一步：分信，不是寫信 不要一封一封自己讀。把收件匣的寄件人加主旨清單，一次貼給 AI，叫它分三堆： 📌 必須你親自回的（牽涉決定、金錢、關係） 📌 一句話帶過就夠的（確認、安排、簡單回覆） 📌 可以直接忽略的（通知、推廣、不需回應） 有實測指出，光是把「分類」這一步交出去，每天的 email 時間就能從 45 到 60 分鐘，壓到 10 到 15 分鐘。因為你不再從零開始一封一封掃，只碰真正重要的那兩三封。 2️⃣ 第二步：要回的信，用「你的語氣」寫 這一步多數人跳過，所以 AI 寫出來才那麼假。 你直接叫 AI 寫，出來都是公式化的客套話，一看就知道不是人寫的。但你先餵它幾十封自己過去寄出的舊信，它會抓到你的用詞、你的句子長短、你慣用的結尾。 這就像帶一個新助理 🧠：第一天他寫的信像機器人，但讀完你一百封舊信之後，他講話開始有你的影子。有人實測過，大約兩百封舊信，AI 就模仿到幾乎看不出真假。 ❌ 用 AI 的原廠語氣：每封都是「敬啟者，感謝您的來信」 ✅ 餵過你的舊信：開頭、語氣、結尾，都是你平常的樣子 寫的時候只要記得一句：先擬草稿，不要直接寄，你看一眼、改一兩個字再送出。 💡 我自己的做法 我每天打開信箱，先用一個固定的 prompt 叫 AI 分三堆，三十秒就知道今天只有兩三封要認真處理。剩下要回的，再讓它用我的語氣擬好，我只負責看一眼、按發送。 不用換軟件，不用懂程式，你還是用原本那個信箱。整套花五分鐘設定，之後每一封信都省回來。 🎯 結論：從「叫 AI 幫我寫」升級為「叫 AI 幫我想」 舊思維：把 AI 當打字員，一封一封叫它寫，結果又慢又假。 新思維：把 AI 當助理，先讓它幫你判斷，再用你的語氣動手。 用 AI 處理 email，比的從來不是誰打字快，是誰更少做決定、誰寫得更不像機器。💡 你現在處理 email，最花時間的是哪一步？是讀不完，還是寫不完？留言告訴我 👇

做 Claude 的那家公司 Anthropic,最近出了一份 36 頁的官方創始人手冊 我本來以為又是一份「用 AI 創業有多快、多爽」的宣傳冊。實際掃完才發現完全相反,它最狠的部分,是在數落 AI 會怎樣害死你的項目 你用 AI 做副業,是不是常常這樣 花一個下午做出一個東西,很興奮地分享出去,然後沒下文。或者功能越加越多,項目越做越雜。又或者問 AI「我這個想法好不好」,它說好,你就信了 手冊裡有一個數字:42% 的創業,死因是「做了根本沒人要的東西」。而且手冊明說,這還是 AI 普及之前的數字,接下來只會更高 這份手冊把 AI 時代創業的每一種死法都拆開來講。我把 36 頁讀完,挑出對「做 AI 副業」最致命、最多人中招的 4 個,幫你先避開 --- 陷阱 1:把「做出來」當成「驗證過」 你花週末用 AI 做出一個產品,能跑、介面好看,你心裡覺得「成了」。但你從頭到尾,沒問過一個真人會不會用它 手冊講得很白:你做出來的原型,不是「有人要」的證明,它只是一個道具,讓你拿去問真人。想避開這個坑,動手之前先拿你的想法去問 5 個真實的人,問他們「現在怎麼處理這件事、有多煩」,而不是問「你覺得我這個想法好不好」 陷阱 2:叫 AI 證明你的想法很好 你有個點子,問 AI「這個想法值不值得做」「市場有多大」,AI 給你一堆支持的理由,你信心更足了 但手冊點出真相:這是「確認偏誤,配上一個超強研究引擎」。你叫 AI 找支持你的證據,它一定找得到,你以為在做功課,其實在自我催眠。正確的用法是反過來,叫 AI「攻擊我這個想法,告訴我它為什麼會失敗」 陷阱 3:功能無限加,項目越做越腫 AI 加一個功能只要幾分鐘,所以你忍不住一直加。「順便加這個」「這個也做一下」 手冊叫這個「零摩擦的功能膨脹」。以前加功能要花工程時間,那個成本反而幫你踩煞車,現在 AI 把煞車拆掉了。三個月後,你的副業項目會變成一個連你自己都說不清在解決什麼問題的怪物。想擋住它,動工前先寫死一句話,清楚講明你這個項目「不做什麼」 陷阱 4:把朋友的讚,當成市場要你 你做的東西,朋友按讚,群組裡有人說「不錯」,發出去那天有個小高峰,你以為紅了 但手冊說,早期那點熱度不是真的有人要你的產品。它來自你朋友、來自一時曝光,撐不到第六週、第十二週。與其看一次性的讚,不如看「回頭率」:有沒有人第二次、第三次自己回來用,有沒有人願意掏錢 --- 看到這裡,你可能發現了一件事 這 4 個陷阱,沒有一個是因為「AI 不夠強」。剛好相反,AI 強得很,它已經把「做出來」這件事解決得乾乾淨淨 真正的難題,全部在另一邊:該做什麼、值不值得做、有沒有人真的要。這些,AI 一個都幫不了你 手冊裡有一句話,我覺得是整本書最重要的:真正的瓶頸,已經不是你能做出什麼,而是你選擇做什麼 所以與其用 AI 拼命做出更多東西,不如每次動手之前,先停下來問一句:這個,到底有沒有人要 這個問題,才是你跟其他人的差距 https://cdn.prod.website-files.com/6889473510b50328dbb70ae6/69fe2a55b93bb0732b1fe33c_The-Founders-Playbook-05062026_v3%20(1).pdf

Claude Code 第一次打開，現在已經有 4,200 多個 skill 在 marketplace，新手該由哪三個開始？ 答案不是「每個都裝一點試一試」，也不是「先學最熱門的工程師玩具」。對於不寫程式的 AI 用戶來說，只要學熟 3 個 skill，已經能滿足日常 80% 的需要 — 一個負責「無中生有，自己做工具」、一個負責「強迫 AI 用對的方法寫程式」、一個負責「跨對話階段的長期記憶」 這 3 個加起來，就是 AI 新手最低成本的起步配置 ━━━━━━━━━━━━━━━━━━━━ 🛠 Skill Creator — 用講話的方式做 skill 的「工廠」 🔍 這是什麼 Skill Creator 是 Anthropic 官方推出的 skill，本身的工作是「幫你做其他 skill」。你用自然語言講「我想要一個專門處理某類任務的 skill」，它會幫你產出 SKILL.md 草稿、做測試、打包，最後變成可以重用的工具 💡 為什麼新手要先裝這個 新手最常見的卡點是「市面上的 skill 都不太對口味」 — 你的工作場景特殊，現成的 skill 永遠差一截。一般做法要去學 SKILL.md 結構、學 plugin marketplace 的目錄規範、學怎樣寫 description 才會被觸發。Skill Creator 把這條學習曲線整條折疊起來：你會講話，就能建 skill 舉個場景 假設你是內容創作者，每週要做一份「YouTube 影片數據週報」 — 抓取觀看數、計算成長率、輸出成圖表。你講「幫我做一個處理 YouTube 數據週報的 skill」，Skill Creator 會引導你定義輸入格式、選擇圖表類型、決定輸出位置，最後產出一個你以後每週都用得到的 skill 或者你做小型零售店，每月要根據 POS 數據寫一份「銷售檢討報告」。你講清楚要看哪幾個指標（高銷產品、滯銷產品、月對月變化），Skill Creator 同樣會幫你打包成一個 skill — 下個月只要餵新數據進去，報告自動生成 對新手最大的價值：把「我有重複的任務」直接轉成「我有一個專屬工具」，中間不需要學工程概念 ━━━━━━━━━━━━━━━━━━━━ ⚡ Superpowers — 強迫 AI 用工程師流程做事 🔍 這是什麼 Superpowers 是社群開源的 skill，目前 GitHub 約 15 萬顆星 — 是 2026 年增長最快的開源 Claude Code 工具之一。它的核心做法很簡單：強制 Claude 在動手寫之前，先做計劃、再寫測試、再寫實作、最後自我審核 — 跟正規工程師的流程一樣 💡 為什麼新手要裝這個 新手最容易踩的坑，是把 Claude Code 當成「快速產生器」 — 你叫它寫一段自動化腳本，它一頭跳進去碼字，10 秒鐘給你 100 行程式。問題是：這 100 行裡面通常有上線時才會炸的問題、邊界情況沒處理、跟你原本系統格格不入的設定。一輪修錯下來，往往比一開始就走慢一點還要花更多時間 Superpowers 把這個順序反過來：寫之前先停下來。明確要做什麼、定義成功條件、列出可能炸的地方、寫一個小測試、再寫實作、最後自己審核一次。一開始用會覺得「好慢」，但出來的東西穩定很多，少修錯一輪反而整體更快 舉個場景 假設你要做一個「自動把客戶 email 分類並轉發到不同部門」的自動化流程。沒有 Superpowers 之前，Claude 會直接寫一段串接 email API + 簡單關鍵字判斷的程式 — 看起來能跑，但遇到「主旨欄位是中文夾雜英文」「附件超大」這類情況就會出錯。有了 Superpowers，Claude 會先問清楚邊界情況、寫測試覆蓋這幾種輸入、再寫實作，交付的版本不容易被冷門個案炸掉 或者你做電商，要做一個「定期抓取競品價格並提醒」的監控腳本。Superpowers 會強迫先計劃輸出格式、考慮 API 失敗時要怎樣處理、寫好 retry 邏輯 — 是「半夜跑都不會炸」的版本，不是「我自己看著它跑才不會出事」的版本 對新手最大的價值：避免「AI 寫得快但寫得爛」這個最常見的坑，也順便讓你不知不覺學到工程師思維 ━━━━━━━━━━━━━━━━━━━━ 🧠 claude-mem — 跨對話階段的長期記憶 🔍 這是什麼 claude-mem 是社群開源的 skill，把你跟 Claude 做過的事自動記住，新對話開始時自動把相關脈絡注入進去。底層是 SQLite + 向量檢索，技術細節對新手來說不重要 — 重點是：你今日跟 Claude 講過的項目細節，明天打開新對話時它仍然知道

不是 skill 寫得差，也不是你不會用。 問題在於：每個 skill 都是創作者把「他自己的工作方式」寫進去的容器。你拿來直接用，等於用「他的腦袋」做「你的事」。 當然不合身。 --- 很多人一裝完 skill 就直接用，遇到不合用就放棄，覺得「這個 skill 不好」。 其實你只是少了一步：客製化。 外國 KOL 的廣告 skill 用英文 + 美國市場 + 他的品牌語氣 📝 通用的 copywriting（文案寫作）skill 用模板邏輯，根本不知道你的受眾是誰 🔍 通用的 SEO skill 用英文關鍵字邏輯，對繁中內容無感 📊 通用的 data analysis skill 預設你的數據格式，一看你的 CSV 就跑錯方向 每個 skill 背後都是「某個人解決他自己問題」的方法論。 你的問題不是他的問題 → 你需要的是把他的方法論，改成你的版本。 --- ⭐ 客製化之後你會得到什麼？ 1️⃣ 輸出變成「你的語言」 不再是翻譯腔。繁體中文、你慣用的詞彙、你品牌的語氣 — 看起來就像你寫的。 2️⃣ 內容貼合「你的業務」 你的受眾、你賣什麼、客戶在乎什麼，全部寫進 skill。輸出自動 align，不用每次都在 prompt 裡重複交代。 3️⃣ 累積成「你的資產」 改一次，永遠用。寫一次客製化規則，等於把你的工作方法存起來，下次直接複用。 ❌ 不客製化：你每次都要在 prompt（指令）裡重複交代背景 ✅ 客製化：你的工作習慣自動跑起來 我自己用這個方法改過幾個外國 skill — 最大發現：原版輸出像「翻譯機」，改完之後像「你寫的」。差別不是 skill 厲害不厲害，是它知不知道你是誰。 --- 🛠️ 5 步驟把別人的 skill 變成你的： Step 1️⃣ 複製原版（不要動原檔） 打開終端機（terminal），用複製指令把原 skill 資料夾複製一份到你自己的 skill 目錄。原版留著當備份，改錯了還有得 rollback（回退）。 Step 2️⃣ 重命名 + 改描述（description） 打開新資料夾裡的 SKILL.md，改 name（名稱）和 description（描述）。Claude 是看 description 決定何時叫這個 skill 出來幫你 — 這步不做，等於 skill 不認得自己什麼時候該出場。 Step 3️⃣ 注入你的工作脈絡 語言改繁中、加入你品牌的風格規則、寫清楚你的受眾是誰、業務是什麼。這些通通寫進 SKILL.md 的內容部分。（這步可以讓 AI 幫你做） Step 4️⃣ 加你的實際案例（references） 建一個 references/（參考檔案）子資料夾，把你過去的好作品、客戶案例、品牌資料放進去。Claude 會自動讀，輸出就會有你的 DNA。 Step 5️⃣ 跑一次測試 用一個真實任務試 skill。不對的地方回去微調 SKILL.md，再跑。改 3 次左右就會比較穩了。 --- ⚠️ 一個容易踩的雷：很多人直接編輯原作者的 SKILL.md 改原檔。 問題是： 🚨 從 plugin marketplace（插件市集）裝的 skill，作者更新後你的修改可能會被覆蓋 🚨 沒備份意識，改錯了沒得回退 🚨 多 skill 共用 references 時，覆蓋會引發連鎖錯誤 正確做法不是「改原檔」，是「複製、重命名、再改」。 --- 結論：從「skill 使用者」升級為「skill 設計者」 skill 使用者：裝了就用，不合用就放棄，被別人的工作方式綁架 skill 設計者：把別人的方法論改成自己的版本，累積成個人資產 AI 時代真正的競爭力，不是「會用工具」，是「會把工具變成你的」。 每個你客製化過的 skill，都是你工作方法的延伸。改一次，永遠用。

AMD 的 AI 總監拿了 7,000 個 session 的數據分析，結論是 thinking depth 暴跌 67%，讀 code 的次數少了 3 倍，直接改整個檔案的頻率翻倍 但 Anthropic 的回應不是道歉 而是推了一個叫 Advisor Strategy 的使用教學 教你怎麼選對模型，省錢同時不犧牲品質 以下拆解這個策略是什麼、怎麼用、以及到底值不值得信 --- 1️⃣ 🧩 什麼是 Advisor Strategy？ 說白了就是一句話：不是每件事都要用最貴的模型 Claude 有三個等級，價差很大： 🔴 Opus（最強）— input $5 / output $25（每百萬 token） 🟡 Sonnet（中間）— input $3 / output $15 🟢 Haiku（最快最便宜）— input $1 / output $5 以前你用 Claude Code，預設就是 Opus 或 Sonnet 做所有事 寫 code、debug、查資料、讀文件，全部同一個模型 Advisor Strategy 改變了這個邏輯： 讓便宜的 Sonnet 或 Haiku 當「執行者」，負責處理日常任務 只有遇到真的搞不定的問題，才去問 Opus 這個「顧問」 就好像你請了個助理處理日常的事，碰到棘手的法律或財務問題才叫外部顧問進來 重點是：助理自己判斷什麼時候需要升級，不用你每次都指定 Anthropic 的人自己形容叫「phone a friend」— Sonnet 遇到搞不定的才打電話問 Opus --- 2️⃣ 📊 數據說話：省多少？品質怎樣？ Anthropic 官方測試結果： 📈 Sonnet + Opus 當顧問 程式碼能力（SWE-bench）比純 Sonnet 高 2.7% 每個任務的成本降了 11.9% 📈 Haiku + Opus 當顧問 搜尋能力（BrowseComp）從 19.7% 翻到 41.2%，超過翻倍 成本比用純 Sonnet 低 85% 換句話說： ❌ 舊做法：全部用 Opus 做，品質最好但最貴，session 燒得快 ✅ 新做法：Sonnet 做大部分事，關鍵時刻 Opus 出手指導 結果品質接近甚至更好，因為 Opus 只在需要的時候介入 不是什麼都做，而是在關鍵決策點給方向 你讓 Opus 幫你查資料 說難聽一點就是請律師幫你影印文件 資源要用在刀刃上 --- 3️⃣ ⚡ Claude Code 裡怎麼用？ 如果你用的是 Claude Code（不是 API 開發者），已經有現成的方法 打 /model opusplan 就這樣，一行指令 設好之後會自動切換： 🧠 Plan mode — 用 Opus 想清楚方向、架構、策略 ⚡ Execution mode — 切回 Sonnet 去寫 code、改 bug、跑任務 等於 Opus 出主意，Sonnet 去幹活 你在 status bar 上可以看到現在用的是哪個模型 進 plan mode 會顯示 Opus，退出就自動切回 Sonnet 實測下來 session 用量明顯減少 因為 Opus 只在 plan mode 被叫出來 不會在 execution 時燒你的額度 💡 進階搭配： plan 完了打 /compact 壓縮上下文再執行，token 省更多 避開尖峰時段（美東早上 8 點到下午 2 點）額度消耗會更慢 --- 4️⃣ 🤔 但說真的，這到底是誰贏？ 我有一個疑問想跟大家討論 Anthropic 教你「不要一直用 Opus」 到底是真心幫你省錢 還是因為 Opus 算力太貴，他們不想你用那麼多？ 想想看： 你付的月費不會少一分 但他們的 GPU 負擔可以輕很多 而且如果模型自己判斷「這個任務不需要 Opus」但其實需要呢？ 品質偷偷變差，你未必察覺得到 IDC 預測到 2028 年，70% 的 AI 企業會採用多模型架構 所以「用對的模型做對的事」這個大方向是確定的 但 Anthropic 的動機到底是什麼？ 這個就留給你自己判斷了 --- 🧠 結論：從「暴力升級」到「智慧分配」 舊思維：所有事情用最強的 Opus，品質第一，錢不是問題 新思維：讓對的模型做對的事，在關鍵時刻才用最強的 不管 Anthropic 的動機是什麼，這個思路本身就是對的 你不需要每個問題都找最貴的專家 你需要的是一個會判斷什麼時候該找專家的系統 花 5 分鐘打 /model opusplan 試一下，讓結果說話