使用 Claude Code，就是打開軟體直接問就好。 可是隨著時間過去，最好還是懂得資料夾結構。 今天不管你是要開發網頁、做工作流，還是要寫小說，最好理解 .claude/ 目錄底下裝了什麼。 這三張圖整理了 .claude/ 的基本架構： 第 1 張：.claude/ 是什麼，以及根目錄核心檔案 第 2 張：skills、agents、commands、hooks、plugins、rules 各自負責什麼 第 3 張：實際專案要怎麼一步一步建立 .claude/ 工作流程 真正有效的 AI 開發，不是每次都在臨時想提示詞怎麼寫。 而是把可重複的工作流程，整理成可以被 AI 讀取、執行、遵守的專案系統。 就算你不用 Claude Code，不管是 Codex、Antigravity 或其他 AI Agent，概念都差不多哦! 另外我又寫了一個補充的版本，放在課程的 個人化生產力系統(訂閱制福利)

對外的免費Raven AI 週報將暫停發行，Skool社群的更新還會持續。 我打算把多出來的時間，都用來研究影片工作流。 因此在社群內的教學更新，都會圍繞在影片工作流這件事情上面，其實主要是紀錄啦。 直到影片製作成熟，我會再考慮恢復 Raven AI 週報，甚至直接轉型拍影片也說不定。 PS：暫時會先用雲端 API 界接 的方式作影片，但是也考慮之後買機器，享受 Token 富翁，有建議的機器規格還請跟我分享。

看看本周能不能來得及做完，以Claude Code為核心，從腳本、圖片生成、影片生成、配音、剪輯、發布，都能夠一站搞定。 也會精算大概要花多少錢。

一般用戶只能用到 7 月 7 號，過了這段時間之後，以儲值方式計費。 而且每週的用量只能限制在 50% 以內。 Anthropic 讓分類器更加保守了一點。所以假設你要寫程式或者是要 debug，可能有更大的可能性會自動跳回 Opus 4.8。 問題是，改程式就是 AI 目前最強的地方。 唉，感覺上實在是很雞肋啊。

@akshay_pachaar 在 X 上分享了一個做法，他用 Google agents CLI 搭配 Claude Code，從零建立一支 RAG agent。 他把問題講得很具體：生產級 agent 開發不是只靠提示詞，還需要 spec 設計、評估迴圈和安全監管。 但實作時常常會被工具切換切碎。 編輯器寫程式，終端機搭專案支架，瀏覽器測試，雲端主控台部署，評估又另外一套框架。 每一次切換，都會讓人重新找狀態。 Google 官方 README 對 agents CLI 的定位是：給 coding agent 用的 CLI 與 skills，用來建立 Gemini Enterprise Agent Platform 上的 agent。 它不是新的 coding agent，而是讓你原本使用的 coding agent 更懂得建立、評估與部署 Google Cloud 上的 ADK agents。 官方文件列出它可搭配 Antigravity CLI、Claude Code、Codex 與其他 coding agent。 安裝流程是透過官方 setup 指令，讓 coding agent 取得 7 個 ADK 專用 skills。 這 7 個 skills 分別涵蓋工作流、ADK 程式模式、專案支架、評估、部署、發佈與觀測。 命令面也覆蓋 scaffold、eval generate、eval grade、deploy、publish gemini enterprise。 也就是說，從建立專案、產生評測資料、評分、部署到 Google Cloud，再到註冊 Gemini Enterprise，都被整理成同一條工作流。 @akshay_pachaar 的實測是用 Claude Code 建立 RAG agent。 他表示 agents CLI 從 ADK 的 agentic rag 模板搭出完整專案，接著產生 20 個評測情境，使用 LLM as judge 評分，回傳量化分數卡。 他也提到評估結果在部署前抓到 instruction loophole，這點很接近 production agent 需要的工作方式：不是做好才測，而是在流程中把測試放進去。 最後他表示這支 agent 被部署到 Agent Runtime，也註冊到 Gemini Enterprise，讓組織內其他人可以發現與使用。 這裡需要分清楚官方文件與作者實測。 官方確認的是 agents CLI 的定位、7 個 skills、主要 commands、支援 coding agent，以及本地開發不一定需要 Google Cloud，部署與雲端功能需要 Google Cloud。 至於 20 個評測情境、部署成功、註冊到 Gemini Enterprise，是作者在貼文中的實測描述。 我覺得這題對一人公司與產品開發者有參考價值，原因不是它又多了一個新工具。 而是 agent 開發正在從零散操作，變成一條可以重複執行的流程。 當 scaffold、eval、deploy、publish 都在同一套指令與 skills 裡，開發者比較容易把注意力放回 agent 本身：需求寫清楚了嗎，評估資料夠不夠，部署前有沒有抓到錯誤行為，團隊是否真的找得到並用得上。 來源：https://x.com/i/status/2071509401224261823