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

你寫過 CLAUDE.md、裝過 skills、加過 hooks 嗎？ 如果有，那你其實已經在做 Harness Engineering — 一個 2026 年才被矽谷工程界正式命名、但你早就在做的事 老實說，這個名字聽起來複雜，內容卻是你日常已經接觸的東西。今天想跟你聊聊：這個詞為什麼忽然冒起、它真正在講什麼、為什麼對你這個用 Claude Code 的人特別重要 👇 🔧 Harness 到底由什麼組成 綜合 Martin Fowler 2026 年 4 月分類學加上 Atlan 定義性指南，一個完整 harness 有 4 層： 第一，Guides（前饋引導）— 行動前告訴 agent 怎樣做。系統 prompt、CLAUDE.md、AGENTS.md 規則檔、架構規約、lint 配置 第二，Sensors（回饋觀察）— 行動後檢查 agent 有沒有做對。Evals、validation loops、output parsers、drift detectors 第三，Data Context Layer — 認證過、有 lineage 的資料供 agent 推理 第四，Orchestration Logic — 任務序列、審查 gate、sub-agent 路由 對你來說，這 4 層 map 返你已經在用的東西：CLAUDE.md 就等於 guides，hooks 就等於 sensors，MCP servers 就等於 data context 加 orchestration，skills 就是組合這幾層的可重用單元 換句話說：你的 ~/.claude/ 目錄就是你的 harness。你只是之前沒人幫這部份命名 💡 為什麼這對 3 種人都重要 對個人用戶來說，這個 frame 最大價值就是「賦予命名」。你之前以為自己只是「在配置工具」，原來你在做的，是一門已經有名字、有分類學、有實戰指南的工程紀律。你寫每條 CLAUDE.md 規則、加每個 hook、裝每個 skill — 全部都是你個人資產的累積，模型升級也不會貶值 對 AI agency 經營者來說，harness 直接變成商業武器。你交付給客戶的，不再是「Claude API 的 wrapper」，而是「設計好的 harness 加上領域知識」。同一套 harness 套用不同 vertical（律師事務所、會計、電商），只需要替換 data context layer — 比每個案逐次寫 prompt 快 5-10 倍。更重要的是，計價邏輯由「人月」可以走向「資產定價」 — 你擺明跟客戶說「這個 harness 包含 X 加 Y 加 Z 組件」，比說「我幫你寫 prompt」有說服力 10 倍 對任何用 AI 的公司來說，harness 就是控制 AI 輸出可預測性的唯一方法。88% 企業 AI agent 項目上不到 production（Atlan 2026 年 4 月數據），27% 失敗源自 data quality — 這些都是 harness 問題，不是模型問題。OpenAI 100 萬行 0 人手程式碼的案例證明，當 harness 設計到位，產出可以線性 scale 🔍 想想看，怎麼 audit 你現在的 harness 說了這麼多，怎麼開始？打開 Claude Code 工作目錄，跟著做這幾步就行： 第一步，列清單。打開 /.claude/CLAUDE.md、專案級 CLAUDE.md、/.claude/skills/、/.claude/hooks/、/.claude/settings.json — 這堆檔案加起來，就是你的 harness。寫下總行數。Addy Osmani 建議 CLAUDE.md 控制在 60 行以內，把它當「機師的 checklist」而不是「風格指南」 第二步，逐條規則問「這條對應哪一次失敗」。Hashimoto 同 Osmani 共同強調的「ratchet 原則」 — 每條 harness 規則都應該能追溯到一個真實發生過的錯誤。如果某條規則從來沒對應失敗，就是 over-engineering，candidate for deletion。HumanLayer 警告：規則太多會 pollute context window，agent 反而表現更差 第三步，把最常重複的錯誤升級成 hook。這個就是核心紀律 — 口頭規則加 AI 自審 = 永遠靠不住。真正解決方法就是寫 hook 在 PreToolUse 或 Stop 階段機械化攔截。例子：我自己用一個 check-publish-content.js 在寫入時 grep 廣東話禁用詞加框架詞，發現即 reject。設定一次，永久執行，不會忘記

老實說，這個情況我自己中過很多次 寫好 SKILL.md，把規則交代得清清楚楚，叫 Claude 跟著做事 拿回來的結果，總是漏一兩條 再加兩條規則，一樣漏 重新生成整個 skill，一樣漏 每次提示都加上「請嚴格跟規則」，前兩次有效，第三次又走樣 你心裡會想，是不是我寫得不夠清楚？是不是要再補一句？ 不是 問題的根源不在你的 SKILL.md，而在 AI 怎麼讀它 --- 🧠 SKILL.md 對 AI 來說，其實只是「參考資料」 想想看，你給一個新員工一本員工手冊 他知道這本手冊存在，知道規則寫在裡面 但他真正做事的時候，會不會每一步都翻一下手冊核對？ 不會 他會跟自己當下的判斷、跟自己的習慣 手冊只在他「想到」的時候才翻一下 AI 也是一樣的情況 SKILL.md 對它來說，是一份背景知識，不是一條條必須執行的硬規則 它讀過、它知道、但它不一定每一步都核對 再加上 AI 為了快點給你答案，會抄捷徑 中間那些「自我檢查」的步驟，它會跳過 所以你寫得多認真，效果也是有限的 --- ⚙️ 真正的解法：把規則升級成「強制檢查」 那要怎麼做？ 要讓 AI 沒得選，必須遵守 這就要靠 Claude Code 內建的 hook 功能 hook 是什麼？ 簡單講，就是一段「守門員」程式 每次 AI 寫文、改檔、或要交付結果之前，hook 會先跑一次檢查 發現違規，就把那個動作擋下來，把錯誤訊息丟回給 AI AI 看到錯誤，必須改，改到通過為止 整個過程 AI 沒得選，沒得跳過，沒得抄捷徑 這跟 SKILL.md 完全是兩回事 SKILL.md 是「希望你這樣做」 hook 是「不這樣做就不能交付」 --- 🛠 怎麼用？兩步搞定 第一步，寫一段檢查程式 你可以直接叫 Claude Code 幫你寫 列出你最不想 AI 做的事，例如不要用某些禁用詞、不要漏掉某段格式、不要跳過某個步驟 讓 Claude Code 幫你把這些檢查邏輯轉成一段 JavaScript 或 Python 程式 這段程式很簡單，就是讀檔案內容，跑幾條規則，發現問題就回報錯誤 第二步，在 settings.json 告訴 Claude Code 這段程式什麼時候要跑 通常會掛在 PreToolUse 階段，意思是「AI 在用工具寫檔案之前，先跑這段檢查」 也可以掛在 Stop 階段，意思是「AI 想結束任務之前，先跑這段檢查」 設定一次，之後 AI 寫的每一篇文、改的每一個檔，都會自動被檢查、自動被改到對 --- 📊 真實效果：我自己跑過的例子 我自己有一條規則，是寫文章的時候不能用某些廣東話口語詞 之前光寫在 SKILL.md，每次都漏 後來我寫了一個 hook，把那些禁用詞列在程式裡 每次 AI 要寫檔案前，hook 先 grep 一次 結果？再也沒有漏過 不是因為 AI 變聰明，是因為 AI 沒得選 這個差別非常重要 過去我一直以為，AI 自己會檢查、自己會 audit 後來才發現，自己 audit 這件事根本靠不住 AI 會跟你講「我已經檢查過了，沒問題」，但實際上一查，全部是違規 AI 自行聲明這種東西，永遠不能當作真 --- 💡 總結 SKILL.md 是給 AI 看的「建議書」 hook 是強制約束 AI 行為的「合約」 要用好 AI，這兩個層次都要有 SKILL.md 處理判斷類的規則（語氣、角度、創意） hook 處理機械化的規則（禁用詞、格式、必要欄位） 兩層配合，AI 才會真正照你的規範交付 從「希望 AI 跟規則」升級成「規則自己會檢查 AI」 這才是讓 AI 真正落地、真正可用的關鍵思維轉變 你自己有試過寫 hook 嗎？或者你最想用 hook 擋住 AI 做什麼事？歡迎留言分享你的經驗 👇

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。

Claude 推出了 Routines 新功能，AI 真的可以每天自動幫你做事了？ 還記得你每天早上打開電腦，要花多少時間去各個網站找 AI 新聞、整理重點、做筆記？ 又或者你追蹤了好幾個 YouTube 頻道，但根本沒時間一條一條看？ 其實現在用 Claude Routines，你只要用一句話描述你想做的事情，AI 就會幫你搭建好一個自動化工作流，每天定時執行。 我自己實測做了兩個 Routines： 1️⃣ 每日 AI 新聞日報 讓 AI 每天早上 8 點自動上網搜集最新的 AI 產品動態和工具資訊，整理成結構化日報，自動推送到 Notion。 2️⃣ YouTube 頻道追蹤器 讓 AI 每天檢查指定的 YouTube 頻道有沒有新影片，有的話自動抓字幕、翻譯成中文、做摘要，還能用股市專家角度分析影片內容。 ⭐ 最強的地方是什麼？ 你根本不需要會寫 Prompt。跟 AI 說你想做什麼，它會主動問你問題，引導你把需求講清楚，最後幫你寫好完整的 Prompt。 而且搭好之後，你想修改也只要一句話： 「我想加一個股市專家分析功能」 AI 就自動知道要改什麼、改哪裡。 ⚡ 但也有明顯的限制： ❌ 場景不夠深入 — 複雜的多步驟工作流做不好 ❌ 只有一個 Prompt 控制全部 — 不像 n8n 可以每步分開控制 ❌ 每日執行次數有限 — Pro 帳號只有 5 次 ✅ 對新手來說是超低門檻的自動化入門 ✅ 配合 Notion、Gmail 等 Connector 可以做到基本自動化 ✅ 不需要任何程式知識 如果你之前從來沒用過自動化工具，Routines 是一個很好的起步點。 但如果你已經在用 n8n 或 Make，暫時還不能取代它們。 你有什麼想讓 AI 每天自動幫你做的事情嗎？留言分享你的想法！👇