AI Agent 的秘密：為什麼你教它的方式，決定了它的笨或聰明？
📋 Brief
這支視頻深入淺出地解釋了 AI 代理（Agent）和 Claude 技能（Skills）如何運作，特別強調了提供「上下文」的重要性。講者直言不諱地指出，大多數人使用 AI 代理的方式是錯的，並提供了實際案例與可操作的步驟，教你如何像訓練新員工一樣，有效培養 AI 代理，讓它真正提高你的生產力。
⏱️ 內容分段導航
| 時間段 | 內容摘要 |
|---|---|
| 00:00 - 00:33 | 介紹本集重點：如何更好地使用 AI 代理，並強調內容將以圖表形式清晰呈現。 |
| 00:33 - 01:21 | 強調模型能力雖強，但「上下文」才是決定 AI 代理輸出品質的關鍵。 |
| 01:21 - 04:55 | 比較傳統的 agent.mmd 檔案與「技能」在提供上下文上的效率差異。 |
| 04:55 - 07:10 | 詳細解釋了「技能」的結構與其透過「漸進式揭露」機制節省 token 的原理。 |
| 07:10 - 11:51 | 透過實際案例，揭示了許多人創建 AI 技能的錯誤方式，並說明模型「不思考」的本質。 |
| 11:51 - 13:58 | 提出正確的「教學」方法：像訓練員工一樣迭代引導，並警告不要隨意下載預設技能。 |
| 13:58 - 16:33 | 建議從單一代理開始，逐步建立技能，強調生產力而非「看起來很酷」的複雜設定。 |
📖 詳細內容
01｜強大模型仍需精準引導
核心觀點： 現代大型語言模型（LLM），如 Opus 4.6 和 GPT 5.4，已經非常厲害，但在實際應用中，它們的表現好壞，很大程度上取決於你如何提供「上下文」（context）來引導它們。上下文是模型執行任務所需的所有資訊。
重要原話：
"The models are good. The models are exceptionally good... But context still matters and you have the power to steer the models in a direction where you can get quality or you can get slop."
（原文：模型很棒。模型好得驚人……但上下文仍然很重要，你有能力引導模型，決定你會得到高品質的成果，還是敷衍了事的內容。）
個人感受： 聽他這麼一說，我感覺自己以前用 AI 時，總覺得它不夠聰明，原來問題不在 AI 本身，而是在於我對它不夠「坦誠」，沒有給足夠的資訊，或者給了錯誤的資訊。這讓我覺得自己過去確實有點偷懶。
延伸思考： 這觀點提醒我，即使技術再進步，人類的「提問」和「引導」能力依然是關鍵。機器只是工具，如何善用工具，還是考驗使用者的智慧。
可參考的行動： 下次給 AI 任務時，先花五分鐘思考，這任務完整的上下文是什麼？它需要哪些背景知識才能做得更好？
02｜「代理檔案」與「技能」的效率差異
核心觀點： AI 代理在處理資訊時會組裝一個「上下文視窗」。傳統的 agent.mmd 檔案會將其所有內容在每次對話中都加入上下文，導致大量重複的 token 消耗。而「技能」（Skills）則採用「漸進式揭露」（progressive disclosure）機制，初始只將技能的標題和描述加入上下文，只有當代理判斷需要該技能時，才會載入完整的細節，大大節省了 token 並提高效率。講者認為，除非涉及公司專有資訊或需要頻繁參考的特殊方法，否則大多數情況下不需要冗長的 agent.mmd 檔案。
重要原話：
"The cool thing about skills... the skills are used in a way that's called progressive disclosure. Meaning, when you have a skill file, the entire thing isn't added to context. It's just the title and the description."
（原文：技能的妙處在於……技能以一種稱為漸進式揭露的方式使用。這意味著，當你有一個技能檔案時，整個內容並不會被加入上下文。只有標題和描述會被加入。）
個人感受： 我以前沒想過上下文的大小會影響成本和效率，總覺得資訊越多越好。現在才明白，這就像人腦一樣，不需要把所有細節都時刻記在心裡，只要知道在哪裡可以找到就好。這個「漸進式揭露」的概念真的蠻聰明的。
延伸思考： 這種設計哲學不僅適用於 AI，也適用於資訊管理。如何精簡呈現核心，需要時再深度探索，是提升效率的通用法則。
可參考的行動： 如果你正在使用 AI 代理工具，審查一下你的「代理設定檔」或類似的全局指令，看看是否有內容可以被提取成更有效率的「技能」。
03｜打造有效「技能」：像訓練員工一樣
核心觀點： 許多人創建 AI 技能的方式是錯的，他們在定義工作流程後，就直接跳到撰寫技能指令，結果常常不理想。原因在於 AI 代理是「token 預測器」，它不會思考或真正理解，只會根據訓練資料預測最接近的結果。正確的方法是像訓練新員工一樣，先一步一步地引導代理完成任務，讓它在實際操作中「體驗」成功的流程，然後再將這個成功的流程轉換成技能。
重要原話：
"The models... actually don't think, they're predictors of tokens... You have to walk with it. So, I told it, okay, this is how you research. And it's like, okay, it researches... Then I converted it to a skill."
（原文：模型……其實不會思考，它們只是 token 的預測器……你必須與它並行。所以我告訴它，好的，你要這樣研究。然後它就研究了……然後我才將其轉換成技能。）
個人感受： 講者舉的那個「審核贊助電郵」的例子，簡直就是我的真實寫照！我也有過那種「我以為它懂，但它卻做了表面工夫」的經驗。原來不是 AI 笨，是我沒好好教，直接給了一個模糊的目標。
延伸思考： 這點讓我想到教育孩子或管理團隊，直接給答案或結果不如引導他們經歷過程，從失敗中學習。AI 也是一樣，需要有「教學」過程，而不是「輸入」過程。
可參考的行動： 當你需要 AI 執行一個新任務時，不要直接寫出複雜的指令。先拆解任務，一步一步地與 AI 互動，直到得到你滿意的結果，再把這整個對話過程整理成一個新的「技能」。
04｜為何不應下載預製「技能」
核心觀點： 講者不推薦直接下載別人提供的預製 AI 技能。主要原因有二：首先是安全性問題，下載來源不明的技能存在潛在的攻擊風險；其次，也是更重要的，你的 AI 代理需要通過「親身」成功執行某個流程來建立真正的上下文和理解。預製技能可能不符合你具體的場景和工作流程，代理缺乏成功的「經驗」就難以有效運用。
重要原話：
"I don't download skills because your agent needs the context of a successful run, which you then turn to skills, right?... It's all about context."
（原文：我不會下載技能，因為你的代理需要一個成功運作的上下文，然後你再將其轉化為技能，對吧？……一切都與上下文有關。）
個人感受： 以前看到市面上有「技能市集」之類的東西，覺得很方便，可以省去自己開發的時間。但聽他一說，突然驚覺，這就跟套模板寫文章一樣，缺乏自己的靈魂和經驗。而且安全性問題確實是個盲點，差點就為了圖方便而忽略風險。
延伸思考： 這不僅限於 AI 技能，對於任何「即插即用」的解決方案，我們都應該審慎評估其與自身需求的契合度，以及背後的風險。真正的效率提升往往來自於深度定制和學習。
可參考的行動： 如果你發現一個很棒的預製技能，不要直接下載安裝。而是將其內容視為參考，讓你的 AI 代理「學習」其邏輯和步驟，然後再引導你的代理根據這個學習來創建你自己的專屬技能。
05｜從零開始，打造你的高效代理
核心觀點： 為了實現真正的生產力規模化，應該從一個單一的 AI 代理開始，逐步建立它的技能。這就像管理一家新公司，不會一開始就雇用十個員工，而是先從一個核心團隊做起，逐步擴展。這種「從無到有」的建立過程，讓使用者能更深入地理解 AI 代理的運作方式，並建立起符合自己特定需求的工作流程和技能集，而不是追求「看起來很酷」的複雜設定。
重要原話：
"If you want to scale for productivity, it starts with one agent and you building up the skills and then, okay, now you've built up some skills and now you add a sub agent and your one agent manages multiple agents."
（原文：如果你想為了生產力而規模化，就從一個代理開始，由你建立技能，然後，當你建立了一些技能後，再添加一個子代理，讓你的主代理管理多個代理。）
個人感受： 這段話給了我一個很好的啟示。我過去也曾想過要不要一次性搭建一個超級複雜的 AI 系統，現在看來，那樣可能只會讓自己更混亂。循序漸進、打好基礎，才是王道。這也讓我覺得，與其花時間追求那些花哨的功能，不如專注在讓 AI 真正為我解決問題。
延伸思考： 這種從小處著手、逐步迭代的思維模式，適用於任何複雜系統的建立，無論是個人習慣、團隊管理，還是新技術的應用。先求精準，再求擴展。
可參考的行動： 從你日常工作中最重複、最需要自動化的一個小任務開始。設定一個 AI 代理，並按照前面提到的「教學」方式，手把手地教它，直到它能獨立完成這個任務，然後再考慮擴展到其他任務或更多的代理。
💎 精華收穫
這支視頻顛覆了我對 AI 代理的許多既有看法。它最大的價值在於強調了「上下文」和「教學」對 AI 代理表現的決定性作用。我們不應將 AI 視為無所不知的黑盒子，而是應當像訓練一個有潛力但需要引導的新員工一樣，透過逐步的互動和經驗累積，為它建立專屬且高效的「技能」。這樣不僅能節省成本，更能讓 AI 真正成為你提升生產力的可靠夥伴。
由 PotatoLearning Hub 自动生成