讓Claude Code為你打工的七個方法#跨學科視角 · 實踐出真知#Agentic Coding&Working指南發佈
整理版優先睇
用老闆思維指揮AI：七個心法讓Claude Code成為你的超級員工
呢篇文章出自shadowmixlab主理人，佢本身由景觀設計轉行做軟件架構師，而家專注AI編程教育。佢發現好多專業人士（醫學博士、投資人、產品經理等）都有個共同困擾：AI明明好勁，但自己用起嚟總是差啲意思。佢認為問題出喺「指揮方式」——唔係AI唔得，而係人唔識點樣同AI溝通。
為咗解決呢個問題，佢結合自己同mixlab社區嘅實戰經驗，總結出七條心法。呢啲心法唔係空談，全部係可以直接run嘅方法。核心思路係：你要做AI嘅「老闆」而唔係「翻譯官」，直接俾原始材料佢，要求佢自己拆解同產出。另外，善用ASCII圖快速掃讀長文、將每個任務獨立成文件夾、建立Skill做自動化、用兩階段架構打造24小時情報系統，同埋處理敏感數據時要脱敏或轉本地模型。
最後佢話，AI唔係工具，而係一個可以不斷訓練嘅數字員工。你嘅角色會由「操作工」升級做「指揮家」。呢篇文章最值得吸收嘅核心就係：掌握「指揮藝術」，先可以釋放AI嘅真正潛力。
- 結論：用AI嘅關鍵係做「老闆」而唔係「翻譯官」，直接俾原始材料，叫佢自己思考同產出。
- 方法：用ASCII藝術將長文章變成結構圖，快速掃讀重點，比傳統總結保留更多細節。
- 差異：將每個新任務放喺獨立文件夾啟動Claude Code，配合 /context 同 /clean 管理對話，避免混亂。
- 啟發：Skill係AI嘅「肌肉記憶」，可以透過一句話、培訓總結或小樣本學習自動創建，原子化之後可以組合重用。
- 可行動點：用兩階段架構（持續採集+按需分析）打造24小時情報系統，採集同分析解耦，配合 CLAUDE.md 做總編排。
老闆思維同視覺化掃讀
好多人用AI有個壞習慣：見到報錯信息先自己「理解」一次，再轉述俾AI。結果AI俾二手信息帶偏，來回折騰。正確做法係好似老闆對員工咁，直接將原始材料掟俾佢。報錯信息直接複製貼上；睇唔明嘅輸出貼返過去，加句「我是財務零基礎，解釋給我聽」；要方案就話「給我2~3個不同方案，用ASCII圖對比差異」。老闆唔需要懂技術細節，但係要識得提好問題。
AI就係你嘅高級程序員員工，先讓佢試，再看佢能做到什麼程度
針對長文章，與其叫AI總結（成日漏細節），不如叫佢用ASCII藝術繪製出結構圖。核心論點、分論點、數據支撐一目瞭然，就好似一張紙質地圖，快速定位你想深入嘅區域。呢個方法出自一個每日要讀幾十份報告嘅投資人，視覺化就係效率。
用ASCII藝術繪製文章結構，快速定位重點區域
- 1 將原始材料直接俾AI，唔好自己翻譯。
- 2 要求AI用ASCII圖對比多個方案。
- 3 對長文章用ASCII藝術生成結構圖，取代普通總結。
文件夾隔離同Skill自動化
Claude Code預設將所有對話混埋一齊，好亂。解決方案好簡單：每個新任務開一個新文件夾，右鍵「在文件夾位置打開終端」再啟動Claude Code。所有代碼、輸出、中間文件都留喺個文件夾入面。多個項目並行唔會串味，回收時直接刪文件夾，乾淨利落。配合 /context 睇對話容量，接近80%就用 /clean 清空或叫AI總結後開新對話。Ctrl+C退出後用 --resume 找回之前對話，就好似隨時保存遊戲進度。
Skill係AI嘅「肌肉記憶」，令佢唔使每次重複做相同操作。有三種創建方法：一句話法係用 /skill-creator 自動生成骨架；培訓總結法係帶AI完整做一次，再叫佢總結成skill；小樣本學習法係將你寫過嘅優秀報告俾AI，叫佢學風格同結構。關鍵係要原子化，每個skill控制在1000行以內，拆到不能再細。例如「爬取+清洗+存庫」拆成三個小skill，之後按需組合。
Skill係AI的自動化腳本，越用越好，形成正循環
原子化：每個skill控制在1000行以內，拆到不能再小
- 1 一句話法：/skill-creator + 描述自動生成。
- 2 培訓總結法：帶AI做一次，叫佢總結成skill。
- 3 小樣本學習法：俾三篇優秀報告，叫AI學風格創建skill。
爬蟲策略同24小時情報系統
爬網站數據唔使從零寫腳本。opencli呢個工具內置咗超過100個網站嘅適配器（Twitter、小紅書、淘寶等）。正確流程：先問 opencli user 可否爬呢個站；有內置直接用，冇再用 opencli adapter author 創建新嘅。需要登錄嘅網站，先喺Chrome登錄自己賬號，爬蟲會複用登錄態。輸出格式可以揀 table / json / markdown / csv / Excel。安裝時揀「拷貝」而非「軟連結」，否則可能唔生效。
opencli內置100多個網站適配器，唔使從零造輪子
要打造24小時情報系統，用兩階段架構。階段一：用 loop 命令 + opencli 每隔N分鐘/小時從互聯網爬數據，存入SQLite數據庫，可以7×24小時運行。階段二：通過對話觸發，從數據庫加本地知識庫（markdown文檔）取數據，調用分析方法輸出報告。兩個階段共享同一個SQLite數據庫，但獨立運行，採集同分析解耦，唔會因為一次分析卡死而中斷爬蟲。
在項目根目錄放 CLAUDE.md 文件，總編排所有資源
- 1 階段一：loop + opencli 持續爬取，存入SQLite。
- 2 階段二：對話觸發分析，從數據庫同知識庫取數據。
- 3 支援多種報告模板：3000字深度報告、一頁紙簡報、簡訊。
- 4 加「意圖推測skill」：自動判斷用戶想要嘅報告類型同數據源。
敏感數據處理：脱敏或本地模型
企業管理者怕客戶數據、財務數據洩漏，唔敢直接扔俾雲端AI。有兩個方案。方案A（推薦）：先用本地腳本或規則脱敏（替換姓名、ID、金額），處理完先用公網AI做分析。公網AI只睇到脱敏後嘅樣本，唔知原始數據。方案B：用LM Studio喺本地跑離線模型。蘋果16G記憶體嘅筆記本可以跑gemini 12b，只佔7G顯存。斷網環境，數據唔出門。
混合部署：本地模型跑敏感部分，公網AI跑非敏感部分
- 方案A：本地脱敏後用公網AI分析。
- 方案B：用LM Studio跑離線模型，數據唔出門。
- 可以混合部署，敏感部分本地，非敏感部分公網。
最後你會發現：AI唔係工具，而係一個可以不斷訓練、持續進化嘅數字員工。而你，由「操作工」升級成「指揮家」。
AI係可以不斷訓練的數字員工，你係指揮家
作者：shadow
mixlab主理人/前景觀設計師 / 前螞蟻集團高級前端專家
--
最近，有一班背景好唔同嘅人聚埋一齊：醫學博士要用AI輔助科研，投資人想捉買賣盤信號，科技孵化平台嘅老手要評估AI項目，高校老師有HCI研究需求，產品經理想搞掂AI……佢哋有一個共同嘅困惑：
明明AI咁勁，點解我用起上嚟就係差少少？
答案就藏喺「指揮方式」裏面。
作為由景觀設計跨界到軟件架構師，再到而家搞AI編程教育嘅實踐者，我同呢班人喺mixlab社區裏面踩過坑、覆盤、總結出七條心法。
唔係空談，全部係可以直接run起嚟嘅方法。
心法一：唔好做「翻譯官」，要做「老細」
好多人用AI嘅時候有個壞習慣：見到報錯信息，先自己「理解」一次，再轉述俾AI。結果AI俾二手信息帶偏，來來回回浪費時間。
正確做法：好似老細對員工咁，將原始材料直接掟俾佢。
• 報錯信息？直接複製貼上。
• 睇唔明嘅輸出？貼返去，加一句「我係財務零基礎，解釋俾我聽」。
• 要方案？講「俾我2~3個唔同方案，用ASCII圖對比差異」，等AI自己思考、自己對比。
老細唔需要識技術細節，但要識得提出好問題。AI就係你嘅高級程序員員工，先俾佢試下，再睇佢做到咩程度。
心法二：用ASCII「掃讀」長文章
一篇幾萬字嘅論文或報告，冇時間仔細睇？唔好叫AI總結（總結通常會漏咗細節）。試下呢個：
「將文章重點用ASCII藝術繪製出嚟。」
AI會生成一張字符畫式嘅結構圖：核心論點、分論點、數據支撐一目瞭然。就好似一張紙質地圖，快速定位你想深入研究嘅區域。
呢個方法來自一個每日要讀幾十份投資報告嘅投資人，時間就係金錢，視覺化就係效率。
心法三：文件夾即係項目，每個任務獨立成「車間」
Claude Code 預設會將所有對話撈埋一齊？亂。解法出奇簡單：
每個新任務新開一個文件夾 → 右鍵「喺文件夾位置打開終端」 → 喺嗰個文件夾入面啟動Claude Code。
以後所有代碼、輸出、中間文件都留喺呢個文件夾入面。多個項目同時進行唔會撈亂，回收時直接刪文件夾，乾淨俐落。
配合 /context 睇下當前對話仲有幾多「腦容量」，接近80%就用 /clean 清空或者叫AI總結之後開新對話。Ctrl+C退出之後用 --resume 揾返之前嘅對話，就好似隨時保存遊戲進度咁。
心法四：Skill係AI嘅「肌肉記憶」，三種方式整出嚟
叫AI每次都重複相同嘅操作（爬某個網站、寫某種報告、分析某類數據）？太蠢。Skill就係AI嘅自動化腳本。
三種創建方法，按場景揀：
一句話法：/skill-creator + 「幫我做一個爬取小紅書筆記嘅skill」，AI自動生成骨架。
培訓總結法：帶住AI完整做一次任務，最後講「總結以上過程，做成一個skill」 → AI將自己啱啱嘅操作步驟固化落嚟。
小樣本學習法：將三篇你寫過嘅優秀分析報告掟俾AI，講「學下呢個風格同結構，創建成skill」。
三種可以撈埋用。關鍵係原子化。每個skill控制在1000行以內，拆到冇得再細。比如「爬取+清洗+存庫」拆成三個小skill，以後按需要組合。
用起上嚟之後，發現邊度有偏差，直接叫AI改，再回寫到skill入面。越用越好，形成正循環。
打包成 .skill 文件之後，其他人拖俾Claude Code講一句「安裝到用戶級目錄」就可以直接用。你寫嘅一個爬蟲skill，可能正在幫另一個做量化投資嘅人抓數據。
心法五：爬蟲唔好由零起，先查下「內置適配器」
拿到一個網站，想爬數據。大多數人第一反應係寫腳本。但opencli呢個工具內置咗100幾個網站嘅適配器（Twitter、小紅書、淘寶……）。
正確流程：
先問 opencli user：「可唔可以爬呢個站？」
有內置 → 直接用。冇嘅話 → 再用 opencli adapter author 創建新嘅。
需要登錄嘅網站（例如淘寶），先喺Chrome入面登錄自己嘅賬號，爬蟲會重用登錄態。
爬出嚟嘅數據可以要 table / json / markdown / csv / Excel 任意格式。安裝opencli skill時揀「拷貝」而唔係「軟連結」，否則可能唔生效。
一個提醒：爬蟲只能爬「你喺瀏覽器入面睇到嘅信息」。破解付費牆或越權獲取數據，嗰啲唔係爬蟲嘅範疇。
心法六：兩階段架構，打造24小時情報系統
投資人想要「每朝早9點自動收到昨夜盤前異動+宏觀新聞簡報」。高校老師想要「實時追蹤某個研究方向嘅arXiv最新論文」。點樣做？
兩階段架構：
• 階段一（持續採集）：用 loop 命令 + opencli，每隔N分鐘/小時從互聯網爬數據，存入SQLite數據庫。可以7×24小時運行。
• 階段二（按需分析）：通過對話觸發，從數據庫+本地知識庫（markdown文檔）拎數據，調用分析方法，輸出報告。
兩個階段共享同一個SQLite數據庫，但獨立運行。採集同分析解耦，唔會因為一次分析死機而中斷爬蟲。
喺項目根目錄放一個 CLAUDE.md 文件，寫清楚項目結構、有邊啲skill、數據庫位置。Claude Code啟動時會自動加載呢個「總編排文件」，知道應該用邊條鎖匙開邊道門。
支援多種報告模板：3000字深度報告、一頁紙高管簡報、簡訊。再加一個「意圖推測skill」——用戶只係講「幫我睇下最近AI晶片嘅新聞」，系統先判斷佢想要咩類型、咩長度、邊啲數據源。
心法七：敏感數據？先脱敏，或者轉本地模型
企業管理者手上有客戶數據、財務數據，唔敢直接掟俾雲端AI。兩個方案：
方案A（推薦）：本地先用腳本/規則脱敏（替換姓名、ID、金額），處理完之後再用公網AI做分析。公網AI唔知道原始數據，只係見到脱敏後嘅樣本。
方案B：用LM Studio喺本地跑一個離線模型。蘋果16G內存嘅筆記本可以跑gemini 12b，只佔7G顯存。斷網環境，數據唔出門口。
你甚至可以同時做：本地模型跑敏感部分，公網AI跑非敏感部分。混合部署，既唔洩密又唔犧牲智能。
最後你會發現：AI唔係工具，而係一個可以不斷訓練、持續進化嘅數字員工。而你，由「操作工」升級做咗「指揮家」。
報名請聯絡 litnmnm
作者：shadow
mixlab主理人/前景觀設計師 / 前螞蟻集團高級前端專家
--
最近，一羣背景迥異的人聚在一起：醫學博士要用AI輔助科研，投資人想抓買賣盤信號，科技孵化平台的老炮要評估AI項目，高校老師HCI研究需求，產品經理想搞懂AI……他們有一個共同的困惑：
明明AI這麼強，為什麼我用起來就是差點意思？
答案藏在“指揮方式”裏。
作為從景觀設計跨界到軟件架構師，再到如今折騰AI編程教育的實踐者，我和這羣人在mixlab社區裏踩坑、覆盤、總結出了七條心法。
不是空談，全是能直接run起來的方法。
心法一：別當“翻譯官”，當“老闆”
很多人用AI時有個壞習慣：看到報錯信息，先自己“理解”一遍，再轉述給AI。結果AI被二手信息帶偏，來回折騰。
正確姿勢： 像老闆對員工一樣，把原始材料直接甩給它。
• 報錯信息？直接複製粘貼。
• 看不懂的輸出？貼回去，加一句“我是財務零基礎，解釋給我聽”。
• 要方案？說“給我2~3個不同方案，用ASCII圖對比差異”，讓AI自己思考、自己對比。
老闆不需要懂技術細節，但懂得提好問題。AI就是你的高級程序員員工，先讓它試，再看它能做到什麼程度。
心法二：用ASCII“掃讀”長文章
一篇幾萬字的論文或報告，沒時間細看？別讓AI總結（總結往往丟細節）。試試這個：
“把文章重點用ASCII藝術繪製出來。”
AI會生成一張字符畫式的結構圖：核心論點、分論點、數據支撐一目瞭然。就像一張紙質地圖，快速定位你想深入的區域。
這個方法來自一個每天要讀幾十份投資報告的投資人，時間就是金錢，視覺化就是效率。
心法三：文件夾即項目，每個任務獨立成“車間”
Claude Code 默認會把所有對話混在一起？亂。解法出奇簡單：
每個新任務新建一個文件夾 → 右鍵“在文件夾位置打開終端” → 在該文件夾內啓動Claude Code。
以後所有代碼、輸出、中間文件都留在這個文件夾裏。多個項目並行不串味，回收時直接刪文件夾，乾淨利落。
配合 /context 查看當前對話還剩多少“腦容量”，接近80%就用 /clean 清空或讓AI總結後開新對話。Ctrl+C退出後用 --resume 找回之前的對話，就像隨時保存遊戲進度。
心法四：Skill是AI的“肌肉記憶”，三種方式造出來
讓AI每次都重複相同的操作（爬某個網站、寫某種報告、分析某類數據）？太傻。Skill就是AI的自動化腳本。
三種創建方法，按場景選：
一句話法：/skill-creator + “幫我做一個爬取小紅書筆記的skill”，AI自動生成骨架。
培訓總結法：帶着AI完整做一遍任務，最後說“總結以上過程，做成一個skill” → AI把自己剛才的操作步驟固化下來。
小樣本學習法：把三篇你寫過的優秀分析報告丟給AI，說“學一下這個風格和結構，創建成skill”。
三種可以混用。關鍵是 原子化。每個skill控制在1000行以內，拆到不能再小。比如“爬取+清洗+存庫”拆成三個小skill，以後按需組合。
用起來之後，發現哪裏有偏差，直接讓AI改，再回寫到skill裏。越用越好，形成正循環。
打包成 .skill 文件後，別人拖給Claude Code說一句“安裝到用戶級目錄”就能直接用。你寫的一個爬蟲skill，可能正在幫另一個做量化投資的人抓數據。
心法五：爬蟲別從零造，先查“內置適配器”
拿到一個網站，想爬數據。大多數人第一反應是寫腳本。但opencli這個工具內置了100多個網站的適配器（Twitter、小紅書、淘寶……）。
正確流程：
先問 opencli user：“能不能爬這個站？”
有內置 → 直接用。沒有 → 再用 opencli adapter author 創建新的。
需要登錄的網站（比如淘寶），先在Chrome裏登錄自己的賬號，爬蟲會複用登錄態。
爬出來的數據可以要 table / json / markdown / csv / Excel 任意格式。安裝opencli skill時選“拷貝”而非“軟連結”，否則可能不生效。
一個提醒：爬蟲只能爬“你在瀏覽器中能看到的信息”。破解付費牆或越權獲取數據，那不是爬蟲範疇。
心法六：兩階段架構，打造24小時情報系統
投資人想要“每天早上9點自動收到昨夜盤前異動+宏觀新聞簡報”。高校老師想要“實時追蹤某個研究方向的arXiv最新論文”。怎麼做？
兩階段架構：
• 階段一（持續採集）：用 loop 命令 + opencli，每隔N分鐘/小時從互聯網爬數據，存入SQLite數據庫。可以7×24小時運行。
• 階段二（按需分析）：通過對話觸發，從數據庫+本地知識庫（markdown文檔）取數據，調用分析方法，輸出報告。
兩個階段共享同一個SQLite數據庫，但獨立運行。採集和分析解耦，不會因為一次分析卡死而中斷爬蟲。
在項目根目錄放一個 CLAUDE.md 文件，寫清楚項目結構、有哪些skill、數據庫位置。Claude Code啓動時會自動加載這個“總編排文件”，知道該用哪把鑰匙開哪扇門。
支持多種報告模板：3000字深度報告、一頁紙高管簡報、簡訊。另加一個“意圖推測skill” —— 用戶只說“幫我看看最近AI芯片的新聞”，系統先判斷他想要什麼類型、什麼長度、哪些數據源。
心法七：敏感數據？先脱敏，或切本地模型
企業管理者手上有客戶數據、財務數據，不敢直接扔給雲端AI。兩個方案：
方案A（推薦）：本地先用腳本/規則脱敏（替換姓名、ID、金額），處理完後再用公網AI做分析。公網AI不知道原始數據，只看到脱敏後的樣本。
方案B：用LM Studio在本地跑一個離線模型。蘋果16G內存的筆記本可以跑gemini 12b，只佔7G顯存。斷網環境，數據不出門。
你甚至可以同時做：本地模型跑敏感部分，公網AI跑非敏感部分。混合部署，既不泄密也不犧牲智能。
最後你會發現：AI不是工具，而是一個可以不斷訓練、持續進化的數字員工。而你，從“操作工”升級成了“指揮家”。
報名聯繫litnmnm