鐵人檔案
會跟 Claude 聊天，不代表真的會讓 Claude 幫你工作。這個系列不打算逐項介紹功能，而是把 Claude 當成一位剛加入工程團隊的 AI 新人，從基礎能力開始，一步步教它理解需求、使用工具、處理資訊，最後能參與實際的開發流程。
第一次接觸 Claude，很容易以為它又是另一個聊天框。但真正該問的是三件事：Claude 能看到什麼、能使用什麼工具，又能替你做到哪一步？ 可以把 Claud...
Claude 在回答問題時，真正排序的不是「這件事是不是真的？」，而是「下一個 Token 接什麼最合理？」 簡言之：Claude 算的是「合理性」，不是「真實...
上一篇提到 Token 就像 AI 閱讀文字時的計量單位，而中文有時會比英文消耗更多 Token。這也代表同一個 Context Window，中文對話可能更快...
試著丟一段訪談逐字稿給 AI，只下這句： 幫我整理重點，寫專業一點。 結果可能很順，問題卻藏在細節裡。原文只說「目前還要再觀察」，AI 卻整理成「受訪者認為成效...
上一篇那句反例「幫我整理重點，寫專業一點」，問題不只在模糊。更麻煩的是所有東西都擠在同一句裡：要做什麼、給誰看、不能做什麼、要交出什麼形狀，全部黏成一團。 寫...
上一篇的 <output_format> 只寫了「三段摘要，每段附原文依據」。給人看，這樣就夠；但如果接手的是程式，這一格得寫得更硬。 叫 Clau...
要 Claude「查資料、分析、寫文章、順便檢查錯誤」，就像把整桌菜一次塞進果汁機。最後可能什麼都有，卻很難知道哪一步出了問題。 Prompt Chaining...
上一篇把任務拆成了工作流。接下來的問題是：換了一版 Prompt 之後，怎麼知道它真的比較好？ 只看兩三個回答就宣布「這版比較好」，很像試吃一口就替整鍋菜打分數...
上一篇的規矩是「一次只動一個變因」。做 Agent 的時候，這條規矩會突然變得很難守——因為能動的變因，早就不只是那句 Prompt 了。 回到 Day 01...
上一篇說，備料台上該放的是一張清單，要用的時候才去冰箱拿。RAG 就是這件事最常見、也最成熟的實作。 假設你要查一本 300 頁的手冊。正常人不會從第一頁重讀到...
