核心目标：从云端聊天转向本地化智能同事
本次工作坊面向160名参与者，旨在提供十项具体的Claude Cowork升级方案。这些改进包括自定义技能、日常高频使用的工具以及能即时增强回复质量的MCP连接器。作者强调，许多用户虽然已使用Cowork，但往往将其当作云端版的电脑聊天工具，而非真正的协作伙伴。理想的设置应让Cowork成为一位了解用户目标、盲点及压力陷阱的智能教练。整个教程分为三个部分：首先是让Claude深度了解用户，其次是提高回答的可靠性与构建效率，最后是建立自我进化的机制。通过这四周的持续应用，用户将体验到显著更智能的AI协作效果。
升级一：提取并固化“记忆”，构建上下文文件夹
Claude Chat中存在的选择性记忆机制往往滞后且模糊，无法直接同步至Cowork。为解决此问题，作者建议执行“记忆提取”流程：在Chat中输入指令要求列出所有已知信息，随后进行事实核查与更新。这一过程会将分散的记忆转化为结构化的上下文文件（Context Files），保存在本地文件夹中。这些文件涵盖基本事实、角色信息、目标设定及沟通偏好等维度。上下文文件夹随着时间推移会变得更加详尽，从而为Cowork提供比Chat更完整、实时的用户画像。由于Cowork与Chat在记忆访问上是分离的，这种本地化的文件管理是确保AI准确理解用户的关键第一步。
技能推荐：Crystallized Memory自动化记忆迁移
为了简化上述手动整理过程，作者开发并推荐了一款名为Crystallized Memory（结晶记忆）的技能。该技能本质上是一个长提示词，可在Claude或ChatGPT中通过运行/crystallized memory来执行。它会自动遍历AI所知的信息，区分事实与虚构、陈旧与新知，并最终生成一组标准化的文件供用户导入Cowork。这一过程仅需5到10分钟，却能极大提升后续协作体验的准确性与深度。此外，针对从ChatGPT迁移至Cowork的用户，作者还开发了专门的迁移技能，将在后续邮件中分享所有相关链接与工具包。
概念深化：构建Agent时代的“第二大脑”
“第二大脑”不再仅是极客式的互联网信息收藏库，而是Agent时代至关重要的上下文来源。AI代理的能力上限取决于其拥有的上下文质量。若在一个空白对话中直接要求规划日程，AI往往需要反复提问才能给出合理建议。通过预先整理好关于个人生活、业务逻辑及工作习惯的结构化文件，用户可以为AI提供丰富的背景信息。这种组织方式使得Agent能够以极高的效率读取并理解用户需求，从而减少交互摩擦。上下文即能力，构建一个易于Agent阅读的本地知识库，是发挥AI潜力的基础架构。
构建“第二大脑”的核心逻辑
大多数人错误地设置Claude协作模式，仅提供通用指令。真正的进阶做法是建立一个包含个人背景、工作类型及合作对象的第二大脑（Second Brain）。当用户向AI提供如“帮我规划今天日程”的指令时，若系统已存储了丰富的上下文信息，AI将给出极具价值的回答。作者通过对200人的测试发现，整理少量关键文件即可显著提升Claude的实用性。这些文件包括用户的角色定位、工作内容、协作对象以及职业目标。通过展示“我是谁”、“我如何工作”以及“我的背景”，AI能迅速适应用户的思维模式，从而提供远超通用回答的个性化支持。
深度定制与反馈机制
为了让AI更精准地辅助用户，需要建立一套互动式访谈机制。作者建议通过一系列问题让Claude了解用户的偏好：例如，用户希望AI是直言不讳、温和委婉，还是像啦啦队一样鼓励，亦或是严厉督促？这种设定让AI明确“如何被帮助”。此外，引入类似周五复盘（Retro）的机制至关重要。用户每周与Claude回顾“哪些做得好、哪些需要改进”，随着时间推移，AI会逐渐构建起用户的目标画像和历史决策记录。这种持续的数据积累使得Claude从单纯的问答工具转变为具备长期记忆的战略伙伴，能够基于历史数据提供更具前瞻性的建议。
实施路径与工具支持
作者推荐名为“Set Up My Second Brain”的技能（Skill），该技能通过大量提问引导用户完善信息库。虽然彻底完成这一过程可能需要2到3小时，但即使仅用10分钟快速浏览并返回补充，也能获得显著的效果。一旦完成设置，当用户请求规划日程时，Claude不仅知道当前任务，还清楚背后的长期目标与历史背景。作者自身的“第二大脑”已扩展至包含战略文档、竞争对手分析、增长实验数据、推荐计划进度以及教练通话录音等丰富内容。这一过程历时7-8个月，使得Claude对用户的业务了如指掌，实现了超个性化的体验。随着使用深入，AI会主动建议创建新文件或合并现有资料，使知识库自然生长。
数据主权与独立性优势
这一方法的一个关键优势在于数据的本地化存储。这些文件并非存储在云端、Anthropic服务器或Notion中，而是保存在用户计算机上的文本文件中。这种架构赋予了用户对信息的主权（Sovereignty）：如果未来用户决定弃用Claude，转而使用ChatGPT或成本更低的开源模型（如每百万token仅需一美分的模型），只需将不同的AI代理指向这些本地文件，即可无缝衔接之前的工作流。这意味着用户的信息不被锁定在单一平台中，切换AI工具变得极其容易，确保了长期使用的灵活性和控制权。
识别失败模式以强化教练功能
当AI了解用户的“阴影面”或失败模式（Failure Modes）时，它能成为极佳的教练。作者通过之前的访谈设定了AI的反馈风格后，Claude能够识别并纠正作者的拖延行为。例如，作者常在周四晚上8点因压力开始过度关注产品细节（如重建登录流程），而忽视销售或营销工作。此时，Claude会介入提醒：“等一下，我认为你现在不需要做这个，你应该先回复那五封邮件或推广研讨会。”默认的大型语言模型往往具有阿谀奉承（Sycophantic）倾向，即用户要求做什么它就盲目配合；但经过定制化设置后，AI能识别用户的压力行为模式并主动干预，从而帮助用户回归优先事项。
建立个性化行为档案以纠正工作习惯
在与Claude Cowork协作时，许多用户容易陷入过度研究的陷阱，即花费大量时间调研细节而忽略了实际执行。为了解决这一问题，作者引入了一个名为“Interview”的技能（COD），该技能通过一系列问答来了解用户的工作习惯，并最终生成一个行为风格配置文件（Markdown文件）。这个文本文件明确记录了用户的性格弱点，例如作者承认自己是一个完美主义者，有时会为了追求极致而浪费时间在非核心任务上，或者陷入AI辅助下的“研究兔子洞”。
“如果Claude知道这一点，它实际上会开始推回并挑战你。”
通过让AI知晓这些行为模式，Claude不再是一个被动的执行者，而是一个具有监督意识的协作者。它会主动询问用户是否真的需要完成整个项目，或者是否可以先推出最小可行性产品（MVP）。这种机制帮助作者避免了诸如“重建入职流程”这类低价值的高投入工作，从而将注意力集中在真正重要的销售或营销任务上。这种非对抗性的提醒机制被证明在数月内极大地提高了工作效率。
应用Andre Karpathy的LLM Wiki原则优化知识库结构
随着“第二大脑”文件夹中文件数量的增加（作者目前拥有约1900个文件），信息检索效率成为关键瓶颈。为此，作者引用了LLM先驱Andre Karpathy（现任职于Anthropic）提出的“LLM Wiki”概念。该理论指出，如果为文本文件建立索引和摘要，AI能更快定位所需信息并减少Token消耗。核心原则包括：
- 文件索引：为文件夹创建索引，解释每个文件的用途。
- 顶部摘要：每个文件头部包含简短的内容概述。
- 互链结构：模仿维基百科，通过链接将相关文件（如决策、目标、竞争对手分析）相互关联。
“如果每个文件顶部都有摘要，并且所有文件像维基百科一样互相链接，LLM就能更轻松地遍历和导航你的文本文件。”
这种结构虽然对人类用户来说并非直观，但对于AI而言能显著降低信息检索的复杂度。通过向Claude提供Karpathy的文章链接并请求应用这些原则，AI会自动为文件添加摘要、标签和内部链接。这一过程可能需要15-20分钟，但能确保在文件夹日益复杂时，Claude仍能快速、准确地找到所需上下文，避免因盲目搜索而浪费Token或产生错误。
多智能体审查机制提升输出可靠性
在确保Claude了解用户背景并优化了知识库结构后，下一步是提升回答的可靠性和准确性。作者介绍了“Multi-agent Refine”技能，这是一种多智能体协作模式。在处理重要文档（如办公场所租赁合同）时，主Claude不仅执行任务，还会创建多个子代理（Sub-agents）。这些子代理从不同角度对同一份工作进行审查和压力测试。
例如，在审核合同条款以确定谈判立场时，主Claude负责基础研究和正常市场惯例调研，随后启动多智能体审查。子代理们会分别检查条款的法律风险、财务影响及潜在陷阱，从而形成一个多维度的验证闭环。这种机制不仅提高了最终交付物的质量，还通过内部辩论和交叉检查减少了单一模型可能出现的幻觉或遗漏。结合前两步建立的个性化档案和优化后的知识库，这一流程构成了一个完整的高可靠性协作系统。
多智能体协作：通过子代理进行自我纠错与多角度验证
在复杂任务处理中，Claude Cowork 的核心优势在于其能够启动多个子代理（Sub-agents）进行独立思考和验证，从而弥补单一模型视角的局限。作者演示了一个谈判文档优化的案例：首先，Claude 提出澄清问题并执行事实核查（Fact Check），随后通过互联网再次咨询以确认谈判文档的准确性。为了全面审视工作成果，系统启动了四个独立的子代理分别执行不同任务：一个专门检查谈判立场的清晰度，另一个进行严格的法律事实核查，第三个负责排查是否有遗漏内容，第四个则扮演“谈判对手”的角色进行模拟对抗。这些子代理独立工作后向主 Claude 汇报发现，从而提供了比单一模型更丰富的观点和视角。
“So basically it spins up these four sub agents and they all go off independently and then report back to the main cloud with their findings. So you get like more opinions, more points of view on whatever it is you're working on than just your main cla.”
这种机制允许用户指定优化目标，例如专注于“谈判立场”，并选择让 AI 自主进行多轮审查直到满意。作者指出，子代理功能是 Claude Cowork 区别于普通 Chat 版本的关键特性之一。虽然 Claude Code 中有类似的 /go 命令用于持续迭代直至正确，但 Cowork 中的多代理协作提供了更结构化的多角度反馈。尽管这一过程可能耗时 15 到 20 分钟，但它能显著增强任何大型文档或论证的稳健性，通过引入“多双眼睛”来发现潜在错误和逻辑漏洞。
产品需求文档（PRD）：结构化访谈避免假设偏差
在构建复杂项目时，直接下达模糊指令（如“帮我做一个落地页”）会导致 AI 做出大量未经确认的假设，从而产生不符合预期的结果。作者引入了产品需求文档（PRD, Product Requirements Document）的概念，强调在开发新功能或新产品前明确“为什么构建”、“如何构建”以及已做出的决策至关重要。传统的 PRD 由产品经理撰写并收集各方意见，而在 AI 辅助工作流中，可以通过名为 SLPRD 的技能来自动化这一过程。该技能引导 Claude 对用户进行结构化访谈，逐步挖掘需求背景、核心目标及潜在风险。
“Instead of just saying build me this and then maybe doing a bit of back and forth, I've got this skill that I'll share with you afterwards called SLPRD and it will run you through a structured interview. COD will ask you a lot of questions about what you're trying to build and why and it will create this PRD document for you.”
在使用 SLPRD 技能时，Claude 会反复追问“为什么要构建这个？”、“解决了什么问题？”，并要求提供上下文材料（如品牌文档或会议记录）。在生成 PRD 草稿后，Claude 还会主动进行风险缓解（Mitigate Risks）分析，预判可能出现的错误或需要改进的地方。这一过程通常需要 10 到 15 分钟，但能确保在编码或构建仪表盘之前，所有关键决策都已明确。作者强调，这种方法适用于任何稍微复杂的项目创建任务，包括代码开发、仪表盘设计或自动化流程搭建，能大幅减少后期的调试痛苦和错误。
工作流对比与效率评估
为了更直观地展示不同方法的效果，以下表格总结了传统直接指令方式与引入 PRD 及多代理协作后的关键差异：
| 维度 | 传统直接指令 (Direct Prompting) | PRD + 多代理协作 (Structured Workflow) |
|---|---|---|
| 输入方式 | 模糊指令，如“帮我做一个落地页” | 结构化访谈，明确目标、背景和风险 |
| AI 行为 | 基于假设自行决策，缺乏方向指引 | 先澄清需求，再启动子代理多角度验证 |
| 错误预防 | 事后发现偏差，需反复迭代修正 | 事前通过 PRD 和风险缓解预判问题 |
| 耗时估算 | 短（即时响应），但修正成本高 | PRD: 10-15分钟; 多代理: 15-20分钟 |
| 适用场景 | 简单、单一任务 | 复杂项目，如代码构建、仪表盘设计 |
通过这种结构化的工作流升级，用户可以将 AI 从单纯的执行者转变为具备批判性思维协作者的角色。虽然前期投入了更多时间进行需求梳理和多代理验证，但最终产出的质量和准确性得到了显著提升。”,
制定详细产品需求文档（PRD）以规避认知偏差
在构建复杂项目时，直接让AI开始编码往往会导致大量返工和误解。通过撰写结构化的产品需求文档（PRD），可以明确界定项目范围、决策背景及潜在风险，从而避免AI做出错误假设或构建不必要的功能。一个标准的PRD应包含问题定义、背景参考、决策记录、里程碑规划以及风险缓解措施。这种文本层面的预先规划不仅逻辑清晰，而且成本极低，因为编辑纯文本所消耗的Token远少于修改代码或仪表盘。> "Planning out what we want to do in like a text file before we build it is quite economical and helps us uh save tokens which for many of us working at companies is quite important because we have a token budget or we have a limit."
此外，PRD还能有效解决AI上下文窗口限制带来的“失忆”问题。当对话过长导致系统触发压缩机制时，AI往往会丢失之前的详细指令，表现为智能水平骤降。若计划存储在本地文本文件中而非仅依赖对话历史，AI在上下文重置后只需重新读取该文件即可无缝恢复工作状态。即使项目中途陷入混乱，也可以暂停当前任务，要求AI基于现有状态重新梳理并生成PRD，以此作为后续工作的基准。这种方法能显著减少因上下文丢失导致的重复劳动和体验断裂。
Firecrawl 集成：突破网页访问壁垒与数据抓取
许多用户在使用Claude时遇到过无法读取特定网站内容的情况，这通常是因为目标网站部署了反爬虫或Bot保护机制。安装 Firecrawl 插件可以彻底解决这一问题，它能够将任何网页转化为结构化的文本文件，绕过大部分访问限制。> "Firecrawl is this amazing um integration. You just install Firecrawl in Claude and then it can basically turn any website into like a structured text file."
Firecrawl 提供了极高的访问可靠性，使得Claude能够以前所未有的方式获取互联网信息。对于新用户而言，安装后通常可获得约 500次 免费搜索额度，后续月费仅为 $5至$10。相比直接面对“访问被拒绝”的错误提示，Firecrawl 提供了更稳定、高效的数据获取渠道。用户可以批量指定竞争对手网站列表，要求AI将其抓取并存储为Markdown格式文件存入“第二大脑”，这一过程由Firecrawl高效完成，极大提升了信息收集的自动化程度和完整性。
Perplexity 与 AI 搜索能力的演进背景
在讨论AI工具生态时，Perplexity 作为一个重要的参照案例被提及。该公司最初专注于构建高质量的AI搜索模型，随后逐步扩展至Agent开发和“Perplexity Computer”等产品线。虽然本片段未深入展开其具体技术参数，但指出其在AI搜索领域的早期积累为其当前功能奠定了基础。相比之下，Claude自带的网页搜索功能有时受限于网站保护机制，而结合Firecrawl等工具则能弥补这一短板。这种组合策略反映了当前AI协作的最佳实践：利用专用工具解决特定瓶颈（如数据抓取），而非完全依赖单一模型的内置能力。通过整合外部高效工具，用户可以构建更强大、更稳定的AI工作流。
集成Perplexity替代原生搜索以消除幻觉
许多用户在使用Claude Cowork时，发现其内置的网络搜索结果并不够全面。当要求Claude搜索互联网信息时，它往往只浏览5到10页网页便返回答案，而这些结果经常是错误的。相比之下，Perplexity提供的来源更多，且其声明的可靠性更高。作者指出，一旦从Perplexity获取信息，信任度远高于仅依赖Claude原生搜索工具。为了优化这一流程，用户可以将Perplexity作为集成或连接器（Connector）安装到Cowork中。通过覆盖Claude的默认设置，可以指定：当需要查看网页时使用Firecrawl（或类似工具），而当确认事实或在互联网上查找信息时，强制使用Perplexity。这种配置切换后，用户能更轻松地信赖Claude提供的公共互联网信息。此外，Perplexity的API成本极低，作者今年已完成约12,00次搜索，总花费不到50美元。这种低廉的价格换来了信息可验证性高、幻觉概率低的安心感。
"Perplexity usually comes back with far more sources. The claims that it makes in my experience are far more reliable."（Perplexity通常返回更多的来源。据我经验，它做出的声明要可靠得多。）
Perplexity的另一大优势在于对Reddit内容的访问能力。Claude Cowork在处理Reddit线程或抓取完整内容时常常遇到困难，因为Reddit屏蔽了许多搜索引擎和爬虫。然而，Perplexity并未被此类封锁限制。如果需要了解社区对特定主题、产品或竞争对手的看法，Perplexity是极佳的查询工具。这种集成不仅提升了信息准确性，还扩展了Claude获取特定社区洞察的能力。
利用Scheduled Tasks实现Claude自我进化
Claude Cowork的一个独特优势在于其具备编辑自身指令的能力。在普通Chat界面中，用户需手动修改设置文件来改变Claude行为；而在Cowork环境中，Claude可以通过编辑文本文件自动变得更智能。这一能力结合“定时任务（Scheduled Tasks）”功能，实现了自动化工作流。用户可以在Cowork中设置特定时间运行的任务（如每天早上9点或每周五下午4点），只要电脑和Cowork保持开启，任务即可自动执行。例如，作者设置了一个每周回顾（Self-Review）技能：每周五下午4点，Claude会自动审查本周的对话记录。它不会被动等待用户指令，而是主动分析工作模式。
"As long as your computer is switched on and co-work is open, it will run that task for you... Claude gets smarter and basically compounds every single week."（只要电脑开着且Cowork运行，它就会为你执行任务……Claude会变得更聪明，基本上每周都在复利增长。）
这种自动化回顾机制让系统能够持续优化。Claude会生成简短报告，建议可能有帮助的自动化工具、新技能或集成。例如，如果检测到用户本周三次从头起草冷邮件，它会建议将其封装为“冷邮件技能”以节省时间；如果注意到用户多次提及某个未记录的项目（如10月批次），它会建议更新目标文件；如果用户多次粘贴日历截图，它可能建议直接连接日历API以便自身读取。这种机制将原本需要用户手动思考的系统优化工作，转化为每周自动执行的迭代过程。
利用AI代理执行系统化周复盘
作者分享了一种与Claude Cowork协作的每周回顾（Weekly Retro）机制，旨在通过系统化反思提升个人或团队效能。这一过程已持续两三个月，作者完成了约10次复盘。Claude在此扮演“代理同事”的角色，不仅协助运行回顾流程，还通过记录历史承诺来确保用户对自己设定的目标保持问责。该方法灵感来源于作者的朋友Jean Michelle，其核心在于让AI介入时间管理与绩效追踪的闭环。
"I've been doing this for about two or three months. I think I've done about 10 of these now... it's quite systematic and is comprehensive."
多维数据整合与问责机制
复盘流程首先通过API连接用户的日历应用，分析时间分布情况。Claude会检查用户是否陷入过多会议、是否有空档周、是否在旅行或休假，甚至评估晚间活动及运动量是否达标。同时，它接入Todoist查看任务完成状态，并深入集成Stripe支付网关、CRM系统及发票数据。这种全维度的数据抓取使得Claude能够进行完整的指标审查，对比实际业绩与目标（如收入、注册量等），从而生成精准的进度报告。
"My cloud actually goes into zero and checks invoices. It goes into Stripe... looks at my CRM and look and tells me like the state of my pipeline."
历史模式分析与任务优先级排序
为了强化问责，Claude会检索过去三周的复盘记录（如上周五及前两周的回顾），识别用户反复拖延的工作或陷入的行为模式。例如，作者曾提到需要聘请视频编辑但未行动，第四周时Claude主动介入质问并推动进展。在收集完所有证据后，Claude会对用户进行结构化访谈式的“头脑风暴”，将下周的15项潜在任务转化为优先级排名列表。它通过追问“如果只能做一件事，那是什么？”来帮助用户聚焦核心目标，并将最终计划同步回任务管理器。
"By the fourth week, Claude was like, what are you doing? You said this is really important and you haven't gone and found an editor yet."
自动化技能发现与安全审计
除了个人复盘，作者介绍了另一种提升效率的方式：安装名为“Find Skills”的技能。该技能允许Claude在用户执行特定任务（如编写代码外联邮件）时，自动搜索并推荐社区中流行的现成技能。例如，当用户请求帮助编写邮件时，Claude会提示存在一个拥有73,000次安装量的成熟技能。在安装前，Claude会执行安全审计，确认来源可信且无恶意行为，并快照保存当前版本。这种方法将用户从“寻找技能”的认知负担中解放出来，由AI主动发现并验证高效工具。
"Actually, there is a skill for that with 73,000 installs... I've done a quick security audit and it's safe to install. It's not going to do anything uh dangerous."
技能生态与持续优化价值
作者强调，Claude的“Skill”本质上是长提示词（Long Prompt），类似于食谱，可在团队间共享或从互联网下载。虽然网络上的技能质量参差不齐（好坏参半），但可以通过skills.sh目录查看投票热度与安装量来筛选高质量工具。通过自动化发现机制，Claude不仅能加速工作完成速度，还能在后台不断积累上下文信息。这种持续的数据沉淀使得AI随着时间推移变得更加智能，形成良性循环。作者建议将此流程设置为每周五下午5点自动触发，整个过程仅需10分钟至1小时即可高效完成。
"This has not only like improved my own productive productivity, effectiveness, but it keeps making Claude smarter because it keeps gathering all this context."
技能审计与可靠性保障机制
在将 Claude 打造为高效协作者的过程中，技能的持续审计与验证是确保输出可靠性的核心环节。演讲者指出，虽然可以通过配置 claude.md 文件来强制 Claude 在安装新技能前进行自我审查，但没有任何技术手段能实现 100% 的绝对保证。具体的操作逻辑是：在指令文件中设定规则，当用户提及某个技能时，Claude 必须执行审计步骤。这种机制在实际运行中表现出极高的可靠性，大约能在 99% 的情况下触发审计流程。即便 Claude 偶尔出现遗忘或遗漏，这种反复的交互过程也能帮助用户养成“安装前必审计”的习惯，从而在长期使用中逐步提升对 AI 协作的信任度。演讲者强调，这种人机协同的纠错机制比单纯依赖 AI 的自我约束更为有效。
"I have added an instruction to claude.md that says whenever I mention a skill, you have to go and audit it... That probably works like 99 out of 100 times."
Claude Code 与 Cowork 的生态兼容性分析
关于开发工具的选择，演讲者明确表示其业务完全运行在 Claude Code 环境中，但强调所有演示的功能均兼容 Cowork。两者并非互斥关系，而是功能覆盖与体验差异的关系。Claude Code 提供了更底层、更强大的控制力，而 Cowork 则是在此基础上的更易用、非极客化的封装版本。演讲者指出，Claude Code 于去年十月推出并迅速成熟，而 Cowork 随后在次年一月至二月间发布。目前的功能演进趋势显示，Claude Code 中实现的能力通常会在几周或几个月后同步至 Cowork。因此，用户无需担心工具迁移问题，因为底层逻辑一致。对于习惯使用 OpenAI 的 Code Interpreter 的用户，也可以将文件夹导入 Cowork，所有上下文信息均可无缝保留。这种兼容性确保了用户可以根据自身技术熟练度自由选择界面层级，而不必牺牲功能完整性。
"Everything that's possible in cloud code, they seem to be adding to cool work a few weeks or months later. So, I think cloud code work is just giving you like everything C code but in a more accessible less sort of nerdy fashion."
多账户日历集成与跨平台连接方案
在解决具体技术痛点时，演讲者分享了关于多账户日历集成的局限性及解决方案。目前，连接单个邮箱地址时，Claude 可以读取该账户下的所有日历（包括个人默认日历及附属日历如泳池开放时间等）。然而，若用户拥有不同邮箱地址的工作账户和个人账户，目前仅支持连接其中一个。尽管存在这一限制，演讲者表示正在探索变通方案。此外，针对Granola 会议记录工具与 Cowork 的集成问题，演讲者提供了明确的解决方案：在连接器（Connectors）中搜索并安装 Granola Connector。该插件允许 Cowork 直接访问 Granola 中的所有会议转录文本和摘要，从而实现基于历史对话数据的智能回顾与总结。这一集成方案展示了如何通过插件生态扩展 AI 协作者的数据处理能力，使其能够跨平台整合碎片化信息。
"If you go into connectors and then search granola, it should be there."
AI 在教育领域的伦理边界与辅助价值
针对大学生担忧使用 Claude 会被惩罚的问题，演讲者从教育本质与辅助价值的角度进行了深度剖析。回顾其计算机科学求学经历，深夜面对难题时往往需要等待次日导师指导，效率极低。若当时拥有 AI 助手，Claude 可充当24/7 全天候、无限耐心的导师。演讲者认为，关键在于学生的自律性：若学生利用 AI 理解概念、突破思维瓶颈，则是极佳的学习工具；但若仅要求 AI 代写作业或解决问题，则违背了学习初衷。目前学校难以有效监管此类行为，但AI 的核心价值在于提供即时反馈与解释能力。对于有纪律的学生而言，这种随时可用的智能辅导资源将极大提升学习效率。演讲者暗示，未来的教育评估可能需要重新定义，以区分“利用 AI 辅助思考”与“依赖 AI 完成作业”的本质差异。
"Having Claude would effectively be like having an infinitely patient tutor 24/7 that could explain anything to you."
教育伦理与隐私数据保护机制
在探讨AI辅助学习的边界时，作者指出直接让模型代写作业（如“帮我写论文”）会导致学生无法真正掌握知识，甚至引发学术不端问题。他预测未来大学将与Anthropic及OpenAI合作开发教育专用版LLM，这类模型不会直接代劳，而是扮演教练或导师角色引导学生思考。针对用户最关心的数据安全与隐私问题，作者详细区分了不同订阅计划的数据处理政策：若使用团队版、商业版或企业版（Business/Enterprise Plan），Anthropic明确承诺不会利用用户数据进行模型训练。然而，对于个人版（Personal Plan）用户，默认设置下数据可能被用于改进模型。因此，作者强烈建议个人版用户在“Settings” -> “Privacy”中手动关闭“Allow Anthropic to train on my data”选项。作者以Google Drive类比，表示虽然信任平台存储文件的安全，但不希望个人信息被用于优化模型算法。这一设置能有效阻断数据训练流程，至于是否完全信任Anthropic处理运行中的数据，则属于各组织需自行评估的风险决策。
模型选择策略与性能权衡指南
在Claude的三个核心模型Haiku、Sonnet和Opus之间，作者基于自身每月200英镑的高级订阅计划，主要使用Opus模型并开启High Effort模式。他解释了三者的定位差异：Haiku如同短诗，速度快但智能程度最低且最便宜；Sonnet如十四行诗，速度与质量平衡良好；Opus则像长篇故事，是最全面、复杂且智能最高但速度较慢的模型。作者分享了自己的实测体验：Opus在High Effort下推理更深层，而Low Effort虽然极快但回答缺乏深度思考；Extra模式则过于缓慢。对于预算有限的团队用户（月费20-90英镑），若长期开启Opus极易触达速率限制。因此，作者建议普通用户若无额度压力首选Opus（Medium/High Effort）；若需控制成本或避免限速，则应转向Sonnet模型。作者评估认为Sonnet的性能约为Opus的90%，但具有显著的速度优势、更低的Token消耗及更高的性价比。在Sonnet上，他也推荐设置Medium或High Effort以获得更优的回答质量。
Claude Code与Cowork的场景化应用对比
关于Claude Code的使用，作者指出其界面类似Chat但更倾向于主动构建应用程序或网站，这有时与用户仅想讨论问题的需求不符。虽然通过终端（Terminal）使用Code是最快的方式，但他认为90%的用户其实并不需要Claude Code。对于大多数知识工作、自动化集成及文档处理，Cowork（协作空间）已足够覆盖需求。作者提供了明确的场景选择建议：若需执行多步骤项目、整理文档或构建内容，应使用Cowork；若仅需快速问答，则Chat更合适。随着用户建立“第二大脑”，将所有上下文文件存入Cowork或特定的Project文件夹中，能确保模型在后续交互中获得更丰富的背景信息，从而提供比新建空白对话更精准的回答。作者强调应专注于单一工作流（要么全用Chat Project，要么全用Cowork Folder），以积累上下文优势。最后提及他的加速器项目第三期即将开始，第四期预计于10月启动。
微软Copilot与Claude的对比现状
在当前的企业AI工具生态中，Microsoft Copilot 的技术成熟度明显落后于 Claude。许多用户反馈需要强制使用Copilot，但实际体验显示其在处理复杂任务时存在显著差距。有观点指出，“如果必须使用Copilot，我会极力游说公司转向Claude”（原文：I would been lobbying hard to try and get clawed）。尽管Copilot在部分大型企业中占据主导地位，但许多员工已将其作为研发测试工具，私下使用Claude进行个人工作邮件处理或项目预研，以验证其优越性。这种“影子IT”现象反映了用户对更强大AI代理的迫切需求。
对于仍受限于Copilot环境的用户，核心策略在于最大化上下文保留。与Claude类似，“任何代理拥有的关于你的背景信息越多，其回答质量就越高”（原文：the more context any agent has on you, the better its answers are going to be）。因此，建议用户寻找方法将关键背景信息保存在固定位置，避免每次交互都重复解释自身情况。虽然Copilot在功能深度上尚不及Claude，但上下文管理的逻辑是通用的。部分用户通过组建小型联盟，“联合起来游说公司采用Claude”（原文：get some friends together to lobby for Claude），以推动内部工具的升级。
Cowork中子代理（Sub-agents）的高效应用
在Claude的Cowork环境中，多任务并行处理通过子代理机制得以实现。用户常误以为只能顺序执行任务，但实际上，“Cowork可以同时启动10个子代理”（原文：co-work can spin up 10 sub agents at a time）。这一功能极大地提升了研究类任务的效率。例如，在进行竞争对手分析时，用户无需逐个调查，而是可以指令系统“启动10个子代理去研究这10家竞争对手”（原文：spin up 10 sub agents to go and research these 10 competitors）。这些子代理将并行工作而非顺序执行，从而大幅缩短调研周期。
这种架构允许用户从多个视角审视问题。虽然常见的建议是使用四个不同视角，但在大规模数据收集场景下，“你可以要求它使用子代理”（原文：please use sub agents）。这种并行处理能力是Cowork相较于传统单线程AI助手的核心优势之一。通过合理分配子代理，用户可以将复杂的分解任务转化为高度并行的工作流。这不仅适用于竞品分析，也广泛适用于需要多源信息整合的研究场景。掌握这一技巧意味着从“与AI对话”转变为“管理一个小型AI团队”。
关于Open Claw的安全性与后续资源
在讨论开源代理框架时，Open Claw的安全性虽有所提升但仍需谨慎。作者指出，“它比几个月前更安全了，但我仍在等待Anthropic为其构建特定功能”（原文：it's more secure than it was a few months ago but I'm still just waiting for anthropic to build the features of open claw）。Open Claw被描述为一种“略带风险的代理框架”（原文：slightly risky agent framework），适合高级用户进行实验，但不建议作为生产环境的首选。对于大多数寻求稳定性的企业或个人而言，“Claude仍然是更安全可靠的选择”（原文：I think it's much safer）。
为了帮助用户落地这些概念，作者承诺将发送一封包含所有技能链接、集成资源及加速器报名链接的综合邮件。为确保收件，用户需将作者邮箱 [email protected] 加入安全发件人列表。作者观察到，面对海量的AI教程和工作坊，“取得进展的人只是那些挤出时间尝试这些工具的人”（原文：the people who make progress are just the ones that like carve out time and just like make time to try this stuff out）。建议用户不必试图一次性掌握所有10项升级，而是从邮件中挑选两到三个功能，“在日历上安排时间进行设置”（原文：put something in your calendar to like go and set them up）。这种小步快跑、持续迭代的学习方式，比被动观看教程更能带来实际的效果提升。