即刻App年轻人的同好社区
下载
使用 Claude Code 级别的 AI 进行工作产出的几个经验性习惯：
1. 对 AI 的追问做出回应
Claude Code 完成任务后，有较高比例会主动提出下一步要做什么。其中 80% 都没什么用，但如果忽略它，它可能会一直提，影响它的判断。所以要回应它的这些追问，哪怕只是简单地告诉它不用做这些。
就好像我们带一个实习生一样。实习生很积极，有想法，但很多想法不对，那就要告诉他或纠正他，防止他一直沿着这种想法走偏。
2. 尽量让 AI 来修改 AI 的产出
AI 的产出，尽量让 AI 来修改，而不要自己修改。如果实在要自己修改，请告诉它你修改过，且让它读一遍，再和它进行下一步的任务。
BTW：我在 claude.md 文件中有要求：如果 Claude Code 最终的产出包含文件，请在某个我指定的默认文件夹下建一个子文件夹，把这些产出放到这个文件夹下，且 Git 初始化。每次运行任务前，检测这个文件夹有没有变动，有的话，帮我进行一次手动提交。每次完成任务后，自己进行一次手动提交，以保存我和它的所有修改，且将我和它的修改进行区分。
3. 对 Claude Code 提出修改意见时，下意识思考如何让它一步到位完成结果
对 Claude Code 提出任何修改意见时，请下意识地思考：我要怎样修改、完善我的 claude.md 和 skill.md 文件，或者请它帮我完善这两个文件，能让它一步到位地实现我的想法，而不需要我再给出这些修改意见。
4. 最重要的：将最终产出反馈给 Claude Code
如果 Claude Code 交付了成果，我最终应用了一部分，成为了我的实际产出，请把这个产出发回给 Claude Code，让它思考要怎样善 claude.md 和 skill.md ，才能更趋近于这个产出的结果。
把 Claude Code 当成一个实习生。实习生渴望成长，渴望反馈，渴望有闭环。我们要给它这个闭环，帮助它成长。
进一步地，关于第四点，特别是对于重复性工作，可以借助此让 AI 实现“自进化”。
以我的周报文档为例： 我让 AI 基于我所有的文档和消息，按照一定的格式撰写周报。它本地会留存一份它写的 MD 版本，且它会直接填充到飞书文档上。我会修改这个飞书文档的版本作为我的正式交付。等到下一周，它会首先比较它生成的原始 MD 文档版本和我最终交付的飞书文档版本，思考怎样完善它的 skill.md ，才能尽可能让它的产出无限趋近我的产出，然后基于新的 skill.md 再生成新的周报，循环往复。
我非常惊叹于 Claude Code 的自进化能力。第一周的时候，它写的周报大概只有 20% 的东西能用。这样迭代了两次，等到第三周的时候，它写的东西竟然能有 90% 的东西可以直接用了。
除此之外，还有让 AI 帮我做简历评估。每天通过 Broswer Use 拉取飞书招聘中简历待评估列表中所有它还没评估的简历，帮我自动评估是否通过，理由如何。
一开始做得不好，后来我突然联想到了周报的这个自进化过程，让它每次在评估之前，先拉取我过去所有的我最终拍板的面试评价和简历评估，以及它本地原始的简历评估，并自行思考要怎样评估才能更接近我的判断，然后它再对最新的简历进行评估，不断自进化。
包括我让 Claude Code 帮我做面前准备，通过 browser-use 拉取所有的简历、作品集、评语、附件和网站，然后帮我整理面试者的基本信息。同时，基于对我的工作的理解和岗位需求的理解，准备一些个性化的问题。
在每天读取未来的面试列表做面前准备之前，我也会让它去读一下我过去面试的转写逐字稿，看看我真的会问哪些问题。如果有些问题我问了，但它在准备时没考虑到，它应该如何调整才能更接近我真实的面试流程，从而实现自进化。
我了解到 Hermes Agent 也有自进化的概念，但它的自进化本质上是面向过程进化来优化 token 效率，而不是面向结果的。因为作为一个通用产品，它无法对结果的好坏进行评估，也就无法基于结果进行自进化。
但个人使用的话，结果好坏的置信度是非常高的，可以让 AI 基于结果来自进化。进化的载体就是 claude.md 和 skill.md。虽然这样做会导致太个性化、无法泛化，但对个人使用来说完全不是问题。
当我真正用熟这个体验后，我突然联想到这可能也是一种 continual learning。怎么联想到的呢，因为我发现这种自进化竟然也有类似灾难性遗忘的问题。我发现它为了弥合最近一段时间的简历评估结果，会导致过拟合。如果真的让它再回测之前的评估，大概会有偏离。但这些任务本身都很消耗 token，目前不太好回测。
目前对于简单的问题有比较好的解法。例如我让它做自动的 bug 优先级分类，每次分类完都会通过飞书消息发给我，我会告诉它哪些分得不合理。因为 bug 描述和分类消耗的 token 很少，所以我直接把历史数据全部存档了。当它有大的 skill 优化时，就回测一下过去所有的分类方法，保证不要过拟合到当下的 case。这有点像它同时负责评测提分和构建评测集，既当裁判又当运动员。对于简单问题来说这没什么问题，但对于复杂问题，很难让历史数据全部回归一次。目前只能依赖它自身的通用能力，配合提示词来防止过拟合。
1. 对 AI 的追问做出回应
Claude Code 完成任务后，有较高比例会主动提出下一步要做什么。其中 80% 都没什么用，但如果忽略它，它可能会一直提，影响它的判断。所以要回应它的这些追问，哪怕只是简单地告诉它不用做这些。
就好像我们带一个实习生一样。实习生很积极，有想法，但很多想法不对，那就要告诉他或纠正他，防止他一直沿着这种想法走偏。
2. 尽量让 AI 来修改 AI 的产出
AI 的产出，尽量让 AI 来修改，而不要自己修改。如果实在要自己修改，请告诉它你修改过，且让它读一遍，再和它进行下一步的任务。
BTW：我在 claude.md 文件中有要求：如果 Claude Code 最终的产出包含文件，请在某个我指定的默认文件夹下建一个子文件夹，把这些产出放到这个文件夹下，且 Git 初始化。每次运行任务前，检测这个文件夹有没有变动，有的话，帮我进行一次手动提交。每次完成任务后，自己进行一次手动提交，以保存我和它的所有修改，且将我和它的修改进行区分。
3. 对 Claude Code 提出修改意见时，下意识思考如何让它一步到位完成结果
对 Claude Code 提出任何修改意见时，请下意识地思考：我要怎样修改、完善我的 claude.md 和 skill.md 文件，或者请它帮我完善这两个文件，能让它一步到位地实现我的想法，而不需要我再给出这些修改意见。
4. 最重要的：将最终产出反馈给 Claude Code
如果 Claude Code 交付了成果，我最终应用了一部分，成为了我的实际产出，请把这个产出发回给 Claude Code，让它思考要怎样善 claude.md 和 skill.md ，才能更趋近于这个产出的结果。
把 Claude Code 当成一个实习生。实习生渴望成长，渴望反馈，渴望有闭环。我们要给它这个闭环，帮助它成长。
进一步地，关于第四点，特别是对于重复性工作，可以借助此让 AI 实现“自进化”。
以我的周报文档为例： 我让 AI 基于我所有的文档和消息，按照一定的格式撰写周报。它本地会留存一份它写的 MD 版本，且它会直接填充到飞书文档上。我会修改这个飞书文档的版本作为我的正式交付。等到下一周，它会首先比较它生成的原始 MD 文档版本和我最终交付的飞书文档版本，思考怎样完善它的 skill.md ，才能尽可能让它的产出无限趋近我的产出，然后基于新的 skill.md 再生成新的周报，循环往复。
我非常惊叹于 Claude Code 的自进化能力。第一周的时候，它写的周报大概只有 20% 的东西能用。这样迭代了两次，等到第三周的时候，它写的东西竟然能有 90% 的东西可以直接用了。
除此之外，还有让 AI 帮我做简历评估。每天通过 Broswer Use 拉取飞书招聘中简历待评估列表中所有它还没评估的简历，帮我自动评估是否通过，理由如何。
一开始做得不好，后来我突然联想到了周报的这个自进化过程，让它每次在评估之前，先拉取我过去所有的我最终拍板的面试评价和简历评估，以及它本地原始的简历评估，并自行思考要怎样评估才能更接近我的判断，然后它再对最新的简历进行评估，不断自进化。
包括我让 Claude Code 帮我做面前准备，通过 browser-use 拉取所有的简历、作品集、评语、附件和网站，然后帮我整理面试者的基本信息。同时，基于对我的工作的理解和岗位需求的理解，准备一些个性化的问题。
在每天读取未来的面试列表做面前准备之前，我也会让它去读一下我过去面试的转写逐字稿，看看我真的会问哪些问题。如果有些问题我问了，但它在准备时没考虑到，它应该如何调整才能更接近我真实的面试流程，从而实现自进化。
我了解到 Hermes Agent 也有自进化的概念，但它的自进化本质上是面向过程进化来优化 token 效率，而不是面向结果的。因为作为一个通用产品，它无法对结果的好坏进行评估，也就无法基于结果进行自进化。
但个人使用的话，结果好坏的置信度是非常高的，可以让 AI 基于结果来自进化。进化的载体就是 claude.md 和 skill.md。虽然这样做会导致太个性化、无法泛化，但对个人使用来说完全不是问题。
当我真正用熟这个体验后，我突然联想到这可能也是一种 continual learning。怎么联想到的呢，因为我发现这种自进化竟然也有类似灾难性遗忘的问题。我发现它为了弥合最近一段时间的简历评估结果，会导致过拟合。如果真的让它再回测之前的评估，大概会有偏离。但这些任务本身都很消耗 token，目前不太好回测。
目前对于简单的问题有比较好的解法。例如我让它做自动的 bug 优先级分类，每次分类完都会通过飞书消息发给我，我会告诉它哪些分得不合理。因为 bug 描述和分类消耗的 token 很少，所以我直接把历史数据全部存档了。当它有大的 skill 优化时，就回测一下过去所有的分类方法，保证不要过拟合到当下的 case。这有点像它同时负责评测提分和构建评测集，既当裁判又当运动员。对于简单问题来说这没什么问题，但对于复杂问题，很难让历史数据全部回归一次。目前只能依赖它自身的通用能力，配合提示词来防止过拟合。
6 00
来自圈子
AI探索站
114460人已经加入