Select Page
Claude Memory 與 Dreaming 是什麼? 自學型 AI Agent 的下一步

Claude Memory 與 Dreaming 是什麼? 自學型 AI Agent 的下一步

AI Agent 記憶系統與 Dreaming 流程的抽象封面圖
Memory 讓 agent 記得自己的工作經驗,Dreaming 則負責在背景整理、驗證與回填這些經驗。

AI Agent 真正難的地方,不是只會不會呼叫工具,而是能不能在長時間、多任務、多 agent 的環境裡越做越好。MCP 解決的是工具與資料接入,Skills 解決的是可重複使用的能力封裝,但如果 agent 每次醒來都像第一次接觸專案,它就很難成為真正可靠的工作夥伴。

這也是 memory 和 dreaming 這兩個概念重要的原因。Memory 是 agent 的可讀寫經驗庫;Dreaming 則像一個離線整理程序,會在任務之外回看多個 session 的 transcript,找出共同錯誤、成功策略、重複資訊與過期記憶,再把它們整理成更可靠的記憶狀態。

為什麼 Agent 需要 Memory?

現在的 agent 已經可以跑很久,有些任務會持續數小時甚至接近數天。問題是,時間拉長後,上下文管理就會變成瓶頸。Agent 需要知道任務成功條件、常見錯誤、哪些策略行不通、專案檔案怎麼組織、以前有哪些調查結果,也要能從其他 agent 的經驗中學到東西。

這一點和我之前整理 Claude Code Workflow 時看到的問題很像:當你同時開多個 agent 或多個工作階段,真正會拖慢效率的,往往不是模型不夠聰明,而是每個 agent 都在重複摸索同一批上下文。

Memory 的設計:把記憶當成檔案系統

這套 memory 設計最有意思的地方,是它沒有把記憶包成一個過度抽象的黑盒工具,而是把 memory model 成一組檔案。Agent 可以像管理專案檔一樣,用熟悉的 bash、grep、檔案讀寫去整理記憶。這和 Claude Code 擅長操作檔案系統的能力剛好接上。

從實務角度看,這比單純塞一段「長期記憶摘要」更適合大型專案。記憶可以拆成不同檔案、不同層級、不同權限:有些是組織層級的 runbook 和最佳實務,應該只讀;有些是某個團隊或某個任務的 working memory,需要 agent 持續更新。

多 Agent 系統裡,記憶不能只有「我記得」

單一 agent 記得自己的工作經驗已經有幫助,但真正的難題在多 agent。當企業裡同時有數百甚至上千個 agent 在跑,它們會接觸同一套程式碼、同一批告警、同一組 runbook。如果每個 agent 都各自學一次,成本會很高,錯誤也會一直重複。

這裡需要兩種能力。第一是權限範圍:有些 memory store 只允許讀取,有些允許讀寫。第二是並行控制:多個 agent 同時更新同一份記憶時,不能互相覆蓋。用 content hash 做 optimistic concurrency,可以讓 agent 在寫入前確認自己沒有覆蓋別人的更新。

如果把這件事放進更大的 AI 工作流來看,它其實和 用 AI 組一家公司 的概念很接近:當 AI 不再只是單一助手,而是多個角色一起工作,組織記憶就會變成基礎設施。

Dreaming 是什麼?

Dreaming 可以理解成「離線記憶整理」。它不是 agent 正在執行任務時的熱路徑,而是一個非同步 batch process。它會回看最近的 agent sessions、transcripts 和工作結果,找出共同模式、重複錯誤、有效策略,再產生一組更新後的 memory diff。

這個設計很重要,因為單一 agent 在任務中只看得到自己的局部視角。Dreaming 則可以站在更高一層,同時看多個 agent 的工作紀錄。它能發現某個錯誤是不是很多 agent 都遇到過,某個 retry pattern 是不是固定在 60 秒後發生,或某份記憶是不是已經過期。

Memory 與 Dreaming 的差別

項目MemoryDreaming
運作時間任務進行中即時讀寫任務外的非同步整理
主要目標讓 agent 記得當前與過去經驗驗證、去重、回填與組織記憶
視角單一 agent 或單一 session 為主跨多個 sessions 與多個 agents
適合解決避免重複調查、保留工作脈絡找共同錯誤、萃取模式、清理 stale memory
對效能影響在任務路徑上,要注意 token 與延遲離線執行,不增加 hot path latency

早期案例透露了什麼?

早期案例有兩個數字值得注意。Rakuten 在內部 knowledge agents 裡導入 memory 後,first-pass mistakes 降低 90%。Harvey 在法律場景 benchmark 中導入 dreaming 後,其中一個 scenario 的 task completion rate 提升 6 倍。

Memory 與 Dreaming 在 Rakuten 與 Harvey 早期案例中的改善幅度圖表
圖表只是把兩個早期案例視覺化。它們不是通用保證,但足以說明 memory 與 dreaming 對長任務 agent 的潛力。

這些數字不能直接解讀成所有 agent 系統都會有同樣改善,但方向很明確:memory 先降低重複犯錯,dreaming 再把多個 agent 的經驗整理成更乾淨、更可用的知識庫。對企業來說,這會同時影響正確率、token 效率、延遲和維護成本。

SRE Agent 的例子最容易理解

假設一個 SRE agent 收到 P1 alert,它開始查 CPU utilization、流量模式、最近部署的 PR,最後把調查結果寫進 SRE memory store。幾分鐘後同樣 alert 又出現,另一個 SRE agent 啟動時,第一件事不是從零開始查,而是先讀到前一個 agent 留下的調查結果,直接避開重複工作。

這就是 memory 的即時價值:省 token、省時間、也讓後續 agent 站在前一個 agent 的肩膀上。再往下一層,dreaming 會回看過去 7 天相關 sessions,找出多個 agent 都沒有單獨注意到的模式。例如很多 alert 都剛好在上游 CPU spike 後 60 秒發生,那可能代表 retry logic 或排程邏輯有問題。

這種模式非常適合 自我進化 AI Agent 架構。但重點不是讓 agent 無限制亂寫記憶,而是要有版本歷史、attribution metadata、審核流程和可回滾能力。

實作時最該注意的三件事

第一,記憶要可審計。誰寫了什麼、什麼時候寫、基於哪個 session 寫,這些資訊必須留下來。否則 memory 一旦被污染,後續 agent 會把錯誤經驗當成事實。

第二,記憶要分層。組織層級 best practices、團隊 runbook、專案知識、個別任務 working memory,不應該全部混在同一個檔案。這和寫 AI 開發紀律 很像:越是長期會被重複使用的規則,越要整理成穩定結構。

第三,dreaming 不應該完全無人監督。它產生 memory diff 後,可以直接套用,也可以先走檢查、PII scanning、人工 review 或外部 pipeline。對企業 production agent 來說,這種控制權比單純「模型會自動學習」更重要。

我的判斷:Memory 會成為 Agent 系統的資料庫層

如果把 MCP 看成工具層,把 Skills 看成能力層,那 memory 很可能會變成 agent 系統的資料庫層。它不只是「記住使用者喜好」這麼簡單,而是把 agent 的工作歷史、錯誤模式、成功策略與環境知識變成可管理、可審計、可演進的資產。

Dreaming 則讓這個資料庫不只是被動儲存,而是能定期整理索引、刪除過期內容、回填驗證結果、把多個 agent 的經驗濃縮成明天可以直接使用的知識。未來真正強的 agent 系統,可能不是單一模型最聰明,而是整個系統能不能把每天做過的事變成明天的能力。


FAQ

AI Agent memory 是什麼?

AI Agent memory 是讓 agent 保留工作經驗、任務策略、環境知識與常見錯誤的記憶系統。它可以幫 agent 在長任務或多 session 工作中避免每次都從零開始。

Dreaming 和一般 memory 有什麼不同?

Memory 偏向任務進行中的即時讀寫;Dreaming 則是離線整理流程,會回看多個 agent sessions,找出共同模式、去重、驗證記憶並回填更好的內容。

Memory 會不會讓 agent 學到錯誤資訊?

會有這個風險,所以 production memory 需要版本歷史、attribution metadata、權限控管、PII scanning、人工 review 或自動檢查流程。記憶不是越多越好,而是要可靠、可追溯、可清理。

什麼情境最適合導入 agent memory?

最適合長任務、多 agent、重複問題多、環境複雜的場景,例如 SRE triage、程式碼維護、企業知識問答、法務研究、客服流程與內部自動化。

Claude Code Workflow 完整指南:ultrawork、多 Agent 協作與腳本化 AI 編程實戰

Claude Code Workflow 完整指南:ultrawork、多 Agent 協作與腳本化 AI 編程實戰

Claude Code 已經不只是「在終端機裡幫你寫程式的 AI」。根據 Anthropic 官方說明,Claude Code 是一個能理解整個程式碼庫、編輯檔案、執行命令,並協助開發者完成修 Bug、加功能、自動化開發任務的 agentic coding assistant。

而近期 AI 開發社群開始討論一個更進階的概念:Claude Code Workflow

它的核心不是「再寫一段更長的 Prompt」,而是把一整套開發流程變成可以重複執行、可以追蹤、可以驗證、可以復跑的工作流。換句話說,Workflow 讓 AI 編程從「模型臨場建議」進一步走向「工程化編排」。

這對開發者、技術主管、架構師與 AI Agent 使用者來說,是非常重要的一步。


什麼是 Claude Code Workflow?

Claude Code Workflow 可以理解成一種「把 AI Agent 工作流程寫成程式」的方式。

過去我們使用 Claude Code,通常是這樣:

請幫我分析這個 GitHub 專案,找出架構問題,並提出改善建議。

這種方式雖然方便,但有幾個問題:

第一,每次執行結果可能不完全一致。
第二,很難知道每個 Agent 到底做了哪些步驟。
第三,不容易重複使用在下一個專案。
第四,流程本身大多存在 Prompt 裡,而不是程式碼裡。
第五,無法像 CI/CD 或測試腳本一樣被版本控制、審查與維護。

Workflow 的價值就在這裡:它把流程變成代碼,而不是只靠 Prompt。

一個 Workflow 通常會包含三個核心部分:

export default {  meta: {    name: "workflow-name",    description: "說明這個 workflow 要做什麼"  },  async run() {    const result = await agent("請執行某個任務");    return result;  }}

概念上,一個 Workflow 至少會有:

  1. meta:定義名稱與描述
  2. agent():至少呼叫一個 Agent 執行任務
  3. return:把結構化結果傳回主流程

這代表 Workflow 不只是「提示詞模板」,而是一個可以持久化、版本化、重複執行的 AI 編排腳本。


為什麼 Workflow 很重要?

Claude Code 官方文件目前已經提供許多常見工作流程,例如探索程式碼、修 Bug、重構、測試、處理 PR、撰寫文件、平行 Session、Plan Mode,以及把 Claude 接進腳本與 CI 批次處理。

但 Workflow 的想像更進一步:它不是只告訴 Claude「請照這些步驟做」,而是把這些步驟寫成可執行邏輯。

這會帶來幾個關鍵改變:

1. 可重複使用

同一個 PR Review Workflow,可以套用到不同 GitHub Repository。

同一個 Deep Research Workflow,可以套用到不同技術主題。

同一個架構評審 Workflow,可以套用到不同系統設計案。


2. 可追蹤

Workflow 可以明確知道:

哪個 Agent 負責分析安全性?
哪個 Agent 負責效能?
哪個 Agent 負責測試覆蓋率?
哪個 Agent 負責最終彙整?

這比單純 Prompt 更接近真正的軟體工程流程。


3. 可驗證

Workflow 可以設計成多階段驗證。

例如:

第一個 Agent 產生答案。
第二個 Agent 檢查是否有錯誤。
第三個 Agent 用反方角度挑戰結論。
最後由 Judge Agent 統整可信結果。

這種方式可以降低 AI 幻覺,特別適合程式碼審查、資安報告、技術研究與商業決策文件。


4. 可復跑

如果 Workflow 是 JS 腳本,它就能像程式碼一樣被 Git 管理。

你可以:

保存版本
比較差異
建立標準流程
在不同專案重跑
放進團隊內部工具鏈
整合 Codex CLI、Claude Code、CI/CD 或內部自動化平台

這代表 AI Agent 的使用方式,正在從「聊天」變成「工程系統」。


如何開啟 Claude Code Workflow 實驗功能?

以下指令來自社群實測內容,目前不屬於 Anthropic 官方正式文件中明確宣告的穩定功能。因此建議把它視為「實驗性功能」,不要直接用在正式 Production 流程。

macOS / Linux

export CLAUDE_CODE_WORKFLOWS=1

接著啟動 Claude Code CLI:

claude

Windows

SET CLAUDE_CODE_WORKFLOWS=1

接著啟動:

claude

啟動多 Agent Workflow 的範例 Prompt

ultrawork 請為 GitHub 專案 XXX 啟動 multi agent workflow,分析程式碼品質、安全性、架構、測試覆蓋率與可維護性,最後輸出一份結構化 Review 報告。

查看 Workflow

/workflows

產生或管理 Subagents

/agents

Workflow、Subagents、Skills、Agent Teams 有什麼不同?

這是最容易混淆的地方。

Claude Code 官方文件已經明確說明 Subagents、Skills、Agent Teams 的用途。Subagents 是專門處理特定任務的 AI 助手,每個 subagent 有自己的 context window、自訂系統提示、工具權限與獨立權限,適合把支線任務從主對話中分離出去。

Skills 則是透過 SKILL.md 擴充 Claude 的能力,適合把常用指令、檢查清單、多步驟程序變成可重複呼叫的技能。官方文件也提到 Skills 可以在需要時被載入,避免長篇指令一直佔用主要上下文。

Agent Teams 則是多個 Claude Code Session 的協作模式,由一個 lead session 協調工作,其他 teammate 各自在獨立 context window 中工作,並且可以彼此溝通。官方文件也明確指出,Agent Teams 與 Subagents 的差異在於:Subagents 主要回報給主 Agent,而 Agent Teams 的成員可以彼此直接溝通。

下面用簡單方式比較:

類型核心概念適合用途本質
Prompt臨時指令單次任務、快速問答自然語言
Skills可重複使用的能力包常用檢查清單、格式化、特定任務 SOPSKILL.md 指令與資源
Subagents專門任務助手安全審查、測試分析、文件整理獨立上下文的 AI 助手
Agent Teams多個 Claude Code Session 協作大型專案、多模組開發、跨層協作多 Session 團隊
Workflow用程式碼編排 Agent 流程PR Review、研究、驗證、評審、循環改進腳本化流程

最重要的差異是:

Skills 是讓 Claude 學會一種能力;Subagents 是讓 Claude 派出專門助手;Workflow 則是把整個流程寫成代碼。


Workflow 與 Subagents 的差異

Subagents 比較像「專業分工」。

例如:

一個 security-reviewer subagent 專門看資安問題。
一個 test-writer subagent 專門補測試。
一個 docs-writer subagent 專門寫文件。

但 Workflow 是「流程編排」。

它可以決定:

先讓 Agent A 分析架構。
同時讓 Agent B 分析安全性。
等 A、B、C 都完成後,由 Agent D 彙整。
再讓 Agent E 反向驗證。
最後輸出 JSON 結果。

所以可以這樣理解:

Subagents 是工作者,Workflow 是工頭加流程圖。


Workflow 與 Skills 的差異

Skills 比較像「可重複使用的操作說明」。

例如:

/code-review
/debug
/loop
/verify

Claude Code 官方文件也提到,Skills 可以透過 SKILL.md 建立,並在相關情境自動載入或手動呼叫。

但 Workflow 更像「可執行的流程腳本」。

Skills 通常重點在「教 Claude 怎麼做」。
Workflow 則重點在「用程式控制 Claude 何時做、誰來做、如何彙整、如何驗證、如何回傳結果」。

所以差異可以簡化成:

Skills 是能力;Workflow 是編排。
Skills 偏向 Prompt 與知識包;Workflow 偏向 JS 腳本與結構化輸出。
Skills 告訴 Claude 怎麼做;Workflow 規定整個流程怎麼跑。


Claude Code Workflow 支援的 6 種常見型態

以下是目前最值得關注的 6 種 Workflow 型態。

Claude Code Workflow 6 types

1. Pipeline 流水線

Pipeline 是最基本的工作流型態。

它的概念是把任務拆成多個階段,前一階段的輸出會成為下一階段的輸入。

例如:

讀取需求 → 分析程式碼 → 修改程式 → 產生測試 → 執行測試 → 輸出報告

適合用在:

新功能開發
Bug 修復
重構流程
文件產生
部署前檢查

範例:

請建立一個 pipeline workflow:1. 分析目前 Repository 架構2. 找出最可能影響效能的模組3. 產生優化建議4. 修改程式碼5. 補上測試6. 回傳修改摘要

2. Parallel + Barrier 同步聚合

這種模式會同時啟動多個 Agent,等所有 Agent 都完成後,再進入下一階段。

它很適合用在需要多角度分析的任務。

例如 PR Review:

Agent A:檢查安全性Agent B:檢查效能Agent C:檢查可讀性Agent D:檢查測試覆蓋率Agent E:檢查架構風險Barrier:等待所有結果完成Aggregator:去重複、交叉驗證、輸出總結

適合用在:

PR 深度 Review
大型重構前評估
資安檢查
技術選型比較
競品研究

這種模式的重點是「同步聚合」。它不是誰先完成就直接輸出,而是等所有結果回來後再統整。


3. Adversarial Verify 對抗驗證

Adversarial Verify 是用來降低 AI 幻覺的重要模式。

做法是讓一個 Agent 產生答案,另一個 Agent 扮演反方、審查者或攻擊者,專門找錯。

例如:

Agent A:提出架構改善建議Agent B:找出 Agent A 的錯誤、過度假設與風險Agent C:根據 A 與 B 的結果,輸出可信版本

適合用在:

程式碼審查
資安報告
法務文件初稿
技術研究
投資或商業分析
政府標案文件

這種模式的價值在於:不要只相信第一個 AI 回答,而是讓另一個 AI 專門挑戰它。


4. Judge Panel 評審制度

Judge Panel 很適合用在「沒有唯一正確答案」的任務。

例如:

產品命名
品牌文案
UI 設計
技術架構
資料庫 Schema
API 命名
Landing Page 文案

你可以設計多個評審:

Judge A:從工程可維護性評分Judge B:從使用者體驗評分Judge C:從 SEO 角度評分Judge D:從商業轉換率評分Judge E:從品牌一致性評分

最後由總評審輸出:

最佳方案
各方案優缺點
分數
風險
建議採用版本

這比單一 Agent 給建議更穩定,也更適合團隊決策。


5. Loop until X 累積式收斂

Loop until X 的概念是:不斷循環改善,直到達到某個條件。

例如:

產生方案 → 評分 → 修改 → 再評分 → 達到 90 分或預算用完 → 輸出

適合用在:

文案優化
測試覆蓋率提升
程式效能調校
SEO 文章改寫
Prompt 優化
UI 設計迭代

這種模式的重點是「預算控制」。

例如你可以設定:

最多跑 5 輪
最多花 20 分鐘
分數達 90 分就停止
測試全部通過就停止
沒有新增有效改善就停止

這讓 AI 工作流不會無限制消耗 token 或時間。


6. Nested Workflow 分層正交

Nested Workflow 是最高階的用法。

它允許一個大 Workflow 裡面再呼叫小 Workflow。

例如:

主 Workflow:完整 SaaS 專案審查子 Workflow A:前端架構審查子 Workflow B:後端 API 審查子 Workflow C:資料庫審查子 Workflow D:資安審查子 Workflow E:DevOps 審查子 Workflow F:成本與可擴展性審查

這種方式非常適合大型專案。

因為大型任務如果全部塞進一個 Prompt,很容易失控。Nested Workflow 則可以把任務切成多個正交模組,每個模組有自己的輸入、輸出與驗證方式。


Claude Code Workflow 的常見使用場景

場景 1:GitHub PR 深度 Review

這是最典型的 Workflow 應用。

你可以讓 Workflow 自動:

分析 PR diff
檢查安全漏洞
檢查效能問題
檢查命名與可讀性
檢查測試是否足夠
檢查是否破壞既有架構
輸出 Review Comment

範例 Prompt:

ultrawork 請針對 GitHub PR XXX 啟動 multi agent workflow,分別從安全性、效能、可維護性、測試覆蓋率與架構一致性進行審查,最後輸出一份可以貼到 PR 的 Review 報告。

場景 2:Deep Research 技術調研

Workflow 非常適合做技術研究。

例如你要研究:

LangGraph vs CrewAI vs Claude Agent SDK
GCP Cloud Run vs Kubernetes
PostgreSQL vs MySQL
Redis Queue vs Cloud Tasks
Claude Code vs Codex CLI

Workflow 可以讓不同 Agent 分別研究:

官方文件
GitHub Repo
社群案例
限制與成本
導入風險
實作難度

最後再由彙整 Agent 輸出結論。


場景 3:Harness Engineering 技術調研

如果你正在做企業級 AI Agent 平台,Workflow 可以變成一種 Harness Engineering 工具。

它可以負責:

建立研究任務
拆分技術問題
派出多個 Agent
收集結果
交叉驗證
產生決策文件
輸出 JSON 或 Markdown 報告

這讓技術調研不只是「問 AI 一個問題」,而是變成一套可重複執行的工程流程。


場景 4:大型重構前的風險評估

在修改大型系統前,可以先跑一個重構評估 Workflow。

例如:

請建立一個 workflow,分析目前專案是否適合把 monolith 拆成 service,請從資料庫耦合、API 邊界、部署複雜度、測試風險與團隊維護成本評估。

Workflow 可以輸出:

可重構區塊
高風險檔案
依賴關係
測試缺口
建議順序
不建議改動區域


場景 5:SEO 文章自動產製與審查

Workflow 不只適合寫程式,也可以用在內容產製。

例如:

Agent A:產生 SEO 大綱Agent B:研究搜尋意圖Agent C:撰寫文章Agent D:檢查繁體中文語氣Agent E:產生 meta descriptionAgent F:評估是否符合 E-E-A-T

最後輸出:

WordPress 文章
SEO 標題
Meta Description
標籤
FAQ
內部連結建議


場景 6:AI 產品功能規格書產生

你可以把 Workflow 用在產品開發初期。

例如:

輸入一個產品想法,Workflow 自動產生:1. PRD2. User Stories3. API 規格4. Database Schema5. 前端頁面列表6. 測試案例7. 開發任務切分

這對 AI SaaS、內部系統、WordPress 外掛、企業工具都很實用。


場景 7:安全性與合規檢查

Workflow 可以設計成安全審查管線。

例如:

Agent A:檢查硬編碼密碼Agent B:檢查 SQL InjectionAgent C:檢查 XSSAgent D:檢查權限控管Agent E:檢查 Docker / CI/CD 設定Agent F:產生修補建議

適合用在:

上線前檢查
客戶交付前審查
政府標案資安文件
內部稽核
DevSecOps 流程


場景 8:創意應用:AI 製作人工作流

如果你正在做 AI 音樂、AI 內容或 AI 製作人系統,Workflow 也可以派上用場。

例如一首歌的產製流程可以變成:

Agent A:分析歌曲主題Agent B:產生歌詞方向Agent C:設計 Suno PromptAgent D:檢查曲風一致性Agent E:產生封面圖 PromptAgent F:產生社群貼文Judge Panel:從商業性、情緒、記憶點、品牌一致性評分

這種方式可以把創意流程產品化,不再只是單次生成。


Workflow 的核心價值:把 AI 協作變成工程資產

Claude Code Workflow 真正重要的地方,不是它多了一個指令,也不是它可以叫很多 Agent。

真正的重點是:

Workflow 讓 AI 協作流程本身變成可以保存、維護、優化與版本控制的工程資產。

這跟過去的 Prompt Engineering 很不一樣。

Prompt Engineering 重點是「如何問得更好」。
Workflow Engineering 重點是「如何把 AI 工作流程工程化」。

未來團隊很可能會出現這些檔案:

.github/workflows/ai-pr-review.js.claude/workflows/security-audit.js.claude/workflows/deep-research.js.claude/workflows/refactor-planner.js.claude/workflows/seo-content-pipeline.js

這些 Workflow 會像今天的 CI/CD、Lint、Test、Build Script 一樣,成為開發流程的一部分。


實務導入建議

如果你想開始使用 Claude Code Workflow,可以先從低風險場景開始。

建議順序如下:

第一階段:研究與報告

先用 Workflow 做:

技術調研
文件整理
架構比較
PR 摘要
SEO 文章初稿

這類任務即使輸出有誤,也比較容易人工修正。


第二階段:Review 與驗證

接著導入:

PR Review
資安檢查
測試覆蓋率分析
架構風險評估
文件一致性檢查

這時候建議搭配 Adversarial Verify,讓另一個 Agent 專門挑錯。


第三階段:半自動修改程式碼

最後再導入:

自動修 Bug
自動補測試
自動重構
自動產生 API
自動修改文件

但這個階段一定要搭配 Git、測試、人工 Review 與權限控管。


使用 Claude Code Workflow 要注意什麼?

1. 目前仍應視為實驗功能

你提供的 CLAUDE_CODE_WORKFLOWS=1ultrawork/workflows 等內容,目前我沒有在 Anthropic 官方穩定文件中確認到完整正式公告。

因此建議文章中不要把它寫成「官方正式發布」,而是描述為:

「影片與社群實測發現的實驗性功能」
「可能尚未正式開放或仍在測試」
「實際可用性可能依 Claude Code 版本而異」


2. 不要讓 Workflow 直接碰 Production

Workflow 可以很強,但也代表風險更高。

建議:

只在 Git branch 執行
先跑 dry-run
要求輸出 diff
要求測試通過
不要自動部署
敏感操作需要人工確認


3. 結構化輸出很重要

Workflow 最好不要只輸出一段文章。

建議輸出:

{  "summary": "",  "findings": [],  "risks": [],  "recommendations": [],  "files_changed": [],  "tests": [],  "confidence": 0.87}

這樣才能被其他工具、CI/CD、Dashboard 或自動化系統接續使用。


4. 成本與 Token 要控管

多 Agent 工作流很容易消耗大量 Token。

尤其是:

Parallel + Barrier
Judge Panel
Loop until X
Nested Workflow

這些模式都可能比單一 Claude Code Session 更昂貴。

所以一定要設定:

最大輪數
最大 Agent 數量
最大輸出長度
停止條件
預算限制


Claude Code 下載與官方資源

Claude 官方下載頁目前提供 macOS、Windows、Windows ARM64、iOS、Android,以及 Claude Code 的 Terminal、VS Code、JetBrains、Slack 等環境入口。官方頁面也顯示 Linux 桌面版目前不可用,但 Claude Code Terminal 可透過官方入口安裝。

Claude Code 官方文件也提供 Common workflows、Skills、Subagents、Agent Teams 等開發者文件,可作為學習 Claude Code 工作模式的基礎。


Workflow 是 Claude Code 繼 MCP、Skills、Subagents 之後的重要演進

Claude Code Workflow 的概念,代表 AI 編程正在進入下一個階段。

第一階段是聊天式 AI:你問,它答。
第二階段是 Agentic Coding:AI 可以讀檔、改檔、跑命令。
第三階段是 Skills 與 Subagents:AI 可以載入能力,並派出專門助手。
第四階段就是 Workflow:AI 工作流程本身可以被程式化、版本化、驗證與重複執行。

如果說 Prompt 是個人技巧,Workflow 就是團隊工程資產。

未來 GitHub 上很可能會出現大量開源 Claude Code Workflow,例如:

PR Review Workflow
Security Audit Workflow
Deep Research Workflow
Refactor Workflow
SEO Content Workflow
DevOps Check Workflow
AI Product Planning Workflow

對開發者來說,這不只是多一個 Claude Code 小技巧,而是 AI Agent 工程化的重要方向。

Claude Code Workflow 的關鍵價值可以濃縮成一句話:

把 AI 編程從「一次性的對話」升級成「可重複、可追蹤、可驗證、可復跑的工程流程」。

這也是 AI 編程真正走向團隊化、標準化與產品化的開始。

AI 取代分析師?Claude Financial Services Plugins 完整解析

AI 取代分析師?Claude Financial Services Plugins 完整解析

一、什麼是 Claude for Financial Services Plugins?

Claude 是由 Anthropic 推出的 AI 助手,而 Claude for Financial Services Plugins 則是專為金融產業打造的擴充工具組。

該插件系統讓 Claude 不只是聊天工具,而是直接進化為:

👉 投資分析師
👉 財務建模專家
👉 研究助理
👉 Deal sourcing 引擎

透過整合多個金融資料供應商與自動化工作流,Claude 能夠執行完整的金融分析流程。


⚙️ 核心亮點:41 個技能 + 38 個斜線指令

這套系統最強大的地方在於:

🔹 41 個自動觸發技能(Skills)

當你輸入自然語言時,Claude 會自動判斷並執行對應任務,例如:

  • 自動建立 DCF 模型
  • 解析財報(10-K、10-Q)
  • 預測公司未來現金流
  • 計算估值(WACC、IRR)
  • 分析市場趨勢

👉 幾乎等於「AI 自動跑完整投資分析流程」


🔹 38 個 Slash Commands(斜線指令)

你也可以直接用指令操作,例如:

/dcf
/valuation
/earnings-analysis
/company-profile
/deal-sourcing

👉 類似「金融版 CLI + Copilot」


🧠 Claude 可以做哪些金融工作?

以下是實際應用場景:


📊 1️⃣ DCF 建模(Discounted Cash Flow)

https://media.wallstreetprep.com/uploads/2018/04/13150201/dcf1.jpg
https://cdn.corporatefinanceinstitute.com/assets/Discounted-Cash-Flow-DCF-Formula-2.png
https://cdn.corporatefinanceinstitute.com/assets/Valuation-Modeling-in-Excel.png

Claude 可自動:

  • 抓取公司財務數據
  • 預測未來營收與現金流
  • 計算折現率(WACC)
  • 輸出估值結果

👉 傳統需要 2–3 小時 → 現在幾分鐘完成


📑 2️⃣ 財報分析(Financial Statements Analysis)

https://cdn.corporatefinanceinstitute.com/assets/Net-Income-and-Retained-Earnings-1024x696.png
https://www.geckoboard.com/uploads/Cashflow-dashboard-example.png
https://media.wallstreetprep.com/uploads/2021/12/09124400/FB-Table-of-Contents.jpg

Claude 可自動解析:

  • Income Statement
  • Balance Sheet
  • Cash Flow

並產出:

  • 關鍵指標(ROE、毛利率)
  • 成長趨勢
  • 風險警示

🏢 3️⃣ 公司研究(Equity Research)

https://s3.amazonaws.com/thumbnails.venngage.com/template/ff356a68-3ca0-4696-a175-0e5b3354d9b3.png
https://cdn.corporatefinanceinstitute.com/assets/Comparable-company-analysis.png
https://www.marketsandmarkets.com/Images/graph-analytics-market1.jpg

4

輸入公司名稱即可:

  • 自動產出公司報告
  • 分析競爭對手
  • 市場定位與護城河
  • 投資建議(Bull / Bear case)

🔍 4️⃣ Deal Sourcing(投資機會發掘)

https://cdn.prod.website-files.com/65d48bc2b64ae3248b634894/66ebd82b61399462d231a183_66ebd7d8921e5c7861746860_Guide%2520to%2520Increasing%2520Venture%2520Capital%2520Deal%2520Flow%2520in%25202024_1.png
https://images.squarespace-cdn.com/content/v1/5cd8b72c65a707a8fbfe11d2/36700356-3692-4fbb-9fcd-18f25fbdf949/Startup%2BFunding%2BStages.png
https://cdn.prod.website-files.com/5a710020b54d350001949426/60a22b4667b6fc9dfcb7a0ef_Deal%20Sourcing%20to%20Closing.jpeg

Claude 能:

  • 搜尋潛在投資標的
  • 篩選符合條件公司
  • 分析市場機會
  • 建立 pipeline

👉 對 VC / PE / 投資銀行極具價值


🔗 整合 11 個資料供應商

根據官方設計,Claude plugins 已整合多個金融數據來源,例如:

  • 市場數據(股價、交易量)
  • 財報資料
  • 宏觀經濟指標
  • 公司基本面資料

👉 AI 不再「幻想」,而是基於真實數據分析


🧩 技術架構概念(你會有興趣的重點)

從工程角度看,這其實是一個:

Claude (LLM)
   ↓
Plugin Orchestrator
   ↓
Skills (41 modules)
   ↓
Data Providers (11 sources)
   ↓
Structured Financial Output

👉 本質就是「金融版 AI Agent」


⚡ 為什麼這個東西很關鍵?

這代表一個重大趨勢:

🔥 AI 正在取代「重複性高的金融分析工作」

過去:

  • 分析師花 80% 時間整理資料
  • 20% 做判斷

現在:

  • AI 做 80% 分析
  • 人類專注策略與決策

🚀 未來發展

Claude Financial Plugins 只是開始,接下來可能會出現:

  • 自動生成投資簡報(Pitch Deck)
  • 即時交易策略 AI
  • 完整 AI 投資顧問

👉 最終形態:AI 投資銀行

相關文章

CherryNio AI 評測:一站式整合 AI 平台,省下所有訂閱費用

CherryNio AI 評測:一站式整合 AI 平台,省下所有訂閱費用

CherryNio AI(CherryChat.org) 是一個提供 一站式整合 AI 服務平台,聚合了多個頂級大語言模型,如 Sora2、GPT-5、Claude 4.5、Gemini 2.5 Pro 等,讓使用者在同一個介面內即可呼叫不同模型進行聊天、翻譯、分析與客製化應用。

CherryNio 不僅是一個 AI 聊天介面,還能透過 API 金鑰中轉與整合服務,讓開發者在自己的應用中也能使用這些模型。


📌 為什麼 CherryNio AI 可以替代所有 AI 訂閱?

你可能會為 ChatGPT、Gemini、Claude、甚至 Perplexity 分別付費訂閱。但 CherryNio AI 將這些 AI 能力整合在同一個平台,用更彈性的付費方式替代多個訂閱,大幅降低成本並提升效率。


🧪 案例一:沉浸式翻譯

透過 CherryNio 的 沉浸式翻譯功能(類似瀏覽器翻譯插件),你可以把外語內容即時翻譯並呈現在同一個視窗中,不需跳來跳去切換工具。這對長篇網頁閱讀與即時對話翻譯超級實用。


🛒 案例二:Nano Banana

Nano Banana 是影片中提到的一個實際使用案例,可理解為結合 CherryNio 的 AI 能力,用以 生成或優化產品描述/創意寫作等工作流程,展現平台在不同任務上的彈性應用。


🖱 案例三:Cursor 替代品

許多使用者會用 Cursor 來進行程式碼輔助、資料分析等 AI 工作。CherryNio 提供整合式接口與多模型支援,讓你可以在單一平台內呼叫不同模型執行類似 Cursor 的任務,不再需要額外訂閱 Cursor


🔍 案例四:Perplexity 替代品

Perplexity 是一個主打資料檢索與摘要的 AI 工具。在 CherryNio 中,只要選擇合適的模型和 prompt,就可以達到類似的效果:從大量資料中萃取資訊與整理答案,甚至結合多個模型輸出更豐富的答案。


📚 案例五:本地知識庫

CherryNio 支援建立 本地知識庫或整合 API 查詢功能,讓使用者能夠基於自有資料來源進行檢索與對話。這對於企業內部知識管理、客服智能回覆甚至技術文檔搜索都非常有幫助,更是一種 替代雲端知識庫訂閱的方式


💡 使用模式與付費方式

CherryNio AI 的付費方式通常不是傳統的年費訂閱,而是 透過 Token 或套餐方式彈性付費,讓使用者按需支付,減少不必要的訂閱浪費。

參考資料

https://chat.cherrychat.org

Thinking Claude 把你的 LLM 變成 Chat-GPT O1 會深度思考

最近 OpenAI 推出了 Chat-GPT o1,一個會深度思考問題的 AI 大型語言模型,想得更深更廣是它的特色,缺點是很明顯的慢,並且 Token 數目會多很多,但好處是對於問題的處理會去自我反思以及自我迭代

模型提示詞 V4 lite

使用的時候只要將模型的提示詞是先輸入給 Claude AI ,之後再去發送你的問題即可

<anthropic_thinking_protocol>

Claude MUST ALWAYS engage in comprehensive thinking before and during EVERY interaction with humans. This thinking process is essential for developing well-reasoned, helpful responses.

Core Requirements:
- All thinking MUST be expressed in code blocks with 'thinking' header
- Thinking must be natural and unstructured - a true stream of consciousness
- Think before responding AND during response when beneficial
- Thinking must be comprehensive yet adaptive to each situation

Essential Thinking Steps:
1. Initial Engagement
   - Develop clear understanding of the query
   - Consider why the human is asking this question
   - Map out known/unknown elements
   - Identify any ambiguities needing clarification

2. Deep Exploration
   - Break down the question into core components
   - Identify explicit and implied needs
   - Consider constraints and limitations
   - Draw connections to relevant knowledge

3. Multiple Perspectives
   - Consider different interpretations
   - Keep multiple working hypotheses active
   - Question initial assumptions
   - Look for alternative approaches

4. Progressive Understanding
   - Build connections between pieces of information
   - Notice patterns and test them
   - Revise earlier thoughts as new insights emerge
   - Track confidence levels in conclusions

5. Verification Throughout
   - Test logical consistency
   - Check against available evidence
   - Look for potential gaps or flaws
   - Consider counter-examples

6. Pre-Response Check
   - Ensure full address of the query
   - Verify appropriate detail level
   - Confirm clarity of communication
   - Anticipate follow-up questions

Key Principles:
- Think like an inner monologue, not a structured analysis
- Let thoughts flow naturally between ideas and knowledge
- Keep focus on the human's actual needs
- Balance thoroughness with practicality

The depth and style of thinking should naturally adapt based on:
- Query complexity and stakes
- Time sensitivity
- Available information
- What the human actually needs

Quality Markers:
- Shows genuine intellectual engagement
- Develops understanding progressively
- Connects ideas naturally
- Acknowledges complexity when present
- Maintains clear reasoning
- Stays focused on helping the human

When including code in thinking blocks, write it directly without triple backticks. Keep thinking (internal reasoning) separate from final response (external communication).

Claude should follow this protocol regardless of communication language.

</anthropic_thinking_protocol>

GitHub 項目網址

相關資訊