同事都在用AI做事?Claude Cowork完整教學,教你一步步打造AI Agent超強工作流
同事都在用AI做事?Claude Cowork完整教學,教你一步步打造AI Agent超強工作流

一則在 Threads 上瘋傳的回覆,讓許多對 AI 工具感到茫然的工作者看見了出路。

用戶 shenzhixiong16 在平台上問:「常聽到同事炫耀工作都用 AI 做多輕鬆,不像我常被嫌工作做太慢、報告都沒有整理好……」帳號 @edgeless.blade 的回覆只有兩句話:「辦一個 Claude 20 美元方案,下載 Claude Cowork app,把這些文字複製貼上,希望你也能開始解放大部分工作瑣事。」附上的,是一份完整的六步驟設定提示詞。

而本文除了整理 @edgeless.blade 的六步驟設定流程,也參考了 X 平台帳號 @heynavtoor 發表的「17個讓 Claude Cowork 強大100倍的最佳實踐」一文,在各步驟中補充了更進階的工作視角,讓你不只知道怎麼做,更能理解背後的原理。

大多數人怎麼用 Claude,和這套方法哪裡不同?

一般人打開 Claude,直接輸入「幫我寫一份會議紀錄。」Claude 會回答,但每次對話結束,它就忘記你是誰。下一次開啟,又要重新解釋。

本文這套方法的核心差異在於:讓 AI 在你的電腦上建立一個有記憶的工作資料夾。所有個人偏好、專案進度、輸出格式規則都存成本地檔案,每次對話開始時 Claude 自動讀取,不需要你每次重新說明。 這不是讓 AI「更聰明」,而是讓 AI「記得你」。

X 平台的 @heynavtoor 用一句話點出了更本質的差異:大多數人把時間花在優化提示詞,這套方法是在建立系統。

提示詞工程是每次對話都在教 Claude 你是誰;系統工程是花一次時間設定好,之後每次對話 Claude 都已經知道你是誰。兩者投入的時間相同,但後者的效益會隨使用頻率複利累積。

前置準備:兩件事要先做好

  1. 訂閱 Claude Pro 方案

前往 claude.ai,升級至 Pro 方案,月費為 20 美元(約台幣 650 元)。免費版不支援 Claude Cowork 所需的完整工具呼叫功能。

  1. 下載並安裝 Claude Cowork

Claude Cowork 是 Anthropic 官方推出的桌面應用程式,支援 macOS 與 Windows。前往 claude.ai/download 下載安裝後,以你的 Claude Pro 帳號登入。

六步驟完成設定

以下每一步,將指令複製貼入 Claude Cowork 之後,等 Claude 完成回報再進行下一步。

步驟一:授權工作資料夾

Claude Cowork 與一般網頁版 Claude 最大的不同,在於它可以取得你電腦上指定資料夾的讀寫權限。這個步驟就是給 AI 畫定「工作範圍」,這個範圍內的檔案,AI 可以讀寫;範圍外的,一概不會碰。

複製以下指令,貼入 Claude Cowork 送出:

請呼叫 request_cowork_directory 工具,然後用以下說明引導我選擇資料夾:

我需要一個資料夾作為我們的工作空間。之後所有 AI 幫你做的文件、你的個人設定、專案檔案都會放在這裡。

建議做法:在桌面新建一個叫 Claude-workspace 的資料夾,然後選它。

AI 只會在這個資料夾裡面工作,不會碰電腦上的其他東西。選好之後告訴我。

之後 Claude 會在桌面新建一個叫 Claude-workspace 的資料夾,完成後就進行下一步。

步驟二:建立資料夾結構

有了工作空間之後,需要建立三個子資料夾,讓東西有地方放。_context/ 存你跟 AI 相關的所有設定,projects/ 存各個專案的檔案,outputs/ 存一次性產出的成品。

指令很簡單:

請在我剛選的工作資料夾裡,建立以下三個子資料夾:

_context/
projects/
outputs/

建好後告訴我。

步驟三:建立兩個記憶檔

注意!這是整套設定最重要的一步。

about-me.md 是 AI 每次對話開始都會讀的「認識你」檔案;lessons-learned.md 則記錄 AI 協作過程中累積的教訓。這兩個檔案存在,Claude 下次開話時就不是對你一無所知的陌生助理了。

@heynavtoor 對這個步驟有個重要補充:context 檔案的價值會隨時間複利累積。你今天花五分鐘認真填寫的 about-me.md,六個月後的每一次對話都會因為這五分鐘而更準確。lessons-learned.md 也是如此,每次 Claude 幫你做錯一件事,你把這個教訓加進去,下一個月起所有對話都不會再犯同樣的錯。這個系統的回報不是線性的,是指數的。

請在 _context/ 裡建立以下兩個檔案,內容完全照抄:

檔案 1 — _context/about-me.md

# 關於我

> 這是 AI 每次對話都會讀的「認識你」檔案。
> 以下是範例內容,請把它改成你自己的資訊。
> 不確定要寫什麼的項目可以先留著,之後隨時補。

## 基本資料
- 稱呼:小明
- 慣用語言:繁體中文
- 職業 / 角色:行銷企劃

## 我目前在忙的事
- 公司的社群經營(Instagram、Threads)
- 每週要交一份市場分析報告
- 正在自學英文,每週上兩次線上課

## 我的工作偏好
- 不喜歡太長的廢話,直接給我答案和重點
- 輸出的文件一律用繁體中文
- 條列式比一大段文字好讀
- 做報告時幫我附上資料來源

## 其他備注
- 我不太懂技術,請用白話解釋,不要丟一堆專業術語
- 如果要下載或安裝什麼東西,先跟我說是什麼、安不安全

檔案 2 — _context/lessons-learned.md

# AI 學到的教訓

> 這個檔案記錄 AI 在幫你工作時犯過的錯、學到的偏好。
> 一開始是空的,之後會慢慢累積。你不用手動管理它。

## 核心通病提醒(預設)
1. 遇到不確定就問,不要猜
2. 動手之前先看清楚現場有什麼
3. 覆蓋 = 刪除,覆蓋前必須先問

## 教訓記錄
| # | 日期 | 主題 | 學到什麼 |
|---|------|------|----------|
| — | — | (目前還沒有記錄) | — |

建立完成後告訴我。

Claude 建好這兩個檔案後,用文字編輯器打開 _context/about-me.md,把範本內容改成你自己的真實資訊。

再強調一次,這是整套系統能否真正「記住你」的關鍵,填得越具體效果越好。

步驟四:設定輸出格式

Claude Cowork 預設產出的文件格式不一定符合你的喜好。這一步就是寫入一份「輸出規格說明書」,讓每次 AI 產出文件之前先讀它。

以下將輸出風格設為乾淨的 GitHub 文件閱讀器風格(白色背景、深色文字、無小紅點)。

請在 _context/ 裡建立 rules/ 子資料夾,然後在裡面建立以下檔案:

檔案 — _context/rules/html-preferences.md

# HTML 輸出偏好

Markdown 完成後,用同樣的內容產出一份 HTML 檔案,讓使用者可以在瀏覽器中舒服地閱讀。

## 風格要求:模擬 Markdown 閱讀器
- 白色背景、深色文字,沒有花俏的卡片、色塊、或彩色 UI 元件
- 標題用原生的 h1 h2 h3,不要加背景色或圖標
- 引用用左邊灰色豎線 + 淺灰底色,不要用彩色卡片
- 表格簡潔乾淨,細邊框即可
- 整體最大寬度 720px,居中,行距 1.75,字體用 Noto Sans TC 或 -apple-system
- 不需要 JavaScript

建立完成後告訴我。

步驟五:寫入 AI 工作守則

CLAUDE.md 是這套系統的核心。它放在工作空間根目錄,專門用來規定「這個工作空間裡 AI 該怎麼行動」:每次開話要先讀誰的檔案、哪些事一定要先問你、檔案該存到哪、輸出使用什麼格式。

@heynavtoor 把 CLAUDE.md 稱為你的「永久作業系統」。普通的 AI 對話是一次性的:你說一件事,Claude 做一件事,關閉對話後什麼都消失了。

CLAUDE.md 讓你把使用 AI 累積的一切認知——什麼格式最好用、Claude 最容易犯什麼錯、你的工作有什麼特殊需求,全部沉澱成文字,讓每一次對話都站在所有過去對話的肩膀上。

這是最重要的一步。請依照以下流程操作:

1. 先用 Read 工具讀取 .claude/CLAUDE.md,看看裡面目前有什麼內容
2. 如果檔案是空的,直接寫入下方內容;如果已有內容,將現有內容和下方内容合併後寫回,不要刪掉原本的東西
3. 寫入完成後,再次讀取檔案確認內容已成功寫入

要寫入的內容:

# 我的 Cowork 工作規則

## 每次對話開始時(強制執行,不可跳過)
1. 檢查是否已有掛載的工作資料夾(用 ls 查看 /mnt/ 底下有沒有使用者的資料夾)。有的話直接用,不要再呼叫 request_cowork_directory 重複掛載。只有在完全沒有掛載時才呼叫
2. 讀取 _context/about-me.md 了解我是誰、我在做什麼
3. 讀取 _context/lessons-learned.md 確認過去的教訓

## 工作方式
- 遇到不確定的地方,直接問我,不要猜
- 完成每個步驟後告訴我進度
- 如果任務太大,建議我拆成小步驟再執行
- 不輸出廢話,直接切入重點

## 安全底線(絕對不可跳過)
- 未經我確認,不刪除任何檔案
- 覆蓋已有的檔案前,必須先問我確認
- 把重要設定存到檔案之前,先讓我看內容

## 檔案存放
- 所有工作檔案一律存在我選的工作資料夾裡,不存在其他地方
- 跟某個專案相關的所有檔案(包含輸出成果)→ projects/專案名稱/ 底下
- 一次性任務、不屬於任何專案的輸出 → outputs/

## 輸出格式
- 文件輸出一律用 HTML 格式(.html),不用 Word(.docx)
- 輸出 HTML 前,先讀取 _context/rules/html-preferences.md 確認風格設定

## 語言
- 請用繁體中文和我溝通

這份守則讓 Claude 不再是每次從頭訓練的陌生助理,而是有一套穩定規範的工作夥伴。

步驟六:確認環境並設定預設工作空間

所有設定完成後,讓 Claude 協助你確認結果,並教你如何設定「預設工作空間」,這樣下次開啟就不需要重新選取資料夾。

請完成以下兩件事:

1. 列出剛才建立的所有資料夾和檔案,讓我確認都在
2. 教導我如何在 Claude Cowork 側邊欄將這個工作空間標記為預設(打上星號 default),讓每次開啟都自動掛載

Claude 列出確認清單後,下一步就可以回到 _context/about-me.md,把範本內容改成你自己的真實資訊。設定完成後,下次開話時 Claude 就會是一個已經「認識你」的 AI。

設定完成後,接下來怎麼做?

設定只是起點。這套系統真正的價值,在於日積月累的使用過程中,每次 Claude 犯錯你補進 lessons-learned.md,每次你的工作重心改變你更新 about-me.md,系統就會越來越貼近你真實的工作方式。

以下是 @heynavtoor 建議的分階段行動清單,適合剛設定完的你:

今天可以做:

  • 把 about-me.md 裡的範本內容全部改成你自己的真實資訊(職業、正在進行的專案、工作偏好)
  • 用一個你目前手上最煩的任務測試整套流程,確認 Claude 真的「記住你了」

這週可以做:

  • 把一個重複性高的工作任務(例如週報、會議紀錄)交給 Claude 做一遍,觀察輸出品質
  • 把這次對話裡 Claude 任何做得不夠好的地方記進 lessons-learned.md

這個月可以做:

  • 在 projects/ 底下開始第一個真正的專案資料夾,感受有脈絡管理的 AI 協作是什麼感覺
  • 把 CLAUDE.md 裡你認為還缺少的規則補齊(例如:你不希望 Claude 主動建議你做某件事)

這套方法最適合哪些情境?

  • 每週需要定期產出相似格式報告的工作者(會議紀錄、週報、提案文件)
  • 同時進行多個專案、需要切換脈絡的專案管理職
  • 習慣用文字整理思路、但不擅長格式排版的人
  • 需要長期追蹤某個議題或客戶的業務、研究人員

要特別注意的是,Cowork 工作環境綁定本地電腦。如果需要在多台裝置間切換,必須手動同步工作空間資料夾(例如透過 iCloud 或 Google Drive)。

同時,輸出品質仍需判斷。about-me.md 填得越模糊,Claude 的輸出就越通用、越不準確,重點是重要文件仍需人工核對!

最後要說的是,真正的差距不在於「有沒有在用 AI」,而在於有沒有花一小時把工作環境設定好——讓 AI 知道你是誰、能做什麼、不能亂動什麼。

延伸閱讀:簡報也能搞定!10大NotebookLM進階提示詞拆解:如何一步步提問,召喚超強AI研究助理?

資料來源:@edgeless.blade on Threads@heynavtoor on X

本文初稿為AI編撰,整理.編輯/李先泰

往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓