Claude Cowork自動排毒教學:用「1段提示+每週排程」,維持AI設定不走鐘!
Claude Cowork自動排毒教學:用「1段提示+每週排程」,維持AI設定不走鐘!

重點一:CLAUDE.md 規則越積越多會產生矛盾衝突,讓 AI 同時協調無關指令,輸出品質反而下降。

重點二:複製一段自我修正提示給 Claude Code,它會掃描全部設定並列出可刪除的規則與衝突清單。

重點三:在 Claude Code 設定每週一執行的排程任務,讓修正自動化,不需靠意志力維持習慣。

一篇在 X 上引發大量討論的貼文點出了一個幾乎所有 Claude 使用者都會踩到的坑:你的 CLAUDE.md 設定檔,很可能在你沒注意的情況下,變成了讓 AI 輸出變差的元兇。

貼文作者 @itsolelehmann 分享了一個反直覺的操作:他刪掉了自己 Claude Cowork 設定的一半內容,每一次輸出品質反而都提升了。 原因不在工具本身,而在「規則堆積」這件事本身就是問題。

你的設定為什麼會爛掉?

每次 AI 輸出不理想,你就在 CLAUDE.md 加一條規則。「要更簡潔。」「語氣輕鬆一點。」「技術詞彙記得解釋。」每一條加的時候都有道理,因為你剛好遇到了那個問題。

但沒有人會回頭刪掉已經沒用的規則。

三個月後,你也許有了 80 幾條規則同時作用在每一次輸出上,無論那條規則和當下的任務有沒有關係。

@itsolelehmann 用一個比喻說明:這就像給廚師一份 47 步驟的食譜,而他其實只需要 12 步。多出來的 35 步不是在幫忙,而是讓他不斷懷疑自己已經會的部分,花精力去協調彼此矛盾的指令,結果做出來的菜比放手讓他煮還差。

Anthropic 自家工程團隊也發現同樣的問題:他們內部的 Claude 腳手架,反而讓 AI 表現變差。這代表這個問題不是新手才有,而是幾乎所有長期使用者的通病。

為什麼「更少規則」反而更有效

Claude Cowork 本身已具備大量預設行為。你在 CLAUDE.md 加進去的許多規則,很可能是 AI 本來就會做的事,你只是不知道,所以重複指定了一遍。

重複指令不會讓 AI「更確定」要怎麼做,反而會製造噪音。當規則之間有衝突,例如「要簡潔」和「一定要解釋所有術語」就是典型的衝突組合,AI 必須自己決定哪條優先,而這個判斷每次都可能不一樣。

減少規則,等於減少模型需要同時協調的限制條件,讓它能把資源放在真正重要的地方。

核心步驟:用這 1 段提示讓 Claude 自己修正

第一步:複製這段自我修正提示,直接丟給 Claude

開啟 Claude Cowork 的對話視窗,貼入以下提示詞。Claude Cowork 可以直接讀取你的整個設定,包括 CLAUDE.md、所有技能資料夾、所有脈絡檔案,不需要你手動貼任何內容進去:

在回答之前,請先完整閱讀我的所有設定。檢查我的 CLAUDE.md、skills 資料夾中的每一個 skill、
context 資料夾中的每一個檔案,以及任何你能找到的其他指令檔案。

接著逐一審查你找到的每條規則、指令與偏好設定。針對每一條,告訴我:

1. 這是你不需要被告知就會預設執行的行為嗎?
2. 這條規則與我設定中其他地方的規則有衝突或矛盾嗎?
3. 這條規則與另一條規則或另一個檔案中的內容重複了嗎?
4. 這條規則看起來像是為了修正某一次特定的糟糕輸出而加入的,而不是為了整體改善輸出品質?
5. 這條規則模糊到每次你的解讀都可能不同嗎?(例如:「更自然一點」或「用好的語氣」)

最後請提供:
- 所有你建議刪除的條目清單,每條附上一行刪除理由
- 各檔案之間發現的衝突清單
- 去除冗餘後的精簡版 CLAUDE.md

Claude 會掃描你所有設定檔,對每一條規則套用上面 5 個篩選條件,然後告訴你哪些可以刪、哪些之間有衝突,並直接給你一版清理後的 CLAUDE.md

第二步:收到修正報告後,這樣決定刪或留

修正報告出來後,不要全盤接受,也不要一條一條慢慢刪。

  1. 讀每一條被標記的項目和理由。如果你對某條有異議,保留它。

  2. 剩下全部一次刪除,不要一條一條刪,你需要感受到整體的差異。

  3. 用你最常跑的 3 種任務測試清理後的設定。

  4. 輸出品質維持或變好?那些刪掉的規則就是確認無效的。

  5. 某個特定任務的輸出變差了?只把那一條規則加回去。

第三步:設定每週自動排程,讓修正變成習慣

修正只有在你確實去做的時候才有效。與其靠意志力,不如直接把它排進 Claude Cowork 的週期任務。

在 Claude Cowork 對話視窗輸入以下內容,大約 45 秒就能完成設定:

建立一個名為「setup-audit」的每週排程任務,於每週一早上 9 點執行。

任務內容:完整讀取我的所有設定(CLAUDE.md、所有 skills、所有 context 檔案,以及一切相關檔案),
接著對每一條規則套用以下 5 個篩選條件進行審查:

1. 這是你不需要被告知就會預設執行的行為嗎?
2. 這條規則與我設定中其他地方的規則有衝突或矛盾嗎?
3. 這條規則與另一條規則或另一個檔案中的內容重複了嗎?
4. 這條規則看起來像是為了修正某一次特定的糟糕輸出而加入的,而不是為了整體改善輸出品質?
5. 這條規則模糊到每次你的解讀都可能不同嗎?

最後請提供:
- 建議刪除的條目清單,每條附上一行理由
- 各檔案之間發現的衝突清單
- 規則總數中通過審查與被標記的數量摘要

不要修改任何檔案,僅輸出報告。

設定完成後,每個週一早上 9 點會自動收到一份修正報告,不需要主動記得去做任何事。

使用前的說明

這套方法有幾個前提需要先確認:

必須使用 Claude Cowork 或 Claude Code:週期排程功能是內建功能,Claude.ai 網頁版不支援。

而如果你只用網頁版,自我修正提示詞仍可以直接用,但自動排程那一步需要改為手動執行。

最後,不要把修正報告當聖旨:Claude 的建議有時候會標記你其實確實需要的規則,特別是那些針對你個人工作流程的特殊設定。

自我修正只是是起點,不是終點,最後判斷要不要刪的人是你。

效果取決於你目前的設定有多臃腫:如果你的 CLAUDE.md 本來就很精簡,這次修正可能只發現 2、3 條可以刪的規則。這不代表方法無效,而是你的設定狀況本來就比較健康。

工具的上限取決於你給它的指令品質。設定越精準,AI 越能把精力放在你真正需要的地方。

延伸閱讀:Claude怎麼用?Anthropic官方整理85個使用情境,橫跨12類職場場景,附提示詞範例

資料來源:@itsolelehmann(X/Twitter)

本文初稿為AI編撰,整理.編輯/ 先泰

往下滑看下一篇文章
五十年零售老店的 AI 轉型:良興攜手 Data-DI,打造專屬 AI Agent 賦能組織升級與知識傳承
五十年零售老店的 AI 轉型:良興攜手 Data-DI,打造專屬 AI Agent 賦能組織升級與知識傳承

1973 年,良興從台北光華商場一間 50 坪的電子零件行起家,半個世紀後蛻變為年營收破十億、毛利率 18% 的全通路 3C 品牌。不過,伴隨規模擴張帶來的不只是成長,還有日益加劇的管理摩擦。門市遍布全台、品項高達近萬筆,加上跨部門協作頻繁,行政耗損與知識傳承的缺口,成為這家老字號邁向下一階段的隱形天花板。

良興總經理賴志達回顧,從電子零件跨入電商、從線下擴張到 OMO 全通路、再到會員深度經營,作為 3C 零售業者,良興每一波轉型都走在同業前面。「現在輪到 AI 了。如何做到人機協作、AI 賦能,就是良興第五波轉型的核心命題。」

AI 自動化,從行政細節釋放組織戰力

轉型需要夥伴,而賴志達評估合作夥伴的標準很明確:技術能力是基本,產業知識(Domain Know-how)的深度是關鍵,回饋速度更是最終決定因素。2025 年的未來商務展上,良興選擇攜手 Data-DI,看重的正是其「策略諮詢 + AI 產品 + 落地陪跑」三軌並行的實施能力。

很快的,良興與 Data-DI 合作的第一個專案,就落在最耗費人力、卻最常被忽視的環節:會議記錄。「會議如果沒有產值、沒有效果,對企業很傷!」賴志達說,他每天參加許多會議,但跨單位協作的會議記錄長期依賴人工聆聽與逐字整理,常出現人名誤植、決策遺漏、行動項目無人追蹤,讓會議效果大打折扣。

數智聚(良興)_1.JPG
良興總經理賴志達
圖/ 數位時代

為了解決會議記錄的痛點,Data-DI 業務副總包威棣指出,在導入工具以前,團隊須先釐清三件事:場景是否具備落地價值、哪些流程節點適合 AI 介入,以及以終為始地掌握客戶真正想要的輸出樣貌。這些看似基本的提問,都決定 AI 能否精準落地。

確認方向後,良興與 Data-DI 成功導入 AI 會議記錄自動化系統,透過模糊比對技術校正語音辨識誤差,並將生成的雙版本報告直接回存至既有資料庫,不僅將行政人員從重複性作業中釋放,也為後續的 AI 應用奠定扎實的系統整合基礎。

賴志達分享,現在他去外部開會也會用這個工具,運用 AI 把錄音轉文字、再整理成簡報,很快就能完成,更令外部夥伴驚艷。「我認為這是很成功的案子!也提醒想做 AI 的老闆們,與其急著搞大架構,不如先從小工具讓公司嘗試 AI,建立理解和認同。」

AI 把資深員工大腦轉化為資產

補完行政效率的缺口後,良興接著切入更深層的營運核心:知識傳承。過去,頂尖銷售經驗長期鎖在少數資深員工身上,新人培訓耗時三個月,員工離職即帶走知識資本。與此同時,網路資訊發達,消費者進店前早已掌握基本規格,3C 通路門市人員要如何發揮更多價值?「我要門市的人不是死背規格,而是面對客人時,能用客人能理解的方式對話。」賴志達說。

為此,Data-DI 協助良興建置 AI 門市教育訓練系統。系統透過六大自動化關卡,串接教材生成、審核上架、AI 銷售對練與成績回報,主管僅需在核心節點審核;員工透過手機語音對練,系統依口吻、專業度、回應力等維度自動評分。賴志達表示,目標是將新人培訓期縮短至一個月,讓數十年累積的銷售智慧轉化為可複製、可傳承的企業資產。

然而,要讓這套系統真正運作,得先解決兩個根本問題:資料從哪裡來?以及訓練如何更準確?

「以前大數據時代,講的是資料要大、全、細、實;現在 AI 要做到的是準(準確)、合(合乎場景)。」包威棣說。良興不同廠商提供的素材品質參差不齊,Data-DI 除了整合內部資料,也補充加入外部市場評測內容以填補空缺,再透過人員審核機制過濾雜訊,搭配 agent 架構的多層步驟與知識限定,確保系統能精準提煉對應品類的訓練素材。

數智聚(良興)_2.JPG
Data-DI 業務副總包威棣
圖/ 數位時代

賴志達則看得更遠:「這些教育訓練的內容,也將成為公司未來訓練機器人很好的原料。」

Data-DI 陪跑型顧問,帶領企業 AI 轉型

良興與 Data-DI 合作的兩個專案中,雙方共同克服了長提示詞邏輯混亂、AI 幻覺污染知識庫、逐字稿讀取逾時等技術難題。邁向下一步,賴志達表示,公司各部門很早就建置 Power BI 報表,但數據豐富不等於決策清晰。「數據是土壤,如果沒有梳理,就沒有用了。」因此,他的下一個目標是活化數據資本、推動行銷自動流,以精實的人力持續驅動成長。

數智聚(良興)_3.jpg
良興攜手 Data-DI 推動 AI 落地,以小步快跑模式為企業創造變革。
圖/ 數位時代

包威棣則從顧問視角歸納兩個觀察:AI 導入需要高層認同、由上而下推進,像賴志達這樣持續引領良興走在業界前端的決策者,就是不可或缺的推手;而單點工具的價值,終究要累積成組織體質的轉變才算真正落地。「就像會議記錄改變了會議當責的結構,人員訓練改變了知識傳承的方式。從點狀應用走向企業變革,這種決策思路才是 AI 真正深入落地產生價值的關鍵。」

最後,對於仍在觀望AI應用的企業,他則建議:「未來 AI 導致的落差只會愈來愈大,人會變成超級工作者,企業會變成超級企業。開始做就對了,先做一個三個月的小任務,降低落差、再急起追上。」從痛點切入、小步快跑,讓組織在實作中累積對 AI 的理解與信任,這正是 Data-DI 的陪跑哲學。

有關更多 Data-DI 相關資訊,請查詢網站:https://www.data-di.com/

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
代理式商務連動百兆商機
© 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