不會Claude Code也能上手!用Projects打造AI工作流,5步驟養成長期記憶助理
不會Claude Code也能上手!用Projects打造AI工作流,5步驟養成長期記憶助理

在 Claude Code 與 MCP 搶走目光的這半年,Claude.ai 介面上那個叫做 Projects 的功能,反倒成了最被低估的一項。

Projects 的定位其實很清楚:每一個你會反覆回頭做的工作:特定客戶、長期研究、固定的內容產製,都能擁有一個專屬空間,讓 Claude 永久記住角色、語氣、規則與參考素材。

什麼時候該優先考慮 Projects?判斷標準在頻率。只要同類型對話會在未來幾週重複出現,就值得花 15 分鐘建一個 Project,而不是每次重新貼風格指南、重新交代背景。

X 創作者 Guri Singh(@heygurisingh)把這套被忽略的方法論整理成 5 模組教學,從知識庫架構、四段式自訂指令到 Projects+Skills+MCP 三層組合技,提供一份完整的 Projects 進階指南。

Projects 能解決什麼痛點?

Claude 的對話預設不跨聊天室共享脈絡。沒有 Project,每次新對話都從零開始,你得反覆上傳同一份風格指南、反覆描述同一套技術堆疊、反覆交代同一組寫作禁忌。

Guri Singh 稱這是「脈絡稅」,而 Projects 的存在就是為了永久消除這筆稅,尤其你的使用方式還沒進階到 Claude Cowork 或 Claude Code 階段的時候。

認識Project介面

Project介面
Project介面。
圖/ Claude

點開任何一個 Project,畫面分成左中右三塊,每一塊對應 Project 機制中的一個角色。以下用一個「電子報生產器」Project 為例。

左上:Project 名稱與描述

頂端是 Project 名稱「電子報生產器」與一行說明「根據每月發佈的文章,寫一篇控制在 2,500 字的電子報文章。」

這行字不只給人看,Claude 每次對話也會讀取,等於是這個 Project 的「一句話定位」。寫得越具體,Claude 越能在第一輪對話就抓到方向。

中央:對話入口與 Cowork 通道

中間是熟悉的對話框,可以選擇模型(圖中為 Sonnet 4.6)。對話框下方有一個容易被忽略的入口「Start a task in Cowork」,這是把當前 Project 的脈絡帶進 Claude Cowork 執行長任務的快速通道,等於 Project 知識庫變成 Cowork 的工作背景。

下方「Your chats / Activity」分頁則保留所有歷史對話,未來開新聊天時 Claude 會自動參考過往對話的脈絡。

右側:Project 的三層大腦

最關鍵的設定全在右側欄。由上到下分別是:

  • Memory(僅自己可見):Claude 累積對話後自動萃取的長期記憶,會在使用幾次後出現
  • Instructions(全成員共用):自訂指令的所在,也就是之後提到的「角色、語氣、規則、格式」四段式內容寫進這裡
  • Files(全成員共用):知識庫文件上傳區,PDF、Markdown、Word 都可,這就是前面講的 ref-、template-、example- 三類檔案的家

把這三塊填好,一個 Project 才算「開機完成」。多數人停在 Files 塞檔案,跳過 Instructions,這也是後面要花最大篇幅解決的問題。

第一步:判斷你需不需要開 Project

不是所有任務都值得建 Project。Singh 提出一個簡單測試:

  • 這件事只做一次就不會回頭?用普通對話(Chat)就好
  • 同類型對話會在未來幾週反覆出現?開 Project
  • 多人需要共用同一套脈絡?開 Team Project

適合的場景:特定客戶帳戶、反覆回訪的研究領域、正在寫的書、經常性的內容產製流程。

不適合的場景:一次性文件摘要、快問快答、含機密資訊且不應長期留存的內容。

第二步:像圖書館員一樣整理知識庫

這是 90% 的 Projects 失敗的環節。知識庫不是垃圾場,該上傳的是參考素材,亦即穩定、可重複引用的文件:

  • 風格指南與語氣規範
  • 反覆使用的模板(提案架構、信件格式)
  • 你引以為傲的作品範例(Claude 從範例學標準,比從描述學更快)
  • API 文件、產品規格、品牌指南

不該上傳的:正在編輯的草稿、一次性客戶檔案、個人機密資訊。這些屬於單次對話的附件,不是長期知識庫的內容。

檔案命名也有學問。style-guide-v3-final.pdf 不如 brand-voice-guide.pdf,因為 Claude 會讀取檔名來輔助檢索。文件超過 20 份時,建議加上分類前綴:ref-brand-voice.mdtemplate-proposal.mdexample-success-story-1.md

舉個內容團隊的 Project 知識庫實例。沒整理過的版本通常長這樣:

風格指南-final-v3.pdf
公司簡介.docx
新人手冊2025最新版.pdf
電子報範例.docx
過去寫得好的案子.pdf
品牌字典 (1).pdf
語氣規範-我的版本.md
問題:Claude 看到「風格指南-final-v3.pdf」和「語氣規範-我的版本.md」,無法判斷兩者是否衝突、哪個版本應該優先。

因此,當你問「這封信的語氣對嗎?」,它可能同時讀取三個檔案,得出一份折衷但不精準的答案。

整理過的版本:

ref-brand-voice.md # 品牌語氣總則
ref-tone-rules.md # 用字與禁用詞
ref-company-overview.md # 公司定位
template-newsletter.md # 電子報模板
template-pitch-email.md # 提案信模板
template-proposal-deck.md # 提案簡報架構
example-newsletter-best.md # 表現最好的三期電子報
example-pitch-won.md # 成功提案案例
example-pitch-rejected.md # 失敗提案+失敗原因

三個前綴對應三種角色:ref- 是規則(Claude 必須遵守的標準)、template- 是骨架(直接套用的格式)、example- 是樣本(從中學習風格與標準)。

當你問「幫我寫一封提案信」,Claude 會優先抓 template-pitch-email.md 套架構、example-pitch-won.md 學語氣、ref-brand-voice.md 校語氣。

檔名說清楚分工,Claude 才知道該怎麼組合。

第三步:用四段式結構寫出有效的自訂指令

自訂指令(Instructions)是整個 Project 最關鍵的部分。Singh 建議控制在 200-500 字,用以下四段式結構:

【角色】你是誰、這個 Project 做什麼
→ 範例:「你是我的 SaaS 新創內容策略師,負責週報、Landing Page 和銷售信件。」

【語氣】Claude 應該怎麼說話(要具體)
→ 範例:「短句、不用術語、第一人稱、禁用 delve 和 leverage。」

【規則】必須做什麼、絕對不能做什麼
→ 範例:「永遠附上來源。未經我核准的工具不准推薦。超過 500 字先問我。」

【格式】輸出長什麼樣
→ 範例:「先給結論再給推論。不要開場白。」

一個實戰技巧:「禁止清單」往往比正面指令更有效。「不要建議換框架」能精準阻止 Claude 最常犯的毛病,而正面描述很難涵蓋到這種情境。

指令不會一次就完美。Singh 建議每 3-5 次對話後檢視:Claude 是否重複犯同一個錯誤?是否反覆問你已經可以寫進指令的背景資訊?每修正一次,就是未來永遠省下的一次糾正。

第四步:搞懂 Projects、Skills、MCP 三層架構

多數人把 Projects 當萬能工具,但它只是三層架構中的一層:

層級 回答的問題 類比
Projects Claude 需要知道什麼? 圖書館
Skills Claude 如何執行特定任務? 訓練有素的員工
MCP Claude 能取得哪些即時資料? 連線工具

三者組合的實際案例:以一個內容創作者的電子報工作流為例,Project 存放品牌語氣指南與過去 20 期電子報範例;Skill 定義撰寫流程(檢視上期、拉取新內容、產出三個段落、套用語氣)。至於 MCP 則連接 GitHub 抓本週更新、連接搜尋引擎抓產業新聞。

在一個指令啟動 Skill 後,Skill 透過 MCP 拉即時資料,Project 提供風格參考,一次產出到位。

第五步:每週迭代,別追求完美初版

Singh 的核心建議:別花太多時間設計第一版。一個「粗糙但你真的在用」的 Project,遠勝過一個「完美但從未啟動」的 Project。每週重讀一次指令,刪除過時內容,補上已成慣例的新規則。

使用上要注意的地方?

這套方法有幾個前提。RAG 自動擴展(讓知識庫容量提升 10 倍)僅限付費方案用戶,免費用戶上限 5 個 Project 且無 RAG。自訂指令超過 500 字後,Claude 在長對話中容易遺漏部分內容,因此精簡比詳盡更重要。

RAG = Retrieval-Augmented Generation(檢索增強生成)。

簡單講就是:當你問 Claude 一個問題,系統先去你上傳的知識庫文件裡「檢索」相關段落,把找到的內容塞進 Claude 的 context window,再讓 Claude 根據這些檢索結果生成回答。

沒有 RAG 時:Claude 一次性把整份文件讀進 context。文件越多,context window 越快爆掉,所以單一 Project 能放的文件量有上限。

有 RAG 時:知識庫文件先被切塊、向量化存起來。每次對話只把「跟當前問題相關的段落」撈出來餵給 Claude。等於用「按需檢索」換取「容量上限」。

此外,Project 適合的是長期、反覆性的任務,一次性工作直接用普通對話即可,不必為了「用 Projects」而開 Project。

最後,Singh 的方法論整合自多方資源,部分建議(如指令最佳字數)基於個人經驗而非官方規格,實際效果因使用情境而異。

工具本身不是優勢,怎麼建構工作環境才是。

延伸閱讀:觀點 | OpenClaw能幫你回信、採購、代發社群貼文!但把工作全交給AI代理前,需守好這3道防線

資料來源:Guri Singh (@heygurisingh) on X

本文初稿為AI編撰,整理.編輯/李先泰

關鍵字: #Anthropic #Claude
往下滑看下一篇文章
從會員數據到 AI 行銷:Vpon 打造零售業 AI-Ready 數據中台,提升決策效率
從會員數據到 AI 行銷:Vpon 打造零售業 AI-Ready 數據中台,提升決策效率

在 AI 快速進入企業營運核心的時代,數據不再只是被動的分析素材,而是 AI 模型運作與決策優化的重要基礎。

零售品牌積極累積大量第一方數據,例如會員資料、交易紀錄以及線上與線下行為數據,但因這些數據分散於不同系統,缺乏統一的身分識別機制以及明確的元數據(Metadata)定義,導致難以整合與分析,同時,也影響 AI 對這些數據資產的理解與應用。

為解決上述挑戰,Vpon 威朋將累積十餘年的實務經驗轉化為產品與服務,如 Audience Center 與 AI Agent 等解決方案,並透過專業顧問團隊協助企業完成數據收集、清理、整合與分析等關鍵流程,從資料清理到 AI-Ready 再到落地應用,讓行銷與業務團隊能以自然語言將數據查詢與分群受眾逐步自動化,大幅縮短過去仰賴技術與分析團隊溝通需求與開發分析邏輯的時間。

Vpon 助零售業打造 AI-Ready 數據基礎,以 Audience Center 驅動業務商機

如何建立 AI Ready 數據基礎建設?

Vpon 威朋數據科學經理廖宜楷指出,在 AI 驅動的時代,數據的品質決定模型價值。其中四個關鍵分別是:建構標準化的數據採集與處理管線,透過統一的工程規範,確保所有進入系統的數據在格式、維度與質量上具備高度一致性;其次是定義語義清晰的元數據(Metadata)體系,確保數據能夠被 AI 理解與使用,從而產出具備可靠性的產出結果;再來是打破企業內部的「數據孤島」, 透過完整整合線上(Web/App)行為與線下(POS/CRM)會員資訊,建構全方位的會員數據輪廓,精準捕捉消費者的跨通路行為軌跡。最後,數據的價值隨時間遞減,AI 的決策品質取決於數據的「新鮮度」,因此,數據的持續更新與自動化維護,不僅能讓企業在動態市場中保持敏銳,還可進一步深化會員輪廓分析的即時性。

舉例來說,在 Vpon 團隊的協助下,台灣百貨零售龍頭透過整合 Web 與 App 行為資料,並將線上與線下數據集中於數據中台進行分析,將傳統耗時數小時的複雜資料庫分析工作縮短至秒級回應,並基於此高效率基礎,進一步開發不同業務主題的預測與分群模型,提升行銷精準度與營運決策的敏捷性。

扎實數據基礎的價值落實:Audience Center 如何賦能企業實現「數據即戰力」?

有了堅實的數據底座後,下一步是透過 Audience Center 將數據資產轉化為商業動能。

廖宜楷指出,在變化快速的零售與數位行銷市場中,速度就是競爭力。然而,仍有許多企業在數據應用上面臨嚴重的溝通與技術斷層。過去,當行銷或業務人員需要數據支持時,通常得花費繁複的內部流程申請需求、討論需求,才會進到後續的資料清理、建模與分析,最後才能得到想要的分析結果或行銷名單。這種以「週」為單位的進程,不僅拖慢了決策效率,更讓企業在競爭激烈的市場中錯失先機。

Audience Center 的核心價值在於徹底翻轉上述流程,將數據處理轉化為數據服務,透過直覺的介面與背後扎實的數據基礎支撐,讓非技術人員不用編寫程式碼,即可自行組合維度,大幅縮短從需求到執行的距離,將原先需要耗時數週的作業流程優化成秒級產出。

「Audience Center 的導入,不僅有助於提升效率,更賦予企業快速試錯與精準捕獲趨勢的能力,讓數據真正成為驅動業務增長的引擎。」廖宜楷如此總結。

#1 從會員數據到AI行銷:Vpon打造零售業AI-Ready數據中台,提升決策效率
Vpon 威朋數據科學經理 廖宜楷
圖/ 數位時代

以 AI Agent 重塑數據使用方式,讓數據更貼近決策流程

「Vpon 除提供 Audience Center 協助品牌發揮第一方數據資產價值、提供豐沛的第三方數據助品牌深化對客戶輪廓的掌握度,更推出 AI Agent 服務讓品牌與行銷人員能更直覺地使用數據。」Vpon 威朋數據科學資深總監陳文謙表示,在數位轉型的過程中,許多企業面臨的挑戰不僅是數據整合,更包括如何讓不同部門的人員都能更即時協作與應用數據,有鑑於此,Vpon 推出四種 AI Agent 協助企業分析與應用數據,極大化第三方數據成效:

第一,以 Reporting Agent 讓高階主管或行銷人員可以自然語言查詢數據與生成報表,即時掌握市場動態,加速決策下達與決策品質。

第二,透過 Insight Agent 確保數據分析不受分析人員的主觀意識或產業知識侷限,可以輕鬆完成跨領域數據分析、快速挖掘潛在市場機會與消費者洞察。

第三,藉由 Audience Agent 將客戶分群方式從規則導向(Rule-based)轉變為關聯導向,以關聯分析擴大受眾範圍,協助品牌找出更多潛在客群。

第四,推出 Creative Agent 協助行銷人員分析廣告素材表現的根本原因,釐清受眾喜歡的素材跟不喜歡的素材,藉此優化廣告投放內容,持續提升轉換率。

陳文謙表示:「透過 AI Agent 的輔助,品牌不僅能更快完成數據分析,也能將分析結果直接轉化為行銷策略與創意建議,降低跨部門溝通成本,讓數據真正參與決策流程。」

#2 從會員數據到AI行銷:Vpon打造零售業AI-Ready數據中台,提升決策效率
Vpon 威朋數據科學資深總監 陳文謙
圖/ 數位時代

鏈結數據生態夥伴,以跨境數據放大行銷效益

除了協助品牌主建立 AI Ready 的數據基礎環境並提升數據使用效率,Vpon 也持續拓展數據生態圈,協助零售品牌更精準布局海外市場。

Vpon 威朋產品行銷資深經理邱心儒表示,跨境行銷過去多仰賴經驗與市場直覺,但透過數據整合與 AI 分析,品牌能更精準理解海外消費者的旅遊與消費行為。

以 Vpon 與日本 Loyalty Marketing Inc. 合作為例說明,透過雙方的獨家合作,企業可以結合 Ponta 超過一億的會員數據、問卷調查結果以及 Vpon 的七大數據來源,深入分析日本消費者的消費偏好與購買力——包括哪些日本族群對台灣品牌最感興趣、最受歡迎的台灣商品類型,以及不同客群的價格敏感度與回購行為等,將行銷決策從過往的經驗判斷轉變為精準的數據洞察,成為品牌出海的重要工具。

簡言之,對零售品牌而言,跨境數據是理解海外旅客真實樣貌的一大利器,也能進一步優化廣告投放、內容策略與商品布局,讓品牌在拓展國際市場時,可以更有效率地接觸潛在客群,放大行銷效益。

#3 從會員數據到AI行銷:Vpon打造零售業AI-Ready數據中台,提升決策效率
Vpon 威朋產品行銷資深經理 邱心儒
圖/ 數位時代

展望未來,Vpon 將持續擴展數據生態圈並優化產品服務,幫助零售品牌從數據整合、AI 分析到市場決策建立完整的數據應用循環,希望以數據夥伴的角色與品牌共同成長,打造互利共贏的數據生態。

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
AI全球100+台灣20
© 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