Claude Cowork实战指南：AI将成为你唯一的工作界面
Claude Cowork Full Course 2+ Hours (Beginner to Pro)
本报告由 AI 深度分析生成，基于视频完整字幕。
导读
Ben AI 是 YouTube 上专注 AI 商业落地的频道，主理人 Ben van Sprundel 是连续创业者，已建立两家年收入超百万美元的 AI 相关业务。他的内容风格不走概念，专门讲"非技术人怎么真正用 AI 提升业务"——这使他的课程对创始人、市场人、销售人特别有参考价值。
这期超过两小时的完整课程，是目前 YouTube 上关于 Claude Cowork 最系统的入门到进阶指南。Claude Cowork 是 Anthropic 于近期推出的非技术人 AI Agent 工作台，和面向工程师的 Claude Code 是同一底层架构，但专为"不写代码的知识工作者"而生。
这个视频最值得记住的一件事是：Skills（技能）是新的软件层，而第二大脑让 AI 获得永久记忆——两者组合，AI 将变成你完成所有工作的唯一界面，就像你打开电脑只需要一个应用。
核心观点速览
- Claude Cowork 是 Claude Code 的"非技术人版本"：底层相同，但 Cowork 有更直观的 UI 和企业权限管理，不需要写代码。
- Skills 是一种新的软件形态：不是 Prompt，不是自动化工作流，而是介于两者之间——可以被提示词构建和更新、可以自我改进、可以被同一个 Agent 调用数千个。
- Skills 的质量决定 Agent 的质量：同一个 Skill，做与不做"good output examples"参考文件，输出结果可能天壤之别。
- Plugins 会颠覆 SaaS 格局：当 Anthropic 发布 Plugin 功能时，Salesforce、ServiceNow、Adobe 股票同日下跌——AI Agent 正在变成工作的主界面。
- 第二大脑（Second Brain）是所有功能的倍增器：用 Obsidian 建立本地 Markdown 文件夹 + CLAUDE.md 导航文件，给 AI 赋予跨对话的永久记忆，并可跨团队共享。
一、Claude Cowork 是什么，和 Claude Chat 有什么不同
大多数人第一次打开 Claude Cowork 会觉得"这不就是另一个聊天窗口吗"——界面几乎一样。但这个认知误判会让你一直把它当聊天工具用，错过它真正的价值。
本质差异：Cowork 的底层是 AI Agent，不是对话机器人。
Claude Chat 本质是你和模型的对话，是请求-回复的单轮交互。而 Cowork 底层和 Claude Code 高度相似：它能主动执行多步骤操作、调用工具、读写文件、上网搜索、控制你的软件。它不只是"回答你"，而是"替你做事"。
Ben 在课程里把三者做了清晰对比：
- Claude Chat（网页版） ：轻量问答，上下文隔离，无法访问本地文件和工具
- Claude Cowork（桌面 App） ：非技术知识工作者的 AI Agent 工作台，有权限管理、团队协作、技能库、定时任务
- Claude Code（终端/VS Code） ：工程师版，功能更强大（更多底层控制），但 UI 更偏技术，主要用于编程任务
"Cowork 本质上是 Claude Code for knowledge workers. Once you start using Cowork, Claude Code becomes much more intuitive too because much of what we're doing is exactly the same."（Cowork 本质是面向知识工作者的 Claude Code。一旦你开始用 Cowork，Claude Code 也会变得更直观，因为底层运作几乎相同。）
当前限制（截至课程录制时） ：
- 仅限 Claude Pro/Team/Enterprise 账户，免费版尚未开放
- 仅限 Claude 桌面 App，不能在浏览器中使用
二、文件访问与项目：持久上下文的基础
文件访问（File Access）
这是 Cowork 最重要的基础能力之一，理解它会改变你使用 AI 的方式。
传统痛点：每次开新对话，你都要把业务背景重新粘贴给 Claude——ICP 是什么、你的写作风格是什么、你的产品是做什么的……这不只是麻烦，更是 AI 输出质量不稳定的根本原因。
Cowork 的解法：给 Claude 访问一个本地文件夹的权限，它就能在每次新对话中自动读取里面的所有文档。
Ben 的演示案例：他把自己的 YouTube 策略文档、ICP 文件、过去的视频字幕放在一个文件夹里，然后问 Claude "根据我的 YouTube 策略，帮我想 10 个新视频选题"——Claude 直接给出 10 个真正贴合他内容策略的选题，没有额外解释任何背景。
更重要的一点是：Claude 不只能读这些文件，还能写入、创建、更新它们。你让 Claude 帮你写一篇文章，它可以直接把文件保存到文件夹；你让它更新你的 YouTube 策略，它可以直接改写策略文档。这让文件夹变成了一个"活的知识库"，而不只是静态的参考资料。
项目（Projects）
Projects 是 Claude Cowork 升级版的"项目管理单元"——你可以把它理解为一个比聊天更高层级的工作空间。
一个项目可以包含：
- 绑定文件夹：不用每次手动选，进入项目自动有上下文
- 聊天历史：这个项目下的所有对话按时间整理
- 项目记忆（Memory） ：可以告诉 Claude "记住：帮我写脚本时始终模仿我的说话风格"，它会持续应用这条规则
- 系统级指令（Instructions） ：类似自定义 GPT 的 System Prompt，告诉 Claude 它在这个项目里的角色
- 定时任务（Scheduled Tasks） ：这个项目下可以设置自动运行的工作流
Ben 的建议：按业务部门或工作类型建立不同项目，比如"YouTube 助手"项目、"销售外拓"项目、"市场文案"项目，各自挂不同的文件夹和记忆。
三、Connectors：连接互联网和你的所有工具
给 Claude 文件访问权限只解决了"给它看文档"的问题。真正让 AI Agent 变得强大的，是让它能直接对你的软件工具做操作——读邮件、更新 CRM、发 Slack 消息、操作 Notion 数据库。
这就是 Connectors（连接器）的作用。Ben 给出了一个极其实用的优先级排序，非常值得记住：
优先级一：原生 Connector
Claude 内置了一批直接可用的连接器：Google 邮箱、Fireflies（会议记录）、CRM、Slack、Notion 等。直接在 Settings → Connectors 里找，登录即可。
优先级二：MCP Server
MCP（Model Context Protocol）是一种打包协议，把某个工具的所有 API 调用打包成一个整体，一次性交给 AI Agent 使用，不用逐一配置。
操作方式：直接在 Google 搜索 "[工具名] MCP server"，大多数流行工具已经有现成的 MCP。文档里通常有直接粘贴到 Claude 配置文件的说明。
安装方式：
- 如果有远程 Server URL：Settings → Connectors → 加号 → Add Custom Connector，粘贴 URL
- 如果需要修改配置文件：Settings → Developer → Edit Config，打开 JSON，把 JSON 丢给任意 AI 聊天说"帮我加入这个 MCP 配置"，粘贴回去保存
最实用的技巧：如果你的工具没有 MCP，让 Claude 帮你建一个！Cowork 内置了一个"MCP Builder Skill"。Ben 的社区平台 Circle 没有现成 MCP，他直接问 Claude："用 MCP Builder Skill 帮我给 Circle.so 建一个 MCP Server"——Claude 从头构建了整个 MCP，并给出逐步安装教程。
优先级三：浏览器（最后手段）
Browser Use（浏览器控制）是让 Claude 打开浏览器、像人一样点击操作的方式。
Ben 的态度非常明确：尽量别用。
原因：
- Token 消耗极高：Claude 通过截图"看"屏幕，每一帧都消耗大量 Token
- 容易出错：UI 稍有变化就可能失败
- 速度慢：比 API 调用慢得多
- 成本贵：Token 消耗叠加起来账单很高
只有两种情况下用浏览器：
- 这个工具没有 API，也没有 MCP，短期内只用一两次
- 需要访问 LinkedIn、Instagram 等屏蔽爬虫的社交媒体（但这种情况更推荐用 Apify，见下文）
特别工具：Apify
Apify 是专门为 Claude 爬取"难抓数据"而生的神器。LinkedIn、Instagram、Facebook 等社媒通常屏蔽直接访问，但 Apify 有针对性的 Scraper，通过它的 MCP 可以直接接入 Claude，免去浏览器模拟的痛苦。
适合用场景：lead enrichment（补全潜在客户资料）、competitor research、社媒内容分析。
Dispatch：从手机触发 Cowork
还有一个小功能值得一提：Dispatch 让你可以从手机 App 触发桌面 Cowork 执行任务。手机发出指令，Claude 在你的电脑上运行 Agent、操作你的软件、整理数据，然后把结果发回你手机。
这个功能在"你设置了大量自动化技能之后"会变得非常强大——不在电脑前也能让 AI 帮你工作。
四、Skills：Claude Cowork 最核心的功能，也是最值得深入的技能
Skills（技能）是这个课程的绝对核心，Ben 花了将近一个小时讲这块。理解 Skills，就理解了为什么 Cowork 和普通 AI 聊天工具不在一个维度。
为什么 Skills 是个大事
现有方案的局限性：
- 自定义 GPT / Claude 项目：是孤立的"泡泡"。你设置了一个"营销助手项目"，但想做销售任务时就得切换窗口，每个项目只能装有限的上下文，不能自我改进。
- n8n / Make.com 自动化平台：把流程写死了，确定性强，适合全自动、无人值守的工作流。但大多数日常工作根本不是确定性的——它需要判断、需要上下文、需要人类介入。
Skills 坐在中间：
- 可以自我改进（通过提示词就能更新）
- 支持人类介入（Human in the Loop）
- 同一个 Agent 可以同时拥有数千个 Skills
- 可以跨团队共享
- 通过简单的提示词就能创建和更新，不需要技术背景
"The game changer is that they can be created and updated by simply prompting. And that means anyone can start automating their tasks and workflows through a single interface."（颠覆性的地方在于：它们可以通过简单对话创建和更新。这意味着任何人都可以通过单一界面开始自动化自己的任务。）
Skills 是什么，技术层面
一个 Skill 本质上是一个文件夹，包含：
1. skill.md（核心）
这是 SOP（标准操作程序）。告诉 AI Agent 如何执行这个特定任务的分步骤流程。可以把它理解成一个极其精细的系统提示词，但专门针对一个具体流程。
2. 参考文件（Reference Files）
让 Skill 变强大的附加材料：
- 文本文件：ICP 文档、声音人格（Voice Personality）、写作示例、背景信息、工具使用说明文件（MCP Instructions）
- 资产文件：图片、PPT 模板、视频——比如给它看一个你满意的 Infographic 设计作为视觉参考
- 代码脚本：Python 或 JS 函数，用于执行 API 调用——比如 Infographic Skill 里有一段代码自动调用 Napkin.ai 的 API 生成图表
如何给一个 Agent 数千个 Skills 而不超出上下文限制？
答案是渐进式披露（Progressive Disclosure） ：
只有每个 Skill 的元数据（名称 + 描述）常驻在 Agent 记忆中。当一个任务触发某个 Skill 时，才把完整的 skill.md 加载进上下文窗口。当 Skill 执行到需要某个参考文件的步骤时，再把那个参考文件加载进来。
这意味着——就算你给了 Agent 几千个 Skill，每次对话的实际 Token 消耗并不大。
Skills 的三个层级
目前 Skills 生态正在形成三个层级：
- Anthropic 官方 Skills：通用业务场景，已开源，可以直接用或定制
- 第三方/SaaS Skills：Skills MP Smithy 等市场正在出现；SaaS 公司开始构建自己的 Plugin
- 公司/个人自定义 Skills：最有价值的层级——将你独特的业务流程、领域专知编码成可复用的 Skill
"Even though anyone can create skills through prompts, the same skill can produce completely different outputs depending on how you build them."（尽管任何人都能用提示词创建技能，但同一个技能根据构建方式的不同，输出结果可能天壤之别。）
Skills 构建框架（六步法）
Ben 给出了一个构建高质量 Skills 的实用框架，这是课程里最值得反复参考的部分。
第零步（最多人跳过，最影响结果）：准备参考文件
在开始构建 Skill 之前，先把这些文件备好：
| 文件类型 | 内容 |
|---|---|
| 业务描述 | 你/公司是做什么的，目标客户是谁 |
| ICP 文档 | 理想客户画像，越细越好 |
| 声音人格（Voice Personality） | 你的写作风格、语气、偏好词汇 |
| 写作框架 | 你通常的内容结构偏好 |
| 优秀输出示例 | 你满意的历史输出，直接给 Claude 作为"这就是我想要的样子" |
这些文件不只用于一个 Skill，可以在多个 Skill 中复用。
没有这些文件怎么办？ 直接跟 Claude 一起建：
"我想建一个 YouTube 策略文档，以后可以用在我写脚本、想选题的各种技能里。你先问我几个问题，基于我的回答帮我生成这个文档。"
或者下载别人的模板，让 Claude 采访你并适配成你自己的版本。
第一步：定义名称和触发条件
名称决定 Agent 在什么情况下会使用这个 Skill。Claude 通过元数据中的描述来判断"什么时候该调用这个 Skill"。
示例：
- 名称：Infographic Generator（Infographic 生成器）
- 触发：用户提到想创建或生成 Infographic 时
第二步：定义目标/目的
可以简短，因为后面的分步骤流程会细化。
示例：
"为 LinkedIn 和 Newsletter 创建符合我品牌风格的高质量 Infographic"
第三步：列明需要哪些工具/MCP/API
告诉 Claude 这个 Skill 执行时需要访问哪个软件、哪个数据库、哪个 API，以及具体应该怎么操作。如果有特定的工作流（比如需要先检查 CRM 里有没有这个客户再操作），在这里说清楚。
第四步：分步骤流程（最重要）
对每个步骤，需要考虑：
- 这一步要做什么？ （Action）
- 什么时候需要人类介入？ （Human in the Loop）
Ben 强调这是"UX 设计"：Cowork 支持多种人机交互方式——复选框、单选、开放输入框……选哪种本身就是用户体验设计的考量 - 这一步需要哪些额外上下文？ （参考文件 or 内联内容）
- 这一步的预期输出是什么？
Ben 的效率技巧：在有人机交互的步骤，让 Claude 给出多个选项而非单一输出。
"I usually say something like: it should give me five different ways an infographic could visualize this idea."（我通常说：它应该给我五种不同的方式来可视化这个想法。）
这比"给我一个输出 → 不满意 → 再给一个"的迭代效率高多了。
第五步：规则
明确 Skill 不能做什么、必须遵守什么。
第六步：明确每步的输出格式
构建 Skill 的两种路径
路径 A：先手动做一次，然后让 Claude 把它变成 Skill
第一次跑一个新流程，Claude 帮你完成后，说一句：
"请把我们刚才的操作流程保存成一个 Skill"
它会自动生成 skill.md，以后直接调用，不用重新说明。
路径 B：直接指令构建
告诉 Claude 你想要的 Skill 是什么、给它参考文件，它直接生成 Skill 文件夹。
你也可以把旧的自定义 GPT System Prompt 直接扔给 Claude，说"帮我把这个 GPT 转成 Cowork Skill"。
五、Skills 2.0：评估与 A/B 测试——让技能持续进化
Skills 不是一次性的，越用越好才是重点。Ben 介绍了两个让 Skills 持续进化的高级方法。
评估（Evals）
Evals 是用 AI 自动测试 Skill 输出质量的机制。
如何做？
告诉 Claude 运行一个 Eval，但关键是要明确你在优化什么。
❌ 模糊的 Eval（没什么用）：
"Run some tests on the newsletter skill"
✓ 有用的 Eval：
"Run a new test on the newsletter skill. We're going to optimize for matching Ben's copywriting style and voice as closely as possible. The evaluation criteria are: 1) how closely it follows Ben's example references, 2) does it use em-dashes, 3) the length of the newsletter, 4) does it include personal stories. Test on one YouTube video, run five variations."
运行后，你会得到每个测试变体的详细报告：输出全文、每项标准的打分、通过/失败情况。你可以在每个测试上添加反馈，然后让 Claude 根据测试结果 + 你的反馈更新 Skill。
黄金原则：每次只优化一个变量。试图同时优化五件事会引入太多变量，结果反而不可解释。
A/B 测试
A/B 测试是在你已经有一个"还不错"的 Skill 后，让 Claude 自动创建一个变体（B 版本）进行对比。
示例：
"Use the Creator Skill to run an A/B test on the YouTube-to-newsletter skill. Optimize for speed. The step-by-step process must remain the same, reference files must still be read. Use this YouTube link for the test."
Claude 会创建一个"精简版"B，剔掉它认为不必要的上下文来提高速度，然后两版同时运行，对比输出质量。
你可以用 A/B 测试优化：速度、Token 消耗、输出质量——任何可以量化的维度。
六、Plugins：Skills 的企业级打包形式，以及 SaaS 的生死局
Plugin 是什么
Plugin 是把一组 Skills 打包在一起，加上对应的 Connectors，形成一个可安装、可分发、可版本控制的"能力包"。
三个关键特性：
-
可分发：打包成 Plugin 后，团队成员只需安装这个 Plugin，不用自己一个个配置 Skills 和 Connectors。销售团队装销售 Plugin，市场团队装市场 Plugin。
-
可版本控制：Plugin 更新后，所有安装了这个 Plugin 的账户自动同步最新版本。你在 Skill 里做了改进，团队所有人立刻用上。
-
可共享：可以跨组织分发，也可以在市场上出售。
Plugin 的三个来源层级
- Anthropic 官方 Plugin：按业务部门分类，已开源，可直接定制
- 第三方/SaaS Plugin：SaaS 公司正在构建自己的 Plugin；独立开发者在 Skills MP Smithy 等市场上架销售
- 企业内部 Plugin：最有价值——将企业独特流程和知识打包，供内部团队使用
SaaS 的生死局
这是课程里最有预见性的一段：
"When Anthropic launched plugins, companies like Salesforce, ServiceNow and Adobe all saw their stock drop, because if the main interface for work really is slowly becoming agentic through Claude, Google or OpenAI, it probably becomes a superior interface instead of hopping between different tools all the time."（当 Anthropic 发布插件功能时，Salesforce、ServiceNow 和 Adobe 的股票当天都跌了——因为如果工作的主界面真的在变成 Claude、Google 或 OpenAI 这样的 Agent，那这个 Agent 界面就会比来回切换工具更优越。）
大多数人每天在 15 个不同工具间切换——Notion、CRM、邮件、Slack、数据分析……每个工具有自己的学习曲线。而 Plugins 让 Claude 成为中间层：你只跟一个界面说话，Claude 通过 Plugins 和 Connectors 操作所有工具。
Ben 的预测：
- SaaS 不会马上消亡，但它们会被迫转型——核心功能打包进 Plugin 才能活下去
- Plugins 可能成为 SaaS 的新分发形式
- 最终，AI Agent 成为工作的唯一界面，SaaS 退化为"后台引擎"
七、Agents 与子 Agent：并行处理批量任务
Sub-agents 的本质
当你给 Claude 一个需要同时处理大量任务的请求时，它可以启动多个子 Agent 并行运行。每个子 Agent 都是一个独立的 AI 实例，各自处理自己负责的那部分任务，然后把结果汇总给主 Agent。
关键发现：必须明确要求"并行"
如果你只说"帮我处理这 150 个潜在客户"，Claude 可能会用顺序方式处理——一个接一个，会非常慢。
必须明确说：
"Please spin up 15 parallel sub-agents that each research 10 leads."（请启动 15 个并行子 Agent，每个处理 10 个潜在客户。）
这一句话的区别可以是几分钟 vs. 几小时。
真实演示案例
Lead Qualification（潜在客户资质筛选） ：
"I want to qualify these leads against my ICP criteria. My ICP criteria: only marketing agencies providing SEO services, based in the US. Please spin up 15 parallel sub-agents that each research 10 leads, and deliver an updated CSV with a qualification status column."
结果：15 个子 Agent 并行运作，每个 Agent 对 10 个线索做多次网络搜索，最终输出一个 CSV，新增"资质状态"和"资质理由"两列。完成 150 条线索。
Lead Enrichment（线索资料扩充） ：结合 Apify MCP，抓取每个线索在 LinkedIn 上的最新动态、公司规模、公司描述，用于后续个性化外拓。
实际限制与建议
Ben 很直接地指出当前的限制：
- Token 消耗很大：子 Agent 很贵，建议用 Claude Max 计划以避免频繁撞上使用上限
- 适合批量大小：100-200 条数据是 Cowork 子 Agent 的舒适区。超过 200 条，建议用 n8n 或 Make.com 这类自动化平台
- 复杂程度：批量越大、步骤越多，出错概率越高
八、定时任务（Scheduled Tasks）：让 AI 自主运转
Scheduled Tasks 让 Skills 和 Agents 在无人值守的情况下定时执行。
营销场景示例：每天早上 8:00，自动扫描昨天的 YouTube 数据，生成每周表现摘要并发到 Slack。
销售场景示例（Ben 的实际配置） ：
- 每天早上运行"Pipeline Review Skill"，分析 CRM + 邮件 + 会议记录，生成今日应重点关注的线索清单，发送到 Slack
- 每月月底运行"Win/Loss Analysis Skill"，分析过去一个月的成交和失单，生成深度报告（包括最佳/最差客户画像、常见异议、转化模式）
这些自动化的价值不在于"自动"本身，而在于——它们访问了完整的业务上下文（CRM + 邮件 + 会议记录），能给出人类自己没法快速整理的战略性洞察。
九、营销实战：从文案到视觉的完整自动化
Copywriting Skill（文案技能）的完整构建流程
Ben 用"YouTube 视频到 Newsletter"这个 Skill 作为详细示例，展示了一个高质量 Copywriting Skill 的完整工作流：
第一步：获取视频字幕
通过 Apify 的 YouTube Scraper 直接在 Cowork 里抓取字幕，无需手动下载。
第二步：分析受众，选定角度
"Based on my ICP and newsletter strategy document, suggest me five potential angles for this newsletter."
给它 5 个选项，人工挑选最适合的角度。
第三步：定义大纲
"Give me three suggestions for the high-level outline of sections."
再次给出多选项，人工确认。
第四步：写文（关键提示词技巧） Ben 的指令里有几个细节非常关键：
- "Almost mimic the style"（几乎模仿……）：比"参考"更强，比"复制"留了空间，在实践中效果比其他表述更好
- "Also almost mimic the sentence structure, sentence length and styling from the examples"（连句子结构、句子长度、排版方式都几乎模仿）
- "Base claims on what I said in the video, not make them up yourself"（只用视频里真实说过的观点，不要自己发挥）
参考文件的重要性：Ben 在所有 Copywriting Skills 里共用约 6-7 个参考文件：
- 个人背景描述（Bio）
- 业务介绍
- ICP 文档
- 声音人格
- Newsletter/LinkedIn/YouTube 策略
- 读者痛点
- 写作框架
- 最重要的：好的输出示例
"I base claims based on what I said in the video... Having these documents or context for AI is really the key to getting good output."
Visual Skills（视觉技能）
Infographic Skill 是 Ben 的招牌演示案例：
- 用 Napkin.ai（一个 Infographic 生成 API）
- skill.md 里写明分步流程 + 调用 API 的 JS 脚本
- 参考文件包含品牌风格指南和历史 Infographic 样本
输出质量差异：快速构建的版本 vs. 精心打磨五轮的版本，视觉效果天壤之别。
其他营销 Skills
- Ideation & Research Skill：基于受众和市场趋势生成选题，结合搜索数据
- Data Analysis & Reporting Skill：分析营销数据，自动生成可视化报告
- SEO Skill：关键词分析、内容优化建议
十、销售实战：从线索到成交的全链路自动化
Prospecting & Lead Gen（潜在客户挖掘）
15 个并行子 Agent 同时筛查 150 条线索的场景（前面 Agents 章节已详述）。
加上 Apify，子 Agent 还能自动：
- 抓取每个线索的 LinkedIn 最新动态（用于个性化外拓）
- 补全公司规模、公司描述
- 检查是否已在 CRM 中
Lead Nurturing & Follow-Ups（线索培育与跟进）
连接邮件 + CRM，AI 自动分析沟通历史，给出个性化的下一步跟进建议。
Call Preparation Skill（电话准备技能）
在打销售电话前，调用 CRM 数据、邮件记录、过往会议转录，快速生成：
- 这个人/公司的背景摘要
- 过往沟通的关键节点
- 可能的异议和应对策略
- 建议的切入角度
Win/Loss Analysis（赢单/丢单分析）
这是 Ben 展示的最令人印象深刻的 Skill 之一。
工作方式：调用 CRM 里"成交"和"丢单"两列的所有线索，结合每个线索的会议转录（Fireflies）+ 邮件记录，生成一份综合分析报告。
报告内容包括：
- 赢单率总览
- 最佳/最差客户画像的关键特征
- 常见异议模式
- 转化线索的典型行为路径
- 按公司类型和定价维度的成交/丢单分布
- 成功案例详解
- 丢单原因深度分析
- 值得警惕的早期"红旗"信号
Ben 评论这个报告的洞察之深让他自己都意外——这是人工整理几乎不可能的分析颗粒度。
可以配合 Scheduled Task，每月自动运行一次。
Pipeline Review Skill（销售漏斗复盘技能）
每天运行，分析 CRM + 邮件 + 会议记录，给出今日应重点推进的线索清单，通过 Slack 发送。
还可以延伸为"Pipeline Hygiene（漏斗卫生）"——AI 自动根据最新沟通情况更新 CRM 里的线索状态，解决销售人员最痛恨的"手动更新 CRM"问题。
十一、第二大脑（Second Brain）：AI 操作系统的最终形态
这是课程的收官章节，也是把前面所有功能倍增的核心基础设施。
什么是第二大脑
技术实现：在 Obsidian（一个本地笔记应用）里维护一个文件夹，里面是 Markdown 格式的文档，然后把这个文件夹的访问权限给 Claude。
为什么 Obsidian 是最佳选择：
- Obsidian 的"知识库"就是你电脑上的一个普通文件夹，里面全是
.md文件 - 不需要 API、不需要 MCP、不需要云同步——直接给 Claude 本地文件夹访问权限
- 可以给任何 AI（Claude Code、Codex、其他工具）指向同一个文件夹，共享同一套知识库
CLAUDE.md：第二大脑的导航文件
有了几百上千个文档的知识库，AI 怎么知道去哪里找、往哪里存？
答案是 CLAUDE.md 文件——这是放在第二大脑文件夹根目录的一个说明文件，告诉 AI Agent：
- 这个知识库是如何组织的（文件夹结构）
- 不同类型的信息放在哪个位置
- 如何检索特定信息
- 更新后如何保存回正确的地方
举例：当你问 Claude "昨天的团队会议讨论了什么？"——
- Claude 识别到需要更多上下文
- 读取 CLAUDE.md，了解会议记录存在哪个文件夹
- 读取 Fireflies 昨日会议转录
- 回答你的问题
第二大脑的五大优势
优势一：跨对话的持久上下文
不再需要每次开新对话都把业务背景重新解释一遍。你的策略、你的项目、你的客户、你的工作方式——一切都已经在那里。
优势二：动态更新，实时生效
这是第二大脑最颠覆传统 Skill 构建方式的地方。
传统方式：你有 20 个 Skills，每个 Skill 文件夹里都有一份 ICP 文档的副本。今天你更新了 ICP——你要手动更新 20 个 Skill 里的 20 份副本。
第二大脑方式：20 个 Skills 都指向第二大脑里的同一份 ICP 文档。你更新一次，20 个 Skills 立刻同步。
Ben 举的例子：他发现自己不喜欢内容里出现破折号（em-dashes），在第二大脑的"写作偏好"文档里加了一条规则"永远不要使用破折号"——所有指向这个文档的 Skills（Newsletter、LinkedIn、YouTube 脚本等）立刻都执行这条规则。
优势三：跨 AI 工具共享
第二大脑本质上就是一个本地文件夹，所以可以同时给：
- Claude Cowork
- Claude Code
- Codex（GPT-4o）
- 任何支持读取本地文件夹的 AI 工具
指向同一个文件夹，得到同样的上下文。这意味着你不被绑定在任何一个 AI 平台上。
优势四：构建 Skills 更快
有了第二大脑，新 Skill 只需写 skill.md（流程）+ 指向第二大脑里对应的参考文件路径，不需要把上下文文件重新放进每个 Skill 文件夹。
优势五：跨团队扩展
这对业务来说是最重要的优势。
Ben 和他的整个团队共享同一个"Ben AI OS"文件夹（通过 iCloud 或文件同步工具）。团队中的每个人，只要把这个共享文件夹给自己的 Claude 访问权限，就能立刻获得：
- 最新的公司策略
- ICP 和品牌声音
- 公司背景和产品信息
- 所有共享 Skills 的参考文件
新员工的 AI Agent 第一天就拥有完整的公司上下文，而且不需要 IT 部门介入任何配置。
"Instantly, my entire team's AI agents have access to this context that makes them far more powerful and productive for my business. For example, my entire team will always have access to up-to-date strategy documents, ICP documents that their agents can instantly use."（立刻，我整个团队的 AI Agents 都能访问这些上下文，让他们在业务上更强大、更高效。比如，我的整个团队会始终拥有最新的策略文档、ICP 文档，他们的 Agent 可以随时使用。）
快速开始指南
第一步：在电脑上创建一个文件夹（就是你的"第二大脑"）
第二步：用 Obsidian 打开这个文件夹（Obsidian 免费，它只是一个可视化界面，底层就是普通文件夹）
第三步：建立基础目录结构，至少包括：
/第二大脑
/业务 (Business)
- 公司介绍.md
- ICP.md
- 品牌声音.md
- 策略.md
/项目 (Projects)
/团队 (Team)
/会议 (Meetings)
/知识 (Knowledge)
CLAUDE.md ← 最重要的文件
第四步：写 CLAUDE.md，告诉 AI 这个文件夹的结构，以及在哪里找什么、更新后存哪里
第五步：在 Claude Cowork 项目设置里，把这个文件夹设为绑定文件夹
第六步：逐步把你重要的业务信息迁移进来，边用边补充
十二、一个大的判断：Skill Engineering 在哪个阶段
Ben 在课程里说了一句话，我认为是整个课程最有分量的判断：
"Skill engineering is where prompt engineering was in 2022."（Skill 工程学现在所处的阶段，就是 Prompt 工程学在 2022 年的阶段。）
2022 年，Prompt Engineering 听起来是个很小众的技术词，但懂的人已经开始用它构建真正有价值的东西，两年后它变成了所有 AI 从业者的必备技能。
今天的 Skill Engineering 也在这个早期阶段：大多数人还没开始，懂的人正在默默构建自己的 Skill 基础设施。
两类人会被区分开来：
- AI 建设者：把领域专知编码进 Skills，形成可复用、可共享、可货币化的能力资产
- AI 用户：把 AI 当聊天工具，每次都从零开始
附录：金句收录
"Claude Cowork is quickly becoming one of the most important tools to master for knowledge workers. Kind of like Claude Code already is for engineers." （Claude Cowork 正迅速成为知识工作者最重要的掌握工具之一，就像 Claude Code 对工程师的意义。）—— Ben van Sprundel
"Context is really the key to get good outputs with AI." （上下文是从 AI 获取高质量输出的真正关键。）—— Ben van Sprundel
"Skills are essentially instructions for an AI agent on how to do a specific process. They can self-improve. They have human in the loop. But unlike a project or custom GPT, thousands of skills can be accessed by the same agent." （技能本质上是给 AI Agent 关于如何完成特定流程的指令。它们可以自我改进，支持人类介入。但不同于项目或自定义 GPT，同一个 Agent 可以访问数千个技能。）—— Ben van Sprundel
"The potential for Claude Cowork or an AI agent is to become the main interface for a person or a business to do work. Most of us jump between 15 different tools and softwares every day." （Claude Cowork 或 AI Agent 的潜力，是成为个人或企业完成工作的主界面。我们大多数人每天在 15 个不同工具间切换。）—— Ben van Sprundel
"Skills are never finished. What I've learned is the more you use them, the better they get. I've probably updated and iterated on my infographic skill around five times to get to the outcome I get now." （技能永远没有完成的时候。我学到的是：用得越多，它越好。我的 Infographic 技能大概经历了五次迭代，才到了现在的水平。）—— Ben van Sprundel
"Skill engineering is where prompt engineering was in 2022." （Skill 工程学现在所处的阶段，就是 Prompt 工程学在 2022 年的阶段。）—— Ben van Sprundel
术语表
| 术语 | 解释 |
|---|---|
| Claude Cowork | Anthropic 推出的面向非技术知识工作者的 AI Agent 工作台，桌面 App 专属 |
| Skill | 一个文件夹，包含 skill.md（SOP）和参考文件，告诉 AI Agent 如何执行特定流程 |
| Plugin | 多个 Skills 的打包集合，可分发、可版本控制，可在团队间共享 |
| MCP（Model Context Protocol） | 把一个工具的所有 API 调用打包成一个整体，供 AI Agent 一次性安装和调用 |
| Progressive Disclosure（渐进式披露） | 只有 Skill 元数据常驻内存，实际内容在触发时才加载，使 Agent 可以拥有数千个 Skill |
| Second Brain（第二大脑） | 以 Obsidian 为前端的本地 Markdown 文件夹，给 AI 持久化上下文和记忆 |
| CLAUDE.md | 放在第二大脑根目录的导航文件，告诉 AI 文件夹结构和数据检索/存储规则 |
| Eval | 用 AI 自动测试 Skill 输出质量的评估机制 |
| Dispatch | 从手机 App 触发桌面 Claude Cowork 执行任务的功能 |
| Apify | 专门爬取 LinkedIn、Instagram 等社媒数据的 MCP 工具，$29/月 |
| Human in the Loop（HiL） | 在自动化流程的关键节点插入人工确认/选择步骤 |
时间线索引
| 时间 | 内容 |
|---|---|
| [00:00] | 课程介绍与章节概览 |
| [02:24] | Setup：Cowork 和 Claude Chat/Code 的区别 |
| [03:56] | File Access：给 Claude 文件夹访问权限 |
| [05:36] | Projects：按任务类型建立工作空间 |
| [08:29] | Connectors：连接工具的优先级排序 |
| [09:40] | MCP 安装和配置 |
| [12:52] | Browser & Computer Use：最后手段 |
| [15:36] | Dispatch：手机触发 |
| [16:22] | Skills 介绍与重要性 |
| [19:07] | Skills 的定义和技术构成 |
| [23:33] | Skills 构建框架（六步法） |
| [31:06] | Skills 2.0：评估机制（Evals） |
| [34:02] | 完整 Skill 构建 + Eval 演示 |
| [40:47] | A/B 测试 Skills |
| [45:06] | Plugins 是什么 |
| [47:28] | Plugin 生态与 SaaS 颠覆论 |
| [50:15] | 构建和使用 Plugins |
| [53:05] | Agents 与 Sub-Agents 介绍 |
| [56:10] | Sub-Agents 的工作原理 |
| [01:00:02] | 150 条线索并行筛查演示 |
| [01:05:22] | 从头构建一个完整 Plugin |
| [01:08:40] | Scheduled Tasks：定时自动化 |
| [01:14:36] | 营销场景概览 |
| [01:16:25] | 完整 Copywriting Skill 构建演示 |
| [01:31:01] | 优化 Copywriting Skills |
| [01:36:01] | Visual Skills（Infographic 生成器） |
| [01:45:24] | Ideation & Research Skills |
| [01:50:33] | Data Analysis & Reporting Skills |
| [01:52:22] | SEO Skills |
| [01:53:37] | 销售场景概览 |
| [01:54:08] | Lead 挖掘与筛选 |
| [01:59:10] | Lead 培育与跟进 |
| [02:01:30] | Call Preparation Skill |
| [02:03:23] | Win/Loss Analysis Skill |
| [02:05:20] | Pipeline Review Skill |
| [02:06:40] | 第二大脑概念介绍 |
| [02:07:16] | 第二大脑的五大优势 |
| [02:13:47] | Obsidian + CLAUDE.md 工作原理 |
| [02:19:17] | 文件结构设置指南 |
| [02:23:41] | 现场搭建演示 |
评论
还没有评论，来第一个留言吧 ✨