策展筆記 Vol.13
思想與智慧
🗞️ 社群新知 PLAYBOOK
Claude Skills：把你的專業打包成 AI 隨時取用的外掛
（圖片來源： Anthropic）
AI 總是不懂你的公司內部規範或特定工作流程嗎？你是否厭倦了每次都要用冗長的 Prompt「提醒」AI 你的品牌色碼、寫作風格？
Anthropic 於 2025 年 10 月 17 日發布的 Claude「Skills」功能，正試圖解決這個痛點。
它讓使用者能將特定的指令、腳本和參考資料打包成一個個獨立的「技能包」資料夾，讓 Claude 在需要時能自動取用，把 AI 從一個通才，變成懂你需求的專家。
核心概念拆解：
⇨ 專屬任務外掛包：你可以把一個「Skill」想像成一個專屬資料夾，裡面裝滿了執行特定任務所需的說明和資源。例如，建立一個「公司品牌指南」的 Skill，包含官方的品牌顏色、字體和溝通語氣。當 Claude 執行相關任務時，就會自動載入這個技能，確保產出符合規範。
⇨ 智慧化自動調用：最方便的是，你不需要手動指定要用哪個 Skill。Claude 會在處理任務時，自動掃描並載入最相關的技能，而且只會讀取需要的最小化資訊和文件，以確保運作效率。它甚至能組合、堆疊多個 Skills 來處理複雜任務。
⇨ 一次建立，跨平台使用：你建立的 Skill 具備高度可攜性，在 Claude apps、Claude Code 或 API 中的格式都相同，可以一次建立、到處使用。甚至還有一個名為「skill-creator」的官方技能，能引導你以互動問答的方式，輕鬆建立自己的 Skill，無需手動編輯文件。
操作示例：
假設你是一位內容創作者，需要為不同平台產出風格各異的文案。你可以建立兩個 Skills：
「社群貼文風格」Skill：內含你的 IG 寫作語氣、常用的 emoji 和 hashtag 格式。
「深度文章風格」Skill：包含較為正式的寫作結構、引用資料的格式要求。
當你對 Claude 說：「幫我把這份筆記寫成一篇 IG 貼文」，它會自動啟用第一個 Skill，產出活潑、口語化的內容。若你說：「用這份筆記草擬一篇深度分析文章」，它則會改用第二個 Skill，生成結構嚴謹、風格專業的長文。
Claude Skills 的出現，代表我們與 AI 的協作模式，正從單次的「指令溝通」進化到可重複使用的「工作流賦能」。這讓 AI 的產出更穩定、更可預測，也讓每個團隊或個人，都能把自身的專業知識，真正內化成 AI 的一部分。
💡 創作者觀點 INSIGHT
snewman：別跟 AI 比博學，鍛鍊你的『流動智力』
（圖片來源：LESSWRONG - 35 Thoughts About AGI and 1 About GPT-5）
AI 在知識廣度上的超人表現，已是不爭的事實。這也讓創作者普遍陷入一種焦慮：當 AI 能在幾秒內寫出引經據典的文章時，我們還剩下什麼價值？
來自 LessWrong 社群的創作者 snewman 在其發人深省的文章《關於 AGI 的 35 個想法》中，提供了一個絕佳的分析框架，幫助我們重新定位自己的核心價值。
snewman 觀察到一個核心現象：
與人類相比，大型語言模型似乎在「晶體智力」（crystallized knowledge）上達到了超人水平，而這正掩蓋了它們在「流動智力」（fluid intelligence）上的缺陷。這個區分，恰好為創作者指出了在 AI 時代的生存之道。
晶體智力：指後天學習、累積而來的知識、事實與經驗。可以理解為「博學」。
流動智力：指在新情境中解決問題、識別模式、進行邏輯推理的能力。可以理解為「聰明」或「洞察力」。
觀點拆解：
⇨ AI 靠「博學」取勝，而非「聰明」：
snewman 指出，AI 在解決數學難題時，往往不是靠找到優雅、巧妙的解法，而是依賴於它龐大的知識庫，知道某個剛好能解題的冷僻定理，或是用暴力破解的方式硬算出來。
這種方式雖然能得到正確答案，卻無法提供過程中的「洞見」（insight）。
⇨ AI 在「學習效率」與「頓悟」上仍有障礙：
人類擁有一種 AI 難以企及的能力，叫做「樣本高效學習」（sample-efficient learning），也就是能從少量範例中快速掌握新技能或概念。例如，人類可以從幾個例子中就找出 ARC-AGI 謎題的規律，但 AI 卻對此感到非常困難。
snewman 認為，AI 的「脈絡中學習」可能只是在「喚醒記憶」，而非真正學會新概念。這種學習上的根本差異，限制了 AI 產生真正「頓悟」（aha moment）的能力。
行動應用：
放棄與 AI 比博學：別再把目標設定為成為一個「什麼都知道」的專家。承認 AI 在晶體智力上已是超人，把所有資料整理、事實查核、知識引用的工作都交給它。
刻意鍛鍊你的流動智力：將創作重心轉移到 AI 做不到的事情上。例如：為一個複雜問題找到一個巧妙的「重構」（reframing）視角；在看似無關的領域間建立獨特的類比與連結；培養自己對趨勢的「判斷力」（judgement）和對人性的「洞察力」（insight）。
把 AI 當作你的「外掛晶體智力」：讓 AI 成為你隨時可用的博學助理。你負責提出深刻的問題、定義獨特的框架，然後驅動 AI 龐大的知識庫來為你服務，讓你從繁瑣的知識勞動中解放，專注於產生真正的智慧火花。
當 AI 能提供無限的「答案」時，創作者的價值，就在於提出那個無法被輕易回答的、充滿洞見的「問題」。
⚙️ 創作工具 TOOL
Effie AI：為「思想者」打造一個不受打擾的寫作空間
你是否也曾覺得，市面上強大的筆記軟體，學起來像是在鑽研另一門學問，反而離「寫作」越來越遠？
對於這一點，身兼創作者與產品經理的 Effie 創辦人李自然，顯然也深有同感。
他認為，許多軟體與其說是「寫作軟體」，不如說是為文案工作者設計的「文字處理軟體」，它們充斥著按鈕、彈窗，根本不是為真正的「思想者」所設計。
Effie 的誕生，正是為了解決這個核心痛點：為創作者提供一個能將腦中思想順暢轉化為文字的純粹空間。
工具解決方案：
Effie AI 的設計哲學是「退讓」，讓工具本身退到幕後，尊重創作者的內容。它透過幾個獨特的設計，實現了這種「沉浸式」的創作流程。
⇨ 思想一體化：無縫整合思維導圖、大綱與寫作
市面上大多數工具，要嘛只能做思維導圖，要嘛只能寫文章，創作者常常需要在兩個軟體間來回切換。
Effie 的核心正是打通了這個斷點，你可以用 AI 輔助進行腦力激盪，生成一張思維導圖；接著一鍵將其轉為大綱；最後再將大綱擴寫成一篇數千字的長文，整個過程都在同一個地方完成。
你的思想，無論是發散的導圖還是收斂的文章，都被安放在同一個地方。
⇨ 不打擾的 AI 助理：支持非同步、併發的 AI 協作
這是 Effie AI 最與眾不同的設計。多數 AI 工具在你下達指令後，都只能看著它一個字一個字地輸出，打斷你的創作心流。
Effie 的 AI 則像一個真正的助理：你可以隨時向它派發多個任務（例如，一邊潤飾A段落，一邊請它回答B問題，同時讓它擴寫C節點），然後繼續進行你自己的寫作，AI 會在後台完成工作，並在不打擾你的情況下呈現結果。
應用情境：
假設你要寫一篇關於「希臘神話」的文章，但你對此一無所知。
在 Effie 的空白頁面，呼叫 AI 進行「頭腦風暴」，主題是「希臘神話入門」。AI 會直接生成一張包含核心概念的思維導圖。
在導圖模式下，你覺得「宙斯」這個節點內容太少，可以選中它，讓 AI 根據上下文進行擴充。同時，你對「現代生活的起源」也很好奇，可以同時選中該節點讓 AI 擴寫。
當你對整個思維導圖的結構滿意後，點擊「轉換為長文」，AI 會在後台根據這張導圖，生成一篇數千字的完整文章。在這個過程中，你完全可以去做別的事，甚至關掉軟體。
Effie AI 體現了一種「反功能堆砌」的產品哲學。李自然認為，簡潔從不是靠做減法，簡潔的背後是更複雜、更精巧的構思。它的目標不是成為一個什麼都能做的「資訊資料庫」，而是專注做好「文字創作」這一件事。AI 在其中的角色，也始終是「副駕駛」，真正的靈魂永遠是創作者本人。
Effie AI 提醒我們，好的創作工具不應該追求功能的繁複，而應追求體驗的純粹。它不僅僅是一個軟體，更是一個為創作者劃清界線、可以安心獨處的空間，讓每一次寫作，都回歸到思想本身。
✍️ 瑞塔反思 REFLECTION
這週看了強化學習之父 Richard Sutton 的一篇訪談，感受非常震撼。
在整個 AI 領域都在為大型語言模型（LLM）的成就喝采時，他卻像一位冷靜的智者，從根本上提出了質疑：我們現在走的，或許是一條死胡同。
這篇訪談的價值，在於它迫使我們從狂熱中抽離，重新思考「智慧」的本質。Sutton 的觀點極具顛覆性，我整理出三個值得我們深思的啟發點：
▋啟發一：模仿的終點，不等於智慧的起點。
Sutton 指出，LLM 的核心是「模仿」，它們透過學習海量的人類文本，變得越來越會「說人話」。但這不代表它們理解世界。
他認為，真正的智慧，需要一個能影響外部世界的「目標」（Goal），並從真實的回饋（Reward）中判斷對錯好壞。LLM 缺乏這個機制，因此它更像一個精緻的「行為系統」，而非一個「智慧體」。
這提醒我們，能流利對話，與擁有真正的理解和推理能力，是兩件截然不同的事。
▋啟發二：「苦澀的教訓」正在上演 2.0 版本。
Sutton 著名的《苦澀的教訓》指出，依賴「人類知識」的 AI 方法，長期終將被更具擴展性的「通用計算方法」所超越。
他認為，LLM 正是最新、最龐大的「人類知識」集合體——整個網際網路的文本。他預言，未來能夠直接從「與世界的互動經驗」中學習的 AI，將會因為能獲取無限的、非人類產生的數據，而最終超越受限於文本資料量的 LLM。
我們正在見證的，或許只是下一個偉大突破前的序章。
▋啟發三：真正的智慧來自「體驗」，而非語言模仿。
Sutton 提出了他心中的正確路徑：「體驗式範式」。他認為，智慧的基礎，來自於生命體一生中不間斷的「感知、行動、獎勵」數據流。
AI 的知識，應該是關於「如果我採取某個行動，接下來會發生什麼」的陳述，並能被真實的經驗持續檢驗。
他認為，我們普遍相信的「模仿」並非學習的核心，真正的學習是像所有動物一樣，透過無數次的「試錯」（trial-and-error）來建立對世界的認知。
這就是為什麼他會說出「如果我們能理解一隻松鼠，我們就幾乎完全理解了人類智慧」這樣驚人的話，因為在他看來，語言和文化，只是附著在這個共通學習機制上「薄薄的一層鍍金」。
Sutton 的觀點像一面鏡子，照見了當前 AI 發展的根本路線之爭：真正的智慧，應該是窮盡人類所有知識的「模仿者」，還是一個從零開始、透過自身與世界互動來學習的「探索者」？ 這個問題，或許定義了 AI 的未來。