策展筆記 Vol.31
閉環
🗞️ 社群新知 PLAYBOOK
CLAUDE.md 維護方法：Jackle Chen 的三層 PDCA 循環
（圖片來源：Jackle Chen - 《讓 Claude 變成你的形狀，持續改善你的 CLAUDE.md》）
用 Claude Code 開發一段時間後，很多人會遇到同一個問題：CLAUDE.md 越寫越亂，卻又不知道該怎麼改。你只有「感覺 AI 怪怪的」，但說不清楚哪裡出了問題。台灣狗語創辦人 Jackle Chen 在他的部落格分享了一套三層方法，三層疊起來形成一個 PDCA 循環，讓 CLAUDE.md 從靠感覺維護變成靠數據維護。
核心概念拆解：
這套方法的核心邏輯是：把每一次跟 AI 協作的經驗，都變成下一次的改進依據。
⇨ 第一層：階層式 CLAUDE.md——不要把所有規則塞在同一個檔案裡。根目錄放全域規則（開發哲學、命名規範、Git 慣例），各子目錄放該領域的專屬規則。Claude Code 會自動從當前工作目錄往上遞迴載入相關的 CLAUDE.md，不相關的不會被載入。規則越精準，AI 的注意力越集中。
⇨ 第二層：自訂指令 /Lesson——這是 Jackle 自己建的 Custom Command。任務完成後輸入 /Lesson，讓 Claude 回頭看剛才那段對話，分析哪裡走錯、為什麼最後能修正，然後把教訓寫入對應層級的 CLAUDE.md。通用教訓寫根目錄，特定框架的踩坑寫子目錄，單次經驗即時沉澱。
⇨ 第三層：自訂 Skill /project-insights——/Lesson 精準但靠人記得去做，有些問題要累積幾十次才看得出規律。Claude Code 本來就會把所有對話紀錄存在你的電腦上，Jackle 利用這一點，自己做了一個 Skill，讓 Claude 去掃描當前專案的對話紀錄，分析哪些問題反覆出現、哪些摩擦點最多，然後直接給出 CLAUDE.md 的具體修改建議。
操作示例：
三層裡門檻最低、今天就能試的是第一層。打開你現在的 CLAUDE.md，把裡面的規則過一遍，問自己：「這條規則是不是每次對話都需要？」如果不是，就把它移到對應的子目錄。這一個動作就能減少 AI 的注意力被無關規則稀釋。
Jackle 這套方法背後的邏輯，跟上期介紹的 Boris 使用哲學有一個直接的呼應——Boris 在說「把每次修正變成下一次的起點」，Jackle 在說「怎麼讓這件事自動發生、有數據支撐」。CLAUDE.md 不是寫完就放著的文件，而是一份會跟著你的使用習慣持續長大的說明書。
💡 創作者觀點 INSIGHT
簡光正：AI 時代最該升級的不是工具，是你腦中的思考模型
（圖片來源：kcchien GitHub Repo）
AI 工具迭代得越來越快，很多人追工具追到焦慮，卻很少停下來問：「我用什麼框架在思考？」當你叫 AI 幫你分析一個商業問題，如果腦中沒有對應的分析架構，你連 AI 的回答好不好都判斷不了。
創作者簡光正引用查理芒格的經典觀點：「要成為智者，腦中隨時都要有模型，且生活中不論是直接或間接經驗，都須整理到各個模型的架構上。」他從 2019 年就開始學習 Scott Page 的 Model Thinking 課程，花了好幾年把思維模型系統化，最近更做成了一個開源的 Claude Code Skill——收錄 253 個思維模型，橫跨決策、系統、策略、心理、風險等 10 個領域。
觀點拆解：
⇨ 思維模型是「提問的品質控制」——AI 能給答案，但問題的品質決定答案的品質。當你腦中有「二階思考」「事前驗屍法」這些模型，問 AI 的問題就會從「幫我分析這個」變成「用事前驗屍法找出這個計畫最可能失敗的原因」。框架越精準，AI 的輸出越有用。
⇨ 真正的威力在跨領域組合——單一模型只看到一個面向。這個 Skill 的核心設計是根據你的問題，自動從不同領域挑選 2-3 個模型交叉分析。模型之間同意，結論信心高；模型之間不同意，代表有值得深挖的複雜性。
⇨ AI 讓思維模型從「讀過就忘」變成「隨時上場」——以前學了模型，要用時想不起來。現在直接對 AI 說「用六頂思考帽收斂團隊意見」，模型就即時啟動。工具箱的價值不在背了多少，在用得出來。
行動應用：
下次遇到需要決策的問題，先別直接丟給 AI，問自己「適合用什麼框架拆解？」想不到就請 AI 推薦三個思維模型，選一個再重新提問。光是換一個框架，回答深度就完全不同。
工具會一直更新，而你「用什麼模型在想事情」才是真正拉開差距的地方。
⚙️ 創作者工具 TOOL
Publer：讓你的社群貼文不再被演算法沒收
創作者最無力的瞬間之一：花了兩小時寫好一篇長文，附上訂閱連結，發出去——觸及被砍。原因很簡單，Facebook、LinkedIn 這些平台不喜歡你在正文裡放外部連結，演算法會主動壓低這類貼文的曝光。你辛苦產出的內容，還沒被看到就沉底了。社群排程工具 Publer 的「Follow-up Comments」功能，正是為了繞過這道牆而設計。
工具解決方案：
⇨ 多平台一次排程：Publer 支援 Facebook、Instagram、X、LinkedIn、Threads、Bluesky 等主流平台，一篇內容可以同時排程到多個平台，並針對各平台個別調整格式與文案。
⇨ Follow-up Comments 策略發文：這是 Publer 最實用的功能。排程貼文時，你可以同步設定「第一則留言」，把 CTA 連結、hashtag 或補充資訊放在留言區而非正文。Publer 還能設定延遲發送（例如貼文發出 3 分鐘後再留言），模擬真人手動回覆的節奏，進一步降低被演算法偵測為自動化行為的風險。
⇨ Performance-based Actions 條件觸發：進階玩法——你可以設定條件，例如「貼文觸及超過 1,000 人但互動低於 20 次」時，自動追加一則留言推一把；或是貼文超過一週後自動轉發，讓舊內容有第二波流量。
應用情境：
以電子報創作者為例：每期發布時，正文放本期精華摘要，排程同步設定第一則留言放上「訂閱連結 + 一句 CTA」。延遲 3 分鐘發出，讓貼文先拿到初始曝光，再用留言補上導流資訊。一次設定，多平台同步搞定。
好的工具不只幫你省時間，更幫你把平台規則變成策略的一部分。當別人還在抱怨觸及被砍，你已經把限制設計成了流程。
✍️ 瑞塔反思 REFLECTION
最近我在做一件事：設計自己工作用的工具，讓專案筆記跟 AI Agent 形成一個會自我迭代的閉環。把自己的工作流程拆解、建立專業知識庫（KB），再參考 Claude Code Agent 的架構串起來，用 Obsidian 當主要介面。
第一階段的目標是讓它能依照我的 skill set，給出更策略性的回覆，甚至幫我依照 KB 中的內容按 SOP 處理例行工作。
過程中，最難的不是技術，而是定義規則跟流程。你得想清楚：什麼該記錄、什麼資訊要自動流進來、什麼時候該觸發更新、輸出的格式要長什麼樣。這些框架和流程的設計，才是工具真正的骨架（我跟 Claude 來回聊了不知道幾次，才慢慢調整到位）。
另一個體會是：不要等到資料完美才開始。先把骨架立好，把手邊的資料轉成筆記丟進去就對了。因為在整理資料的過程中，你會自然開始想「這些東西該怎麼被處理」。
我建議從最基本、你最熟悉的工作流程先開始，因為這樣你會最清楚怎麼跟 AI 溝通、最知道怎麼指揮 AI。
目前這套工作系統還在搭建中，等完成後，我再來詳細寫一篇介紹文分享！
P.S. 這套系統也參考了加恩的這篇文章：《我終於打造了 ADHD 人的最完美工作系統》中的專案與遊戲化設計，如果你剛好也在想怎麼設計自己的工作系統，真心推薦讀這篇！