把 Claude 變成
工作系統，關鍵
不是提示詞

PART 1

從「寫好提示詞」轉向說清楚你要完成什麼

這集 How I AI 中，Grace Clarke 把自己從行銷顧問轉成 AI 工作流教育者的經驗，濃縮成一個主張：當工具能持續追問、接收語音、讀取上下文，最有價值的能力未必是把一段提示詞雕到最長，而是描述問題、結果與限制。

她稱此為 intent engineering。它不是讓模型猜你的意思，而是先把工作要達成的結果、已知條件與不可跨越的邊界講清楚，再讓對話補足細節。

本頁依據 How I AI 於 2026 年 8 月 10 日發布的訪談與完整逐字稿整理。受訪者分享的是自己的工作方法與示範；效率、成本與工具結果會隨帳號權限、資料品質、組織流程和模型版本而改變。

PART 2

Skill 不是魔法指令，而是可回看的操作手冊

影片把「voice guide」與其他 skill 檔案視為一種可攜帶的工作說明：它保存慣用語氣、提案格式、不能說什麼、要問哪些澄清問題，以及版本如何演進。這讓同一種工作不必每次從空白聊天窗重新發明。

真正的價值不只是讓輸出「像你」，而是把原本藏在腦中的判斷條件變成團隊可以檢查、修改與交接的物件。

PART 3

把自動化拆成可停
下來的交接點

Grace 展示的 pipeline operator、提案產生器與自訂收件匣，都是把重複工作串起來。但影片也反覆提醒：自動化不是把每個決定交給模型。客戶資料、信件發送、提案內容與權限操作，仍需要人知道系統做了什麼、能否撤回，以及何時該確認。

其中一個實際技巧是把 Claude Code 的工作狀態寫進 markdown session file，再交給其他介面延續。這種交接降低了上下文消失的成本，同時也迫使使用者把當前目標、已完成事項與未決問題說清楚。

PART 4

先建立使用習慣，再談大型 agent 系統

影片中的「two-step forcing function」很樸素：先讓人每天打開工具，再給一個小而具體的任務。對多數非工程背景的人，阻力常不是不會寫 prompt，而是不知道何時值得把模糊念頭交給 AI 展開。

因此較可靠的起點，是選一個可逆、可觀察的工作：整理提案骨架、把語音筆記變成待辦、分類收件匣，再把好的輸入、例外與修正保存回 skill。工作流成熟後，才有條件把它接到更高影響的流程。