用 Claude 自动化了一整天工作流，我总结出这些

最近看到一个视频，SEO 创业者 Julian Goldie 做了一个一小时的 Claude 大师课，现场演示了用 Claude 构建落地页、自动化 SEO 内容、创建小程序、管理社交媒体——全程不写一行代码。

说实话，一开始我觉得这种标题又是一个”AI 万能论”的营销视频。但看完之后，我发现他演示的几个工作流设计思路确实有东西——不是 Claude 能做什么，而是怎么把 Claude 的能力编排成可复用的系统。

这篇文章不是视频的整理稿。我挑了他演示中最有价值的几个思路，结合我自己这段时间用 Claude 的体感，以及社区里的一些最佳实践，重新组织了一下。

一、Projects：不是”项目”，是你的自动化机器人

Claude 里面有个功能叫 Projects，很多人可能完全没注意过。它藏在侧边栏里，点进去才能看到。

Julian 现场演示了他的 Projects 列表——SEO 写作、推文创作、直播准备、YouTube 标题生成，每个都是一个独立的自动化工作流。

一个 Project 本质上是一个定制的 Claude 实例，包含三个核心配置：

配置 作用 类比
Instructions 告诉 AI 每次做什么的规则 操作手册
Files 附加的知识库（GitHub/Google Drive 导入） 参考资料
Memory 用几次后自动出现，记住你的偏好 经验积累

关键发现是：Claude 在遵循长指令方面比 ChatGPT 准确得多。 Julian 原话说的，我也深有同感——你给 ChatGPT 写一堆指令，它经常忘这忘那，明明说了三遍的东西还是给你忽略。Claude 不会，你写了十条规则它就真的一条条执行。

这一点我自己也有体感。我在用 Claude Code 写 Skills 的时候，SKILL.md 里动不动几十条规则，Claude 的遵守率明显高一个档次。

社区里也有人总结了一套 Claude 工作流的最佳实践，核心是四个阶段：Research → Plan → Implement → Validate，每个阶段结束清一次上下文，保证不超过 60% 的上下文占用率。这跟我的经验一致——上下文管理是 Claude 工作流里最容易被忽视、也最致命的环节。 上下文一爆，之前所有精心编排的指令都白费。

Projects三要素：Instructions + Files + Memory 围绕定制Claude实例

二、反馈循环：用数据训练 Claude，越用越好

这是整个视频里我觉得最有价值的一个思路。

Julian 做了一个推文自动化系统，核心不是”让 Claude 写推文”，而是用实际数据不断训练 Claude 写出更好的推文。具体做法是：

  1. 用电子表格追踪每条推文的浏览量和使用的”钩子”（hook）
  2. 把表现最好的前 10% 钩子和最差的 90% 分别整理
  3. 把这些数据喂给 Claude 的推文 Project，告诉它：多做这种，少做那种
  4. 每天更新数据，重新训练

结果？X 的每日触达从 12 万涨到 30 万+。

反馈循环：发布内容 → 追踪数据 → 分类好坏 → 训练Claude → 生成更好的内容

这不是一个提示词技巧，这是一个系统工程。 反馈循环让 Claude 从”按指令生成”变成了”按数据进化”。用得越多，产出越好。

这个思路完全可以迁移到其他场景。我自己写文章也是这样——我会把表现好的文章结构和表达方式记下来，下次写的时候自然就会往那个方向靠。只不过以前这事靠人脑记，现在可以靠 Claude 的 Memory 来记。

Reddit 上有人用类似的方法做代码 review：把历史 bug 报告喂给 Claude，让它 review 新代码时重点检查那些容易出错的地方。这本质上就是把团队的经验沉淀变成 AI 的判断标准。

一句话总结：反馈循环的核心不是”让 AI 更聪明”，而是”让 AI 更懂你”。

三、Artifacts：不懂代码也能造工具

Claude 的 Artifacts 功能很多人知道，但可能没意识到它能做什么。

Julian 演示了一个案例：说一句”创建一个番茄钟小程序”，Claude 就在聊天框里生成了一个完整的计时器——专注模式、短休、长休，全有。然后观众在评论区说”游戏化它”，他又说了一句”加入经验值、等级系统、成就系统”，Claude 就真给改成了一个带声效的生产力游戏。

从想法到可用的工具，中间只隔了一句话。

从想法到工具：一个想法 → 一句话提示 → Claude生成完整小程序

更实用的一个例子是他做了一个 AI SEO 写作工具：输入主题、关键词、字数，一键生成 SEO 文章。本质上是用一个提示词造了一个 SaaS 工具，零代码。

生成的 Artifacts 可以直接发布获得分享链接，也可以下载文件部署到 Netlify 绑域名。Julian 就是这样做的——他用 Claude 生成了一个落地页，下载项目文件部署到 Netlify，绑了自定义域名 apiprofitboardroom.com，整个流程不到十分钟。

你可能会说：这些小工具多简陋啊，能用吗？

没错，简陋。但简陋的工具在手里，比完美的工具在脑子里强一万倍。 你不需要一开始就做出产品级的东西——先跑通流程，再迭代质量。

Claude 官方也专门出了一个 Artifacts 教程，叫”Use Artifacts to Visualize and Create AI Apps Without Ever Writing a Line of Code”。里面提到一个实用的技巧：Artifacts 有个”15 行规则”——如果你的请求太复杂，Claude 可能不会触发 Artifact 模式，这时候需要把需求拆分成更小的步骤。

还有一个容易踩的坑：免费用户有存储限制。所以如果你打算用 Artifacts 做正经的工具，Pro 订阅基本是必须的。

四、SEO 内容自动化：不是替代你写，是帮你改

Julian 的 SEO 写作 Project 做得很细。他的工作流是这样的：

  1. 从 YouTube 视频复制字幕
  2. 粘贴到 SEO 写作 Project，附上目标关键词
  3. Claude 自动生成格式规范、关键词前置、每句独立成行的 SEO 文章
  4. 一次生成 5-10 个不同版本，分发到 LinkedIn、X、Reddit 等平台

他展示了实际数据：从 9 月开始用这个流程后，网站流量持续上升。他用的关键词在 Google 首页同时有视频和文章排名。

Google 不排斥 AI 生成的内容——它关心的是内容质量是否真正回答了用户的问题。 这一点我在社区里也看到很多人验证了。

但我想说一个 Julian 没提到的点：Claude 生成的 SEO 内容，价值不在于”生成”这个动作，而在于”改”这个动作。

直接让 Claude 生成一篇文章，质量大概在 60-70 分。但如果你给它一套精心设计的 Instructions（就像 Julian 做的那样），包括你的写作风格、目标受众、CTA 策略、关键词布局规则——质量可以拉到 80-85 分。剩下的 15 分，需要你自己把关和调整。

这个”Instructions”才是核心竞争力，不是 AI 本身。

PromptBuilder 上有一篇 Claude 提示词最佳实践的文章，核心建议是：用”合同式”的系统提示词，把输入和指令视觉分离，用例子代替长篇解释。这跟我的经验一致——好的提示词不是越长越好，而是越结构化越好。

五、Claude Code + Chrome：从聊天框走进操作系统

视频后半段展示的 Claude Code 和 Claude for Chrome，才是 Claude 真正拉开差距的地方。

Claude for Chrome 是一个 Chrome 扩展，能直接操控你的浏览器——打开标签页、填写表单、在 Google Docs 里写文章、甚至操作 WordPress 后台发布内容。它有两种模式：先问再做（安全）和直接执行（高效但高风险）。

Julian 演示了让它自动在 Google Docs 里创建一篇 SEO 文章：它自己打开新标签页、创建文档、输入内容——全程免动手。

Claude Code 是终端里的 Claude，专门处理技术任务。克隆 GitHub 仓库、配置 Docker、安装依赖——这些平时要折腾半小时的事，给它一个 GitHub 链接，它自己搞定。

他还展示了把 Claude Code 和 Google 的 Project IDX（免费 IDE）结合用：在 IDX 里用 Gemini 生成的代码不够好？直接开终端让 Claude Code 来改。相当于白嫖了 Claude 的编码能力来增强免费工具。

社区里有人总结了 Claude Code 的几个杀手级场景：

场景 说明
大规模重构 200+ 文件的项目迁移，Claude Code 能理解整个代码库的上下文
API 集成 连接外部 API，自动生成调用代码
自动化 Agent Newsletter 自动化、CI/CD 流水线
架构规划 分析代码库并给出架构建议

这给我一个启发：Claude 的优势不在于某个单一功能，而在于它覆盖了从浏览器到终端的完整链路。 Chat 是入口，Code 和 Chrome 是延伸，Projects 是编排层——三层配合，才能把自动化真正跑起来。

Claude三层能力架构：Chat入口 → Projects编排 → Code/Chrome执行

六、Skills：把你的工作流打包带走

Skills 是 Claude 的另一个被低估的功能——可复用的定制指令。

Julian 演示了怎么把一个聊天过程直接保存成 Skill。比如他之前在某个聊天里做 YouTube 标题分析，做得挺好，就说了一句”把这个保存为 Skill，叫 YouTube titles”，Claude 就自动生成了一个 Skill 文件，包含了成功的模式、要避免的错误、以及生成流程。

之后在任何聊天里，只要说”用 YouTube title skill”，就能直接调用。

这意味着什么？你不再需要每次都重新描述你想让 AI 怎么做。 做过一次、验证过有效的工作流，直接打包，下次一键调用。

Skill打包流程：散乱的摸索经验 → 整理成Skill → 一键调用复用

Anthropic 官方的 Skills 创建指南里强调了几个原则：

  1. 每个 Skill 应该解决一个具体的、可重复的任务
  2. 指令要清晰，包含示例
  3. 明确定义 Skill 什么时候适用、什么时候不适用

社区里有一个 DBS 框架（Direction, Blueprints, Solutions）被广泛推荐用来构建 Skills。我自己写 Skills 也有同样的感受——Skill 的价值不在于让 AI “能做某件事”，而在于让 AI “做某件事的下限大幅提高”。 没有 Skill，每次从零摸索，质量波动巨大。有了 Skill，有经过验证的流程兜底。

一句话总结：最好用的 Skill，永远是下一个你自己造的那个。

七、30 天行动追踪：用 Claude 解决”知道但做不到”

最后一个我觉得值得说的，是 Julian 用 Claude 做 30 天行动计划的思路。

以招聘销售代表为例，他让 Claude：

  1. 制定 30 天计划
  2. 生成每日输入任务追踪表（发帖、外联、社区互动）
  3. 设置输出指标（收到的简历、筛选电话、面试数量）
  4. 加入日期对齐和公式计算

Claude 直接生成了一个带颜色的 Google Sheets 追踪表。他的评价是：”别人花一天做的事，我们 10 分钟就自动化了。”

这个模式的核心不是”AI 帮你做计划”，而是”AI 帮你把计划拆成你不可能失败的颗粒度”。 每天的任务具体到一个数字（发 1 个帖子，联系 3 个候选人），你只需要执行，不需要思考”今天该干什么”。

这个思路我在很多场景都用过。比如我自己写文章，有时候就是没有一个清晰的计划，想到哪写到哪，效率很低。后来我让 Claude 帮我拆了一个”每日写作计划”——每天写多少字、哪个时间段写、写什么主题——就这样一个简单的追踪表，写作效率直接翻倍。

说到底，大多数时候我们不是不知道该做什么，而是面对一个模糊的大目标时不知道从哪里开始。 Claude 做的就是把这个模糊的目标变成一组清晰的、可执行的、每天都能打卡的小任务。

写在最后

回过头看这个视频和这段时间的摸索，Julian 演示的技术花样很多，但我认为真正值得带走的就几个核心思路：

思路 一句话
Projects 把重复任务变成可复用的自动化流程
反馈循环 用数据训练 Claude，而不是用提示词
Artifacts 先造简陋工具跑通流程，再迭代质量
Code + Chrome 从聊天框延伸到终端和浏览器，三层配合
Skills 做过一次的有效工作流，打包带走
行动计划 让 AI 把计划拆到你不可能失败的颗粒度

如果只记住一点：不要把 Claude 当聊天工具用，把它当工作流引擎用。 聊天是最低效的用法——你每次都要重新描述上下文、重新教它怎么做。而 Projects、Skills、反馈循环，这些才是把 Claude 从”偶尔用用”变成”每天都离不开”的关键。

至于我自己的建议：先找一个你最常做的重复任务，建一个 Project，从今天开始跑。 不要等”想清楚了再开始”——先跑起来，边用边调。Claude 的 Memory 会记住你的偏好，你用得越多它越懂你。

这就是 Claude 最被低估的能力：不是它有多聪明，而是它越用越懂你。

参考资料