告別 AI 孤島！手把手教你建立 Claude Agentic OS，睡覺時還能自動進化！

報告摘要

這堂課要解決的問題

多數團隊已經同時使用 Claude、ChatGPT、Gemini、Codex、本地模型與通知型代理，但工具之間缺少統一狀態、任務紀錄、成本視圖與改善回饋。
真正的瓶頸不是單一提示詞品質，而是 AI 工作流沒有像系統一樣被觀測、管理與持續改進：誰在使用、花多少代元、產生什麼價值、哪些知識已過期、哪些技能已失效。
本課的核心是建立 Claude Agentic OS：把模型訂閱、知識庫、技能、代理活動與自動化改善流程集中到一個可視化控制台，讓 AI 從單點工具升級為可營運的平台。
課後輸出不應是逐字稿，而是一份能對團隊說明的系統設計教材：包含架構、導入步驟、資料模型、KPI、治理風險與落地情境。

教學對象

AI 代理 / Hermes / Codex / Claude Code 使用者：已經有多個代理、技能或工作流，需要集中管理與量化成效的人。
系統工程師與平台負責人：需要把 AI 工具納入可觀測性、權限、資料來源、排程、成本與風險控制的人。
PM / 技術主管：需要知道 AI 投資是否有產出、哪些專案使用頻率最高、哪些知識庫需要維護、哪些自動化值得擴大導入的人。
團隊工具開發者：想把代理能力包成可交付儀表板，讓非工程角色也能看懂 AI 工作流狀態的人。
不適合對象：只想看單一聊天工具示範、尚未累積任何代理 / 技能 / 知識庫，也不需要管理成本與流程的人。

視覺路線圖

Claude Agentic OS 架構

01第 1 層

AI Usage Dashboard - 目的為建立成本與額度觀測；資料來源包含訂閱方案、代元用量、模型類型與任務類型；輸出為月成本、額度壓力、模型選型建議。

02第 2 層

Knowledge Hub - 目的為統一知識來源與新鮮度；資料來源包含 Obsidian、Pinecone、Notion、HTML 教材、本地記憶與專案文件；輸出為關聯圖、過期文件、缺少索引的資料。

03第 3 層

Skills Registry - 目的為管理可重複能力；資料來源包含 Codex 技能、Hermes tools、代理提示詞、風格規範與腳本；輸出為使用頻率、成功率、冷門技能、可封存清單。

04第 4 層

Agent Activity Map - 目的為追蹤代理實際產出；資料來源包含自動化代理、Claude Code、Codex、通知服務與本機 LLM 任務紀錄；輸出為專案活動、任務類型、產物連結與負責人。

05第 5 層

Dreaming Engine - 目的為自動產生改善提案；資料來源為前四層觀測資料；輸出為成本優化、知識補強、技能重訓、專案規則修正與人工審核清單。

系統工作流程

工程師操作模型

步驟 1步驟 1

定義導入範圍 - 先決定要管理個人工作站、單一專案，或整個代理團隊；同步定義 KPI，例如月成本、節省工時、知識過期率與建議採納率。

步驟 2步驟 2

安裝 OS template - 放到 VS Code、Cursor 或既有專案資料夾，讓 Claude 依 `CLAUDE.md` 或專案指令建立儀表板、本機服務與資料目錄。

步驟 3步驟 3

建立工具清冊 - 掃描 Claude App、Claude Code、Codex、Gemini CLI、通知服務、本地 LLM、VS Code extension 與自動化腳本，標記負責人與用途。

步驟 4步驟 4

連接知識來源 - 串接 Obsidian、Pinecone、Notion、HTML 教材、會議紀錄與本機文件，並記錄更新時間、來源可信度與可檢索狀態。

步驟 5步驟 5

建立價值模型 - 設定人員角色、時薪或每小時價值、任務類型與節省時間估算方式，讓每個 AI 產物都能回推成本效益。

步驟 6步驟 6

設定 Dreaming 排程 - 每日或每週掃描前四層資料，輸出改善建議；所有建議都必須包含原因、影響範圍、預期收益與負責人審核狀態。

工程應用

成本雷達

指標包含月成本、代元使用量、模型比例與任務分類；動作是把低風險任務移到較低成本模型，並保留高推理任務給高階模型。

技能盤點

指標包含 7/30/90 天使用次數、成功率、重複功能與最後修改日；動作是封存冷門技能、合併重複提示詞、安排需要重訓的風格規範。

專案健康檢查

指標包含是否有 `CLAUDE.md`、是否有測試指令、是否有產物目錄、是否有負責人；動作是補入門引導、補驗收標準與補常見任務規則。

知識庫視覺化

指標包含來源數量、更新時間、孤立節點、重複文件與引用次數；動作是補索引、標記過期內容、把教材與任務紀錄連回來源。

價值計算

指標包含節省時間、人工時薪、重工率與交付件數量；動作是把 AI 產出轉成可量化的節省金額與產能提升。

教學筆記

核心觀念

從 AI 工具孤島升級到 AI Operating Layer：重點不是再安裝一個工具，而是把既有工具接到同一套可觀測與治理框架。
儀表板不是裝飾介面，而是 AI 工作流的 observability layer；它要能回答成本、價值、資料狀態、代理活動與改善優先順序。
Dreaming 不是完全自動決策，而是排程式改善迴圈：系統先提出建議，再由負責人審核，最後把採納結果回寫成下一輪資料。
Agentic OS 的成熟度來自資料品質：如果代元、任務紀錄、知識庫版本、技能使用率與產物連結不完整，儀表板只會變成漂亮但無法決策的頁面。
工程師導入時要把每個 AI 輸出視為產物：HTML 教材、提示詞、腳本、會議摘要、規格整理、測試報告都應該有來源、版本、負責人與驗收狀態。

資料模型與指標

ModelSubscription：記錄工具名稱、方案、額度、月費、主要模型、代元使用與續約狀態，用於成本治理。
AgentProfile：記錄代理名稱、入口介面、任務範圍、負責人、使用模型、可用工具與最近產出，用於代理 portfolio 管理。
SkillDefinition：記錄技能名稱、觸發條件、依賴工具、成功案例、最後訓練日期與封存狀態，用於技能 lifecycle 管理。
KnowledgeSource：記錄文件類型、來源路徑、更新時間、可信度、索引狀態與引用次數，用於知識庫新鮮度與追溯。
ProjectActivity：記錄專案、任務、輸入來源、輸出產物、執行時間、人工確認結果與可重複性，用於衡量 AI 導入價值。
DreamingRecommendation：記錄建議內容、觸發原因、影響範圍、預期收益、風險、負責人審核與採納結果，用於建立持續改善閉環。
核心 KPI：代元成本、訂閱利用率、代理使用頻率、技能成功率、過期知識比例、孤立知識節點、節省工時、建議採納率、回歸錯誤率。

實務上可落地場景

代理管理中心：集中查看協調代理、內容輸出代理、PM 工作流程代理、通知型代理、Codex 任務與本地 LLM 工作流，讓每個代理都有定位、負責人、產物與使用狀態。
教學教材產線：內容輸出代理接收影片或文件後，自動取得內容來源、轉成個人教學 HTML、提供預覽、等待檔名與儲存位置確認，再存到本機工作站或版本化資料夾。
PM / 工程協作看板：把需求整理、會議紀錄、規格摘要、客戶問題與測試紀錄連到同一個任務流，降低資訊散落在聊天與本機檔案中的風險。
成本與效益看板：追蹤不同模型、代理、任務類型的代元成本與節省工時，找出高成本低價值任務，並提出模型切換建議。
知識庫治理：檢查教學 HTML、產品資料、會議紀錄、PM 文件是否過期、重複、缺少索引或沒有來源，避免代理用舊資料回答。
技能維護：找出長期不用的技能、重複功能、失效依賴與需要重訓的個人教學風格規範，讓代理能力庫保持乾淨。
夜間自動改善：每天或每週產出改善建議，包含重構腳本、封存技能、補文件、更新知識庫、降低成本與補驗收流程。

導入風險與控制

權限風險：API key、通知服務代元、Notion 代元與本地檔案權限必須分層保存；儀表板只能顯示狀態，不應直接暴露代元原文。
資料風險：知識庫來源要有更新時間、來源路徑與可信度；沒有來源或無法追溯的內容只能標成草稿，不能進入正式教材。
自動化風險：Dreaming 建議不得直接修改正式資料；要先進入審核 queue，由負責人確認後才可套用、封存或刪除。
成本風險：模型切換不能只看便宜；需要依任務風險分級，將高推理、客戶輸出與工程判斷保留在高可靠模型。
品質風險：每個 HTML 教材至少要檢查繁體中文、來源一致性、內容是否具體、是否出現空洞章節、是否誤把逐字稿當教案。
營運風險：代理數量增加後必須有負責人、版本、用途、停用條件與回復設計，否則控制台會變成另一個資訊孤島。

常見誤解

誤解 1：Agentic OS 是另一個聊天工具。實際上它是管理多個 AI 工具與工作流的控制台，負責觀測、治理與改善。
誤解 2：只要有 Claude Code 就夠。課程重點是把 Claude Code、Codex、知識庫、技能、成本資料與代理紀錄放到同一個系統中。
誤解 3：儀表板只是漂亮介面。真正價值在於看見成本、使用率、過期知識、閒置技能、專案健康度與可改善流程。
誤解 4：Dreaming 是自動魔法。它仍需要清楚的資料來源、工作區規則、負責人審核與採納紀錄，否則只會產生大量無法執行的建議。
誤解 5：導入一定要一次做完整平台。更務實的方式是先選一個高價值流程，例如教學 HTML 產線或代理管理中心，做出可驗收的最小版本。

工作坊設計

0-10 min：盤點目前團隊使用的 AI 工具、代理、知識庫與自動化腳本，先列出工具清冊與負責人。
10-25 min：畫出現有 AI 孤島，標記哪些工具沒有共享狀態、成本、任務紀錄、產物連結或知識來源。
25-40 min：設計第一版 Agentic OS 儀表板，至少包含成本、技能、知識庫、代理活動與 Dreaming 審核 queue。
40-55 min：選一個真實工作區建立 `CLAUDE.md` 或代理 instruction，定義可掃描的資料目錄、測試指令、輸出格式與驗收標準。
55-75 min：建立第一版資料模型，填入 3 個代理、5 個技能、5 個 knowledge sources 與 3 個 project activities。
75-90 min：產生第一輪 Dreaming 建議，分成採納、拒絕、延後與需要人工確認，並定義下週要追蹤的 KPI。

驗收清單

能說明 AI 工具孤島會造成的管理問題：成本不可見、知識不可追溯、技能失效、代理產物散落與改善建議無法閉環。
能畫出 Agentic OS 的五層架構：Usage、Knowledge、技能、Agents、Dreaming，並說明每層的資料來源、輸出與負責人。
能列出儀表板必須追蹤的指標：代元、成本、訂閱利用率、代理活動、技能成功率、知識庫新鮮度、節省工時、建議採納率。
能設計一個個人代理管理中心的最小可行版本，至少包含內容輸出代理、協調代理、PM 工作流程代理、Codex 任務與本地 LLM 工作流。
能為 HTML 教材產線定義端到端流程：來源取得、內容理解、個人教學風格生成、預覽確認、檔名確認、儲存位置確認與本機歸檔。
能判斷哪些改善建議可自動採納，哪些必須由負責人審核，並保留稽核紀錄與回復路徑。
能辨識不合格輸出：內容空洞、與來源不相關、出現簡體字、只貼逐字稿、缺少工程應用、沒有來源或沒有驗收標準。

來源

告別 AI 孤島！手把手教你建立 Claude Agentic OS，睡覺時還能自動進化！｜whisper-cpp:ggml-small.bin

開啟來源