零基础用Claude Code搭建AI Agent：从工作区到云端自治

大多数人对 Claude Code 的印象还停留在"开发者工具"，但一位非程序员创作者用自己的实际经历给出了相反答案：他用 Claude Code 搭建了一个能自动把长视频和 newsletter 转成动画轮播帖的 AI Agent，全程没有写一行代码、没有打开终端，所有操作都在 Claude 桌面应用的图形界面里完成。这套方法论被拆成四个层层递进的等级，对任何想从"聊天机器人"跨到"真正智能体"的人来说，是一条可复制的路径。

为什么 Agent 和 Chatbot 是两回事

区分两者的核心在于判断力。聊天机器人回答问题，Agent 承接任务：你给一个目标，它自己决定先做什么、用哪个工具、结果是否达标。

要让这种判断成立，每个 Agent 都需要五个部件：大脑（负责思考的 AI 模型）、上下文（它对你的品牌和业务知道多少）、任务（正在追求的目标）、规则（该怎么做、绝不该做什么）、工具（被允许动用的手段）。这五个部件贯穿了整套搭建流程，后面的每一级都是在强化其中某一环。

作者演示的案例是内容创作 Agent——把视频和 newsletter 转成 Instagram 轮播帖，素材包括品牌 logo、个人照片和几张真实历史帖子作为参考。

什么是 AI Agent（智能体）

AI Agent 是能感知环境、自主决策并采取行动以达成目标的系统。与传统聊天机器人被动应答不同，Agent 具备目标导向性：它接收一个任务后，会自行拆解步骤、选择工具、执行动作并评估结果，必要时还会调整策略重试。当前主流 Agent 多基于大语言模型（LLM）构建，模型充当「大脑」负责推理，外部工具（如文件读写、网页搜索、API 调用）扩展其行动能力，记忆机制则让它跨会话保留经验。Anthropic、OpenAI 等厂商均推出了配套的 Agent 开发框架，使非程序员也能通过自然语言配置出一个专用 Agent。

Level 0：先把工作区搭好，这一步最容易被跳过

就像新同事入职前要先布置好工位，Agent 也需要一个"办公室"。所谓的 workspace 在现实中就是一个文件夹，作者把它命名为 business os，用来存放所有 Agent 工作和生活的文件。

在 Claude 桌面应用里打开 Code 标签、选定这个文件夹后，有几个关键设置：权限模式建议从 auto 起步，让 Agent 连续工作而不频繁打断，同时把风险操作列入黑名单；模型选择上，作者用的是 Opus 5.5，理由是它"能精确遵循细节指令、设计品味好"——对内容 Agent 而言，这恰好是刚需。

接下来是"入职培训"：让 Claude 读取品牌官网，生成两个文件——一个是每次对话都会被首先读取的 onboarding 指南（claude.md），另一个是覆盖业务、受众、语调、视觉风格的品牌上下文文件。生成过程中 Claude 会主动追问字体选择和参考帖的偏好，这是补充上下文的好时机。

验证方式很直接：开一个新会话，让 Agent 规划下周的内容。它会自动读品牌上下文和历史帖子，产出一份贴合业务的内容计划。同一请求放到空文件夹里，输出质量立刻判若云泥——差别只在工作区。

据 B 站这位 UP 主的演示，这套"先搭环境再教技能"的顺序之所以重要，是因为它决定了 AI 产出的是通稿味的内容，还是带着你品牌基因的内容。

Level 1：用一个提示词"面试"出第一个 Agent

搭 Agent 不需要自己写配置。作者使用了一个现成的"Agent Designer"提示词：粘贴进去、描述工作内容，它就会反过来采访你，再自动设计出 Agent 文件。

内容创作 Agent 的职责被定义为"把长内容转成轮播帖"。生成后会在文件夹里出现对应的 Agent 文件，里面列出了前面说的五个部件。作者特别强调：这个文件对非技术用户来说可能显得很技术，但完全可以跳过不看，重要的是知道怎么用——在输入框打 @ 选中 Agent，交给它素材和限制条件（比如"不超过 10 张幻灯片"），它就会读取输入文件、自行判断并产出初稿。

第一次的结果通常不完美：图片没显示、字号不对、排版偏基础。这不是失败，而是常态——Agent 的第一版几乎从来不是最终版，迭代才是工作流的一部分。

Level 2：用 Skill 把"每次碰运气"变成"每次都靠谱"

初版 Agent 虽然风格在线，但每次运行的钩子、版式都靠临场发挥，一致性不足。解法是 Agent Skill——可以理解为交给 Agent 的一套作业手册。

作者创建的内容 playbook 技能里，还叠加了一个动效技能，让静态轮播变成动画。最高效的创建方式是让 Claude 反过来采访自己：品牌应有的情绪基调是什么？标志性动效是什么？作者还加了一句"think hard"，据他反馈这显著提升了提问质量。

结果相当直观：同一份轮播被逐页动画化，封面的人脸、自绘的循环图和路线图、贯穿首尾的玻璃罐作为移动元素，每一页都导出为独立视频文件，可直接上传为动效帖。作者的评价是"真的想用在下一期 Instagram 上"。

技能创建后还需要显式指派给 Agent，并更新 claude.md，让它在被要求做社交帖或轮播时自动调用这个 playbook——这两步是保证可靠性的关键。

Level 3：给它记忆，让 Agent 越用越聪明

换一份 newsletter 再做一次，Agent 会自己接活、按 playbook 执行，产出依然在线。但细节仍有偏差：出现了不属于品牌的棕色、内页背景缺乏变化。

问题在于 Agent 默认没有记忆，每次会话都是"第一天"。于是作者给它加了第三份必读文件——memory，与 onboarding 指南、playbook 并列。创建时他特意强调一条规则：只保存对未来内容有普适价值的反馈，而不是一次性修改。

随后用要点形式给出反馈，Agent 不仅修了当次的轮播，还把经验写进了 memory 文件。再换一份全新的 newsletter 测试，背景多样性到位、品牌色错误消失，明显能看出它在调用此前积累的教训。同样的机制也让作者进一步清理了黄色机器人图标和封面人脸的黑色描边。

到这里，一个真正可用的自我改进 Agent 已经成立：用得越多、反馈越多，判断力越强。

Agent 记忆机制（Memory）

大语言模型本身是无状态的，每次会话结束后不会保留对话内容，这导致 Agent 默认「每次都是第一天」。Memory 机制通过在外部文件中持久化关键信息来解决这一问题：Agent 在运行过程中把有价值的反馈、偏好、教训写入记忆文件，下次启动时优先读取。记忆通常分为短期（当前会话上下文）和长期（跨会话存储）两类。设计良好的记忆需要筛选规则——只保留对未来任务有普适价值的反馈，避免把一次性修改也沉淀为永久规则，否则记忆会膨胀并产生冲突。

Level 4：搬到云端，让它自己跑

前三级的 Agent 都活在笔记本里，合上盖子就断了。第四级是把它放上云，并补上两个工具：Notion（作为内容收件箱）和 GitHub（把 business os 文件夹同步成私有仓库，免费账号即可）。

流程打通后是这样：白天往 Notion 收件箱丢素材，手机上通过 Claude 移动端 App 让 Agent 检查待办并转成轮播草稿，即使锁屏后台任务也会继续跑；完成后 Agent 回写 Notion 链接，标记任务完成，作者只需审核和批准。

最后一步是定时任务。作者设置了一个每晚运行的任务，检查收件箱新条目、生成轮播草稿，甚至要求 Agent 根据过往反馈主动提出改进 playbook 的建议——形成自我进化的闭环。在设置中指定云端仓库后，任务会在预定时间自动执行。早上打开时，草稿已经在等着审核了。

什么是定时任务与云端 Agent

定时任务（Cron Job）是一种按预设时间周期自动触发执行的机制，在 Agent 场景中，它让智能体无需人工唤醒即可在指定时刻运行，例如每晚检查收件箱并生成草稿。将 Agent 部署到云端意味着它不再依赖本地电脑的运行状态——合上笔记本或手机锁屏后，任务仍在服务器上继续执行。云端部署通常需要代码仓库（如 GitHub）作为文件同步和版本管理的中枢，以及第三方服务（如 Notion）作为输入输出接口。这种组合使 Agent 从「随叫随到的助手」升级为「无人值守的数字员工」，是自主性最高的一级。

这套方法的可迁移性

作者给出的行动清单是：搭工作区 → 建 Agent（明确任务、工具、规则）→ 配 Skill 固定流程 → 加 Memory 持续进化 → 上云实现无人值守。不必一次做完，逐级推进即可。

值得强调的是，这套框架并不绑定内容创作。五个部件的结构——大脑、上下文、任务、规则、工具——加上 skill 和 memory 两层增强，对客服、研究、运营等任何领域的 Agent 都适用。真正的门槛不在于技术，而在于你是否愿意像带新人一样，耐心地把业务知识、工作标准和反馈沉淀给 Agent。

背景补充

Agent Skill 是什么

Skill 可以理解为封装好的「能力包」或「作业手册」，通常以结构化文档（如 Markdown 指令集）的形式存在，描述某类任务的标准流程、风格规范、输出格式和注意事项。当 Agent 被指派某个 Skill 后，它在执行相关任务时会自动加载这些指令，从而减少临场发挥带来的不确定性。Skill 与提示词的区别在于：提示词是一次性的对话输入，而 Skill 是可复用、可版本管理的持久化配置。多个 Skill 还能组合叠加，例如内容创作 Skill 叠加动效 Skill，让 Agent 同时具备内容生成和动画制作能力。