前陣子，我教會一位朋友使用 Claude Code。他完全不會寫程式，連終端機是什麼都沒聽過。但他有一個很清楚的產品想法，一直找不到工程師幫他做。

兩週後，他把那個產品完整地實作出來了。

不是原型、不是 wireframe，是一個可以實際運作的產品。他全程沒有寫過任何一行程式碼——他只是用中文描述他要什麼功能，Claude Code 就幫他把程式寫出來、跑起來、除完錯。

你可能會想：那它跟 ChatGPT 到底差在哪？

一、你說中文，它寫程式

大部分人聽到「Claude Code」就先退了一步。Code，程式碼，那不是工程師的事嗎？

試試看跟它說這句話：「幫我把這個資料夾裡所有 PDF 的檔名，整理成一份清單。」

它會自己寫一段程式碼、跑完、把清單生出來。你完全不需要看懂那段程式碼。同樣的事在 ChatGPT 上做，它會把程式碼貼給你看，然後你得自己想辦法找地方執行。

你需要學的不是程式語言，而是怎麼把需求講清楚。但光是能下指令還不夠——如果它每次只能做一件事就停下來等你，那跟比較聰明的 Siri 也沒什麼兩樣。

二、它不是聊天機器人，它是 Agent

用過 ChatGPT 或 Gemini 的人對 AI 的印象通常是：問一個問題，得到一個答案。一來一回，像在傳訊息。

跟 Claude Code 說「幫我把這 20 張圖片都縮小到寬度 800px，轉成 WebP 格式，存到 output 資料夾」，看看會發生什麼。

ChatGPT 會給你一段教學。Claude Code 直接幫你做完，output 資料夾裡已經躺著 20 張處理好的圖片。中間如果某張圖片格式有問題，它會自己發現錯誤、換個方式處理、繼續往下跑。

聊天機器人給你資訊。Agent 幫你完成工作。

不過，這裡有一個問題。它能做事、能跑程式，但它做事的地方在哪裡？

三、它能直接操作你的電腦

一般的 AI 聊天活在瀏覽器的分頁裡，跟你的電腦之間隔著一道牆。它摸不到你的檔案、打不開你的資料夾、跑不了你的程式。

Claude Code 不一樣。它跑在你的終端機裡，你的整台電腦就是它的工作空間。

你跟它說「把桌面上那份報告裡的表格抓出來，轉成 Excel」。它真的去讀那份報告、解析內容、生成一個 .xlsx 檔案放在你指定的位置。不是給你教學叫你自己做——是它做完了，你打開檔案確認就好。

聽起來很強。但如果每次開啟它都要重新自我介紹、重新解釋你的工作背景和偏好，那你大概用三天就煩了。

四、它記得你是誰

跟 ChatGPT 聊天，每次開新對話都要重新說一遍：「我是做行銷的」「報告格式要用繁體中文」「我們公司用 HubSpot」。每次都要講，它每次都忘。

Claude Code 有一個叫 CLAUDE.md 的設定檔。你把工作背景、偏好、常用格式、公司的內部規範寫進去，每次啟動它都會先讀這份檔案。

你可以根據不同的專案類型，設計不同的 CLAUDE.md。寫部落格的專案有一份，管理客戶資料的專案有另一份，做產品開發的專案又是另一份。每份都帶著不同的背景知識和工作規範。

同一個工具，在不同的專案裡表現出完全不同的行為。它不是一個通用的 AI，它是你針對每一種工作量身定做的 AI。你甚至可以隨時告訴它「記住這件事」，下次開新對話，這些記憶還在。

但「認識你」只是第一步。你的工作領域有大量的專業知識——格式規範、品質標準、判斷邏輯——光靠一份設定檔裝不下。

五、它能學會你的專業領域

這就是 Skill 的用途。

Skill 是一份結構化的知識文件，告訴 Claude Code 在特定任務上應該怎麼做。我們團隊有一個「寫部落格文章」的 Skill，裡面定義了文章格式、語氣標準、該避免的用詞、品質評分方式。每次寫文章，Claude Code 就按照這份 Skill 的標準來執行。

把它想像成一本操作手冊。你把你最擅長的工作方法寫成 Skill，Claude Code 就能用你的標準幫你做事。

一個會計可以寫一份「月結報表」的 Skill。一個設計師可以寫一份「設計稿命名規範」的 Skill。一個業務可以寫一份「客戶提案信」的 Skill。這些 Skill 可以分享給同事，也可以跨專案使用。你的專業知識不再只存在你的腦袋裡。

到這裡，你有了一個認識你、懂你專業的 AI。但你每天的工作不只在一個工具裡完成——你要收 Email、更新 Notion、在 Slack 回報進度、到 Google Sheets 整理資料。這些工具之間，還是得靠你自己搬資料。

六、它能連接你用的所有工具

Claude Code 能透過 API、CLI 和 MCP 連接其他服務。

MCP（Model Context Protocol）聽起來很技術，概念卻很簡單——它是一個標準化的方式，讓 AI 可以直接跟其他軟體對話。裝了對應的 MCP 之後，你可以跟 Claude Code 說「把這份報告的摘要貼到 Slack 的 #marketing 頻道」，它就直接發出去了。

不用切換視窗、不用複製貼上、不用開 Zapier 設定自動化流程。一句話，串起原本要在三個工具之間跳來跳去的動作。

現在想像一下：你有一個理解你工作方式的 AI、它懂你的專業知識、還能操作你所有的工具。但如果你教會它的東西，每次都會消失呢？

七、一次教會，反覆使用

前面提到的記憶、Skill、MCP 連接，有一個共同的特性：它們是累積的。

你今天花 30 分鐘教會 Claude Code 怎麼處理月報，下個月只要說一句「跑月報」就好。你花一個小時把客戶分類的邏輯寫成 Skill，之後每次新客戶進來，它自動按照你的邏輯分類。

ChatGPT 的對話是一次性的，下次還是要從頭教。Claude Code 的設定是持久的，你投入的每一分鐘都在為未來節省時間。

三個月後回頭看，你會發現它已經知道你的工作方式、品質標準、常用格式和偏好工具。你投入的時間是線性的，但它帶來的時間節省是指數型的。

這就引出了最後一個問題：既然這些能力這麼強，為什麼是「現在」開始？

八、這是下一個必備技能

還記得 2000 年代初期，有人說「我的工作不需要用電腦」嗎？還記得 2010 年代，有人說「我不需要學 Excel」嗎？

我認為，「會不會用 AI 工具」正在成為跟「會不會用 Office」一樣基本的職場技能。差別在於，這次的轉變速度快得多。

現在學 Claude Code 的門檻，是它誕生以來最低的時候。社群資源在快速成長、操作介面越來越友善、Anthropic 持續在降低入門的摩擦。但工具的能力每週都在增加。

早一天開始，你就多累積一天的記憶、Skill 和工作流。等到身邊的人都開始用的時候，你已經有了三個月甚至半年的領先優勢。

這個優勢不是「我比你多認識一個工具」，而是「我的 AI 已經理解我的工作方式，而你的還在從零開始」。

從哪裡開始？

不需要一次學完所有功能。

第一步：安裝 Claude Code，用中文跟它說一件你今天本來要手動做的事。整理檔案、改檔名、合併資料——任何重複性的工作都行。

就這樣。從一件具體的小事開始。

當你第一次看到它在 15 秒內完成你原本要花 30 分鐘的工作，你就不需要任何人再說服你了。