Claude

Key Takeaway

• Claude推出的Analysis tool（数据分析工具）能够帮助用户对数据表格进行分析和可视化呈现。
• 该工具基于Claude强大的代码能力和Artifacts功能，能够处理CSV文件并进行数据可视化。
• AI在数据分析领域的应用，将像AI编程一样，赋能更多非专业人士。
• Claude的数据分析能力使其在“严肃生产”场景中具有显著优势，可应用于市场营销、销售、IT等领域。
• 文章强调“严肃生产”是AI应用落地最有价值的场景。

Full Content

AI不只是要抢程序员的饭碗，现在连数据分析师也不放过。Claude前些天推出的Analysis tool特别好用。你手里如果有一份数据表格，想让AI帮你做些分析，并且可视化呈现，一定要试试这个功能。

目前这个分析工具还处于预览阶段，默认是没有打开的，就像最开始的Artifacts一样。所以需要咱们去Feature Preview选项里，把它勾选上，然后就开心使用啦。

对数据表格做分析，一直是很多人的刚需，但却是大模型的短板。像Claude之类的头部产品，虽说硬着头皮也能做，但它提供的结果是概括性的、比较宏观的，还做不到更加细致、精确的分析。这次新出的数据分析工具就补上了这个短板。它建立在两个基础上：

第一，代码能力。目前Claude的代码能力是全球公认最强的，没有之一。所以它可以直接使用JavaScript对用户上传的CSV文件进行读取、解析和重构，就像咱们人类数据分析师一样的处理方式。而且在处理的过程中如果遇到什么错误的话，它还会自己修复。

第二，Artifacts功能。对Claude以及所有Chatbot来说，Artifacts都是一个非常重要的创新。它在主对话窗口之外单开了一个专用窗口。所有根据用户请求而生成的内容都在专用窗口里显示。为了确保安全性，它还采用了类似沙盒的技术，创建了一个安全游乐场。

所以，Claude能在数据分析上取得惊艳的效果，全都来自于基础能力的遥遥领先。

哈喽大家好，欢迎来到我的频道。谦虚地说，我是国内少数几个能把关于AI的Why和How讲明白的博主。记得点一波关注。只要有一个视频你看进去了，就赚大了。如果想链接我，就来newtype社群。已经有600位小伙伴付费加入啦！

回到今天的主题：Claude Analysis tool。

之前我在社群里说过，AI的价值不只是降低成本、给老板一个压榨员工的理由，更重要的是带来了新的能力。AI编程的价值很多人已经享受到了。接下来，数据分析也会像编程一样，通过AI下放给更多人。从这一点来看，Claude真的是功德无量。

为了给大家演示新的数据分析功能，我下载了一份比特币的历史数据，包括价格、交易量等等。格式好像有点小问题，我没细看。反正直接拖进对话框，都让AI处理就好。

接到需求之后，Claude会先对数据进行处理，然后再启动Artifacts功能，通过代码创建一个可视化的展示。

大家之前可能只接触过用Excel做数据分析。但是Excel只能搞定一些简单的活儿。如果比较专业的话，就会用到Python，它的pandas、numpy都是非常流行的数据分析库，它俩各有所长。如果涉及到统计学的话，还有R语言。它的学习曲线比Python陡峭多了。当然啦，无论是哪一个，对咱们来说，想要掌握都不是一天两天的事儿。这就是AI的价值所在。

回到Claude这边。可以看到，它已经做完可视化呈现了，通过数据还原出价格走势图。不仅如此，它还主动做了一些初步总结，发现比特币波动性大，目前处于上升态势，而且价格处于历史高位区间。

大家注意看，在稍微停顿了一下之后，Claude还给出三个建议的问题。这个设计显然是为了引导普通用户继续往下分析。不然很多人看到这一大堆东西就懵逼了。那咱们就让AI继续创建一个互动式的价格走势图。

可能是这个功能还处于预览阶段的原因，会有一些报错。不过没关系，咱们让Claude自己修复就好。或者，如果有什么不满意的地方，也可以直接提。比如，我希望它尽可能把时间周期拉长。于是Claude就会返回去查看数据，然后调整代码，最终展示更长时间周期的分析。

Claude这些报错都是小问题。现阶段，我觉得有两个最需要改进的地方：一是Rate Limit，目前太低了，一下就用没了，希望官方能尽快调高一些。二是刚才提到的建议问题，问得太水了，起不到引导的作用。

通过刚才这段演示，大家可以看到，Claude的理解范围已经从之前的文字扩展到了数据。在文字方面，我之前做过对比，Claude的逻辑性显著强于ChatGPT。现在又把对数据的精确分析给加上了。这样一来，Claude就牢牢占据了严肃生产这个场景。

如果你做市场营销的，可以上传客户互动数据；如果你是做销售的，可以上传各个销售大区的业绩；如果你是搞IT的，可以上传服务器日志。这些Claude都能处理，都能帮到你。这个可比帮小白领写一段小红书文案，或者想一句品牌Slogan要值钱多了。

我认为，严肃生产一定是AI应用落地最有价值的场景，也是现在大部分AI厂商都忽视的。

OK，以上就是本期内容。想链接我，就来newtype社群。那咱们下期见！

Key Takeaway

• 作者分享了如何利用AI（特别是Claude）自动生成n8n工作流的方法。
• n8n是一个开源的工作流程自动化工具，具有高度灵活性和广泛集成，并支持JSON格式的工作流导入导出。
• n8n的MCP Trigger功能可以将工作流转化为可被外部系统调用的服务，实现“工作流即服务”。
• 通过配置n8n MCP，Claude可以生成JSON格式的工作流，实现AI生成、AI使用的闭环。
• 即使是复杂的工作流，如果出现错误，也可以通过将错误信息反馈给Claude进行修改。

Full Content

不会搭建工作流也没有关系，完全可以让AI自动生成。

你看这是我让Claude帮我搭建n8n的工作流。它会直接生成JSON文件。完成之后，我把文件里的代码复制，回到空白的n8n工作流里粘贴。最后把一些节点配置一下，这个工作流就可以使用了。

国内的小伙伴可能没怎么听过n8n。它是一个开源的工作流程自动化工具。n8n的灵活度非常高，而且集成非常广泛，从常见的Slack到各种数据库、CRM，它几乎是无所不包，所以在国外非常受欢迎。

对我来说，如果要用工作流的话，我首选就是n8n。除了刚才说的灵活性和高度集成之外，还有两个原因：

第一，n8n支持JSON格式的导入和导出。也就是说，整个工作流，包括节点、配置和连接，都可以被导出为一个JSON文件。同样，你也可以直接把将一个JSON文件导入进去，从而完整地复现一个工作流。

第二，n8n支持把工作流转化成MCP服务器。它在三个月前推出MCP Trigger功能。你只需要在开头添加一个MCP Server Trigger节点，工作流就变成了一个可以被外部系统通过MCP调用的服务，也就是：工作流即服务。

这两点结合在一起，就是一套AI“自产自销”的用法。就像我开头演示的那样，Claude可以直接生成JSON文件。把JSON文件导入，一个工作流就有了。然后，再把这个工作流转成MCP服务器输出给AI客户端使用。

AI生成，AI使用。这不就闭环了吗？

哈喽各位好，欢迎回到我的频道。谦虚地说，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西远比教程更值钱。记得点一波关注。如果想链接我，就来我们newtype社群。这个社群已经运营500天，有超过1500位小伙伴付费加入啦。

回到今天的主题：让AI自动生成工作流。

要实现让Claude自动生成n8n工作流，需要安装n8n MCP。你可以把它理解为就是一个超大型n8n攻略。给Claude配上之后，它具备所有背景知识了。

要配置这个MCP非常简单，有手就行。

第一步，运行npx n8n-mcp这行命令。

第二步，在Claude的配置文件里，把几行贴进去。其中，链接和API Key替换成你自己的。

第三步，到Claude里创建一个项目。在Project Instructions里边，把这一大坨都复制粘贴进去。它的作用是，告诉Claude该怎么搭建工作流。

这三步完成之后，我们就可以开始生成了。为了演示，我直接从官方的Template里边挑了一个简单的工作流：

用户输入YouTube链接；通过Apify的服务获取Transcript；最后调用一个大模型对Transcript做总结。

回到Claude这边，把需求贴进去。Claude会先分析，并且提出问题，让咱们补充。等它获得所有信息之后，就会把项目的架构搭建好，然后开始生成JSON文档。

基本上简单的工作流一次就能搞定。复杂的工作流，如果出现报错的话，就把报错贴回来，让Claude修改。

等Claude生成和验证完毕之后，可以点击右上角的Copy按钮。回到n8n，直接粘贴，一个工作流就导入完成了。

而我们需要做的，就是把里边某些节点的配置完善了。比如Apify和OpenAI的节点，需要配置Credential才能运行。

你看，整个过程就是这么简单、直接。这就跟AI编程一样，只有你的需求清晰，Claude都可以搞定。我这边用的是Sonnet模型。大家还可以试试Opus模型，会更给力。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Key Takeaway

• Thinking-Claude通过提示词让AI“假装思考”，展示思考过程，提升回答质量。
• 大模型的输出是一次性完成的，其“思考”是表演而非真正的反馈循环。
• 尽管是“表演”，但这种方式能强制模型产出更有逻辑、更全面的回答，具有实用价值。
• 文章通过苹果M芯片统一桌面端和移动端SoC的例子，展示了Thinking-Claude如何提供有价值的推演过程。
• 该项目通过浏览器插件和提示词设置实现，操作简单，值得尝试。

Full Content

最近有一个17岁的少年一夜爆火，名字叫涂津豪。他通过一套提示词，指导Claude如何进行更深入、更有条理的思考，希望最终能获得更高质量的回答。

不仅如此，涂津豪还做了一个浏览器插件，目的是为了提升可信度。因为装上之后，我们就能看到AI具体的思考过程。

在国内自媒体的带动下，不到24小时，小涂同学被捧上神座。甚至有人拿这个嘲讽OpenAI——既然靠提示词就能实现“慢思考”，那你们费了半天劲搞的o1模型，究竟是在搞什么？

说实话，刚看到这个项目的时候，我也挺吃惊的。因为根据我的经验，提示词工程并没有那么大的能耐，否则我们之前就没必要搞Multi-Agent去讨论和纠错了。但是，开始使用之后，似乎Claude又确实是先思考，然后才给出答案。

那么，问题出在哪儿？

其实，Thinking-Claude玩了一个“障眼法”——它让AI假装思考、表演思考。我们看到的思考过程，都是已经生成的，都是剧本。

哈喽大家好，欢迎来到我的频道。谦虚地说，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西比教程更值钱。记得点一波关注。如果想链接我，就来newtype社群。已经有600位小伙伴付费加入啦！

回到今天的主题：Thinking-Claude。

我之所以说Thinking-Claude所带来的思考是假的、是一种表演，原因在于，大模型的输出都是一次性完成的。它被训练成了连续生成的模式，根据前一个token来预测下一个token。即使你强迫它在半途中暂停生成token，它也无法对已经生成的token做判断。因为它天生就没有这个机制，那又怎么可能靠你的几句提示词就开窍呢？

打个比方，大模型就像一个水龙头，一旦打开就会滔滔不绝地按照预设的路径流动。而这种机制是与思考相冲突的。

大家可以回想一下我们是怎么写作的。在整个写作过程中，我们会停下来，会回头修改，甚至还会推倒重来。这个就是在思考。这个就是思考的样子——它不是单线程，而是一个反馈循环的机制。

大模型没有这个机制，它只能一口气把答案全告诉你。要改进的话，得等下一轮对话。那现在它又被强制要求去思考，该怎么办呢？

它只能演给你看咯。就跟小朋友一样，表演给大人看。

大模型把自己的产出分成了两部分：一部分用来充当答案，一部分用来充当思考。

这个是技术、架构的局限性，光靠提示词是突破不了的。所以千万别觉得OpenAI是冤大头，白花那么多钱训练个o1出来，还比不过一个17岁的中学生。这些自媒体也太民间科学了。

但是，虽然思考是假的，虽然是在表演，我还是继续使用，并且我也推荐大家使用。因为，表演有表演的价值。

大家可以这么理解。在没有安装这个项目之前，Claude都是在即兴发挥。好在它底子好、演技强，不管怎么演都不太差。只是可能有的时候台词差点意思，毕竟是现喷的，没打磨过。

使用Thinking-Claude就好比是给Claude塞了个剧本，强制要求它按照本子演。所以，提升肯定是有的。只是有时候提升多一些，有时候提升少一些。

这就是我说“表演有表演的价值”的原因。在一个表演这个框架的约束下，强迫模型产出更有逻辑、更加全面的回答，何乐而不为呢？

而且，我其实挺喜欢它所表演的思考的，经常会给我启发，很有价值。

举个例子。我问Claude：为什么苹果需要通过M芯片统一桌面端和移动端设备的SoC？

如果直接看答案的话，是还不错啦，但是好像少了点什么。我们再来看它表演的思考。

在一开始，Claude认为这是一个技术问题。因为x86和ARM是两套完全不同的指令集架构，开发者需要维护两套代码，这就增加了大量的重复工作和成本。

我这边多科普两句。用大白话来说就是，要想让机器理解你的代码，你得做翻译，把你的代码翻译成机器能看得懂的语言。这个过程叫做“编译”，把源代码编译成特定架构的机器码。

x86和ARM对应两套完全不同的机器语言。这就意味着，开发者得做两次翻译，然后还得检查有没有问题，以及做必要的优化——这个真的是非常重的负担。所以，苹果要统一架构。

而且，一旦都改用自己的芯片之后，就不必跟英特尔商量着来了。苹果想怎么搞就怎么搞，都是自己的节奏。这种战略上的自由度是很诱人的。

紧接着，Claude的思考从战略角度延伸到了商业角度和用户体验角度。采用统一架构意味着处理器成本更低，利润空间提升，商业上有好处。并且iOS应用可以直接跑在Mac上，用户体验也提升。

整体来看，统一架构不只是一个技术选择，更是生态层面的战略决策。更加紧密、统一的生态系统，能让苹果在市场竞争和技术创新方面获得更大主导权。这就是苹果这种级别的公司会去做、也应该做的事儿。

你发现没有，Claude所表演的思考，其实给我们提供了一个推演的过程。我觉得这个价值不会比正式答案更低。

所以，大家能安装的都装上试试。过程很简单，就两个部分，有手就行。

第一，安装浏览器插件。

来到Thinking- Claude的GitHub页面，把整个项目的压缩包下载下来，并且解压缩。来到浏览器的插件管理页面，打开开发者模式，然后加载项目里的extention文件夹。

第二，设置提示词。

同样来到GitHub页面，进入这个文件，把里边所有内容都复制下来。接着来到Claude，新建或者打开一个Project。在右边可以添加提示词。把刚才复制的内容全部粘贴进去就搞定了。

可能是感受到了国内自媒体瞎吹捧的危险，在后来的更新中，涂津豪同学特意加了一段话，强调了Claude的能力都是Pre-designed，没法做到大幅提升。而这个项目只是为了向我们展示模型的“内心独白”。

OK，以上就是本期内容。想聊AI，就来我们newtype社群。那咱们下期见！

Key Takeaway

• 大模型厂商普遍关注上下文长度，但忽略了输出长度的限制。
• 目前大模型的输出长度普遍在2-3千字，主要原因是缺乏长文本训练素材。
• 智谱通过增加长输出数据训练，显著提升了模型的输出长度。
• 文章呼吁厂商应关注并提升模型的输出长度，以满足日常需求。

Full Content

我一直很不理解，怎么所有大模型厂商都在卷上下文长度，但就是没人关注输出长度。

现在要是发个新版本的模型，没个128K的上下文窗口，你都不好意思跟人打招呼。但是，模型的输出长度，也就是一次最多能回复多少字，好像有点停滞不前——两三千字就顶天了。

我拿ChatGPT和Claude做了个测试。我的需求是：

请帮我撰写一个主题为「黑神话·悟空」玄幻小说。小说以孙悟空为核心，讲述一个天庭腐败不堪、祸害三界，孙悟空与妖怪兄弟对抗天庭、拯救苍生的玄幻故事，不少于10000字。

ChatGPT的表现让我非常不满。

丫一上来就摆烂，说什么写10000字太费劲，只能帮我写一部分内容，以及给个大框架，剩下的还是得我自己来。

现在的AI都这么像打工人了吗？

当我要求它继续往下写的时候，ChatGPT就开始敷衍了。它象征性地写了几章，然后就马上宣布整个故事完结了。

真的，我都想骂人了…

相比之下，Claude就好太多了，大家还是订阅Claude吧。

虽然没法一次性输出10000字，但Claude好歹给出了解决办法：分章节输出，一个章节两三千字；用户可以随时给反馈意见。

这个才是AI该有的态度！

我让Claude写了几章。不得不说，它文笔还是不错的，写得有模有样。如果给它具体指导的话，写点小说发表肯定没问题。

这两个例子很有代表性。今天的模型产品，输出长度大概就是2千字。

为什么会这样？

智谱在论文里解释了。核心原因就是，缺少长文本的训练素材。我们给大模型训练用的数据集，很少有超过2千字的材料。所以，它都没见过、没被训练过，那自然写不出来。

为了解决这个问题，智谱的人特意准备了一份长输出的数据，里边的数据长度从2K到32K都有。把它跟通用数据结合，形成完整的数据集，给到两款支持128K上下文窗口的模型做微调，一个是GLM-4-9B，一个是Llama-3.1-8B。效果立竿见影。

我在Google Colab上做了测试，用A100 GPU分别跑两个模型。还是刚才那个写玄幻小说的任务。

GLM-4-9B完成得比较好。我把它写贴到Ulysses里给大家看看。一共1.1万字，分成13章，从世界背景介绍开始，一直到最终大决战、打败天帝。

Llama-3.1-8B的字数没有达标，只有8千多字。不过即使这样，也大大超出平均水平的两三千字。

说实话，当AI把小说写出来的时候，我还是挺震惊、挺兴奋的——毕竟第一次看到输出这么长的内容。之前的典型情况是，我让AI帮我翻译一个论文，或者修改一篇稿子，结果返回了半截就停下来了，这个就非常不爽、不方便了。

如果说，32K的上下文长度算是够用级别的话，那么至少5千字的输出长度才能满足日常需求。

接下来，我会试着用智谱的训练集去多微调几个模型。我也真心希望，国内的厂商别都在那边无脑地追逐超长上下文窗口，把这个当成一个营销噱头，搞得跟手机厂商跑分一样。是时候把输出长度提上来了。

OK，以上就是本期内容。想找我的话，来newtype社群。咱们下期见！

Key Takeaway

• 作者开发了一个Obsidian MCP，提供搜索、读取、创建、移动笔记和管理文件夹等功能。
• 该MCP支持多种安装方式，包括Claude桌面版的DXT方式、远程NPM包安装和本地安装。
• 使用该MCP可以摆脱Obsidian内置AI插件的限制，通过熟悉的AI客户端（如Claude、ChatGPT）直接访问和管理笔记。
• 结合Prompt House等工具，可以实现更智能的笔记管理和AI调用。
• 作者强调了上下文对于AI创造价值的重要性，认为机会在于为AI提供充分恰当的上下文。

Full Content

作为Obsidian重度用户，我给这款软件做了个MCP。大概率啊，它是目前市面上最全面的Obsidian MCP服务器。

在功能方面，它可以搜索仓库，可以读取、创建、移动笔记，还可以管理里边的文件夹。

在安装方式方面，它支持三种：

如果你用的是Claude桌面版，那么我强烈建议你用DXT的方式。这是Anthropic最新推出的方法。你只需要把DXT文件下载到本地，双击它，就能完成安装。

或者，你可以使用远程安装。我已经把NPM包发布了。所以你只需要在配置文件里把这些填上就OK。

如果你动手能力强，也可以采用本地安装。你可以使用npm install把整个包下载到本地，也可以整个仓库下载下来再安装，或者用Docker也可以。

那为什么需要这个MCP？

因为有了它，你就不需要用Obsidian里的AI插件了——说实话，那些插件做得总是差点意思。你可以继续使用你熟悉的、世界上最好的AI客户端，比如Claude、ChatGPT等等，然后把客户端和笔记仓库对接，让AI能够访问你的所有笔记，帮你管理那些笔记。

更进一步，如果你能搭配使用我开发的Prompt House，在提示词里设置好检索规则等等。当遇到特定情况，AI先使用Prompt House MCP获取特定的提示词，然后自动去你的仓库里查找特定的笔记，一环套一环，不需要你下复杂的命令。

目前我只开发出了Obsidian MCP的基础功能。所以它在现阶段跟File System MCP有很多重叠的地方。因为笔记仓库本质上就是一个本地文件夹，笔记本质上就是一个Markdown文件。下一步，我会开发进阶功能，比如自动添加反向链接功能等等。大家可以期待一下。

那么，这个MCP该如何安装呢？我来演示一下前三种安装方法，因为它们是最简单的，适合所有人。

在开始之前，你需要做两个准备工作。

第一，你得知道你笔记仓库的地址。比如我在桌面上创建了一个用于演示的仓库，那么它的地址就是这一串。

第二，你需要安装Local REST API这个插件。在Obsidian社区插件里搜一下就有。然后Install、Enable。在设置里边，把非加密这个选项打开，因为我们后边要使用这个27123的端口。这个 API Key之后也会用到。

先来看DXT的安装方式。

来到GitHub页面，下载DXT文件。你可以把它理解为就是一个全部都打包好的安装文件。双击之后，它会帮你自动打开Claude桌面版。然后，点击Intall，把刚才准备好的仓库地址和API Key填进去，把这个MCP服务器启动起来，就全部搞定了。

接着是NPM包的安装方式。

我这边用的客户端是Cherry Studio。新建一个MCP服务器，类型选stdio，命令填npx，参数填@huangyihe/obsidian-mcp——这是我发布的npm包的名字，环境变量这么填，然后保存就搞定了。

最后是本地安装的方法。

先在终端里运行这一行命令。接着打开客户端，我这边用的是ChatWise。照样新建一个MCP服务器，类型选stdio，命令填obsidian-mcp，环境变量还是这两行。最后点击“查看工具”，能刷出这些工具就说明安装成功了。

刚才这三种方法，总有一个适合你。至于效果，我到Claude里给你看看。

我问Claude：Obsidian都有哪些笔记？这个是看它的检索能力。你看，它调用工具、很快就列出来了。

再来个难一点的：帮我在笔记仓库里创建一个名为123的文件夹，把Welcome笔记移动到里边。然后在123文件夹内创建一个名为MCP的笔记，内容是关于模型上下文协议的介绍。

你看，Claude 4的工具调用能力确实是目前最强的，轻松且准确地完成了任务。

说实话，这么多客户端，目前我用得最舒服的，还是Claude桌面版。尤其是MCP的调用方面，它的体验和效果是最好的。

最后，One more thing：我为什么要开发这个MCP，以及之前做的Prompt House。

就像我在社群内说的：Context matters！

模型的能力已经足够强了。接下来，要让模型创造价值，需要给它充分的、恰当的上下文。对于我们这些不是做模型研发的开发者、创业者来说，机会就藏在上下文里边。

OK，以上就是本期内容。想交流AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！