Claude的全部增長只有一個人負責？我花兩天拆他的方法

原始來源與檔名：MinLi-Claude單人增長負責人的AI工作流.md

來源：實踐哥MinLi / X — 2026-03-31 原始檔名：(16) 实践哥MinLi on X_ _Claude 的全部增长只有一个人负责？我花了两天拆他的方法，越拆越兴奋_ _ X.pdf

NAPKIN | 餐巾纸

餐巾紙公式

判斷負債的終結 = (資深從業者的「手感」) 導出成 (帶有明確指標的判定樹) 封裝為 (Claude Cowork Skill) + (全自動數據拉取) + (關鍵決策的人工攔截攔截閘)

當你的業務量暴增十倍，而所有的「判斷標準」還鎖在你一個人的腦子裡時，這就是最可怕的「判斷負債」。Anthropic 的增長駭客 Austin 能夠一個人撐起 Claude 暴增期的 Google Ads 投放，不是因為他手速快，而是他把「哪些關鍵字該留、哪些該殺」的十年深厚功力，全部拆解成了可以被 LLM 執行的具體工作流。

一句話

這是 Anthropic 內部如何使用 AI 進行實戰增長的硬核案例拆解。多數人只把 AI 當成寫周報的實習生，但真正的高手是把「自己做決策的整套邏輯模型」寫成 Skill，讓 AI 直接通過 MCP 讀取廣告後台數據並給出分析。更具啟發性的是，他設定了「AI 跑出結論，但我必須手動審批」的死規矩，因為 AI 只懂看短期 ROI 亂殺防禦字，只有人類懂得守住戰略全局。

餐巾紙草圖

[ 傳統模式: 判斷負債 (Judgment Debt) ]
每天 5000 個新搜尋詞 ─> 依賴高手的「手感」篩選 ─> 高手累了/離職 ─> 系統崩潰

[ Austin 的 AI 放行系統 ]
1. 導出腦袋 (Export Brain): 將"手感"轉化為明確指標 (先看什麼? 如何排序?)
2. MCP 串聯 (Data Line):  讓 Claude 直接吃 Google Ads API 數據
3. AI 執行分析 ─> 產出帶有理由 (Reasoning) 的 CSV 與建議
4. 人工終極攔截閘 (Human-in-the-loop):
   └─ AI: "這個字太貴了，殺掉"
   └─ Austin: "不行，這是戰略防禦詞，競品在截流，我駁回"

ROUND 1: SKELETON | 骨架掃描

“這篇文章在說什麼”

核心問題: 為什麼在使用者爆發成長期，Anthropic 的 Claude 增長團隊曾經只有 Austin 一個人在扛？他如何處理海量且需要極高經驗判斷的 Google Ads 搜尋詞優化？
核心答案: 他很早就開始償還「判斷負債」。他把自己的十年投放經驗，拆解成了極度具體的 Claude MCP (Model Context Protocol) 工作流。每日分析工作從 2 小時降到 3 分鐘。
論證結構: 故事與反思並行。破題（被一個分享震驚） -> 提出「判斷負債」概念 -> 拆解 Austin 的工作流（MCP + Google Ads API + 自定義判定樹） -> 反高潮的亮點（為什麼 Austin 拒絕了完美正確的 AI 建議） -> 歸納結論與行動呼籲。

章節骨架

破題與震撼：看到 Austin 分享後，作者意識到自己手上「只有我能幹」的活兒都是定時炸彈。
判斷負債 (Judgment Debt)：這是本文最核心的概念。如果判斷標準全鎖在人腦中，沒有導出到系統裡，業務成長越多，欠的債越重。
把腦子灌進 Claude：把抽象的「手感」拆解成：先過濾已處理詞 -> 抓消耗大頭 -> 交叉對比相關性 -> 輸出帶理由的 CSV。這不是叫 AI「幫我看看數據」，這是極度標準化的 SOP 執行。
為什麼必須保留「人工審批」：AI 用局部最優解（成本太高）建議殺掉一個詞。但人類從戰略全局知道那是「防禦詞」。所以必須遵守：AI 提供推理（Reasoning），人類握有最終生殺大權。
在遊樂園的兩分鐘操作：將這套系統整合到手機 Dispatch，原本要開電腦一小時的決策，變成排隊時順手兩分鐘的審批。
行動呼籲：你真正該焦慮的不是 AI 是否會替代你，而是你還無法把自己腦袋裡的邏輯說清楚。「試著拆解你手上最煩的重複工作。」

ROUND 2: DISSECTION | 血肉解剖

“憑什麼這麼說”

隱形假設: 文章假設「所有的專家直覺與手感，最終都能被拆解並量化為一系列可執行的邏輯樹條件」，並且「現今的 LLM 已經具備嚴格遵守複雜 Prompt 邏輯樹，而不產生幻覺的能力」。
邊界條件: 這種「導出大腦」的做法極度仰賴你真的知道自己在幹嘛。如果你本身就是個憑感覺瞎猜的半桶水，你導出並封裝成 AI Skill 的結果，只會是災難級的自動化錯誤放大器。

ROUND 3: SOUL | 靈魂提取

“還能怎麼用”

知識連結: 隱性知識的外顯化 (Tacit-to-Explicit Knowledge Transfer)。這就是 SECI 模型在 AI 時代的極致應用。把原本需要「師徒制」傳承的隱性手感，直接編譯成機器的程式碼。
深層洞見: AI 是完美的戰術家，卻是可怕的戰略盲。 當你把目標設定為「降低單次點擊成本」時，AI 會忠實且無情地砍掉所有不達標的關鍵字，即便那是在幫你阻擋競品的心智防線。這就是為什麼「笨拙的人工終極審批」不僅沒有抵消自動化的價值，反而是這套系統最值錢的安全閥。
行動呼籲: 不要再給 AI 下達「幫我優化這份數據」的指令了。今晚試著把你的工作邏輯寫下來：我到底在找什麼異常訊號？達標的閾值是多少？不達標時我會看哪第二個指標？逼迫自己把「直覺」轉化為「演算法」。

Claude 的全部增長只有一個人負責？我花了两天拆他的方法，越拆越兴奋 (Architectural Deep Dive)

前言/背景

本文作者「實踐哥MinLi」深度剖析了 Anthropic 前成長負責人 Austin 如何「單槍匹馬」利用 Claude 撐起龐大的 Google Ads 投放與用戶增長業務。這篇文章的重點並非一般層次的「AI 提高工作效率」，而是探討如何將資深專家的「業務直覺（Business Intuition）」與「判斷標準（Decision Criteria）」工程化，並打包成 AI 可執行的子系統，從而解決組織深耕已久的「判斷負債（Judgment Debt）」。

章節詳細總結

The Engineering of Intuition: 拆解「判斷負債」

作者提出了一個極具洞察力的概念：「判斷負債（Judgment Debt）」。

定義：當組織的增長完全依賴於大腦中的隱性知識（Tacit Knowledge）與「手感」，而沒有系統性導出時，這就是一種負債。業務規模越大，單點故障（Single Point of Failure）的風險越高。
解法變革：傳統解法是寫厚達百頁的SOP文件，但遇到邊界條件（Edge cases）往往只能寫上「自行斟酌」。Austin 的解法是將大腦中的邏輯樹（Decision Trees）做成「具備執行力的 Prompt Skills」。他不是讓 AI 做實習生，而是將 AI 配置成一個規則引擎（Rule Engine），將「先看什麼指標」、「如何排序」、「什麼詞該砍」的權重矩陣死死鎖在代碼裡。

強化學習中的對抗思維：人機協作邊界 (Human-in-the-loop)

文章中最驚悚也最精彩的案例，是關於「殺掉一個虧本的搜尋關鍵字」。

局部最優與全域最優 (Local vs. Global Optima)：Claude 根據數據給出了完美的邏輯：該關鍵字轉化成本極高，應該加入否定詞表（Negative Keywords）。這是標準演算法追求「局部最優」的特性。
戰略防禦與領域知識 (Strategic Defense)：Austin 拒絕了。因為那是競爭對手正在砸錢截流的「戰略防禦詞」。這顯示了 AI 的盲區：它只能看見報表上的數字（Loss Function），看不見商業戰場上的全域博弈（Game Theory）。
架構結論：強制中斷點 (Hard Stop/Approval Gate)：Austin 堅持所有變更必須經過人工審批。在系統架構上，這意味著：永遠不要將戰略決策層自動化。讓 AI 負責產生帶有思考過程（Reasoning）的提案，但將系統的狀態寫入（State Mutating）權限牢牢掌握在人類的 Dispatch 介面中。

技術堆疊：MCP 與移動優先的狀態管理

這套單人增長系統的底層基石是 MCP (Model Context Protocol) 與 Google Ads API 的對接。

從 API 到技能 (Skills)：將常見的投放工作流直接編碼為 MCP 工具，讓 Claude 省去了寫爬蟲或匯出 CSV 的繁瑣步驟，直接在對話介面讀取實時數據並產生操作指令。
異步審批流 (Asynchronous Approval)：利用行動裝置介面（如 Dispatch），Austin 可以在任何情境（例如排隊時）花兩分鐘審核並批准 AI 的變更。這說明了：良好的 AI 系統架構，必須能與人類使用者的碎片化時間無縫接軌。

總結與結論

知識抽取 (Knowledge Extraction) 的終極型態：不要害怕 AI 取代你，要害怕你腦中的決策邏輯無法被系統化。資深同仁的價值，將從「親自下海操作」轉移到「寫出能教導 AI 做精準判斷的 Prompt 演算法」。
AI 是理性的顯微鏡，不是掌舵的船長：即使 AI 能在 3 分鐘內分析完幾千條數據，它也無法具備捍衛品牌價值的「非理性」堅持。系統設計必須保留「Human-in-the-loop」的審查機制，防止數字導向的系統性自毀。
從小處開始清償判斷負債：對抗焦慮最好的方式，就是拿手邊最煩瑣的判斷工作開刀。連續問自己三次「我是怎麼做決定的」，把隱性條件顯性化，這就是構建你個人 Agent 矩陣的第一步。