Claude Cowork 技能录制将演示转化为可复用工作流，但信任才是真正的考验
Claude Cowork 技能录制如今允许用户一边讲解每个步骤，一边完成一次任务，以此教会 Claude。该功能会将这次屏幕演示转化为 Claude 日后可重复使用的指令。在此之前，创建自定义技能通常需要用户自行编写、打包并上传结构化文件。
Anthropic 于 7 月 21 日通过一则 Claude 社交媒体帖子宣布了该功能。该公司表示，用户可以在 Claude 桌面应用程序的加号菜单中找到“录制技能”。最初的公告称，该功能面向 Pro、Max 和 Team 套餐开放。
重要的转变并不只是屏幕录制。Claude 需要从一次人工演示中推断出可复用的流程。这让 Anthropic 直接挑战了精心编写自动化流程的传统模式；在该模式中，专业人员会定义每一个步骤、条件和例外情况。
这一功能有望让不会编写脚本或正式技能指令的人更快地创建工作流。尚未解决的问题是，生成的流程能否保留使原始演示取得成功的判断力。
Claude Cowork 技能录制改变了技能的创建方式
Anthropic 正在用观察、讲解和自动化解读来取代技能编写流程中的部分环节。
用户启动 Claude Cowork，打开加号菜单，然后选择录制选项。接着，用户在屏幕上执行任务，同时解释每项操作的目的及其背后的理由。根据 Anthropic 的公告，Claude 会将这次操作过程转化为可以再次运行的技能。
因此，录制承担着两种作用。屏幕活动提供可见的操作顺序，而讲解则提供点击和按键无法揭示的背景信息。用户可以解释为什么某个电子表格列很重要、客户请求何时需要升级处理，或者哪条格式规则的优先级高于另一条。
这种区别十分重要，因为单纯的屏幕录制只能捕捉行为，无法捕捉意图。根据项目背景的不同，两次完全相同的点击可能代表不同的决策。讲解让 Claude 有机会区分有意义的规则与偶然发生的操作。
以产品经理准备每周更新为例。演示可能包括打开多份文档、查看项目讨论、找出发生变化的截止日期，以及整理出简洁的摘要。口头说明可以明确哪些变化值得关注，哪些例行更新应当省略。
销售运营人员可以演示如何审查客户记录、比较近期通信内容并准备客户简报。研究人员则可以展示如何对访谈笔记进行编码和分组，而不必将这一流程交给单独的自动化开发人员。
这些例子符合 Cowork 更广泛的定位。Anthropic 将 Cowork 描述为一种可视化界面，用户无需使用终端，即可委派需要长时间运行的多步骤知识工作。它可以处理已连接的文件夹、文件、应用程序和受支持的集成。
新功能还减少了 Anthropic 现有自定义技能流程中的多项机械性障碍。目前的技能说明要求用户创建技能结构，将其文件夹打包为 ZIP 文件，然后上传。通过录制来创建技能，将这些工作压缩成了更多办公人员所熟悉的一项操作。
然而，Anthropic 尚未公开说明若干重要的实现细节。公告没有准确解释生成的软件包中包含哪些内容，也没有说明 Claude 如何将讲解与无关话语区分开来，或者如何处理演示过程中出现的错误。
目前仍不清楚用户在保存前能否看到完整且可编辑的技能。Anthropic 尚未说明录制内容、转录文本、屏幕截图或提取出的指令在处理完成后是否仍会保留。这些信息缺口对必须审查自动化流程创建方式的团队而言十分重要。
功能公告还注明该功能面向 Pro、Max 和 Team 套餐开放，而 Cowork 本身则覆盖更广泛的付费套餐。这表明技能录制的初始推出范围比 Cowork 本身更窄。用户应在最新版桌面应用程序中确认该功能是否可用，而不应假定每个 Cowork 账户都包含该功能。
最终得到的是一个更容易上手的入口，而不是正确自动化的保证。录制免去了用户在 Claude 接触工作流之前先用文件描述它的必要，但并未免除检查 Claude 究竟学到了什么的必要。
为什么基于演示的自动化在当下如此重要
该功能对传统工作流设计形成了压力，因为它让自动化更贴近真正执行工作的人。
许多业务流程仅以习惯的形式存在。执行任务的人记得要查看哪个文件夹、哪种例外情况需要谨慎处理，以及经理期望哪种输出格式。这些运营知识往往一直没有被记录下来，直到相关人员调岗或犯下代价高昂的错误。
传统自动化要求有人将这些知识转化为明确的指令。这一转化过程可能涉及访谈、流程图、技术配置、测试和维护。每一次交接都可能导致重要背景信息丢失。
Claude Cowork 技能录制试图缩短这条链路。领域专家直接演示流程，模型根据这些信息起草可复用的流程。教授任务的人由此成为最初的工作流设计者。
这种方法可以让此前因规模太小或不够规律而不值得自动化的流程进入自动化范围。一项每周执行两次、每次五分钟的任务，很少值得专门开发一个软件项目。只录制一次就能提供低得多的起步成本，即使后续仍然需要审查。
这一时机也反映了桌面 AI 更广泛的变化。助手正在从生成文本迈向操作应用程序、检索文件并交付成品。可复用技能提供了一层行为逻辑，用于告诉智能体特定个人或团队希望如何使用这些能力。
Anthropic 的计算机使用文档介绍了 Cowork 操作的优先层级。Claude 首先使用连接器，其次使用浏览器，只有在没有更精确的选项时才直接与屏幕交互。Anthropic 承认，与直接集成相比，屏幕交互速度更慢，也更容易出错。
这一层级揭示了录制技能的重要性。技能不一定会完全重放所捕捉的鼠标路径。它可能会保留流程，同时允许 Cowork 在执行过程中选择合适的工具。
例如，演示可能展示某人如何将浏览器中的信息复制到电子表格中。在之后的运行中，Cowork 可能会通过连接器获取相同的信息。即使执行方式发生变化，期望的结果仍保持不变。
这种灵活性将 AI 技能与传统宏录制区分开来。宏通常会重现坐标、按键或应用程序命令。只有当周围的界面和数据保持可预测时，它才能可靠运行。
AI 生成的技能则可以解读标签、内容和指令。这让它更具适应性，但确定性也更低。模型可能会选择一项合理的操作，却与指导者未明确说出的预期不同。
对于知识工作者而言，这种权衡至关重要。他们的任务通常取决于含义，而不是屏幕上的固定位置。准备高管简报的流程必须能够识别重要性，而不只是转移所有可用的句子。
该功能也与个人知识管理密切相关。当智能体能够访问以往的决策、会议笔记和项目文档时，可复用工作流的效果会更好。持续维护的个人知识库可以在任何单次演示之外保留这些背景信息。
这意味着其竞争目标比宏软件更加广泛。Anthropic 正在挑战这样一种假设：用户必须在灵活的手工操作与僵化的程序化自动化之间二选一。它提供的替代方案是一种学习得来的流程，而其结构仍然允许进行解读。
这一愿景将吸引拥有大量未文档化工作流的团队。它也会让治理变得更加紧迫，因为更多员工无需在一开始接受技术审查，就能创建自动化流程。
真正的较量是演示与规范之间的较量
Claude Cowork 的优势在于速度，而明确的工作流规范在可预测性和可审计性方面仍占优势。
书面规范会迫使编写者明确输入、条件、输出和例外情况。这个过程速度较慢，但能及早暴露歧义。审查人员可以检查具体指令，并判断其是否符合政策。
演示包含更丰富的背景信息，但边界较为模糊。指导者只展示了一个示例中的一条路径。Claude 必须判断哪些部分代表通用规则，哪些部分只适用于该示例。
假设一名员工演示如何处理来自熟悉供应商的发票。该示例可能包含标准货币、已批准的采购订单和预期的付款目的地。但这些条件都无法说明该工作流应如何处理新供应商或相互冲突的银行信息。
讲解可以填补部分空白。员工可以说明，在未经独立核实的情况下绝不能更改付款信息。然而，单次录制仍然依赖指导者在执行任务时记住每一个相关的例外情况。
这在便利性与明确性之间形成了一种反向关系。技能越容易创建，就越容易忽略其源演示中隐含的假设。
最适合率先采用的使用场景将具有清晰可见的成功标准以及可逆的输出。设置定期报告的格式、整理已批准的文件或起草项目更新，都允许用户在分发前核查结果。
涉及付款、合同、敏感记录或不可逆账户变更的任务则需要严格得多的控制。Anthropic 已建议用户不要让计算机使用功能处理敏感的财务、法律、医疗或个人信息。
因此，录制 Claude 技能的工作流应从严格限定任务边界开始。用户应明确 Claude 可以访问哪些来源、必须创建什么输出，以及哪些操作始终需要人工批准。
生成的技能还需要具有代表性的测试。一次成功的演示无法证明它在界面变化、输入缺失、指令冲突或文档异常的情况下仍然可靠。团队应在重复使用前测试常见情况，并刻意测试困难情况。
成熟的自动化实践在这里依然重要。版本管理、变更审查、测试数据、执行日志和回滚流程并未过时。录制改变了草拟流程的捕捉方式，但围绕该流程的运营规范仍然至关重要。
竞争也来自其他形式的 AI 录制。OpenAI 的录制模式可捕捉会议和语音笔记，随后生成转录文本和摘要。这种录制创建的是知识产物，而不是可重复使用的操作流程。
这一区别阐明了 Anthropic 的方向。Claude Cowork 技能录制会观察工作如何完成，并尝试对流程本身进行编码。其输出旨在塑造智能体未来的行为，而不只是保存已经发生的事情。
传统的机器人流程自动化平台也会捕捉用户活动，但通常会将其转化为结构化流程图或确定性流程。Anthropic 的方案更接近一种在执行过程中理解目标和上下文的自适应智能体。
两种路线都无法在所有场景中胜出。确定性自动化适合稳定、高频且有严格控制要求的流程。基于演示的技能则适合多变的知识工作：其中的具体含义可能变化，但期望的模式仍然可以辨认。
最终很可能会形成一种混合工作流。用户录制初始流程，Claude 起草技能，再由人工编辑其中的规则。随后，团队会在更广泛部署前加入审批、测试和监控。
这种混合方式既能保留易用性优势，也不会假装观察可以取代明确规范。Anthropic 产品的成败，将取决于用户能否轻松检查并纠正生成的结果。
Claude Cowork 技能录制带来了信任问题
录制的技能能以复制良好判断同样高的效率复制隐藏的错误。
第一个风险是过度泛化。Claude 可能会从一个狭窄的示例中推断出一条宽泛的规则。教师可能因为某份文档是最新版本而选中它，却没有口头说明日期要求，从而导致模型学到错误的选择规则。
第二个风险是遗漏。人类专家经常依赖隐性知识，这意味着他们会运用规则，却不会有意识地描述这些规则。录制能够捕捉可见行为，但某项未说出口的检查可能永远不会进入生成的技能。
第三个风险是界面漂移。应用程序的布局、标签、权限和数据结构都会发生变化。即使底层目标依然有效，创建时能够正常运行的技能日后也可能失效。
由于 Cowork 会理解屏幕内容，而不只是依赖坐标，因此它能够适应某些界面变化。然而，适应过程仍会引入不确定性。智能体可能找到一条新路径，却抵达错误的目标，或者绕过录制后新增的控制措施。
第四个风险涉及恶意内容。读取文档、网站或消息的智能体可能遭遇提示词注入，即内容中嵌入了旨在改变模型行为方向的指令。Anthropic 警告称，技能本身也可能包含不安全的依赖项或指令，并建议使用可信来源。
录制的工作流扩大了实际攻击面，因为它们可以将观察、文件访问、浏览器导航和重复执行连接起来。在某次运行期间遇到的恶意指令，可能会与用户原本想教授的流程发生冲突。
第五个风险是敏感信息捕获。演示可能会暴露客户姓名、内部仪表板、私人消息或屏幕上可见的凭据。旁白也可能泄露组织视为机密的业务规则。
Anthropic 表示，计算机使用功能依靠屏幕截图来理解获准访问的应用程序。其指南建议用户关闭敏感文件，并避免授予对高风险应用程序的访问权限。技能录制又增加了一个尽量减少会话期间屏幕内容的理由。
第六个风险是问责。如果生成的技能做出错误决策，团队需要知道问题究竟源于演示、Claude 的理解、后续模型变化，还是新的源数据。
Anthropic 的 Cowork 架构提供了一些相关边界。远程会话在隔离环境中运行，而本地代码执行使用隔离的虚拟机。本地文件仍仅限于已连接的文件夹，并受权限检查限制。
这些控制措施可以降低某些基础设施风险，但无法验证业务逻辑。即使智能体处于安全隔离状态，它仍可能创建错误的报告、选择错误的账户，或遵循不完整的流程。
因此，企业买家需要基础设施层之上的可见性。他们需要查看生成的技能定义、修订历史、获准使用的工具、数据源权限，以及重要操作的记录。
Anthropic 为 Team 和 Enterprise 部署提供了活动监控。文档所列事件包括提示词、工具调用、文件访问，以及调用的技能或插件。这些遥测数据可以帮助安全团队调查部署后的行为。
只有当组织将监控与责任归属联系起来时，监控才有价值。每个共享技能都应有一名责任维护者、经过批准的适用范围和审查计划。否则，录制的技能可能会在更加友好的界面之下，变成没有文档记录的自动化流程。
团队还应区分起草与执行。生成的技能可以先产出拟议结果，而不发送、发布、删除或修改源系统中的内容。在工作流通过反复测试前，可以始终强制要求人工审核。
这种分阶段方法会显得比 Anthropic 的演示更慢。但它仍然快于从一次自动化事故中恢复——这种自动化可能悄无声息地对数百条记录应用了错误规则。
采用情况取决于编辑、共享和上下文
录制会吸引用户，但维护将决定这项功能最终成为组织级系统，还是个人快捷工具。
采用这项功能的第一项考验是可编辑性。用户需要以清晰的语言检查 Claude 生成的流程。他们应当能够纠正条件、删除捕捉到的细节，并添加演示中从未出现过的情形。
黑箱式结果会让这项功能难以获得信任。如果用户只能重新运行技能并观察其行为，那么每次纠正都会变成又一次试验。这会带来不确定性，并阻碍其在重要工作中的部署。
第二项考验是共享。Anthropic 已经允许自定义技能保留为个人使用，或通过受控方式在 Team 和 Enterprise 中共享。组织所有者可以决定成员能否与同事共享技能，或将技能发布到内部目录。
录制式创建可能会让这些目录迅速扩张。团队成员或许能在几分钟内捕捉一个实用流程，然后提供给其他人使用。这种速度提升了审核标签、责任人字段和版本控制的价值。
团队需要区分个人录制与获批的组织流程。前者反映的是某位员工的习惯，后者代表的是一套经过维护、其他人可以依赖的流程。
第三项考验是可移植性。录制的工作流可能依赖创建者独有的文件夹、账户权限、应用程序名称或本地配置。共享技能并不会自动为另一名员工提供相同的环境。
实用的技能必须清晰表达依赖项。它应明确所需的连接器、预期文件位置、输出格式和权限。当其中任何依赖项缺失时，它也应安全地停止运行。
第四项考验是上下文质量。知识工作很少从空白屏幕开始。一项重复性任务会利用项目历史、团队术语、过往决策、模板和当前沟通内容。
演示可以展示某个人去哪里查找信息，却无法保证这些来源始终井然有序。团队仍然需要可靠的信息捕捉和检索机制。否则，录制的流程只是将对碎片化上下文的搜索自动化。
围绕知识融合构建的工具，通过连接笔记、文档、会议及其他工作上下文来解决一个相关问题。更广泛的启示是，工作流记忆和组织记忆必须协同工作。
第五项考验是变化后的维护。源应用程序可能更新界面，团队可能修订审批政策，报告模板可能新增章节。每项变化都会成为重新审查技能的理由。
再次录制演示或许是最简单的更新方式。但用户还需要比较版本，并了解哪些指令发生了变化。如果缺少这种比较，更新可能会悄无声息地移除一项重要保障。
第六项考验是输出一致性。Anthropic 现有的技能可以指导文档、电子表格、演示文稿和 PDF 的创建。录制的技能还可以加入组织特定的要求，例如获准使用的术语、布局、验证检查和交付格式。
这是一个很有潜力的使用场景，因为输出仍然很容易检查。传播团队可以审阅草稿，财务分析师可以验证公式，项目经理可以将摘要与其源文档进行比较。
但同等程度的信心并不适用于自主操作。发送消息、更改系统记录或移动敏感文件都会产生后果，而这些后果可能无法从某个最终产物中看出。
组织在采用录制技能前，应按照影响程度对工作流进行分级。低影响的起草任务可以快速推进。高影响操作则应保留审批关卡并严格限制权限。
Claude Cowork 工作流的采用还将取决于失败时的行为。值得信赖的技能应当在证据发生冲突、所需数据缺失或环境与其训练演示存在实质性差异时停止运行。
一个在每种异常情况下都即兴应对的模型，可能在演示中显得能力出众。但在生产环境中，知道何时暂停，往往比不惜一切代价完成任务更有价值。
三个信号将表明录制技能能否长久存在
下一阶段将由审核控制、现实环境中的可靠性和竞争对手的回应来定义，而不只是录制质量。
第一个信号是 Anthropic 针对审核和编辑生成技能所提供的文档。该公司的公告解释了捕捉流程的概念，但有关最终产物的公开细节仍然有限。
强大的审核界面应当展示提取出的目标、所需输入、操作顺序、条件和获准使用的工具。它应允许用户删除捕捉到的敏感细节，并在保存前添加明确的审批节点。
版本历史会进一步增强说服力。团队需要比较由原始录制生成的技能与后续编辑版本，并了解某项特定任务运行时使用的是哪个版本。
如果 Anthropic 提供这些控制功能，就能有力支持录制可以成为一种严肃创作方式的主张。如果结果仍然不透明，这项功能将继续更适合低风险的个人工作流。
第二个信号是应对异常情况时的可靠性证据。产品演示通常沿着一条清晰路径展开，使用熟悉的应用程序和完整的输入。现实工作却包括过期会话、被重命名的文件夹、不一致的文档和相互冲突的指令。
用户应观察 Claude 能否识别这些差异并暂停。他们还应测试，当执行方式从屏幕交互切换到连接器时，生成的技能能否保留旁白中说明的规则。
仅凭成功率无法了解全部情况。一个每次都能完成运行、却偶尔选择错误来源的工作流，比一个会明确停止的工作流更危险。
Anthropic 可以通过提供技能评估工具或测试用例来增强信心。团队应当能够使用样本输入运行流程，而无需授予其操作实时系统的权限。
第三个信号是竞争对手如何回应。OpenAI 已经使用桌面录制进行转录和记忆，而成熟的自动化厂商则提供流程捕获和结构化工作流设计。市场正逐渐趋向于采用更便捷的方式，将人类工作转移到软件中。
如果竞品将演示捕获与更强大的测试能力结合起来，可能会削弱 Anthropic 的优势。相反，快速跟进模仿则会验证这样一种观点：工作流教学正在成为桌面代理的标准功能。
最重要的指标将是新鲜感消退后的重复使用情况。用户可以快速录制许多技能，但只有持续维护的技能才能创造持久价值。被弃用的录制内容将表明，创建变得更容易了，但可靠的重复使用并没有。
Claude Cowork 技能录制值得关注，因为它改变了谁能够起草自动化流程。它让执行任务的人能够直接教会代理，而无需先成为工作流工程师。
这种易用性也让质量控制更贴近用户。人们必须判断演示遗漏了什么、Claude 可以访问哪些数据，以及哪些环节仍需人工审批。
首先选择一个输出结果易于验证的流程。录制一个清晰的示例，说明例外情况，检查生成的指令，并使用不同的输入进行测试。如果 Claude 无法解释它应当在何时停止，那么该技能还不适合在无人监督的情况下运行。
长远的问题不在于 Claude 能否在看过一次后复制工作流，而在于人们能否理解、管控并改进 Claude 所学到的内容。
