雲端方程式 Cloud F1 對主管 Email 改 5 次的解：3 個 Voice Profile + 5 個 Skills 在 Claude Project 落地
更新於 2026年7月22日
對主管 Email 改 5 次的解：3 個 Voice Profile + 5 個 Skills 在 Claude Project 落地
Answer Capsule：對主管 email 每次改 5 次的根本原因不是 writing skill 不好，是沒有 voice profile 持久化。Alex 在雲端方程式寫客戶月報的案例顯示：建 3 個 voice profile（對主管/對客戶/跨部門）+ 5 個 Skills（週報/跨部門協作/客戶提案/會議 follow-up/壞消息傳達）寫進 Claude Project knowledge，寫信時間從 25 分鐘降到 4 分鐘。這就是 P1 原理：Project state ＞ one-shot prompt。這套機制現在也能直接搬進 Claude Cowork 的工作區持久化 context，不只是 Project knowledge 的專利。
你有沒有遇過這種情況？
每週寄 3 封這種「改到凌晨」的信，週末加班的時間就這樣被吃掉。
晚上 9 點要寄一封 email 給老闆，主題是「下個 sprint 為什麼會 delay」。
第一版寫得太急，被你刪了。 第二版太正式，像在寫 SOP，自己都看不下去。 第三版加太多解釋，主旨被埋。 第四版改完想說「這次不錯」，按 Send 前發現用詞太硬。 第五版終於寄出去，凌晨 11 點。
每週寄這種信 3 次，週末加班的時間就吃掉了。
根本原因：不是 writing 不好，是沒資產化
90% 人的第一反應是去學寫文案，但問題不在技巧，在每次都要從頭重建 context。
90% 人遇到寫信慢，第一反應是「我要學寫文案」。買書、上課、看公眾號文章。
老實講沒用。
你 writing skill 沒問題——你能想出對的話，問題是每次都要從頭想。寫信卡，本質是：
1. 沒有 voice profile 持久化。
每次寫信你重建一次「我講話風格 + 我老闆吃哪一套」。沒有檔案存著，每次從頭來。
2. 沒有 audience persona load。
你按 Send 之前心裡知道對方是誰、在乎什麼、會在哪裡卡。但這些不在 prompt 裡，AI 給你 generic output。
3. 一次只丟一段給 AI 改。
你貼一段給 ChatGPT 改，覺得不對，再貼一次。Context 沒堆疊，每次重來。
這是資產化問題，不是 writing 問題。
P1 原理：Project state ＞ one-shot prompt
把講話風格 + audience profile 寫一次進 Claude Project，比每次寫信重打強很多——這就是 P1 原理。
這是 Alex 6 條 cross-cutting principles 之一（Track A + Track B 共用）。
簡單來說
把你的講話風格 + 老闆 / 客戶 / 同事的 audience profile 寫一次到 Claude Project，比每次寫信都重打強很多。這就是 P1 原理。
P1 三層 mechanism
第一層：Voice profile（你怎麼講話）
寫一份 markdown 進 Claude Project：
- 你的角色（35 歲 PM / 5 年顧問經驗）
- 你的講話風格（簡潔 / 偏 narrative / 偏正式 / 偏口語）
- 你常用的句型
- 你禁用的詞（AI 味濃的「賦能」「打造」「全方位」「無縫」）
寫一次，永遠用。
第二層：Audience profile（對方是誰）
寫一份 markdown：
- 老闆 A（50 歲、技術背景、痛恨 fluff、通勤 30 秒掃信）
- 老闆 B（40 歲、行銷背景、喜歡 narrative、會仔細看）
- 客戶 X（startup founder、口語風格、focus ROI）
- 跨部門同事（行銷部主管、需要 buy-in、別下指令式語氣）
每個 persona 一個檔。寫信時 invoke 對應 audience。
第三層：Persistent thread
不貼片段——整個 email thread 從上到下整段貼進 Claude。Claude 200K context 吃得完，會抓到細節 ChatGPT 漏掉的。
為什麼資產化打敗 prompt 工程
Prompt engineering 是每次寫對的戰術層，voice profile 資產化才是一次建立永遠用的策略層。
過去 5 年 AI 圈主流是 prompt engineering — 教你怎麼寫對的 prompt。
P1 主張：prompt engineering 是 tactical 層，資產化是 strategic 層。
| 維度 | Prompt engineering（每次寫對） | Voice profile 資產化（一次建立永遠用） |
|---|---|---|
| 寫信前置時間 | 每次 5-10 min（重述 context） | 0 min（Project 自動帶） |
| 一致性 | 每次 output 風格不太一樣 | 跨封 email voice 一致 |
| 知識累積 | 寫完就消失 | 每次 iterate 寫得更精準 |
| 換工具成本 | 換到 Claude / Gemini 重學 prompt | Voice profile markdown 兩邊都用 |
| 老闆覺得 | 「這信像 AI 寫的」（生硬） | 「最近你寫信有比較順喔」 |
最後一條最重要——老闆看不出來是 AI 寫的，這就是資產化的目標。
Claude vs ChatGPT 在 prompt 上其實差不多
兩邊 prompt engineering 官方 guide 9 成重疊，真正差別在 Project state + Cowork 的工作流整合，不在寫法。
老實講 Claude 跟 ChatGPT 在 prompt engineering 層差不多——OpenAI 跟 Anthropic 的 prompt engineering 官方 guide 90% 重疊。
兩邊都吃 role + stakes + audience。兩邊都擅長 detailed context。兩邊都支援 system prompt + few-shot examples。
真正的差別在 product feature 不在 prompt style：
- Context window：Claude 200K-1M / ChatGPT GPT-5 base 400K（2026 Q1+）
- Project state：Claude Project knowledge / ChatGPT Custom GPTs — 機制類似
- 文件協作介面：Claude Cowork（GA） / ChatGPT Canvas（較弱）
- Marketplace：兩邊都有對等產品
Cowork 真差異化在 context + Artifacts UX 整合——你看 100 頁 .docx 預覽同時改 prompt，ChatGPT Canvas 還做不到這個 workspace 整合度。
這套方法怎麼搬進 Claude Cowork
Project knowledge 是「你手動貼進去的資產」，Cowork 是「連工作區都幫你記住」，兩者疊加才是完整的 P1。
原本這篇講的三層 voice profile，是寫進 Claude Project knowledge——你手動把 markdown 檔貼進 Project 設定，每次開新對話 Claude 都會讀到。這一步現在還是必要的，Cowork 不會自動幫你生出 voice profile。
Cowork 補的是另一塊：Project 只記得「你貼進去的文字」，Cowork 記得的是工作區的持續狀態——你上次交辦到哪一步、產出檔案放在哪個資料夾、上一輪你改了哪些用詞。
實務上我建議這樣分工：
- Voice profile + audience profile 還是寫進 Project knowledge（一次性，這是「你是誰、對方是誰」的靜態資產）。
- 實際寫信/改信這個任務丟進 Cowork（Cowork 會讀 Project knowledge，同時記得這次交辦的草稿在哪、你已經改過幾輪）。
- 改完的定案版本存回你自己的資料夾，讓下次同類型信件可以直接被 Cowork 抓到當參考範例，不用你再貼一次。
我朋友實際上常遇到一種狀況：把 voice profile 寫完就以為「這樣 AI 就懂我了」，結果每次寫信還是重新開一個對話貼一次 context。差別在——Project knowledge 解決的是「AI 知不知道你的 voice」，Cowork 解決的是「AI 記不記得你這次交辦到哪」。兩個都要有，才是完整的 P1 落地，不是二選一。
Mimicry Prompt 萃取流程
打開 Claude Cowork 建新 Project，貼 3-5 個你自己寫得滿意的樣本，讓 Claude 萃取出你的 voice profile。
打開 Claude Cowork，建新 Project：「我的職場文案 voice」。
在 Project knowledge 貼 3-5 個你過去寫得自己滿意的 email / 簡報 / 報告。然後跑這個 prompt：
我給你 3 個我自己寫的 sample。請你做兩件事：
1. 萃取我的 voice 特徵（句型結構、tone、vocabulary 偏好、慣用 transition）
2. 寫一份 voice profile markdown，未來我寫信時 invoke 這份 profile
不要美化我的 voice。如實 mirror，包含我的缺點（太冗長 / 太閃避 / etc.）。Claude 會 interview 式回問你 3-5 個釐清問題，然後產出 voice profile markdown。
老實講第一次萃取會不準——你的 sample 可能 mix 多種 voice。修一輪：
你寫的 voice profile 有 3 點不像我：[list]。請改成更貼近我實際講話的版本。iterate 2-3 次，第 3 版通常 80%+ 準。
Anti-AI 詞表
建一份「禁用詞表」放進 Claude Project，寫完先掃一遍，這是老闆看不出來是 AI 寫的關鍵。
老闆看不出來是 AI 寫的，這就是資產化的目標。
做法是建一份「禁用詞表」放進 AI 的 Project：
## Anti-AI 禁用詞
寫信時禁用下列詞（AI 味濃，違反我的 voice）：
- 賦能、打造、全方位、無縫、整體性
- 在...的角度上、就...而言、針對性地
- 此外、值得一提的是、需要注意的是
- 一站式、深度賦能、戰略性這份禁用詞是你個人化的 anti-AI 詞表。Voice profile + 禁用詞 = 完整 P1 第一層。
每次 AI 寫完，先掃一遍禁用詞。你的 AI 政策不是寫在心裡，是寫成檔案讓 AI 自己遵守。
Alex 真實案例：雲端方程式客戶月報
Alex 在雲端方程式寫客戶月報，靠 3 個 voice profile + 過去月報存進 Project，把寫信時間從 25 分鐘壓到 4 分鐘。
我跑雲端方程式接案那段時間，每月寫客戶月報、季度檢視、季度策略簡報。前面 1 年我每份都重寫——感覺自己在「重新發明寫法」。
直到我在 Claude Project 裡建了 3 個 voice profile（對 enterprise 客戶 / 對 startup 客戶 / 對個人 freelancer），每次寫 email 直接 invoke 對應的 voice。
流程
Step 1（一次性，1 小時）
開 Claude Project：「雲端方程式客戶月報」。Project knowledge 放：
- voice profile（我的講話風格）
- audience profile × 3（enterprise / startup / freelancer）
- 過去 6 個月所有月報（200K context 用 60% 左右）
Step 2（每月，4 分鐘）
月底我只丟「本月發生的事 5-8 點 bullet」+「客戶 X，profile」。
Claude 產出對齊我風格 + 對齊客戶 audience 的完整月報（約 1500 字）。
Step 3（每月，2 分鐘）
我看一眼 Artifacts 預覽，調 1-2 處（通常是「這個 metric 的解讀我這樣 framing」）。Send。
結果
從第 1 個月 25 分鐘降到第 6 個月 4 分鐘——這就是 P1 的實際 ROI。
不是因為我 prompt 寫得好，是因為 voice profile + audience profile 已經做完了 80% 的決策。
5 個職場 Skills bundle
5 個 Skill 對應職場 email 5 大場景，每個是一份含 system prompt 的 markdown，fork 進 Project 就能用。
主課 Track A A3 module 提供 5 個 Skills 對應職場 email 5 大場景：
- progress-update — 對主管週報 / 月報 / sprint update
- cross-team-collaboration — 跨部門協作 / 提需求 / 推案件
- client-proposal — 客戶提案 / 報價 email
- meeting-followup — 會議後 follow-up（含 decisions / actions / owner / deadline）
- bad-news-delivery — 傳達壞消息（delay / scope cut / 失敗）
每個 Skill 是一份 markdown，含 system prompt + 1-2 個範例。fork 進 Claude Project knowledge，下次寫信 invoke 對應 Skill 即可。
對照其他做法
Voice profile + Skills 解的是資產化問題，寫 prompt 模板或上文案課解的是別的層次，不能互相取代。
| 做法 | 解的是什麼 | 限制 |
|---|---|---|
| P1 + Voice profile + Skills | 文案資產化（一次建立永遠用） | 第一週 setup 1-2 小時投資 |
| 寫 prompt 模板每次貼 | tactical layer | 沒持久化、跨工具不 transfer |
| 訂 ChatGPT Plus | 通用 AI | 沒 Project 整合度高 |
| 上文案課 | writing skill | 沒解資產化問題，每次仍從頭想 |
| 學商業書信範本 | 結構模板 | 範本是別人 voice 不是你的 |
⚠️ 老實說（這套方法的邊界）
Voice profile 不是萬能解，遇到高風險、需逐字法遵審核的內容，還是要人工把關到底。
這套方法不適合所有情境，講清楚幾個邊界：
- 法遵/合約用詞級別的信件不適用——voice profile 讓語氣一致，但不保證措辭符合法律審查標準，這種信仍要走人工 review，不能單靠「風格對了」就送出。
- 第一週有摩擦成本——建 voice profile + audience profile + Mimicry 迭代，估計 1 小時能搞定，實際上第一次常常跑到 2-3 小時，因為你會發現自己也說不清楚自己的講話風格。這是正常的，不代表方法不對。
- voice profile 會過時——你升職、換部門、講話習慣改變，profile 沒跟著更新，AI 產出會慢慢跟你現在的風格脫節。建議每季重新跑一次 Mimicry Prompt 校正。
- 不要以為建完就一勞永逸——高 stakes 的信（例如跟老闆談加薪、跟客戶談合約條款）我還是會自己逐字看過，voice profile 省的是「從空白開始想怎麼寫」，不是省「判斷該不該送出」。
Key Takeaways
- 對主管 email 改 5 次的根本原因是「沒 voice profile 持久化」，不是 writing 不好
- P1 原理：Project state ＞ one-shot prompt — 寫一次永遠用，比每次重打強
- Claude vs ChatGPT prompt 寫法差不多，差別在 Project + Cowork 的工作流整合
- Voice profile 是靜態資產，Cowork 是動態工作區記憶——兩者疊加才是完整落地，不是二選一
- Mimicry Prompt 萃取流程：3-5 個 sample → Claude 萃取 voice → iterate 2-3 次到 80%+ 準
- Anti-AI 詞表是你個人化資產，每次看到 AI 用了你不喜歡的詞立刻加進去
- Alex 真實案例：雲端方程式客戶月報，25 min → 4 min（6 個月演化結果）
- 邊界要記得：法遵級用詞、高 stakes 決策信，voice profile 不能取代人工把關
FAQ
Q1：我有 5+ 個老闆（顧問 / 接案者）怎辦？
寫 3 個 typical audience archetype（高層 enterprise / startup founder / freelancer 等），其他臨場補。3 個 archetype 涵蓋 8 成對話，不用每個人都建一份。
Q2：voice profile 寫完跟我實際講話差很多？
iterate。給 Claude「你寫的這 3 點不像我」，重跑 Mimicry。第 3 版通常 80%+ 準，第一次不準是正常現象。
Q3：5 個 Skills 不夠用？
先用 5 個跑 1 個月，發現你真的常寫但不在 5 個內的，再加。不要一次寫 20 個 Skills，大部分用不到，反而增加維護負擔。
Q4：Skill 跟 voice profile 衝突怎辦？
Skill 是 structure（怎麼 frame），voice profile 是 voice（怎麼講話）。不衝突——Skill 給結構框架，voice profile 給語氣詞彙，兩者分工不重疊。
Q5：我從 ChatGPT 搬家到 Claude，過去對話怎辦？
Claude 支援 Memory Transfer，可以把 ChatGPT / Gemini 過去對話記憶搬過來，OAuth 幾分鐘搞定，免費 plan 也能用。搬完建議還是跑一次 Mimicry Prompt 校正，因為舊記憶不等於你現在的講話風格。
🎯 下一步行動
如果你也卡在職場文案上，這套 voice profile + Skills 的方法就是「AI 職場工作術」課程裡實際教的做法之一——完整課程還會帶你一步步建自己的 voice profile、audience profile，並示範怎麼把整套流程搬進 Claude Cowork 的工作區裡持續用。
想看完整課程內容，可以到 AI 職場工作術課程頁 看看。
如果你還沒準備好上課，但想先看看其他學員在討論什麼，也可以先加入 Skool 學習社群，不用急著決定。
🔗 相關資源
- 🔗 延伸閱讀：Claude Cowork 教學：3 分鐘做出一張表，不用再自己東查西查
- 🔗 延伸閱讀：4 個我天天用的 AI 與工作流小技巧
- 🔗 延伸閱讀：PR Review 卡兩天的解：P5 三階驗證 + Claude Code Sub-Agents
- 🔗 延伸閱讀：Cole Medin Context Engineering 在地化：TW Indie Hacker 的 SaaS Ship Loop 實戰
- 📚 課程頁：AI 職場工作術
- 💪 社群：Skool 學習社群
- 🌐 官方資源：aiblewmymind Substack — Mimicry Prompt 原始啟發、Anthropic Cowork docs
變更紀錄
| 版本 | 日期 | 變更 |
|---|---|---|
| 1.0 | 2026-04-29 | 初版（Plan 4 §Phase 7 Blog 2） |
| 2.0 | 2026-07-22 | D9 重定位：CTA 改導 academy.cloud-f1.com、新增 Cowork 落地段落 + 老實說邊界段、補內鏈與 FAQ、frontmatter 對齊公司品牌層 |
