注册并分享邀请链接,可获得视频播放与邀请奖励。

搜索结果 画収集📚
画収集📚 贴吧
一个关键词就是一个贴吧,路径全站唯一。
创建贴吧
用户
未找到
包含 画収集📚 的推特
留学生发明「报吃」黑话骗过 AI,结果把全行业大模型都整崩溃了 莎士比亚它能逐行解析,却读不懂一句“几乎可以媲美我高中食堂”里,那点咬牙切齿的嘲讽。 —— 与龙共弈 最近,自然语言处理(NLP)圈被一篇论文轻轻将了一军。宾夕法尼亚大学和华盛顿大学的研究者发现:在评估主流大模型对中文在线评论的理解能力时,只要用户稍微用暗号,用一套只有圈内人才懂的编码语言写差评,几乎所有模型都瞬间瞎了。 这篇论文已被ACL 2026收录,它是计算语言学的顶级会议,能被它收,说明这事不是段子,是真问题。 更扎心的是这些模型能写代码、能翻译古籍、能在律师资格考试里吊打人类,却在这饭到底好不好吃这种问题上栽了跟头。 当差评可以被删除:一套黑话的诞生 故事要从谷歌地图的一个机制说起。在海外,谷歌地图的商家评论区长期存在差评可删的灰色空间,只要评论触发某些规则,商家或平台就可能把它移除。 于是,一群在海外生活的中国留学生,想出了一个朴素又聪明的办法:把差评用正面内容包起来,再用只有中国人能懂的暗号传递真实态度。 英文写Newspaper eat(字面:报纸吃),对应中文谐音报吃,意思就是这饭不好吃。 有人用藏头诗写好评:每句首字连起来,才是真正的差评。 还有人更硬核:用米粒在桌上摆出字,拍照配五星,图里的字才是真心话。 表面是五星、是夸赞、是报纸吃这样莫名其妙的句子,背后,是一群人对一套不公机制的集体幽默反抗。 这不是孤例,论文团队在真实评论里捞到大量这类编码语言,它们共用一个特征:字面意思与真实意图完全相反,且高度依赖社群共识。 7744 条评论实测:大模型全军覆没 光有轶事不够,研究者做了硬核实验,他们收集了7744 条真实中文评论,其中900 条属于各类编码语言(黑话、谐音、藏头、反讽)。 然后,他们把这些评论喂给一众主流大模型,让模型判断评论的真实情感倾向(正面 / 负面)。 结果,用论文作者的话说,是断崖式下跌,在普通评论上还能打八、九十分的大模型,一旦遇到编码语言,准确率直接跳水。 核心结论:大模型并不是变笨了,是它从未真正学过这套语言。当真实意图被藏进字面相反的表述里,依赖统计规律的模型就只能举手投降。 病根在哪:Transformer 的阿喀琉斯之踵 为什么连 GPT 级别的大模型都会翻车?论文把矛头指向了几个结构性原因。 局部语义强,跨句整合弱 Transformer 的核心机制是注意力(attention),它对单个词、相邻几个词的关系把握得很好。但一旦真实意思散落在字面是五星 + 图片里一行米粒字 + 评论区的社群语境之间,模型就拼不出完整拼图。它看得见每一块碎片,却读不懂整幅画。 训练数据里,黑话占比极低 大模型的世界观来自训练语料。而像报吃米粒摆字这类活在日常、长在社群的表达,几乎没有进入高质量训练集。模型没见过,自然不懂。 最棘手的映射关系动态演化 Newspaper eat → 报吃 → 不好吃这样的对应关系,不是字典里固定的,是网民实时共创、随时改写的。今天报吃是暗号,明天可能就换了说法。对靠静态语料训练的模型来说,这是一道追不上的移动靶。 模型读得懂词典,却读不懂人间。语言不是死的符号,是活的关系。 当机器学会了读书,却读不懂人 这篇论文最值得玩味的地方,不在于AI 又翻车了,翻车年年有。它真正提醒我们的,是人工智能的理解,和人类的理解,根本不是一回事。 我们读懂报吃,靠的是共情、社群经验,是知道一个人不会无缘无故夸一家难吃的店。而模型读懂一句话,靠的是它见过的千万次统计。当真实世界比训练集更复杂、更狡黠、更有人味,差距就暴露了。 人之聪明,多失于浮炫。——《金史》  再聪明的系统,一旦困在字面的浮光里,也会在真正的深意面前失语。 所以,下次看到 AI 妙笔生花,不妨想起那句:几乎可以媲美我高中食堂。它写得越漂亮,越提醒我们:真正的理解,从来不只是读懂字,更是读懂字背后那个人。 #AI# #AIAgent# @grok @xai
显示更多
一个人就是一个剧组!拿一句灵感喂给腾讯 OnSolo,48 小时后它回我一部 8 集 AI 短剧 前面几篇写过 WorkBuddy 做办公、跑自动化、剪视频粗剪,那条线是“桌面数字员工”。这次换一个同属腾讯、但完全不是一路货的 AI 新物种——OnSolo。它由此前内测的 WorkSolo 更名而来,2026 年 8 月正式上线,Slogan 就一句:“a Crew of One”,一个人就是一个剧组。如果说 WorkBuddy 是给你配了个行政+数据搭子,那 OnSolo 是给你塞进一个“编剧+分镜+美术+摄像+配音+剪辑”六合一的小剧组,只不过这六个人都是 Agent。 一、它和 WorkBuddy 不是兄弟,是两条平行线 先纠个容易混的点:OnSolo 不是 WorkBuddy 的视频版。WorkBuddy 出自腾讯云 CodeBuddy 团队,长在全场景办公智能体上;OnSolo 来自腾讯视频智能创作平台部,和工业级 AIGC 平台 WorkRally 共用同一套技术底座——只是 WorkRally 砍给专业工作室/机构做规模化漫剧,OnSolo 把协同、资产管理、复杂权限这些“团队件”全拆掉,留给个人一个轻量但完整的成片流水线。 一句话分野:WorkBuddy 替你在桌上搬 Excel/PPT,OnSolo 替你在屏幕上拍片子。 二、四入口,不是“生成一段视频”那么浅 打开 onsolo_ai 首页四个入口并列排开,对应四种创作人格: Start a story:主战场。丢一句“夜班店员和急救员在便利店重逢”进去,AI 先结构化出角色、场景、道具,确认后批量出人物三视图、多视角参考图、分镜提示词,再一键批量生成各场景视频片段,最后在时间轴里重排镜头、加转场、字幕、配音,导出 MP4。 FMV Game:互动影游。设好叙事视角/画幅/风格,AI 生成剧情树,每个节点展开成分支对白+视频,观众点不同选项走不同结局。 Meme Play:把热点梗/表情包拉成 60 秒带叙事节奏的轻短片,是引流和试水最快的入口。 Canvas:无限画布,Idea/Story/Image/Video 四类节点拖拽组合,左侧 PIN 区固定角色卡、道具参考,专治“换一镜就变脸”的 AI 视频老毛病。 三、最狠的不是生成,是 Story Flow 把“卡壳”外包了 我这次试的是 Start a story,灵感就一句:“她杀了我,而在他臂弯里,我忘了自己曾是个男人。”AI 先反问 4 个问题——类型(短剧/短片/病毒式)、集数、画幅、视觉风格(56 种里选了“霓虹冷调心理惊悚”),然后出 8 集剧本。 中途卡在第 3 集反转,我点开 Story Flow:整个故事被摊成一张节点地图,AI 在每个卡点自动延展 3 条剧情走向,我选了“记忆不是被抹掉,是被移植”那支,反推回剧本重写——这比在剪映里硬憋强太多。OnSolo 的自研视频模型也确实在“角色一致性”上比纯接外部模型稳一点,同主角跨 20 个镜头没崩脸,这是它敢叫板可灵/Seedance 的底气。 四、泼盆冷水:能成片 ≠ 能爆 DataEye 那组数据还是得贴在屏幕上:2026 上半年抖音端原生 AI 剧漫剧新剧 22.19 万部,播放破亿的 1055 部,破亿率 0.48%。OnSolo 把“一个人能不能拍”的门槛打到地板,但“拍出来有没有人看”还是你的故事、你的人设、你的钩子说了算。另外两点也别忽略: 积分不是无限:图像渲染、分镜视频、配音、导出都吃 Credits,8 集短片我烧掉约 60% 新手包,长剧批量产真不便宜; 目前主推英文界面+海外模型,国内直连某些外部视频模型偶有抖动,中文版还没正式铺开,尝鲜可以,当生产主力再等等。 收一句 OnSolo 的意义不是“AI 替你当导演”,而是把短剧生产里最耗人、最重复的那 80%(拆剧本、画分镜、做参考图、批量渲镜头、套配音)吞掉,把你从“六边形战士”放回“唯一该负责审美和故事的人”。等中文版再稳一版,网文作者自己把小说改成可播短剧、独立 UP 主做原创剧情番、小店老板娘给自己拍一支 30 秒带货漫剧——这些以前要凑 6 个人的活,2026 年下半年开始,真的在一个网页里就够。
显示更多
在奥森书局看到一组北京冰箱贴,其中有白塔,除了周围房子画的有出入,白塔还是很写实的。一直在收集白塔的文创,自然又入手一枚~
显示更多
接上一个视频的情节。难道以后是阿宾系列? 真实系skills 来自grok 的Skills 新功能,很好用,我把收集的真实系提示词扔给GROK 然后做了个realistic-video-prompt-builder。然后效果惊人。下面是提示词。资产过度在回复里。prompt:😁😁第一幕:以未经处理的iPhone手持拍摄的真实视频素材风格呈现,所有相机设置均为自动,无任何后期调色或特效。画面带有真实的手持轻微抖动和操作者呼吸感,自动对焦偶尔出现搜索、延迟和短暂失焦,自动白平衡在办公室自然光与窗外光线间切换。图像整体平坦,保留真实的边缘色差、轻微过曝或欠曝、运动模糊等光学瑕疵。仅使用画内自然环境音效,包含轻微的办公室环境声和空调声,麦克风可能捕捉到轻微呼吸声。采用第一人称手持视角拍摄,镜头运动为自然反应式,偶尔因紧张而出现小幅度抖动和快速调整。中景构图,能看到老师上半身和部分办公室环境。 一位的亚洲女教师 穿着 坐在自己私人办公室的办公桌后,穿着得体优雅的衬衫和及膝裙,气质温和却带着一丝强势。她办公室布置整洁,有书架、文件和一扇大窗户。她坐在办公椅上,双手交叠放在桌上,表情严肃地看着镜头。 0秒时,镜头已对准坐在办公桌后的女教师,她正看着第一人称,办公室内光线柔和,画面轻微晃动。1秒时,女教师语气严肃地开口问道:“你为什么要在课堂上偷拍我?”镜头因学生紧张而出现轻微抖动,自动对焦短暂失焦后重新锁定在她脸上。2秒时,女教师继续质问,语气平静但带着压迫感:“你拍我做什么?有什么目的?”她微微前倾身体,眼神直视镜头。3秒时,女教师停顿了一下,办公室里安静了几秒,她看着镜头,表情逐渐发生变化。4秒时,女教师突然轻笑一声,语气开始转变,她靠在椅背上,声音变得低沉而玩味:“其实我早就发现了……你一直用手机对着我。”镜头出现明显抖动,学生紧张的呼吸声隐约可闻。5秒时,女教师站起身,绕过办公桌慢慢走近第一人称,语气带着暧昧的笑意:“你告诉我……为什么想偷拍老师?”她走到距离镜头较近的位置,微微低头看着镜头。6秒时,女教师眼神带着一丝戏谑和诱导,声音更轻更慢地说道:“是觉得老师哪里……特别吸引你吗?”镜头因学生紧张而出现轻微晃动。7秒时,女教师看着镜头,嘴角带着若有若无的笑,声音低沉地继续说道:“还是说……你只是想把老师的样子偷偷留下来?”办公室里安静下来,只有轻微的空调声。8秒时,女教师微微侧头,眼神直视镜头,语气带着明显的暧昧和试探:“现在你被抓到了……打算怎么解释呢,小帅哥?” 画面呈现出真实的未经处理手持视频质感,纪录片级别的自然不完美感,无任何后期调色或特效。所有相机行为均符合iPhone在室内拍摄的物理特性。 第二幕:以未经处理的iPhone手持拍摄的真实视频素材风格呈现,所有相机设置均为自动,无任何后期调色或特效。画面带有真实的手持轻微抖动和操作者呼吸感,自动对焦偶尔出现搜索、延迟和短暂失焦,自动白平衡在办公室自然光与窗外光线间切换。图像整体平坦,保留真实的边缘色差、轻微过曝或欠曝、运动模糊等光学瑕疵。仅使用画内自然环境音效,包含轻微的办公室环境声和空调声,麦克风可能捕捉到轻微呼吸声。采用第一人称手持视角拍摄,镜头运动为自然反应式,偶尔因紧张而出现小幅度抖动和快速调整。中景构图,能看到老师上半身和部分办公室环境。 接 5月13日(2) 延长15秒一位的亚洲女教师 穿着 hf_20260513_003003_9dd3801b-f11c-4926-ad9e-361d15ba9420 站在桌子旁,穿着得体优雅的衬衫和及膝裙,气质温和却带着一丝强势。她办公室布置整洁,有书架、文件和一扇大窗户。 9秒时,女教师继续靠近第一人称,身体挡住部分画面,她微微低头,眼神带着玩味地看着镜头。10秒时,女教师突然伸出手,用力推了第一人称一下,镜头猛地晃动并向后退去。11秒时,第一人称被推得后退两步,坐到旁边的单人椅子上,镜头因后退和坐下而出现明显晃动与短暂失焦。12秒时,女教师跟着走过来,站在第一人称面前居高临下,语气带着明显的压迫感说道:“现在老实坐着了……可以好好说了吧?”13秒时,女教师抬起一只脚,踩在第一人称的胸口位置,身体微微前倾,声音低沉而暧昧地继续问道:“说吧……你偷拍老师,到底是想干什么?”镜头因紧张而出现明显抖动,自动对焦短暂失焦后重新对准她的脸。14秒时,女教师脚仍踩在胸口,眼神直视镜头,语气更轻更慢地说道:“是觉得老师长得漂亮,所以想偷偷拍下来?”15秒时,女教师微微收紧脚上的力道,继续用暧昧的语气问道:“还是说……你只是想把老师的样子留着,一个人慢慢看?”16秒时,女教师保持踩着胸口的姿势,身体前倾看着镜头,声音带着一丝戏谑:“现在被老师这样踩着……还想继续拍吗?”17秒时,女教师微微侧头,脚上的动作没有放松,语气带着试探:“还是……你现在更希望老师靠近一点?”18秒时,女教师看着镜头,嘴角带着若有若无的笑,继续说道:“告诉我实话……你偷拍老师,是不是因为喜欢被老师这样对待?”19秒时,女教师脚依然踩在胸口位置,身体保持前倾,声音更低地问道:“还是说……你其实很享受现在这个样子?”20秒时,女教师微微加重脚上的力道,语气平静却带着压迫感:“现在……你还想解释吗?”21秒时,女教师保持这个姿势,眼神直视镜头,声音低沉而缓慢:“还是……你已经不知道该怎么解释了?”22秒时,女教师看着镜头,脚上的动作依旧,语气带着明显的强势:“那就老实点……别乱动。”23秒时,女教师保持踩着胸口的姿势,眼神没有移开,办公室里安静下来,只剩轻微的空调声和学生紧张的呼吸声。 画面呈现出真实的未经处理手持视频质感,纪录片级别的自然不完美感,无任何后期调色或特效。所有相机行为均符合iPhone在室内拍摄的物理特性。
显示更多
0
422
4.7K
182
转发到社区
玩2D的不過癮嗎? 那一定要試試超精細寫實3D風格的紳士手遊『慾神幻想』 精細的3D畫面,豐富的遊戲體驗,自由的調整鏡位 令人過目難忘 現在『慾神幻想』期間限定活動角色召喚池 有各種角色的聖誕節瑟瑟造型喔 還不趕快去收集!! EROLABS平台下載: #EROLABS# #慾神幻想# #奧莉拉娜#
显示更多
0
20
1.6K
136
转发到社区
Anthropic 分析 20 万次科研会话:科学家用 Claude 最多的是分析数据和写论文,他们最看重的提想法反而用得最少 Anthropic 11 月 4 日发布研究报告,统计了 2026 年 8 月 2 日到 9 月 30 日约 20.7 万次科研相关的 Claude 会话,看科学家拿 AI 干什么,以及 AI 能让科研快多少。 先说结论: • 分析数据是第一大用途,占 Claude 科研会话的三分之一,Claude Code 的近一半 • 科学家认为最重要的两件事,提出想法和收集数据,用 AI 最少 • 现有 AI 能力如果普及开来,部分领域科研产出最多翻一倍;要是 AI 能包揽所有不用动手的工作,计算机、统计能快约 15 倍,化学、生物只能快 3 到 4 倍,因为实验还得有人在实验室做 【数据怎么来的】 样本来自个人订阅用户,聊天和 Cowork 里 12.9 万次,Claude Code 里 7.8 万次。研究团队让模型给每段会话打上“化学”“数据清洗”这类标签,研究内容本身不保存。 【用在哪:分析和写作多,想点子少】 报告拿每类工作的 AI 用量,和科学家花在这类工作上的时间对比。 分析数据占科研时间约 28%,在 Claude 上占 33.7%,在 Claude Code 上占 48.1%。写作和沟通只占科研时间 16%,在 Claude 上占 32%,单项最多的任务是起草论文。 收集数据占科研时间 28.6%,在 Claude 上只占约 12%,临床样本、生化数据这类要动手采集的尤其少。提出想法和假设占科研时间 7.1%,在 Claude 上占 4.2%,Claude Code 上只有 2.1%。 Anthropic 还调查了 528 位科学家,请他们给四类工作的重要性分配 100 分。提想法拿 35.6 分排第一,收集数据 23.6 分排第二。 报告的解释是:收集数据大多要动手;提想法,科学家可能更愿意自己来,AI 在挑研究问题上也可能确实更弱。 【AI 越擅长的活,用得越多】 研究团队给 7000 多项科研任务各打了一个“AI 能力分”:把任务拆成步骤,让模型两两比较哪一步 AI 做得更好,再用类似国际象棋等级分的办法算出排名。 然后算“使用倍数”:一项任务在 Claude 会话里的占比,除以它在科研时间里的占比。一项任务占科研时间 5%、占会话 10%,倍数就是 2,说明 AI 用量是按时间推算的两倍。 能力分排前 20% 的任务,比如画数据图、做统计检验,Claude 上的使用倍数约 2,Claude Code 上约 4。排后 20% 的任务,比如提纯化学反应产物、实地观察研究对象,几乎没人用 AI。 能力分高的任务有共同点:对错容易判断,能在电脑里大量模拟,反馈来得快。这正是最适合用强化学习训练 AI 的任务,两者的相关系数是 0.78。科学家在 AI 好用的地方用 AI。 【Claude Science:专门做科研的版本】 Claude Science 是 Anthropic 面向科研的产品,把 Claude 接上各种科研数据库和工具,比如查一个蛋白的结构、测过哪些药、有哪些相关试验,不用再一个个库分开查。付费用户都能用。 它的会话一半以上来自生物医学和生物学。在这里,提出想法和假设占会话的 8%,约是普通 Claude 的两倍,和科学家实际花在这件事上的时间差不多。 任务也更重。在生物和生物医学领域,Claude Science 上的活如果人自己干平均要 10.3 小时,普通 Claude 上是 4.9 小时;73% 的会话由 AI 高度自主完成,普通 Claude 只有 24%。 【科研能快多少】 报告估算了三种情况下,同样的科研经费能多出多少成果。 第一种,现有 AI 能力被广泛用起来:AI 能接手 27% 到 52% 的科研时间,产出提升从艺术领域的 1.35 倍到统计学的 2.02 倍,计算机 1.96 倍。现在的 AI 多是帮忙或一起干,几乎每一步人都还得花不少时间,所以提升有限。 第二、三种是 AI 包揽 75% 或全部不用动手的步骤。包揽全部时,统计、计算机、经济、数学、心理学,以及大部分社科和人文领域,都能到 15 到 16 倍。生物、化学、材料这些做实验的学科只有 3 到 4 倍:约 40% 的科研时间花在动手的步骤上,没有自动化实验室,这部分省不掉。 16 倍左右是成本定下的上限。报告假设研究员每小时 95 美元,AI 每小时 30 美元,每替研究员省 1 小时 AI 要跑 0.2 小时,算下来 AI 干同样的活只花人工的约十六分之一。AI 成本减半,上限就翻倍。 【科学家自己怎么看】 528 位受访者里,38% 认为 AI 分析数据已经达到本领域顶尖研究者的水平。约 40% 预计 2030 年前 AI 能不靠人独立完成一个完整的研究项目,2035 年前这个比例约 64%,也有 16% 认为永远不会。 受访者大多是美国和加拿大生命、健康科学领域的研究者,申请过 Anthropic 的科研资助,用 AI 比一般科学家多。三种加速情况是假设推算,报告说明它们不是预测。Claude Science 的任务更重,也可能因为用它的人本来需求就更专业。 原文:
显示更多
0
62
74
5
转发到社区
说真的,GitHub上藏着一堆宝贝,大多数人根本不知道。 我整理了35个仓库,分四类给你,建议截图收藏,以后用得上。 一、学习类(打基础用的) 1️⃣ public-apis — 免费API大合集,做项目直接拿来用,不用自己造轮子 2️⃣ build-your-own-x — 边做边学,比看书强十倍 3️⃣ developer-roadmap — 不知道学什么方向?进去看一眼,路线图全给你画好了 4️⃣ free-programming-books — 免费编程书,能省不少钱 5️⃣ coding-interview-university — 自学计算机科班内容,有人靠这个进了大厂 6️⃣ the-art-of-command-line — 终端用得溜,效率直接翻倍 7️⃣ project-based-learning — 项目驱动学习,学完就能上手 8️⃣ you-dont-know-js — 你以为你懂JavaScript?进去看看再说 9️⃣ freeCodeCamp — 免费编程课,从零开始也能跟上 二、工具类(干活用的) 1️⃣ system-design-primer — 系统设计必读,面试聊架构全靠它 2️⃣ tech-interview-handbook — 面试准备手册,刷完通过率肉眼可见地高 3️⃣ javascript-algorithms — 算法可视化,看得懂,记得住 4️⃣ 30-seconds-of-code — 实用代码片段,复制粘贴直接用 5️⃣ gitignore — 各语言.gitignore模板,别再手写了 6️⃣ the-book-of-secret-knowledge — 黑客资源合集,懂的人懂 7️⃣ awesome-selfhosted — 想自建应用?这里全是开源替代品 8️⃣ markitdown — 各种文件一键转Markdown,省事 9️⃣ maigret — 3000多个网站OSINT查询,信息收集神器 三、AI基础设施类(现在最值钱的方向) 1️⃣ ollama — 本地跑AI模型,不花一分钱API费 2️⃣ langchain — 构建AI应用的基础框架,绕不开 3️⃣ n8n — AI自动化工作流,能替你干很多重复活 4️⃣ dify — 可视化创建AI代理,不会代码也能玩 5️⃣ langflow — 拖拽式搭AI管道,门槛极低 6️⃣ mem0 — 给AI代理加记忆层,让它记住你说过的话 7️⃣ open-webui — 自建ChatGPT界面,数据留在本地 8️⃣ aider — 终端里的AI编程助手,写代码快很多 9️⃣ huggingface-transformers — 现代AI的地基,绕不开这个 四、多代理AI类(下一波红利在这) 1️⃣ browser-use — AI直接控制浏览器帮你干活 2️⃣ crewai — 多个AI代理组团协作,像个虚拟团队 3️⃣ autogen — 微软出的多代理框架,稳 4️⃣ metagpt — AI代理模拟整个软件公司,细思极恐 5️⃣ tradingagents — 交易多代理框架,量化方向的人注意了 6️⃣ lobe-hub — 可视化多代理平台,管理起来方便 7️⃣ cocoindex — 长文本代理引擎,处理大文档用得上 8️⃣ agency-agents — 完整AI代理机构框架,直接拿来二开 这35个仓库,光是AI这块就够你研究半年。 现在不收藏,等你想用的时候根本找不到。
显示更多
为什么越来越多人愿意“自己搓一个工具”?Vibe Coding正在发生什么变化? 微博VibeLab AI 创意赛收官了,一共有 2500 多件原创作品,2.4 亿多话题阅读。很荣幸这次是评委一员,有机会翻看了不少优秀的参赛作品,也转发了其中一部分。 一个直观的感受就是软件开发这种事情,不再需要专业人士了,普通人也能 Vibe 一个工具出来。 所以借这个机会,整理总结一下:为什么越来越多人愿意“自己搓一个工具”?Vibe Coding正在发生什么变化? 一、写代码这件事,门槛和成本都降下来了 写代码以前是程序员的专利,想写个工具,别说学语言框架,搭个环境都费劲的要死,随便一个环境都能把你卡住,像我这样写程序得有很多年的,换个不熟悉的语言,一样也搞不定。 现在借助 AI Agent,门槛一降再降,现在你只要有一个 Agent,会打字或者会语音,都能指挥 Agent 帮你写一个 App 出来。写代码这件事,从以前需要专业技能,到现在变成了语言表达能力。 我自己身上都有明显变化,从以前对 Vibe Coding 的嗤之以鼻,到现在“真香”,每天都大量的在指挥 Agent 帮我写代码。 二、以前的软件,满足不了长尾需求 长尾理论说的是,需求分布是一条长长的尾巴:头部是大多数人共有的需求,尾巴上是无数小众的、个性化的需求。传统软件只能做头部,因为为少量用户单独开发功能,成本上是不合算的。 而且,就算你有个好想法,也很难传递到开发者那里。想象一下一个普通用户的需求要经过的链条: 用户反馈 → 产品经理收集筛选 → 转化成需求文档 → 设计师出设计稿 → 程序员做系统设计 → 编码 → 测试 → 运维部署 每一环都在过滤、都在排优先级。最终大部分普通用户的需求,都被筛选掉了,软件最终只能取最大公约数,做绝大部分人都需要的那部分。 结果就是,市面上的软件很多,但每个人都有一堆“要是能这样就好了”的小需求,从来没有被满足过。 这次 VibeLab 里我印象很深的一个作品是 @机器旁白 做的 SiaoCut 。起因是他看到我做的 BaoCut,很喜欢“转写、像改文稿一样编辑、AI 处理、人工审阅、导出”串成一条工作流的思路,但 BaoCut 只支持 macOS,他是 Windows 用户。放在以前,他只能等我哪天有空做个 Windows 版,或者就此作罢。现在他自己和 AI 一起做了一个,而且不是简单复刻,还在这个过程中想清楚了自己关心的问题:AI 进入剪辑流程后,应该拿到多少数据,能替创作者决定到哪一步。 这就是长尾需求被满足的样子:不需要等别人来做,有需求的人自己就能把它做出来! 三、Vibe Coding 让成本变低、链条变短 所以以前那种长长的从需求到交付的链条,现在可以缩成简单的几步: 有个想法,让 AI 去设计、制作、部署。 甚至于很多需求根本不需要做成一个有界面的产品。 比如你想每天自动整理某个表格里的待办,或者每周追踪最新的 AI 资讯,这些事让 AI Agent 帮你写个脚本,再让它自己定时调用就行了。 比如 @张铁蕾 开源的 Bridgic Agent 就是这样的作品:输入 /build,描述你的目标,它自己去探路、生成、验证,遇到需要你判断的地方再来问你。做出来的不是一次性跑完的任务,而是可以长期运行、随时修改的工作流。 还有一种更轻的做法:把你的操作流程、经验和偏好写成 Agent Skill,就像一份告诉 AI 怎么做某类事的说明文档,那么以后 Agent 就能按照 Skill 的说明帮你把很多繁琐的事情变成自动化半自动化的操作,大幅提升你的效率。 现在随着 Agent Computer Use(操作电脑)的能力增强,你甚至可以让 AI 观察你操作一遍,然后它自己能把它你的操作录制成 Skill。不需要界面、不用部署,但它确实能替你干活。 四、模型和智能体的能力,一直在变强 现在普通人也能 Vibe Coding,还有一个重要原因是模型能力在变强。 回头看这几年的变化: 最初,像 GitHub Copilot 只能做代码补全,你写一半它提示后半段; 然后,它能根据描述生成一段完整的代码; 后来, Claude Code 能自己在项目里探索,读文件、找上下文,把一个功能完整实现; 现在,主流 Agent 都已经能做设计、写代码,还能帮你操作电脑,打开浏览器自己验证做出来的东西对不对。 模型每上一个台阶,普通人做工具的难度就降一截。VibeLab 期间正好赶上 Kimi K3 发布,很快就有创作者拿它做体检报告工具、做斗地主游戏,还有人把 Claude Code、Qoder、GLM、Kimi K3 混着用。 由此也可以看得出越来越多的人已经不再把 AI 当聊天机器人了,能配合 Agent 把 AI 当干活的工具。 五、变化的还有“做工具”这件事本身的心态 看作品的时候我还注意到一点:很多作品不追求改变世界这种宏大的事,就是想先解决一个具体麻烦。比如说工作流太碎、长辈不听劝、拍照没人帮、看不懂热点,作品的起点都是这样一个一个具体的痛点。 最初微博在设定大赛规则的时候,把赛道拆进职场、生活、视觉、微博这些具体场景,现在看来还挺有道理的,因为这确实能激发人 Vibe 的冲动,想去用 AI 解决生活中的问题。 其实这次参赛的作品也不都是工具。@世界第一裹凉皮 把 32657 位诗人、933857 首诗做成了一个三维宇宙 ;@德里克文 的「华夏博物志」把全国博物馆收进一幅可以点开的中国画 ;@海辛Hyacinth 把三星堆&金沙文物变成了互动场景 。这些作品看起来似乎不像工具那么实用,但让我们看到 Vibe Coding 不只是提效,也可以服务于文化和审美。 以前想做这样的东西,需要一个团队,现在一个人,不需要会写程序,有自己的想法加上 AI 就可以试试看。 最后,如果你也想自己搓一个工具,我的一点建议: 从写一个 Agent Skill 开始。 这是成本最低的方式:不用部署,不用界面,把你希望 AI 帮你做的某类事情写清楚就行。做一次,发现哪里不对,改一改,很快就能用起来。 顺便推荐下我的书《图解 Skill》,也是不错的 Skill 入门书籍。 如果要做网页或者 App,不用一上来就让 AI 把整个东西做完。 建议分步走: 1. 先和 AI 一起讨论需求,把你想要什么说清楚,让它复述一遍,确认理解一致。 2. 先做原型。也就是用模拟数据,只看长什么样、怎么操作,不接真实逻辑。原型的好处是改起来成本低,修改容易,就算推翻重来都很快。 3. 再做 MVP(最小可行产品),只做一个最核心的功能,先做一个小的能跑的东西出来。 4. 再慢慢迭代,有了 MVP 了,能跑起来了,就可以慢慢迭代,一次加一个小功能,AI 能处理的过来,你也验收的过来,日积月累,慢慢会变成成熟的软件。 做完一定要验收。 从头到尾按一个真实用户的路径试一遍,AI 说做完验收完不一定靠谱,还得自己上手用用。 注意安全。 涉及钱、隐私、账号权限的东西要格外小心,拿不准的地方去找专业人士问一下。就像 SiaoCut 的作者给 AI 划定了边界:AI 只拿到任务所需的文本和时间戳,不碰原始媒体,处理完只生成待审建议,最终由人决定。这样的思路值得借鉴。 最后说一句,做出来之后,发出来。 这次 VibeLab 里不少作品原本只是作者电脑里的一个 Demo,发到微博之后被讨论、被转发,有的还上了热搜。对于自己动手做东西的人来说,“作品被看见”是最好激励,也是下一次迭代的开始。
显示更多