AI编程 | AI探索指南

💡 感悟： Vibe Coding 并不意味着“瞎写”，它实际上对开发者的架构拆解能力和版本管理习惯提出了更高要求

Thu, 12 Feb 2026 00:40:05 GMT

AI探索指南

【收藏级】Y Combinator 官方出品：Vibe Coding（氛围编程）实操指南 🚀 最近 YC 整理了一份关于“Vibe Coding”的高质量指南。如果你也在用 Cursor、Windsurf 或 Claude 开发产品，这套工作流能帮你少走 80% 的弯路。核心逻辑不再是“写代码”，而是“管理 AI 的熵值”。原文来自 X：@ Charly Wargnier，整理翻译如下： 1️⃣ 规划：别直接开写，先写文档建立 Markdown 计划：先让 AI 写一份详细的实现计划。精简与修剪：…

💡 感悟： Vibe Coding 并不意味着“瞎写”，它实际上对开发者的架构拆解能力和版本管理习惯提出了更高要求。AI 负责出分力，你负责出脑子。

原文参见附图

#Cursor #VibeCoding #AI编程 #独立开发 #YC

刚发现 MuleRun 发布 2.0 版本了，他们说上线一个月用户突破了 50 万，美国占比最高

Fri, 14 Nov 2025 22:56:16 GMT

刚发现 MuleRun 发布 2.0 版本了，他们说上线一个月用户突破了 50 万，美国占比最高。

新版本可以帮用户配置专属的 Agent 团队，而且上线了非常多的垂直行业 Agent 专题。#ai创造营#

他们跟相关行业专业公司和团队合作创建 Agent 的方向也发展良好，创建了很多关于电商、数据分析和内容创作的专业 Agent。

现在进到官网会让你选择适合你职业的 Agent 团队，用户可以选择将多个 Agent 组合使用然后成体系的解决问题。

比如里面有阿里国际的 PicCopilot Agent ，封装了一堆适合电商的工具，比如 AI 商品展示图、风格克隆、虚拟试穿等。

可以帮助商家快速处理电商图片和视频素材，然后重新生成用于投放和宣传的内容。

另外还有 Quick BI 这个 AI 商业分析平台创建的数据和报表分析 Agent，可以快速对用户数据报表进行处理发现其中的机会或者异常。

我这手头没啥报表，拿前几天的健身数据表试了一下，居然也可以，而且他分析过程中会调用 Python 等编码工具所以不用担心 LLM 的幻觉问题。

我这里问了他对于下半身锻炼，使用负荷在10到30单位之间的练习的训练量分布（组数 × 次数）是多少？

他会先用工具分析和提取对应数据，然后 AI 才会介入分析提取出来的数据。

我还翻了一下其他的 Agent，现在基本你想到的 AI 能做的里面都有，甚至还有 sora 视频生成和去除 Sora 水印，哈哈

这种 Agent 市场一旦规模化对于用户还是非常方便的，啥功能都有，迭代速度也很快。

体验了一下 TRAE 新的 SOLO Coder Agent，用它做了一个相当复杂的项目AI 可以帮你分析你的力量训练数据，给出非常详细且直观的训练报告，我教练看得都震惊了打破了我以前的认知，规划能力和多次修改的稳定性很突出

Thu, 13 Nov 2025 11:53:20 GMT

体验了一下 TRAE 新的 SOLO Coder Agent，用它做了一个相当复杂的项目

AI 可以帮你分析你的力量训练数据，给出非常详细且直观的训练报告，我教练看得都震惊了

打破了我以前的认知，规划能力和多次修改的稳定性很突出。

下面介绍一下他们这次更新的主要内容，以及我这个项目的构建过程👇

-----------------------------------------------------

首先是这次新增的一个模式叫 Solo Coder #ai创造营#

相较于之前的 Solo Builder 模式，它的整个能力会更加的强大，非常适合这种复杂代码库的维护，支持智能任务的规划以及多 Agent 的协同进行并发工作。

在创建新任务的时候就可以选择 Solo Coder 模式。

选择完成之后可以发现，整个软件编程了三栏的交互设计：

最左边是多任务列表，你可以看到每个任务目前的状态，它的任务是正在进行完成了，还是已经中断了。

中间的就是主页面，就是你跟当前选择 Agent 的主要交互界面就在这里，你可以输入信息，然后看到 Agent 当前的执行细节。

最右边就是一些不同的窗口的预览，它会根据当前的 Agent 进行的状态，切换不同的工具，帮你展示不同的信息。

比如说当前是要预览网页的，就是浏览器。

当前是要让你看这个编码的效果或者更改的效果的话，就是代码变更页面。如果说你是要看具体的代码，它就是具体的 IDE 的那个编辑器界面。

包括它还支持实时跟踪，就能够当时自动的给你打开对应的页面进行预览。在右侧。

Coder 模式的多 Agent 并发能力。

你完全可以创建多个 Agent 窗口，让他们同时进行不同的任务。这样可以不同的 Agent 进行规划，一个进行操作，一个进行设计。

我这里第一个就是用来让 AI 去优化它的交互和设计。让他查找一些交互设计存在的问题

第二个就是分析项目的优化点，就是分析一些目前其他 Agent 写出来的代码存在的问题

最后就是一个正常的正在迭代的写代码。

而且多任务并发这里，你可以自己去创建新的 Agent。

目前创建 Agent 的时候，那些表单你可以不用自己去填写了，你只需要大概描述一下需求，它会去帮你去创建 Agent 所需要填写的表单，你只需要稍微的微调就可以，这个自动生成的智能体图标也很有意思。

Kimi 开源 K2-Thinking，出乎所有人意料掏出了个大的！HLE（44.9）和 IMO（76.8）全球 SOTA！#ai创造营##kimi#第一时间试了一下，顺便介绍他们的编程全家桶（模型、CLI、会员）先介绍一下模型的升级内容：Agent化升级: 原生「边思考、边用工具」，可自主持续多轮推理与调用，最高约300轮

Fri, 07 Nov 2025 08:16:24 GMT

Kimi 开源 K2-Thinking，出乎所有人意料掏出了个大的！

HLE（44.9）和 IMO（76.8）全球 SOTA！#ai创造营##kimi#

第一时间试了一下，顺便介绍他们的编程全家桶（模型、CLI、会员）

先介绍一下模型的升级内容：

Agent化升级: 原生「边思考、边用工具」，可自主持续多轮推理与调用，最高约300轮。

推理SOTA: HLE（44.9）和 IMO（76.8）都做到了目前的最高分，复杂检索与长程规划显著增强。

编程增强: Agentic Coding更稳，前端（HTML/React/组件化）与多语言工程基准表现提升。

通用基础能力升级：创意写作更有韵律与深度；学术与研究场景下分析更严谨、结构清晰；可长篇任务中保持逻辑与风格稳定。

效率提升: 原生 INT4（QAT+MoE weight‑only），长解码下性能保持，生成速度约提升2×。

而且这段时间 Kimi 在编程领域不止专注于模型，也在考虑周边生态，如何让大家在更方便和实惠的使用 K2 编程。

他们推出了自己的 AI 编程 CLI 工具 Kimi CLI，安装方式和使用基本拉齐的 Claude Code。

也加上了编码的 API 套餐他们叫 KFC，199 元的每周提供 7168 次调用，非常够用了。

首先来看一下如何通过 Kimi 全家桶，方便快捷的用上升级后的 K2-Thinking 模型。

我们需要购买一个 Kimi 登月计划的会员，直接去官网买就行。

而且如果你之前打赏过 Kimi 的话，你打赏的钱会在你首次开通之后帮你充值到账户里面，非常的良心。

这里有个设计问题，如果你想要获取 Kimi For Coding 的 API Key 的话，需要点击下面图片里面框住的文字，然后复制就行，希望后面改改，比如放到设置里面。

然后我们就可以去安装 Kimi CLI 了，这里如果你没有安装 UV 的话需要先在终端安装 UV。

然后再通过这段代码安装 Kimi CLI 就行

uv tool install --python 3.13 kimi-cli

安装后在终端打开你的项目目录输入 kimi 就可以启动 Kimi CLI 了。

首次启动后会让你选登录方式，选第一个然后输入刚才从 KFC 获取的 API Key 就行。

前几天说的 Gemini APP PPT 创建能力已经全量上线试了一下生成效果相当不错，还能自定义风格只需要选择 Canva 模式，然后跟他说帮你创建 XXX PPT 就行比如我这里就让他帮忙创建了关于最近 Open AI 并购和算力投入的介绍和分析 PPT只能说搜索还得谷歌，很全面，而且配图都是跟内容相关的没有用 AI 生成当然由于用的前端代码的方式，也可以让他更改设计风格比如我这里第二张图就让他#ai创造营##ai编程#“将 ppt改为类似苹果发布会PPT的Bento Grid风格的视觉设计方案”确实整个布局就变成了 Bento Grid 的卡片拼贴风格，简洁清晰了很多前几天说的 Gemini APP PPT 创建能力已经全量上线试了一下生成效果相当不错，还能自定义风格只需要选择 Canva 模式，然后跟他说帮你创建 XXX PPT 就行比如我这里就让他帮忙创建了关于最近 Open AI 并购和算力投入的介绍和分析 PPT只能说搜索还得谷歌，很全面，而且配图都是跟内容相关的没有用 AI 生成当然由于用的前端代码的方式，也可以让他更改设计风格比如我这里第二张图就让他#ai创造营##ai编程#“将 ppt改为类似苹果发布会PPT的Bento Grid风格的视觉设计方案”确实整个布局就变成了 Bento Grid 的卡片拼贴风格，简洁清晰了很多

Tue, 04 Nov 2025 17:21:06 GMT

前几天说的 Gemini APP PPT 创建能力已经全量上线

试了一下生成效果相当不错，还能自定义风格

只需要选择 Canva 模式，然后跟他说帮你创建 XXX PPT 就行

比如我这里就让他帮忙创建了关于最近 Open AI 并购和算力投入的介绍和分析 PPT

只能说搜索还得谷歌，很全面，而且配图都是跟内容相关的没有用 AI 生成

当然由于用的前端代码的方式，也可以让他更改设计风格

比如我这里第二张图就让他#ai创造营##ai编程#

“将 ppt改为类似苹果发布会PPT的Bento Grid风格的视觉设计方案”

确实整个布局就变成了 Bento Grid 的卡片拼贴风格，简洁清晰了很多

Cursor 发布 2.0 重大升级，看来这次想一扫颓势了包含自己训练的编码模型 Composer，以及支持 Agent 并发的新界面两部分👇首先是他们自己训练的代码模型 Composer，匿名内测时反响不错：- 速度比同类型模型快 4 倍- 专为中低延迟的智能体编码而构建- 大多数轮次可在 30 秒内完成- 使用 MXFP8 训练所以速度很快然后是新的多智能体界面：- 不在展示具体的代码，以展示 Agent 操作为主- 并行运行多个 agent，互不干扰- 简化快速审查 Agent 所做更改的流程，提高速度- 增加内置原生浏览器，使 Agent 可以读取测试信息目前新界面和模型均已上线 Cursor#ai创造营#ai编程#Cursor 发布 2.0 重大升级，看来这次想一扫颓势了包含自己训练的编码模型 Composer，以及支持 Agent 并发的新界面两部分👇首先是他们自己训练的代码模型 Composer，匿名内测时反响不错：- 速度比同类型模型快 4 倍- 专为中低延迟的智能体编码而构建- 大多数轮次可在 30 秒内完成- 使用 MXFP8 训练所以速度很快然后是新的多智能体界面：- 不在展示具体的代码，以展示 Agent 操作为主- 并行运行多个 agent，互不干扰- 简化快速审查 Agent 所做更改的流程，提高速度- 增加内置原生浏览器，使 Agent 可以读取测试信息目前新界面和模型均已上线 Cursor#ai创造营#ai编程#

Wed, 29 Oct 2025 17:12:12 GMT

Cursor 发布 2.0 重大升级，看来这次想一扫颓势了

包含自己训练的编码模型 Composer，以及支持 Agent 并发的新界面两部分👇

首先是他们自己训练的代码模型 Composer，匿名内测时反响不错：

- 速度比同类型模型快 4 倍
- 专为中低延迟的智能体编码而构建
- 大多数轮次可在 30 秒内完成
- 使用 MXFP8 训练所以速度很快

然后是新的多智能体界面：

- 不在展示具体的代码，以展示 Agent 操作为主
- 并行运行多个 agent，互不干扰
- 简化快速审查 Agent 所做更改的流程，提高速度
- 增加内置原生浏览器，使 Agent 可以读取测试信息

目前新界面和模型均已上线 Cursor#ai创造营#ai编程#

无意间发现 GPT 画这种信息图的还原度挺高啊搞成 SVG 以后还能扔进 Figma 里面改字体，改完就更像了让 GPT 总结了一套提示词👇#ai创造营##ai编程#用途：我发一张信息图或海报截图，你把它高保真还原为可编辑 SVG，整体排版尽量一致，但文字改成 {中文}（或保持原语言）

Tue, 28 Oct 2025 14:01:07 GMT

无意间发现 GPT 画这种信息图的还原度挺高啊

搞成 SVG 以后还能扔进 Figma 里面改字体，改完就更像了

让 GPT 总结了一套提示词👇#ai创造营##ai编程#

用途：我发一张信息图或海报截图，你把它高保真还原为可编辑 SVG，整体排版尽量一致，但文字改成 {中文}（或保持原语言）。
提示词：
指令
请把我发送的图片转成可编辑 SVG：

保持版式与层级结构（标题、分区、图标、箭头、图表等）尽量一致；
所有文字保留为 <text> 可编辑（不要转路径）；

所有图形用向量元素（<rect>/<circle>/<path>/<line>/<polygon>），不要嵌入位图；

颜色与风格尽量接近原图；

分组与命名清晰：01_Header、02_Section_*、Icon_*、Chart_*；

画布尺寸按原图推断；坐标/描边尽量用整数；

生成文件到 /mnt/data/infographic.svg 并给出下载链接。
若图片中有不清晰的内容，请做合理假设并在结果底部列出“假设项”。

Hey Gen 用了不到两年半的时间，从 100 万美元到了一个亿，这个增长速度在 AI 行业也是相当猛的

Fri, 17 Oct 2025 15:38:29 GMT

Hey Gen 用了不到两年半的时间，从 100 万美元到了一个亿，这个增长速度在 AI 行业也是相当猛的。#ai创造营#

他们 CEO 这次不只是分享里程碑数字，更重要的是他们把内部称为"圣经"的一套产品方法论公开出来了。

包含了团队内部无数次讨论、实验和踩坑之后总结出来的经验，总结一下做个笔记👇：

HeyGen 把视频分成了两类：沟通类视频和电影类视频。

沟通类视频包括业务更新、教程、采访、播客、解释性视频，目的是说明、告知或传达信息，最适合基于脚本的编辑。电影类视频是高制作广告、电影、音乐视频、预告片这种，目的是打动、激发或娱乐观众，最适合时间线编辑。

HeyGen 的重点是让沟通类视频对所有人都可用。他们说的"所有人"是真正的所有人，从初学者到专业人士的每一种技能水平。产品足够简单，任何人都能在几分钟内制作出高质量的视频。

整个方法论的核心就一句话：
快速行动，成为绝对最佳。乘着 AI 浪潮，接受研究中的不确定性，押注未来六个月，构建随着模型改进而自我升级的灵活产品，同时不牺牲质量。

传统时代是在稳固基础上构建，为长久性优化，提前规划 12-18 个月，打磨好再发布，按序开发。AI 时代的 HeyGen Way 是乘着科技浪潮，为自动改进而构建，实际规划 2 个月周期（与模型升级周期一致），发布以学习，并行试验。

为什么是两个月？这个周期与模型升级周期一致，既能快速调整策略又能保持专注。

他们的节奏包括：两个月路线图规划，与 AI 进展周期同步，与领导层、技术负责人和产品经理深入回顾并制定策略。6-12 个月战略押注，预测并为下一次重大突破做准备。每两周承诺清单，产品和工程共同决定优先级。每日发布，改进、特性或实验每天上线。

实验流程很快：第 1 天定义假设和成功指标，第 2 天构建真正最小化的 MVP，第 3-5 天向部分用户发布，第 2 周分析学习并决定下一步。

好的实验要快（以天为单位不是周），科学化且数据驱动，提供明确信号（继续、转向或停止），做大动作而不是小修小补。大多数实验会失败，这是预期之内的。带着学习的失败等于胜利，没有学习的失败才是真正的失败。

## 提出五大运营原则

Claude Code 上线了插件和插件市场#ai创造营##ai编程#估计又有人做插件分享网站和卖插件能发一笔了！所谓的插件其实就是Slash 命令、Subagents、MCP 和 Hooks 的集合体，插件可以综合调用这些能力完成复杂任务

Fri, 10 Oct 2025 23:59:04 GMT

Claude Code 上线了插件和插件市场#ai创造营##ai编程#

估计又有人做插件分享网站和卖插件能发一笔了！

所谓的插件其实就是Slash 命令、Subagents、MCP 和 Hooks 的集合体，插件可以综合调用这些能力完成复杂任务。

可以用 /plugin 安装插件

为了让大家分享插件他们还搞了一个插件市场，可以上架和获取插件。

要使用市场中的插件，先运行 /plugin marketplace add user-or-org/repo-name ，然后通过 /plugin 菜单浏览并安装

试了一下 Open AI 昨晚发布的这个在 ChatGPT 直接调用其他 APP 完成任务的能力，确实屌

Tue, 07 Oct 2025 04:31:07 GMT

试了一下 Open AI 昨晚发布的这个在 ChatGPT 直接调用其他 APP 完成任务的能力，确实屌。

可以通过 GPT 的自认语言进行检索或者要求对应的 APP 创建，还能继续对话进行修改或者筛选。

如果需要修改或者手动编辑的话直接跳转原来的应用进行处理。

如果需要调用对应应用你需要有这个应用的账号才行。

我用 Figma 做了一下测试，目前只能调用 Figjam 也就是只能用里面的白板工具，不能画 UI，不过也很好了。

以后可以把跟 GPT 讨论的技术架构、流程之类的文字结果直接变成流程图了，还能在 Figma 手动编辑#ai创造营#

Kimi 终于带来了他们的Agent 模式「OK Computer」，而且给了所有之前打赏过的用户提前体验的资格

Fri, 26 Sep 2025 13:04:07 GMT

Kimi 终于带来了他们的Agent 模式「OK Computer」，而且给了所有之前打赏过的用户提前体验的资格。#ai创造营#

从官方推文来看，这个Agent的定位是全栈助理，直接瞄准生产力场景：

支持使用文件系统、浏览器、终端、代码编写、图片音频生成等 20 多种工具。

支持完成调研、产品方案、交互设计和前端开发的完整过程，也就是一个产研合一的团队。

而且这次依然是用的专门经过特定场景强化学习模型驱动的，可能上限比较高。

我试了一下，先让他分析了一下最近阿里的股票表现，虽然我不懂炒股，但是页面的表格数据和图表可以说生成的相当专业和丰富了，还都是可交互的。

然后让他创建一个购物网站，而且模拟了从展示到购物车到下单的多个页面，设计还行，就是下次可以内置个图标库，别老用 Emoji 当图标。

最后让他创建了一个 PPT，这个结果挺惊喜的，设计风格和配图都跟我的北宋道教发展题目相契合，而且每一页PPT 的每一个元素几乎都支持编辑，比如颜色、字号、位置。

甚至你可以主动插入图标素材或者表格，把一个简易 PPT 工具放到网页上了。

看他们的介绍说未来会增加很多外部应用的连接，这样的话想象空间就大很多了。

Kimi这个团队是不是有点太爱摇滚了

GPT-5-Codex 已经在 Open AI Responses API 上线

Wed, 24 Sep 2025 03:19:08 GMT

GPT-5-Codex 已经在 Open AI Responses API 上线。#ai创造营#

Cursor、VS Code 等 AI 编程工具都可以直接使用 GPT-5-Codex 了

Open AI 发布了 GPT‑5‑Codex 版本#ai创造营##ai编程#很强，怪不得 Anthropic 要反击专门针对 Codex 优化，更易于引导，更能遵循 AGENTS. md 的指示代码重构测试成功率从 30% 提高到 50%GPT‑5-Codex 会根据任务复杂性更动态地调整思考时间简单响应快了 >15 倍，在困难问题上，5-Codex 的“思考”比 5 多了 102%详情：网页链接Open AI 发布了 GPT‑5‑Codex 版本#ai创造营##ai编程#很强，怪不得 Anthropic 要反击专门针对 Codex 优化，更易于引导，更能遵循 AGENTS. md 的指示代码重构测试成功率从 30% 提高到 50%GPT‑5-Codex 会根据任务复杂性更动态地调整思考时间简单响应快了 >15 倍，在困难问题上，5-Codex 的“思考”比 5 多了 102%详情：网页链接

Tue, 16 Sep 2025 02:55:08 GMT

Open AI 发布了 GPT‑5‑Codex 版本#ai创造营##ai编程#

很强，怪不得 Anthropic 要反击

专门针对 Codex 优化，更易于引导，更能遵循 AGENTS. md 的指示

代码重构测试成功率从 30% 提高到 50%

GPT‑5-Codex 会根据任务复杂性更动态地调整思考时间

简单响应快了 >15 倍，在困难问题上，5-Codex 的“思考”比 5 多了 102%

详情：网页链接

快手在视频上的布局越来越全面了啊，这几天开源了 Kwai Keye-VL-1.5-8B 模型除了支持图像识别以外，视频理解能力也很强，加上 8B 的大小非常适合本地部署用来做视频标注和内容识别

Fri, 05 Sep 2025 15:11:15 GMT

快手在视频上的布局越来越全面了啊，这几天开源了 Kwai Keye-VL-1.5-8B 模型

除了支持图像识别以外，视频理解能力也很强，加上 8B 的大小非常适合本地部署用来做视频标注和内容识别。#ai创造营#

我试了一下，给了一个是描述视频画面内容以及查找分镜时间和每个分镜的内容描述都做的不错。

模型主要优势有：

短视频理解：在Video-MME的短视频子集测试中，Keye-VL-1.5-8B获得81.2的高分，超过了GPT-4o及同类模型。

视频定位能力：能够在一个26秒的短视频中，将目标物（如包）出现的时间段精确定位到0.1秒级别

视觉推理能力：能够理解视频中相对复杂的行为动机比如论文案例里面可以从两只狗的行为推测动机。

模型核心创新主要有下面几个方面：

针对视频内容动态且信息密集的特点，Keye-VL-1.5 提出了一种新颖的“Slow-Fast”视频编码策略，以有效平衡空间分辨率和时间覆盖率。

慢速通路以高分辨率处理视觉变化显著的关键帧，而快速通路则以较低分辨率但更高的时间覆盖率处理相对静态的帧。

另外模型采用了精心设计的四阶段渐进式预训练流程，系统性地将模型的上下文长度从8K扩展到128K，可以理解更加复杂的视觉信息。

在后训练阶段为解决冷启动问题，模型设计了一个五步自动化流水线来生成高质量的长链思考数据，包括数据收集、问题重写、多路径推理生成、双层质量评估和人工指导改进。

引入了“渐进式提示采样”机制来处理困难样本，即当模型多次回答错误时，在提示中给予不同层级的提示，以提高训练效率和模型推理能力

项目地址：github.com/Kwai-Keye/Keye
这里尝试：huggingface.co/spaces/Kwai-Keye/Keye-VL-1_5-8B
论文：arxiv.org/pdf/2509.01563

试了一下 Codex 的 IDE 插件效果还不错啊#ai创造营##ai编程#体验和 UI 打磨的非常细致，有详细引导，甚至比 Cursor 现在右边的小字友好很多让他分析了一下现在的这个代码库，在推理之后给出的信息非常细致chatgpt 授权登录之后就能用，还不需要额外付费

Fri, 29 Aug 2025 06:45:03 GMT

试了一下 Codex 的 IDE 插件效果还不错啊#ai创造营##ai编程#

体验和 UI 打磨的非常细致，有详细引导，甚至比 Cursor 现在右边的小字友好很多

让他分析了一下现在的这个代码库，在推理之后给出的信息非常细致

chatgpt 授权登录之后就能用，还不需要额外付费

Deepmind 负责 Nano Banana 的模型研究员录了一期播客（youtube.com/watch?v=H6ZXujE1qBA），非常值得看一下，我整理了一下视频内容：#ai创造营#新模型与原生图像生成的核心：2.5 的核心变化，在于将图像生成、理解与编辑纳入同一多模态上下文里执行

Thu, 28 Aug 2025 09:55:06 GMT

Deepmind 负责 Nano Banana 的模型研究员录了一期播客（youtube.com/watch?v=H6ZXujE1qBA），非常值得看一下，我整理了一下视频内容：#ai创造营#

新模型与原生图像生成的核心：
2.5 的核心变化，在于将图像生成、理解与编辑纳入同一多模态上下文里执行。“原生图像生成”意味着模型在一次对话流中逐步产出多张图，并且每一步都“看得到”之前生成的图像与文本，从而可以在风格、构图和语义上保持连续一致。
它更像是一条带状态的生成轨道，每一步的输出既是结果，也是下一步的条件。这一“交错式生成”范式，让复杂编辑自然拆分为多步序列，避免了在“单步巨复杂指令”中丢失细节。
当把“理解”和“生成”并置在同一训练与推理体内会有明显的“正向迁移”：图像理解能力的提升，会帮助生成学习到更多关于真实世界与视觉结构的知识；反之亦然。

文本渲染为何重要：
传统图像/视频模型优化，很依赖人类偏好作为评测信号，这类信号真实但成本高、滞后长、主观性强，难以高频爬坡。
团队因此寻找可以在训练过程中高频追踪的替代指标。文本渲染成为突破口：若模型能在图像中准确构造字形、排布与空间关系，说明其对“视觉结构”的掌握在增强。
这一代理指标的价值在于可持续追踪：无论是架构、数据、训练策略的实验，只要把文本渲染纳入固定监控，就能避免回归，并捕捉到意外有效的改动。
字是一种高度结构化的微任务。当模型学会了在复杂背景中稳定地“写字”，它也更有机会正确处理“平行线条”“规整网格”等同样结构化的视觉课题，让整体画面更可信。

多模态正向迁移：
团队把图像理解与生成称作姐妹。统一训练的目标，是在同一模型里学习多模态的理解/生成能力，并在两者之间产生“正向迁移”。
在生成中辅助理解”的路径：让模型在解题过程中画图打草稿，以更好地把抽象问题视觉化、结构化。一次会话里，模型既能接收用户图片、文本，又能生成中间图像，再用这些中间产物辅助下一步思考，形成自洽的多模态推理链。

展望，从更好看到更聪明与更靠谱：
对未来方向，团队强调两条主线：其一是聪明感”。他们希望当用户指令“不充分、甚至有误”时，模型能“越级发挥”，做出“比用户描述更好”的结果。
其二是事实性/严谨性。在图表、流程图、信息图等“既要好看又要准确”的任务里，模型需要严格遵循事实与排版约束，避免多余文本和逻辑错误，让视觉表达与内容正确双达标。

AI 游戏爆发的前夜？#ai创造营##AI游戏#写周刊的时候搜罗了一下上周的主要新闻发现三巨头马没啥信息增量，反倒是 AI 游戏或者说“AI 驱动的可互动内容消费”这个领域出现了很多令人欣喜的变化

Mon, 25 Aug 2025 08:15:09 GMT

AI 游戏爆发的前夜？#ai创造营##AI游戏#

写周刊的时候搜罗了一下上周的主要新闻发现三巨头马没啥信息增量，反倒是 AI 游戏或者说“AI 驱动的可互动内容消费”这个领域出现了很多令人欣喜的变化。

首先是 Runway 跨界搞得 AI 游戏平台 Game Worlds 正式上线了，用户可以创建或者游玩别人创建的非线性叙事游戏，游戏主要通过不断的选择分支或者对话进行。

本质上是在过去原有的 AI 陪伴流程基础上进行的创新，主要创新点：

内容上用实时生成的图文内容表现游戏内容，UI 排版很像漫画，为了搞定文字生成的问题，文字是用 UI 展示在图像上的。
创建游戏世界的时候会让你详细设定游戏的规则，比如胜利条件、失败条件、背景故事、图像风格等。
游戏会采用数据驱动的方式让游玩者清晰的感知到自己的目标，而不是像之前的 AI 陪伴那样漫无目的聊天发散，非常依赖用户的主动性。

然后是香港科技大学开发的面向未来文明实验的开放式数字沙盒游戏 Aivilization ，用户可以在游戏中通过提示词驱动自己的 Agent 角色完成各种采集交易学习建造等任务，可以看作一个 AI 星露谷。

但是跟星露谷不同的是，这个游戏是联机的，所有用户的 Agent 都在交易和采集会对市场产生影响，相互的角色也会有交互。

平台已汇聚近三万名 AI Agent，参与者可在可视化界面中为 Agent 设定人格、能力、价值观与目标，并通过编辑认知与行为模块、提供提示及长期指导，持续观察其在虚拟社会中的协作、交易、记忆与信任构建过程，进而见证新的社会规则和经济秩序如何自发涌现。

如果上面 Runway 的这种游戏形式代表着降低游戏生成内容复杂性的尝试的话。

Aivilization 就是提供了一个高度复杂、可扩展的智能体社会仿真框架，为构建大型、动态、自主演进的游戏世界奠定了基础，超越了传统游戏中 NPC 的能力。

回头我会在群里抽邀请码。

另外一个是李飞飞的 World lab 终于开测了，很多人都收到了邀请，你可以用一张图片生成一个永久可探索的 3D 空间，这个和谷歌的 Genie 3 是两个世界模型的路径。

World Labs 的方法融合了计算机视觉重建与生成式填充技术。本质上，它从输入照片推断出场景的三维结构和纹理分布，然后利用生成模型补全照片未涵盖的视角区域，产出360度完整场景。

Anthropic 模型可解释团队的研究员录了一期播客#ai创造营#介绍了模型的可解释性和模型安全的的关系，以及两者为何重要其中可解释性的研究流程和一些我们常见的模型概念解释比较有意思可解释工具链的核心目标是绘制一张从「输入提示 A」到「输出文本 B」的完整“思维流程图（flowchart）”

Sat, 16 Aug 2025 09:03:12 GMT

Anthropic 模型可解释团队的研究员录了一期播客#ai创造营#

介绍了模型的可解释性和模型安全的的关系，以及两者为何重要

其中可解释性的研究流程和一些我们常见的模型概念解释比较有意思

可解释工具链的核心目标是绘制一张从「输入提示 A」到「输出文本 B」的完整“思维流程图（flowchart）”。

研究流程主要分为五步：

数据采样：向模型投喂多样化提示（对话、代码、诗歌等），记录每一层激活。

特征分解：利用聚类、稀疏编码将上亿维激活压缩成可人类理解的「概念向量」。

概念标注：通过统计「何时点亮」的方法，为向量贴上“咖啡”“Golden Gate Bridge”“拍马屁式赞美”等标签。

因果干预：人为增减激活强度，观察输出如何改变，以验证标签的因果性而非仅是相关性。

流程可视化：把多层概念依时间顺序连线，形成人读得懂的步骤图，类似可追踪代码调用栈。

团队将该系统比喻为“显微镜”，但也坦言显微镜 still 有极限：目前只能解释约 20% 的决策路径；大模型（Claude 4 级别）的规模更让工具疲于奔命。

视频里面列举了多条令人会心一笑的内部概念：

“拍马屁式赞美（sycophantic praise）”：只要上下文出现过度恭维，某一簇神经元就高亮，驱动输出“绝妙”“天才”等华丽辞藻。

Golden Gate Bridge 表征：无论输入是描述驾驶跨桥场景的文字，还是桥的图片标注，甚至仅 “金门（Golden Gate）”的暗示，该向量皆被触发，说明模型形成了跨模态、抽象且稳健的“地标”概念。

“6 + 9” 加法电路：凡遇到以 6 结尾与 9 结尾数字相加，无论在算式、参考文献年份 (1959+6)、还是故事情节中的门牌号相加，都会走进同一条计算通路，证实模型使用的是“通用算子”而非死记硬背。

Bug Tracker：当阅读代码时，特定神经簇负责标记潜在错误并在后续回答中引用，显示出“延迟呼应”能力。

这些案例共同反驳了“模型只是训练数据记忆库”的观点：若仅靠记忆，模型不可能在从未见过的跨域场景中复用同一逻辑通路。

研究员进一步发现，模型在处理长篇故事人物关系时，会给首位出现的角色分配“编号概念”，其后所有动作、情绪均与该编号绑定，从而维持叙事一致性；此策略与人类“变量绑定”高度相似，却是自发涌现。

shadcn 吐槽现在因为各种 AI 编程助手造成的配置和规则文件地狱#ai创造营#一旦用一个 AI 编程工具打开项目，里面就有对应的各种互不兼容的格式，导致项目越来越臃肿能不能整一套兼容的格式

Wed, 13 Aug 2025 03:13:05 GMT

shadcn 吐槽现在因为各种 AI 编程助手造成的配置和规则文件地狱#ai创造营#

一旦用一个 AI 编程工具打开项目，里面就有对应的各种互不兼容的格式，导致项目越来越臃肿

能不能整一套兼容的格式

Open AI 也发布了 GPT-5 的官方提示词指南，更适合开发者参考#ai创造营#具体包括：智能体任务与工具调用、推理与上下文复用、代码生成与协作、可控性与指令遵循、Markdown 格式化、元提示（Metaprompting）代码工具与环境说明基本涉及了 AI 产品和 Agent 构建的各个方面，我总结了一下还是推荐看原文👇智能体任务与工具调用Agentic Workflow Predictability：推荐使用 Responses API 持续保存推理过程，提升智能体应用效率

Mon, 11 Aug 2025 05:53:06 GMT

Open AI 也发布了 GPT-5 的官方提示词指南，更适合开发者参考#ai创造营#

具体包括：智能体任务与工具调用、推理与上下文复用、代码生成与协作、可控性与指令遵循、Markdown 格式化、元提示（Metaprompting）代码工具与环境说明

基本涉及了 AI 产品和 Agent 构建的各个方面，我总结了一下还是推荐看原文👇

智能体任务与工具调用

Agentic Workflow Predictability：推荐使用 Responses API 持续保存推理过程，提升智能体应用效率。

Agentic Eagerness：可通过调整 `reasoning_effort` 参数和提示词，控制模型的主动性。
降低主动性：使用低 `reasoning_effort`，明确探索范围和早停标准，减少不必要的工具调用和上下文收集。
提高主动性：提升 `reasoning_effort`，鼓励模型持续完成任务，减少向用户确认或交还的频率。
Tool Preambles：通过提示词引导模型在工具调用前，简明扼要地重述用户目标、规划执行步骤。

推理与上下文复用

Reasoning Effort：可根据任务复杂度调整推理深度。复杂任务建议高推理力度，并将任务拆分为多个步骤分批完成。
Responses API：推荐使用 Responses API 传递前序推理结果，节省 token。

代码生成与协作

前端开发推荐栈：GPT-5 在前端开发表现优异，推荐使用 Next.js、React、Tailwind CSS、shadcn/ui 等主流框架和组件库。
零到一应用生成：通过提示模型自建评估标准，并据此反复自我优化，提升一次性生成应用的质量。
代码风格与规范：明确代码编辑规则、工程原则、目录结构和 UI/UX 最佳实践，确保模型生成代码与现有项目风格一致。
协作编码案例：通过参数和提示词双重控制，平衡输出简洁性与代码可读性，鼓励模型主动提出变更并让用户审核。

可控性与指令遵循

Steerability：GPT-5 对提示词的可控性极高，可控制输出长度、风格和工具调用行为。
Verbosity：新增 `verbosity` 参数，控制最终答案的长度。可在提示词中覆盖默认设置，实现场景化定制。
Instruction Following：GPT-5 对提示词指令极为敏感，需避免矛盾或模糊的指令。