与「三维动画」相关的搜索结果

一台电脑的装配动画，三个 Claude Agent 做了近八小时。 11月13日，创作者 Mr Tactical 晒出了一段用 Blender 制作的三维主机动画。主机里的零件逐步组装起来，镜头还能贴近内部，展示硬件细节。 按作者给出的记录，参与制作的是三个 Claude Fable 5.2 Agent，耗时7小时41分钟，模型用量按 API 价格折算约138.82美元。这个数字不能直接当成全部制作成本，作者教程中的统计口径也不包含管理 Agent 自身的规划和检查。 他还在评论区附上了自己的制作教程，做法很具体：让 Claude Code 写 Python 脚本，在后台运行 Blender，把模型、材质、灯光、镜头和动画逐项搭出来，再渲染成视频。 其中值得参考的一步，是先别急着输出整条成片。 按照他的教程，Agent 要先做一张目标效果图，再渲染几个关键时刻的测试画面。看看材质对不对、零件有没有穿插、镜头是不是离得太远。修改几轮之后，先出一版低质量预览，确认运动和节奏，再正式渲染。 用代码驱动 Blender，方便的地方就在于：做完后，手里还留着一套可以继续改的三维场景。 某个零件挡住了，换个机位；装配过程太快，放慢这一段；想给客户单独看看内部结构，就沿用同一套模型再拍一条。模型、灯光和镜头都可以分别调整，不必每次重新描述整段画面。 这对产品结构展示、安装说明和机械原理科普，都有参考价值。不过，画面看着像，不代表尺寸和装配关系就一定正确。真要拿来解释产品，还得对照实物或设计资料检查。 想试这套做法，可以先拿两三个零件做一段简单拆装：先把结构搭对，把动作讲清，再往上加材质、灯光和镜头。这样更容易看出，Agent 到底能帮自己省下哪部分工作。

简直牛逼克拉斯！！ 你的 Opus 5.5 只需这25 个技能，就能顶一整支设计和视频制作团队。 在 GitHub 上合计约 87.6 万星。⬇️ 覆盖设计、视频、三维、动效、品牌多个维度，可以直接丢进 Claude Code，配上 Opus 5.5 来跑： 设计 • anthropic skills：官方仓库，前端和画布设计（约 19.3 万星） • impeccable：/polish /bolder /critique，少点那种一眼假的生成味（约 10.8 万星） • open-design：开源的智能设计工作台（约 10.7 万星） • hallmark：做出不像生成物的设计（约 5.3 万星） • huashu design：一句话进去，成品设计出来（约 2.9 万星） 视频 • hyperframes：写下 HTML，就能出片子（约 8.3 万星） • openmontage：智能体视频工作室，一百多种工具（约 8.0 万星） • video-shotcraft：电影感的产品宣传片（约 1.9 万星） • remotion skills：官方技能，用 React 做视频（约 6800 星） • animated shorts：三维世界里的短片卡通（约 2800 星） 三维 • blender mcp：让 Claude 来驱动 Blender（约 3.4 万星） • anatomy：把想法做成可运转的三维物件（约 2.7 万星） • unity mcp：让 Claude 操作 Unity 编辑器（约 1.6 万星） • universal-modder：给自己买过的 PC 游戏做模组（约 9600 星） • gamedev skills：77 项技能，从 Godot 到 three.js（约 8300 星） 动效 • gsap skills：官方缓动和滚动动效（约 1.8 万星） • garden skills：动效样片和网页影像演示（约 1.5 万星） • pixelfx：用代码写出 244 种像素效果（约 6900 星） • anything2explainer：丢进主题，得到讲解片（约 3200 星） • oil-motion：跟着滚动和指针走的动画（约 2900 星） 品牌 • guizang ppt：杂志风和瑞士风格的幻灯（约 3.0 万星） • stitch skills：Google 的界面设计技能（约 8700 星） • architecture diagrams：用文字描述，换来一张干净的结构图（约 7600 星） • logo design：从简报到 SVG 标志再到品牌手册（约 6600 星） • nothing design：单色点阵风格的界面（约 2900 星） 这些仓库都能公开拿到，多数是 MIT 或 Apache，许可以各仓库说明为准。片里每张卡片都对着一项技能做了三维展示。

兄弟们！ 现在已经可以在 ZenMux 上免费体验 Claude Opus 4.8 了！ 我第一时间用它跑了那个Hugging Face大佬M 硬核的「Three.js 纯图元造飞机测试」，要求只用内置几何体（Box、Cylinder、Cone、Sphere…），不准用任何模型加载器，纯手搓一架高细节波音 747-400。 （见视频-Prompt 见评论区） Opus 4.8 从输入提示词到生成完整可运行的 HTML 网页（后掠机翼 ~35°、四台发动机精准吊装、驼峰上层客舱、可收放起落架动画、翼梢小翼、导航灯频闪），一次成型！ 整体效果非常惊艳：比例严谨到离谱、从正面/侧面/俯视/3/4 视角一眼就是 747、连发动机吊架的角度都对！ 熟悉的老朋友都知道，ZenMux 每次新模型都是 ZeroDelay 首发，并且限时免费额度体验！ Anthropic 旗舰刚发布，现在立刻就能通过 API 调用！ 另外平台 还“有赔付保障的生产级 AI Gateway”，统一接入 + 路由 + 可用性 + 赔付保障，快速尝鲜首选 复杂空间推理 + 一次成型的工程代码能力是真的没话说，几乎不用返工。 专为 Agent 与长程编码设计，在 SWE-bench、Terminal-Bench、Agentic Coding 等多项榜单直接拿下第一！ 代码与多模态理解全面超越上一代，复杂三维结构、物理比例、动画时序都拿捏得死死的。 完全兼容主流 API 格式，无需改动现有工具链。 支持按量计费 + Builder 套餐。 👇 Promot直接体验见评论区：

一块榴莲千层蛋糕，保质期居然长达 9 个月？？ 这两天董宇辉新品牌“禾与春时”首发的猫山王金枕榴莲千层（16 分钟卖光 15 万单）因为“9 个月保质期”吵上热搜（#董宇辉蛋糕检测报告多达60多页## 阅读破 1490 万）。有人拿它跟山姆的冷藏千层拉了张实拍配料表对比图，还用大红圈把底下一串化学名圈了出来，质疑是不是“科技与狠活”；品牌方则直接甩出了 62 页的 SGS 检测报告。 普通吃瓜群众谁有耐心去逐字核对糊图的配料表和 62 页报告？ 正好蚂蚁百灵刚发了原生多模态模型 Ling-3.2-flash（官方称已落地灵光 2.0，总参数 560B、单步激活 25B，支持 1M 原生长上下文，主打复杂图文理解与视觉反馈自检），我直接打开 Ling Studio 网页端，把这张打满红圈的网传配料表对比图和 SGS 核心指标丢给它，让它生成一张「深色系单文件 HTML 一图流鉴定卡」，顺便看看它会不会掉进红圈的节奏里。 【测试环境与配置】 • 测试入口：Ling Studio 在线网页端（左上角确认模型为 Ling-3.2-flash）。 • 工具配置：关闭联网搜索/时间/天气插件（纯靠模型原生多模态读图与推理），开启思考模式，最大推理生成长度 262144。 【实测第一轮：它从糊图里看出了什么？】 原本我以为第一版生成的 HTML 样式多少会有点错位，结果它第一把直出的深色系鉴定卡（直接内置在 Preview 预览窗里，自动分了 01~06 六个模块，右上角甚至自己写了个“🖨️ 打印/存为 PDF”按钮）排版居然一次成型，完全没崩。更让我意外的是这两点： 1️⃣ 一眼戳破“红圈添加剂”的伪命题：网友红圈重点圈出来的那个名字吓人的「羟丙基二淀粉磷酸酯」，它直接对比左右两栏配料表指出：“两边（禾与春时与山姆）都有『羟丙基二淀粉磷酸酯』→ 不是决策差异点！红圈成分是口感稳定剂（防冷冻解冻出水），不是防腐剂。” 所以这波还真不能算翻车，它本质上是用 -18℃ 冷冻链 + 杀菌工艺 + 隔氧包装做出来的速冻甜品（果肉 ≥50%，适合冷冻囤货），而山姆是 0~4℃ 冷藏即食（果肉 33%，适合大分量尽快吃完）。 2️⃣ 极强的“反幻觉”克制：原图右边山姆那一栏被网友画的大红圈挡住了净含量和保质期，而且最底下有几行压糊的重影错字。很多模型遇到这种图会自己脑补瞎编，但 Ling-3.2-flash 直接在表格里诚实标了「图中未显示」，并在表底主动写了一行小字：“右栏底部小字分辨率不足，未采信”，同时声明无联网条件下未核验 62 页报告原文，仅按摘要呈现。 【初版版面有什么不足 → 第二轮反馈怎么改？】 虽然第一版逻辑和样式都很稳，但从直接截图分享的角度看，初版 Preview 渲染画面还有两个可以打磨的细节： • 初版版面不足：一是初版把 01~06 六个模块做成了纵向长页面布局，高度超出一屏，手机端一屏截不完（见图3）；二是焦点成分的定性结论融在文字段落里，缺少一眼就能看懂的视觉标签。 • 反馈与微调：第二轮我直接针对渲染结果让它收紧版面，它用时 63 秒把原本 6 个纵向长模块重构成了三栏紧凑布局（控制在 100vh 一屏内看完），还主动把「羟丙基二淀粉磷酸酯」的国标分类（GB 2760 / INS E1442 变性淀粉）做成了显眼的红绿胶囊标签——「质构·口感稳定剂 ✓」「防腐剂 ✗」，并加上了一句金句总结：“名字长 ≠ 防腐剂，与保质期无因果关系”（见图4）。 【真实体验判断：值不值得用？边界在哪？】 • 能打的地方：据官方介绍，Ling-3.2-flash 采用 7∶1 混合注意力架构，在 DesignArena 的 Image-to-Frontend 前端生成评测拿了 1238 分（注：官方披露在 Hopper GPU、约 30K 上下文及 DSpark 投机推理加速特定条件下解码均值达 280 tokens/s）。实测下来，这个 1238 分确实没水分——直出单页 HTML 的审美和结构完成度很高，尤其是「看不清的糊字宁可标『未采信』也不瞎编」这点非常讨喜。 • 客观边界：一方面，无联网条件下模型仅对用户提供的图文与报告摘要做结构化呈现，不能替代专业检测机构或人工对 62 页原始报告的最终复核；另一方面，官方也坦诚指出，目前模型在长程跨应用任务状态维持、复杂三维空间推理及 3D 细节保真度上仍有客观差距，在线网页端也不直接内置官方演示里的 Blender 等外部软件环境。 搞了半天，所谓“9个月保质期千层蛋糕”根本不是加了防腐剂，而是把千层做成了「-18℃ 冷冻速食」。如果是你，你会买这种能冻大半年、果肉 ≥50% 的冷冻千层，还是买冷藏 3 天内必须吃完的现做千层？👇

2/ 使用 @Image1 定义守护者的身份与外观，包括白发、蓝眼睛、面部纹路、白蓝相间的毛皮轮廓、服装和一把超大单剑；同时定义巨型生物的深色毛发、面部、牙齿及其与守护者之间的体型比例。 保留蓝色林地、花朵、柔和光线和带纹理的手绘风格，但不要继承守护者固定的严肃表情，也不要让任何角色停留在参考图的姿势中。 她是一名开朗、调皮的森林助手，很享受解决这个荒唐问题的过程。她的面部和整个身体都必须有明显表演，不能只是眨眼和头发飘动。 整场互动应以轻快、活泼的肢体喜剧呈现，并保持自然动作速度。 开场时，动作已经从参考图中的状态开始发展：巨型生物的呼吸吹动她的头发、压弯周围的花朵。她迎着气流站稳，开心地眯起眼睛，露出不对称的笑容。 她抬头看向它的眼睛，扬起眉毛，用空着的手做出招呼动作，以明亮、略带调侃和坚持的语气用日语说： 「口、開けてってば。」 巨型生物紧张地晃动脑袋，一根獠牙朝她扫来。她迅速睁大眼睛，低头躲开，并顺势轻快地侧身跳向它的嘴边。 躲避成功后，她脸上的惊讶立刻变成开心的笑容。 她的双脚、肩膀、视线和剑都要带着明确目的持续运动。镜头应跟随动作，不要使用缓慢推进来制造虚假的动态感。 当她找到机会时，展示一根卡在巨型生物下排牙齿之间的弯钩状木刺。 她的视线迅速锁定木刺，眉毛因认出问题而抬起，随后带着自信的小笑容立即开始处理。 她将剑横过来，把剑尖伸到木刺下方。随着巨型生物的下颌晃动，她不断调整站姿。 巨型生物紧张地开始闭嘴。她注意到这个动作，夸张地挑起一边眉毛，用坚定又带着玩笑感的语气说： 「絶対、閉じないでよ。」 巨型生物立即保持张嘴。 她的表情放松下来，露出鼓励的笑容，然后将身体重量压到剑上，把它当作杠杆使用。 清晰展示剑与木刺的接触。她短暂发力，皱紧眉毛、鼓起脸颊，随后木刺弹出。 不要把发力过程拖成长时间的静态用力画面。 木刺弹进草丛，反作用力让她向后失去平衡。 她在花丛中翻滚一次，把剑落在身旁，然后立刻撑起身体。她有些惊讶，但没有受伤。 看到巨型生物活动下颌、确认已经恢复舒适后，她的惊讶转变成灿烂、开心的笑容。 她捡回同一把剑，站直身体，满意地轻轻抖动肩膀。 还没等她庆祝完，巨型生物便低下头，感激地大舔她一下，把她的白发全部压平。 接触时，她先紧紧闭上眼睛，随后因难以置信而猛地睁大双眼。 只停顿片刻，她的脸颊便扬起，眼睛笑成弯月，发出温暖的笑声。 她带着亲切、略显得意的笑容抬头看向巨型生物，用日语说： 「どういたしまして。」 她一只手将剑安全地垂下，另一只手轻拍它的口鼻。巨型生物则顺势靠向她的手。 结尾停留在两者共同的快乐中。她被舔平的头发要保留这个笑点，不要让她露出生气的表情，也不要以静止的人物肖像结束。 在保持这条完整因果链的前提下，具体动作设计和镜头选择可以灵活处理。 使用有活力的中景，同时展示角色的面部和身体；当新的发现或表情变化推动故事时，可以短暂切近景；当体型差异形成喜剧效果时，使用更广的构图。 可以使用由动作驱动的剪辑。 让动作贯穿转场，例如花朵恢复摆动的过程可以与下一个反应重叠。所有表情都要回应画面中真实发生的事件。 角色表演优先于装饰性风景。 不要使用慢动作、慵懒的镜头漂移、长时间凝视或无意义停顿。 木刺只出现并被拔出一次；翻滚只发生一次；感激的舔舐也只出现一次。不要重新开始治疗过程，也不要重放之前的动作。 木刺拔出后必须留在地面上。 两个角色都不能受伤，也不能拔掉任何牙齿。 保留手绘纹理和富有表现力的角色造型，不要将画面转成光滑的三维渲染风格。 音效应配合肢体动作的节奏，包括轻快的脚步声、花朵摩擦声、呼吸形成的气流声、巨型生物紧张的低吼、剑刮过木刺的声音、木刺弹出的声音、翻滚声、舔舐声，以及她短暂而开心的笑声。 只有她可以说话，并且只能使用以上三句指定的日语对白。日语发音必须自然，三句台词始终使用同一个明亮、富有表现力的声音。 巨型生物只能通过动作和非语言声音交流。 不要出现英语对白、额外台词、旁白、音乐、字幕或任何屏幕文字。

AMD 宣布用约 82 亿美元收购李飞飞创办的 World Labs，这期是彭博科技节目主持人 Ed Ludlow 对两位当事人的联合采访。一位是 AMD CEO 苏姿丰，AMD 做 CPU 和 GPU，OpenAI、Anthropic、Meta 都是它的大客户。另一位是 World Labs 创始人兼 CEO 李飞飞，她主持建立的 ImageNet 图像数据集是这一轮深度学习浪潮的起点之一。两人聊了为什么要做这笔交易、李飞飞在 AMD 的新角色、开放生态，以及 AI 安全该由谁负责。 交易本身 这是一笔全股票交易，也就是 AMD 用自己的股票而不是现金来付款，对 World Labs 的估值约 82 亿美元，预计年底前完成，还需要监管审批。交易完成后，李飞飞出任 AMD 执行副总裁兼首席科学家，直接向苏姿丰汇报，World Labs 团队将成为 AMD AI 模型团队的核心。 两家公司的关系早就开始了。AMD 是 World Labs 的早期投资方，也给它供芯片。苏姿丰说她从 World Labs 只有几个研究员的时候就在看着这个团队成长。两人也都提到彼此认识多年，私下是朋友。 芯片公司为什么要买模型公司 苏姿丰的理由是，AI 现在还在很早期的阶段，而且越来越明显的是，硬件、软件、系统和模型这几层互相影响，对整条链路理解得越透，造出来的系统就越好。收购 World Labs，一方面是拿到李飞飞聚起来的一批顶尖研究人员，另一方面是让 AMD 对模型未来的发展方向有第一手的判断，反过来指导下一代硬件怎么设计。 李飞飞从模型公司的角度讲了同一件事。World Labs 越做越大，对算力的需求也越来越大；和 AMD 合在一起，模型可以用最前沿的硬件加速训练和推理，硬件团队也能提前看到模型未来的工作方式和需求。她把这叫作 AI 软件和 AI 硬件的“共同进化”。 主持人追问 AMD 是不是要开始卖模型、卖软件。苏姿丰说不会改变商业模式，AMD 仍然是一家平台和解决方案公司，软件是用来支撑硬件的。收购的最终目的是让 AMD 更好地服务那些最大的算力客户，也就是各家模型公司。 World Labs 做到了哪一步 World Labs 成立于 2024 年，到现在两年多，专攻空间智能和物理智能，也就是让 AI 理解和生成三维世界、懂得物理规律，这类模型通常叫“世界模型”。李飞飞说，他们想做的是语言模型之外的方向，因为创作者、设计师、教育、医疗都有这方面的需求，机器人技术也快要迎来爆发。 公司目前已经发布了两代模型，先是 Marble，然后是最新的 Atlas。李飞飞介绍 Atlas 是一个多模态的“全能模型”，能生成高质量的画面，同时保持三维和四维（三维空间加上时间）上的一致性，摄像机和智能体可以在它生成的世界里移动和交互。 团队也在扩张。World Labs 最近收购了 SceniX，这家公司做出了一套机器人仿真工作流程，以及训练机器人控制策略的模型，由此给 World Labs 补上了机器人方向的人才。 李飞飞为什么选择加入 AMD 苏姿丰说她给李飞飞的说法是“加入全世界最令人兴奋的 AI 公司”。李飞飞的作用也不只限于 World Labs 团队。苏姿丰说 AI 没有一种方案能通吃，除了大家熟悉的云端 CPU、GPU，物理 AI、机器人、从云端到边缘设备再到个人电脑的端到端 AI，都是 AMD 未来三到十年要重点增长的方向，而这些正好是 World Labs 擅长的领域。 World Labs 今年早些时候刚融过一大笔钱，发展势头也不错，主持人问李飞飞是否考虑过别的出路。她说公司从一开始就以使命为导向，这件事的关键在于双方的愿景是否一致，和有哪些选择关系不大。在她看来，这次合并会是“一加一大于二”，接着她笑着补了一句，AMD 显然比 World Labs 大得多。 至于加入后会不会只做空间智能，李飞飞说两人还没来得及细谈所有计划，World Labs 正在做的工作会继续，但她预计研究方向会扩大、节奏会加快。 开放生态与可选择性 苏姿丰说，AI 未来会同时有开源模型和闭源模型、大模型和小模型，它们跑在不同的硬件上，这一直是 AMD 规划高性能计算和 AI 产品线的前提。她和企业的 CEO、CIO 聊下来，没有人愿意被锁死在某一家的硬件或软件生态里，大家都想在不同时候挑最合适的。所以 AMD 会继续押注开放生态，她和李飞飞也讨论过怎样用 World Labs 已有的成果推动开源生态。 李飞飞补充说，现代 AI 的发展离不开开放。从科学界公开分享神经网络算法，到她自己做的 ImageNet，这个首批开放的大规模数据集就是现代 AI 革命的推动力之一。开放生态能让不同的发现、创新和创业机会互相促进。 AI 安全该由谁负责 主持人提到当前的一个争论：模型能力的进步速度超过了安全和对齐研究的进步速度。苏姿丰说这件事上“没有可选项”，技术必须好，也必须安全。她拿芯片行业做例子：最高性能的处理器在设计时就要把安全和数据保密作为优先事项来考虑，AI 行业也需要把安全放到同样的位置。她说自己是 AI 乐观派，相信行业能建立起合适的流程和防护措施，而且各家应该像硬件行业现在分享安全方面的经验那样，互相分享做法。 主持人进一步问，提供算力的公司对训练是否安全、推理时模型是否按预期行事，要负什么责任。苏姿丰说生态里每一方都要为自己的行为负责。对 AMD 来说，要保证硬件本身安全、按设计运行，模型在上面跑时数据是安全的，还要和模型公司一起处理好软硬件之间的交互。她认为这件事应该由行业主导，但因为 AI 是新东西，各方学习的速度不一样，所以她欢迎更多的行业协作，也欢迎一定程度的第三方评估。 李飞飞说，主持人上周问她监管、第三方评估、前沿实验室自我负责这几种方式该选哪个，她的回答是全都要。她认为 AI 是一项“文明级”的技术，和历史上所有这类技术一样，初衷是让人的生活和工作变得更好，但每项技术都是双刃剑，必须负责任地开发和部署。无论在斯坦福、World Labs 还是现在的 AMD，她都想推动个人、公司、行业和社会四个层面共同承担这份责任。 AMD 的下一步 主持人提到 AMD 市值已经到了 1 万亿美元，苏姿丰近来也多次和美国总统一同公开露面。苏姿丰说 AMD 过去做过好几笔对公司影响很大的收购，World Labs 是下一笔，而且是战略意义很重要的一笔。在她看来，技术如今和经济、国家安全都紧密相关，AMD 有机会真正影响计算的未来走向。 最后主持人请李飞飞预测 AI 下一个重大突破。她没有给具体的技术判断，只说接下来 AMD 和 World Labs 会一起打造未来，而这个未来必须对人类社会和人们的生活有益。苏姿丰在一旁说：“我会让她忙起来的。”

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。

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。

有个研究生，一周解决了一道五十年没搞定的数学难题。因为她压根没觉得那算正经研究。 她叫丽莎·皮奇里洛，2018年在德州大学奥斯汀分校读研。一次会议上听说了"康威结"，晚上回去就开始琢磨。 用她自己的话说：白天她不允许自己碰这个，觉得这不是真正的数学，有点像做作业。 这个问题从六十年代就没人解出来。十二个交叉点及以下的结，所有"切片性"都被数学家们确定完了，就差这一个。剑桥大学牛顿数学研究所大门上，甚至有这个结的雕塑。 她一周就把它破了。 方法才是真的漂亮。她不直接攻康威结，而是构造了另一个结，和康威结共享同一条四维轨迹。然后证明她造的那个结不是切片结。因为两个结轨迹相同、切片状态也相同，康威结自然也不是。 完事之后，她随口跟资深拓扑学家卡梅伦·戈登提了一句。戈登直接喊起来："你怎么一点都不激动？"说这玩意儿马上能上《数学年刊》。 确实上了。研究生毕业十四个月后，她去了MIT。 而她们这个领域之所以存在，原因本身就挺奇妙的。 四维是唯一会"崩塌"的维度。平坦的n维空间，每个n都有且仅有一个光滑结构。唯独四维，有不可数无穷多个。 不是三维，不是五维，不是十一维。就四维。 到现在也没人完全搞清楚为什么。