与「成品」相关的搜索结果

今天写文章配图就已经开始使用@dappOS_com @xBubble_ai 的ai了，感觉蛮不错 说实话，其实哪家ai都有相关的做图模型，但用起来会真的发现，为什么别人的ai做图那么厉害，那么好看，但是我自己的却还是很一般 同样一个任务，有人一句话就能拿到接近成品的结果，但有人要反复改 prompt、换模型、调格式、补背景，花费了大量的时间 这也是我一直以来的困扰，所以迫切地需要一个听我大概描述就能出符合我需求图的ai。 Low-prompt AI 的思路：不是让用户写越来越复杂的 prompt，而是让 AI 自己去理解任务、匹配流程、补齐执行细节。 所以今天也去试了一下xBubble 先看看实例吧，比如我今天写的关于“美股代币化的文章的配图”（图1） 我的指令是：根据我给你的内容，结合我的ip形象，创作出治愈系手绘插画风，并且给了一张示例图 图1上方作品是xbubble的成果：将我个人的ip形象整体是保留，并且美化的，让认识我的人知道这是我。并且提取我内容里提到的公司，把他们的图标也加入到图片里 图1下方作品是image 2 的成果：将我个人的ip形象进行修改，偏向手绘插画的风格，将内容里的关键句子添加于图片中 两张图风格应该是都有人喜欢的，但是对于我个人来说，是更偏向于xBubble的做图，因为更具有艺术性和个人色彩，对于做账号来说是需要的 🌟这其实就是 xBubble 功能里比较关键的一点： 不是只执行单一模型生成，而是尽量把用户的模糊需求转成更完整的任务流程。 模型选择、风格理解、内容提取、结果优化，这些原本需要用户反复调的东西，它会帮你往前推一步。 对于ai的真人感，我也去测试了一下 指令是： 16:9真人摄影封面图，一位年轻亚洲女性坐在夜晚高层窗边，气质聪明冷静，不网红、不油腻。她穿白衬衫和深色西装外套，手拿手机，桌上有笔记本电脑、冰美式、投资笔记和钢笔。窗外城市夜景，室内暖光，窗外冷蓝光，光影高级真实。 图2的上方作品是xBubble： 整体看起来更高级，也更像真实广告片截图。人物没有直视镜头，而是看向窗外，情绪更自然，夜景和台灯的冷暖光也比较舒服。桌面元素少，画面不乱，AI感相对低。 图2的下方作品是gemini： 人物正面对镜头、姿势太标准，桌面道具也有点堆满，像刻意生成出来的“商务女性办公图”。整体没有图一自然，质感也稍弱。但信息更加直白。 两张图其实都符合要求，但是XBubble 这张赢在真实感和审美，Gemini 那张赢在信息更满，但也更假，而我刚好测的也是ai的真人感 所以两个层面去进行测试，其实xBubble的审美和创作都是更胜一筹的，但是这种审美和风格每个人都是不一样的，所以大家可以根据自己的需求去选择适合自己做图风格的ai 在这里，只测试了 @dappOS_com 的Bubble Pilot： 负责理解用户的简短需求，并匹配合适的 SOP 去执行；如果没有现成路径，也会先用通用 Agent 完成任务。 还有 Bubble Engine也同样关键： B负责在后台学习和优化，不断测试不同模型、工具和流程，把更稳定的方案沉淀成新的 SOP。 所以我这次用它做图，感受到的不是“它会画图”这么简单，而是它在理解我的内容、识别我的 IP 形象、判断画面风格、提取文章重点、组织视觉元素这几个环节上，已经不太像单个模型直接出图，更像是有一套任务流程在帮我完成成图。 这也是 xBubble 的核心价值：把模型选择、提示词结构、工具调用、技能编写、结果测试这些原本需要用户自己折腾的部分，尽量交给系统处理。用户只需要把目标说清楚，剩下的由 Pilot 去分发，由 Engine 去学习和优化。 @dappOS_com

玩了一上午这个 @dappOS_com 的新产品xBubble，产品本身主打的low promt，意思就是不要过多的去调试，AI自己会跟AI学习，试了一下感觉在做视频和图片方面确实还不错。 做的动作以及结果 简单聊天问答：回答问题逻辑比较清晰 简单文字让做个视频：视频质量、流畅度和成品都基本符合要求 有细节的文字让做短剧：跟我在抖音刷到的那种差不多，重要的是消耗积分也不多，当然，我只生成了个15s的视频 让给一个20u做空山寨币的策略：只给了逻辑，没给具体币种，但是直接给了一段监控机器人的核心代码，所有的逻辑及判断条件全部写好了。 把我的山寨币模型发给他让推币：更上面一样，不推币，只给了逻辑 让制定云南旅游计划：计划比较细节，避坑指南都有 让他做个指定类型的网页：现在好像没有单独的vibe coding功能，所以只给了我一串代码让我自己去运行 随便截了张图让生成主图和banner图：作图方面确实没得说，很标准的电商图 总结一下： 基础的处理都很强了，特别是在视频和图片处理方面，越玩越有意思，但是可能因为我没有什么商业场景，其实一些做电商的和需要做ppt这些办公处理的用会感觉更强，我这个臭炒币的第一时间就是去让分析币 看了下官方文档，xBubble的底层逻辑是 Bubble Pilot  =　AI 替用户使用 AI Bubble Engine  = AI 学习 AI 他会自己内部生成一套固定的sop，用户的问题来了，他会自动匹配去用哪一套 dappos在拿到polychain、红杉、yzilabs如此豪华的投资的情况下，不着急忙着tge，而是不断从市场转型中打磨产品，拓展用户，并且在web2有一定用户，还在积极努力的找新方向，也算是熊市builder了 这是我用dappos嘲讽会所的demo，太可爱了。

很多人写内容，死在最后一步：东西写出来了，但不好看。 发公众号要排版，发小红书要卡片，发 X 要配图，做汇报要 Deck，做产品要页面。 HTML Anything 这个项目，思路很直接： 你给它 Markdown、表格、JSON、笔记，它让本地 AI 帮你变成能直接发布的 HTML 或 PNG。 这个项目最适合内容工作者和接单党。 你可以把“写一篇内容”升级成“交付一套内容资产”：正文、卡片、海报、长图、页面一起给。 同样一份信息，别人只发纯文字，你能交付成品视觉。 差距就在这里。 GitHub：

用了一天 @dappOS_com 的 @xBubble_ai ，我发现一个问题。原来我之前用的那些 AI 生图工具，皮肤质感全是塑料人级别。 一、场景&需求 日常做配图经常要生成人像，要求不高——皮肤有纹理、发丝有层次、光影别像 P 的。但用了这么多工具，普遍问题：塑料感、美颜过度、细节失真、指令理解偏。经常生成十几张挑一张，还要反复改 prompt，心累。 这次拿完全相同的提示词，xBubble 和 Grok 各跑一次，直接对比。 Prompt： 图片风格为动漫，日漫，新海诚风格，极其精致的细节刻画，明亮的色彩。像素风格插画，雨夜城市街道场景，超帅日漫男孩穿着黑色短袖、黑色短裤和白色运动鞋，站在车旁，身旁是一辆白色2026款奔驰G500SUV车，车灯亮着，背景有其他车辆、街灯、树木和建筑物，蓝牌京A·888888，氛围孤寂。 二、同提示词实测对比 🚀 xBubble（图1）— 首图定稿，一次过，零修改，直接能用。 - 新海诚质感+像素插画双重风格精准拿捏，色彩明亮通透 - 人物穿搭全对，黑色短袖+短裤+白鞋，没有错乱变形 - 奔驰G500造型精准，车牌京A·888888一字不差 - 雨夜光影到位，街灯倒影、湿地面反射、明暗过渡自然 - 孤寂氛围不是空的，是光影和构图一起给的 一句话：不需要挑图，不需要重绘，不需要改 prompt。 🐘 Grok（图2）— 翻车，完全不能用的水平。 - 过度糊化，新海诚质感全丢 - 像素风格，色彩暗沉杂乱 - 人物比例错乱，原本的青年模样直接变成未成年 - G500车型失真，车牌、背景细节大面积缺失 画风偏儿童画，孤寂氛围直接消失，完全不能直接用，要一直调试改词。 对比下来，不是 xBubble 太卷，是主流工具在精细场景生图上太摆烂了。只有 xBubble 能精准吃透这种复杂提示词，画风统一、细节精致、场景完整、氛围到位，真正做到首图即成品，出图即定稿。

据MarketWatch报道，有分析人士指出，中国政府很有可能正在利用其战略石油储备来支撑全球市场。该国可能正在动用统计上不可见的原油和成品油库存来维持需求。

🚀 如何在 6 个月内成为全球前 1% 的 Vibe Coding 顶级高手？（附完整保姆级路线图） 说实话，很多人以为 Vibe Coding 就是下载个 AI 工具，输入一句模糊的需求，然后坐等奇迹发生。那不叫意念编程，那叫买彩票。用这种玩法，你只会陷入修 Bug 制造新 Bug 的死循环里。 真正的 Vibe Coding 是一套非常硬核的构建系统，核心就是四个字：先划后干。如果你想把脑子里的想法真正变成能上线的赚钱产品，不要再去看那些永远做不出成品的理论教程了。这份 6 个月的保姆级路线图直接拿走，全都是大白话，照着做就行。 1、第1个月打牢底层基础 新手最爱跳过基础，结果代码一报错就抓瞎。你不用精通编程，但必须懂行话。你要理解Web运行机制，搞懂前后端和API。必须掌握Git，这是你代码崩溃时的唯一救命稻草。最后锁死一套技术栈，推荐Next.js加Supabase加Vercel，别瞎折腾。 2、第2个月选对趁手兵器 零基础做快速原型直接用Lovable。有基础的开发者闭眼选Cursor，熟练掌握多智能体并行。硬核极客用Claude Code，让它接管你整个代码库。记住一个铁律，每个项目根目录必须建一个规则文件，提前给AI立好规矩。 3、第3个月掌握架构与提示词 千万别一上来就让AI写代码。必须先写产品需求文档，明确目标用户和成功标准。学会给AI投喂干净的结构化文档，它能少犯一大半的错。大项目必须用规格驱动开发，让规格文档去指挥AI，而不是靠你的脑洞临场发挥。 4、第4个月打造真实商业项目 别再写烂大街的天气预报App了，去解决垂直行业的真实痛点。建立防错循环：永远让AI先出计划，你批准后再让它写代码，写完丢给另一个大模型做安全审查。并且一定要让AI先写测试用例，这是防止代码崩塌的唯一解药。 5、第5个月进阶MCP与上下文魔法 真正的高手知道怎么给AI喂数据。必须玩转MCP协议，让你的AI直接连通外部世界。比如让AI直接读取Figma设计图写前端，或者直接操作数据库。同时学会控制Token预算，大任务用贵模型，小任务用便宜模型，及时压缩长对话防破产。 6、第6个月专业部署与变现 最后一步是把产品推向市场。前端扔给Vercel，后端接Supabase，挂上监控追踪报错。接下来选定你的搞钱路线：要么当独立黑客开发垂直SaaS卖订阅，要么拿着项目去大厂拿高薪，或者帮传统企业搭建自动化工作流赚咨询费。 最后再唠叨一句，大多数人看完只会点个收藏，但真正能拉开差距的人只做三件事：不看教程直接干，公开分享自己的构建过程，每个月必须硬憋出一个带真实网址的上线产品。行动决定上限，赶紧去挑个痛点开干吧。

今天下午体验了一把 AI vs 传统专业工具的真实对比！ 今天下午帮一位做打印设备的朋友调输入图像参数，他在做美甲甲片打印，我跟两位专业设计师配合工作，做效果展示。 我们从那种美甲成品批量展示的图里，找到我们要的图案，做图像超分、增强/饱和度等、甲片蒙层，再做打印。 两位专业设计师用的专业工具是 PhotoShop，他们非常熟练各种快捷键操作，处理一张图片大概 1-2 分钟。 我开着 ChatGPT，用 ChatGPT Image 2，一次性把超分分辨率、增强和饱和度的要求等、不同手指的甲片图片输入，让 ChatGPT 在后续操作中按照执行要求，和它对图片的理解来输出图像，处理一张图片大概 5-8 秒。 最终我们输出的效果是很接近的，本来拉开差距的地方在饱和度和对比度等设置这一步，不过专业设计师根据专业判断反复调整后，发现跟 ChatGPT 自己判断的结果很接近。

🌐 5 月 18 日 - 5 月 24 日｜本周大事件 📅 5 月 18 日｜星期一 🔵 三星电子劳资双方启动第二轮调解 🔵 Coinbase 上线 $TSM $BE $NBIS $CBRS 四只 AI 基础设施股票永续合约 📅 5 月 19 日｜星期二 🔵 俄罗斯总统普京将对华进行国事访问 🔵 AMD AI 开发者日 🔵 Google I/O 开发者大会 🔵 Base「Batches 003 加速器」入围项目现场 Demo Day 🔵 $PYTH 将于 5 月 19 日解锁约 9246 万美元价值代币，占已释放供应量 36.96% 📅 5 月 20 日｜星期三 🔵 美国当周 EIA 原油库存 🔵 Meta 开启首轮裁员 🔵 SpaceX Starship V3 冲刺首飞 🔵 $ZRO 将于 5 月 20 日解锁约 3265 万美元价值代币，占已释放供应量 5.07% 🔵 $KAITO 将于 5 月 20 日解锁约 858 万美元价值代币，占已释放供应量 4.70% 📅 5 月 21 日｜星期四 🔵 美国当周初请失业金人数 🔵 美联储公布货币政策会议纪要 🔵 国内成品油将开启新一轮调价窗口 🔵 三星全国工会 18 天大规模罢工开始 🔵 英伟达 Q1 财报 🔵 亚马逊年度股东大会

最近我自己在折腾 Codex，原本挺兴奋的，想着这类 AI agent 应该能直接帮我把活干完 一开始我还去试了龙虾这种流程工具，做一些偏专业、结构化的任务确实还可以。但当我想做一份完整的 PPT 时，就开始不对劲了 你以为是一句话的事，结果变成：拆任务、找 skill、拼流程。写大纲一个，生成内容一个，排版可能还要再接工具 中间哪里不对，就得重新改 prompt，再跑一遍 一开始是期待，中间是反复调试，最后多少有点习惯这种“用 AI 也很费劲”的感觉 但问题是——同样的工具，有的人 20 分钟出成品，有的人折腾两小时还在调流程。慢慢你会发现，这其实是一道越来越明显的鸿沟 现在 AI 不缺能力，缺的是“怎么用” 
会不会写 prompt、会不会用 agent、会不会搭 skill，这些门槛在悄悄把人分层 很多时间，其实不是花在做事，而是花在让 AI 把事做对 这也是为什么我后来开始关注像 xBubble 这种 Low-prompt AI 它本质做了一件事：把“用 AI”这件事，也交给 AI 你只需要说一句：帮我做一份 AI 行业的投资人 PPT，剩下的不用管 背后其实有三层东西在跑： Bubble Pilot，相当于执行层，帮你调用各种 AI，把任务拆解并跑起来 
Bubble Engine，是学习层，在后台不断测试不同模型+工具组合，把效果最好的沉淀下来 
SOP，就是已经跑通的最优流程，本质就是一套可复用的 skill 整个逻辑很简单： 
AI 使用 AI + AI 学习 AI → 最后沉淀成 SOP → 下次直接给你更优解 对用户来说变化也很直接： 
模型选什么、prompt怎么写、skill怎么拼、结果怎么测，这些都不需要你管了 再加上它有两种运行环境： 
一个是 Bubble Computer，适合做完整项目，比如一份 PPT，从调研到生成一条龙跑完 
一个是 Bubble Personal，可以直接操作你本地文件、浏览器这些，但过程是可控的，不用折腾环境 可以简单对比一下： 以前：
我 → 拆任务 → 找工具 → 写 prompt → 拼流程 → 调试 → 出结果 现在：
我 → 说一句需求 → 系统匹配/生成 SOP → 直接出结果 差别其实不只是快不快，而是你有没有被卷进流程本身 回到我一开始做 PPT 的那个场景，如果是这种方式，大概率不会再卡在各种 skill 之间来回切 因为逻辑已经变了—— 
不是你在学习怎么用 AI，而是 AI 在学习怎么更好地帮你做事，同时 AI 也在替你使用 AI AI 使用 AI，AI 学习 AI，
我们只需要把目标说清楚就够了 有兴趣的可以关注 xBubble这个项目，感觉挺不错的