Soran (@Soranlan)
@Soranlan
拆普通人也跑得起的 AI 内容工作流
AI 热点、工具实测、生图视频、Prompt/SOP
只写跑通后的方法
335 正在关注 5.3K 粉丝
好好好，都这么玩是吧。
看到有人把虚拟角色出镜讲知识做成视频，我也试着把这个结构搬到 AI 资讯上。
我说的确实是学习知识。
这条是我刚做完的 Fable 5 成片。
不是一条长视频直接跑出来的。
目前还是用 Grok 每次生成 6 秒，再拆成不同段落拼成一条完整内容。
前后大概 48 秒。
这次真正想测的，不是某一个镜头够不够漂亮。
而是同一个角色、同一只小螃蟹、同一个现代 AI 安全室，能不能在多段素材里维持成一个完整世界。
古风人物负责做视觉锚点。
小螃蟹负责让人一眼知道这是 AI 工具相关内容。
透明门、扫描线和受限通道，则去表达 Fable 5 这期最关键的意思：
它回来了。
但门变窄了。
以前 AI 视频很多时候更像一张会动的海报。
这次我想试的是另一种东西。
让固定角色承担内容。
让画面不只是配口播。
让一条 AI 资讯也有自己的视觉世界和连续叙事。
整体已经比我预期更接近“栏目感”了。
Grok 现在多了延展功能，单段可以继续往后接，最长能做到 30 秒。
终于不用每 6 秒都从零开始重建同一个世界。这条就是按这个来做的
这条要是反馈还行，我再把它拆开讲讲。
从首帧图怎么定，到角色、场景、小螃蟹、镜头动作怎么保持一致；
再到 6 秒一段怎么写、怎么拼、哪里最容易接穿帮。
这次最想验证的，其实就是：
AI 资讯能不能不只靠口播和截图，也做成有固定角色、有视觉世界、有连续感的内容。
下一步想继续测：
一个固定角色，能不能稳定讲完一条完整的 AI 事件
显示更多
歸藏这个做 Live Photo 的 Skill 确实挺实用。
他做了一个 Skill，只要给一段随便录的视频 + 文案，就能自动排版、加文字、生成带动态效果的 Live Photo。
比自己剪视频或者用其他工具要方便很多。
我看下来，这个能力适合以下场景：
步骤说明（比如操作流程、教程）
产品不同角度的细节展示
带一点动效的网页或界面演示
需要轻量动态展示，但又不想做完整视频的内容
它把做 Live Photo 的门槛拉低了不少。
你不需要太专业的剪辑能力，也不用自己处理排版和文字，基本就是“给素材 + 说需求”就行。
当然，它目前还是偏辅助编辑的角色，特别复杂或高要求的动态效果，可能还是需要自己再调整。
整体来说，对经常需要做演示类内容的人
是一个值得试试的工具。
显示更多
终于上了！
藏师傅现在这个 Skills 可以帮你做 Live Photo。
我过去一段时间用下来，发现这个能力非常有用。它比做成视频的难度要低得非常非常多
又可以帮你展示一些需要动态展示的东西，比如：
1. 步骤说明
2. 不同角度的产品细节
3. 带动效的网页展示等等
这个 Skills 基本上把做 Live Photo 的门槛拉得非常低。
你只需要给它文案和你随便录制的一段视频，它就可以帮你编辑排版，变成一个带文字的 Live Photo。
当然，一些基础的 Live Photo 编辑它也能帮你做（比如拼图、夹子等），比你在市面上能找到的对应产品要方便很多。
显示更多
又做了一条，继续测不同场景，
这个 10 秒怼脸自拍视频，第一眼最让我震惊的，是眼神、微表情、头发和光线之间的关系。
人轻微转头、视线飘开再回来，脸上也没有那种很常见的“AI 人在动，五官却像定住了”的僵感。
但这条的肤质确实还没完全过关。
脸颊上的雀斑、毛孔和细小纹理，近看有点太均匀了，像一层铺上去的颗粒；尤其在侧脸和强光位置，皮肤起伏、反光和纹理之间还没有完全咬住。
所以它远看会让人震一下，近看还是能闻到一点豆包脸的味道。
之前做过不少 AI 视频，Grok 的人物动态多少会差点意思；Kling 稳是稳，但有时又太端、太规整，人物像在完成动作。
这个至少让我第一次觉得，它开始有一点“手机随手拍到的人”的感觉了。
虽然只有 720P，但拿来做社交平台短视频其实已经够用了。普通人刷过去，未必会第一秒判断出是 AI；只是别让人一直盯着脸颊和皮肤细节看。
接下来得把这类怼脸自拍视频好好复刻拆一下。
我这次是在豆包里跑的 10 秒 Seedance 2.0 mini，建议先截一张最满意的画面当首帧，或者直接拿一张参考图去控脸、控光和场景。
首帧定住以后，后面主要让它做很小的动作：视线变化、轻微转头、呼吸感、几根头发扫过脸。
动作越收，越像真的。
不过脸大概率还是会往豆包自己的审美上靠。
伙伴们可以去试试，这条路感觉开始能玩了。
提示词：移步评论区⬇️，大家还想看什么样的效果呢
显示更多
说真的，seedance 2.0 mini好像效果也没那么差
这个怼脸拍的真实度还是挺让人震惊的
之前做过很多的AI视频，感觉grok，多少差点意思
keling还可以，但有时候很僵化
今天这个视频我感受不到太多的AI味儿，
你看我吧水印都噶了，如果发到社交平台
会不会有人认为是真的
接下来必须要复刻拆解提示词了，我呢，用豆包试验了10秒的Seedance2.0 mini，
虽然只有720P不过我感觉也很惊艳！
记得截取一张图做首帧，或者可以直接发图给他
不过脸可能就是豆包脸了
伙伴们尽情去玩吧
提示词👇
生成视频：竖版9:16，超近距离人像自拍视频风格，一位年轻亚洲女性面部特写，占满画面，只露出眼睛、鼻子、嘴唇和部分脸颊。真实自然肤质，可见毛孔、细小瑕疵、脸颊纹理、鼻梁高光与唇部自然反光，皮肤清透但不过度磨皮。强烈自然阳光从侧前方照射，像坐在车内或窗边被阳光直射，脸上形成明亮高光与柔和阴影，背景高度虚化，只保留暗色车内或室内氛围。人物表情安静自然，略带慵懒感，眼神先看向镜头，再轻微偏开，最后慢慢回到镜头附近。头发自然垂落，少量发丝轻轻扫过额头和眼睛。手机手持拍摄感，镜头有非常轻微的自然晃动和呼吸感，缓慢贴近并带有轻微横向移动。整体真实、生活化、没有摆拍感，iPhone自拍视频质感，电影级自然光，浅景深，真实眼睛反光，轻微运动模糊，画面细腻稳定。 10秒时间分段 0–2.5秒： 极近距离拍摄人物脸部，眼睛、鼻梁和嘴唇占据主要画面。人物安静看向镜头，阳光打在鼻梁、脸颊和嘴唇上，皮肤有真实高光、毛孔和轻微纹理。 2.5–5秒： 镜头非常缓慢地轻微贴近，同时向右轻微横移。人物眼神缓缓偏开，保持自然呼吸感，表情平静，不说话不夸张。 5–7.5秒： 头发自然垂落，几缕发丝轻轻扫过额头和眼睛，阳光在脸上的高光区域随角度变化产生细微流动，手持镜头保持很轻的自然晃动。 7.5–10秒： 镜头停留在超近距离状态，人物嘴唇微微张开，像自然呼吸，眼神慢慢回到镜头附近，最后停在一个真实、安静、阳光强烈的人像近景画面。 负面提示词 不要卡通感，不要AI塑料皮肤，不要过度磨皮，不要网红滤镜，不要浓妆，不要夸张表情，不要大幅度运镜，不要突然切镜，不要脸部变形，不要五官漂移，不要眼睛大小变化，不要嘴唇变形，不要牙齿异常，不要皮肤过曝成一片白，不要背景复杂，不要多人，不要文字，不要Logo，不要水印，不要画面闪烁，不要跳帧，不要风格突变。，9:16
显示更多
说真的，seedance 2.0 mini好像效果也没那么差
这个怼脸拍的真实度还是挺让人震惊的
之前做过很多的AI视频，感觉grok，多少差点意思
keling还可以，但有时候很僵化
今天这个视频我感受不到太多的AI味儿，
你看我吧水印都噶了，如果发到社交平台
会不会有人认为是真的
接下来必须要复刻拆解提示词了，我呢，用豆包试验了10秒的Seedance2.0 mini，
虽然只有720P不过我感觉也很惊艳！
记得截取一张图做首帧，或者可以直接发图给他
不过脸可能就是豆包脸了
伙伴们尽情去玩吧
提示词👇
生成视频：竖版9:16，超近距离人像自拍视频风格，一位年轻亚洲女性面部特写，占满画面，只露出眼睛、鼻子、嘴唇和部分脸颊。真实自然肤质，可见毛孔、细小瑕疵、脸颊纹理、鼻梁高光与唇部自然反光，皮肤清透但不过度磨皮。强烈自然阳光从侧前方照射，像坐在车内或窗边被阳光直射，脸上形成明亮高光与柔和阴影，背景高度虚化，只保留暗色车内或室内氛围。人物表情安静自然，略带慵懒感，眼神先看向镜头，再轻微偏开，最后慢慢回到镜头附近。头发自然垂落，少量发丝轻轻扫过额头和眼睛。手机手持拍摄感，镜头有非常轻微的自然晃动和呼吸感，缓慢贴近并带有轻微横向移动。整体真实、生活化、没有摆拍感，iPhone自拍视频质感，电影级自然光，浅景深，真实眼睛反光，轻微运动模糊，画面细腻稳定。 10秒时间分段 0–2.5秒： 极近距离拍摄人物脸部，眼睛、鼻梁和嘴唇占据主要画面。人物安静看向镜头，阳光打在鼻梁、脸颊和嘴唇上，皮肤有真实高光、毛孔和轻微纹理。 2.5–5秒： 镜头非常缓慢地轻微贴近，同时向右轻微横移。人物眼神缓缓偏开，保持自然呼吸感，表情平静，不说话不夸张。 5–7.5秒： 头发自然垂落，几缕发丝轻轻扫过额头和眼睛，阳光在脸上的高光区域随角度变化产生细微流动，手持镜头保持很轻的自然晃动。 7.5–10秒： 镜头停留在超近距离状态，人物嘴唇微微张开，像自然呼吸，眼神慢慢回到镜头附近，最后停在一个真实、安静、阳光强烈的人像近景画面。 负面提示词 不要卡通感，不要AI塑料皮肤，不要过度磨皮，不要网红滤镜，不要浓妆，不要夸张表情，不要大幅度运镜，不要突然切镜，不要脸部变形，不要五官漂移，不要眼睛大小变化，不要嘴唇变形，不要牙齿异常，不要皮肤过曝成一片白，不要背景复杂，不要多人，不要文字，不要Logo，不要水印，不要画面闪烁，不要跳帧，不要风格突变。，9:16
显示更多
这哪是攒机，这是硬生生在自己屋里盖了座微型电站。
32张3090，拆成4台8卡服务器，再用InfiniBand连起来。卡多只是前菜，真正把难度拉上去的，是后面那套太阳能板、大电池组加发电机备份的组合拳。
多数人对家庭算力的想象就是买卡插电。真到了这个量级，功耗、散热、网络调度、断电自动切换，每一个坑都够你忙活半天。
我也好奇，32张卡在不同任务下到底能吃满多少，InfiniBand会不会变成瓶颈。
普通人想抄这个作业，场地和工业电就能劝退九成。
硬件都有价，但能把这一堆东西稳定跑起来、任务调顺、不炸机，才是真正值钱的手艺。一张卡空转一小时的电费，够点顿外卖了。
显示更多
Finally finished building my AI datacenter! 🚀
32x3090s across 4 servers (8 GPUs each), all connected over InfiniBand.
The whole setup is solar-powered with a massive battery bank and generator backup.
More technical details and benchmarks coming soon.
显示更多
Anthropic工程师那句话真的绝了：
你不是该去提示Claude，你是该建一个能自己提示自己的系统。
说白了就是Loops
但大部分人搞反了
要么没记忆，每轮从头来；要么不分拆，
一个Agent扛所有
要么没刹车，睡一觉起来账单爆炸。
这三个坑，大多数踩了至少两个。
别再死磕怎么把一条prompt写得更长了，该学的是一套闭环：
有记忆、有分工、有验收标准。
没过就继续跑，过了立马停。
先看视频，然后把这套东西吃透，别等被信息淹了再翻。
不然你用的永远就是个高级聊天框。
显示更多
把 Claude Code 只拿来写代码，真的有点暴殄天物了。
Karpathy 那个被 1600 万人刷到的想法，核心就一句话：别让 AI 每次从空白聊天框开始，让它给你搭个会自己长大的第二大脑。
你往文件夹里丢文章、PDF、访谈转录、网页资料，Claude 自己读、自己分类、自己建链接，然后长成一个活的知识网络。
具体操作简单到离谱。装个 Obsidian，新建一个 Vault，在 Claude Code 里打开它。把 Karpathy 那份 Wiki 想法文件贴过去，让 Claude 直接照着搭。它会生成三个东西，一个 raw 文件夹专门存原始资料，一个 wiki 文件夹存处理好的页面，再加一个 CLAUDE.md 告诉系统怎么跑。
然后你就一直往里扔就行了。看到好文章，扔 raw。拿到 PDF，扔 raw。播客转录出来，也扔 raw。
对着 Claude 说一句 ingest this，它自己读完、整理、建好关联。
以后你问它问题，调用的就全是你自己这些年积攒的资料库，再也不用每次都从头交代背景。
五分钟搭完，从此告别空白聊天框。
最难的部分其实根本不是搭，是很多人还在把 AI 当成用完就关的聊天框。
这东西一旦跑起来，你往里面喂的每一份资料，都开始给你叠利息了。
显示更多
无人机行业要变天了。
ExynTech 直接放了个大招，说自家的自主飞行能力能做到接近 Skydio 的水平，价格还明显往下砍了一刀。
翻译一下就是：以前只有少数几家能搞定的全自主飞行，开始被压成可复用的通用模块了。
真正麻烦的还不是更便宜，是能力开始商品化。
Skydio 那套避障加视觉感知加路径规划的闭环，原本是护城河。如果 Exyn 真能把同级别的 autonomy 拆出来当组件卖，那做无人机的门槛就开始塌了。
护城河会从算法慢慢变成集成、场景和数据。
这类行业战争最狠的地方，不是突然来了个更强的对手。而是有些很贵很难复制的东西，被拆成零件后开始降价。
等回过神的时候，战场已经跟你没关系了。
显示更多
Google 这波操作，把 GPU 折腾的流程直接砍了。
VS Code 现在能直连 Google Colab。
你的本地文件还在你电脑里，编辑器还是那个编辑器，但运行的时候可以挂到 Colab 的远程 GPU 或 TPU 上。
不用来回传文件，不用开网页 Notebook，不用配远程环境。
原帖说能直接白嫖免费 T4，这个别当长期承诺，Colab 免费算力本来就会变。
但官方 VS Code 扩展这件事是真的。
对平时本地写代码、偶尔需要 GPU 跑训练的人来说，这比多一个云端 Notebook 实用太多了。
GPU 不一定变便宜，但至少你不用为了用它们，把整个开发习惯都推翻重来。
反正我今天先试了。
显示更多
Google ha acabado con la mafia de las GPU 💀
VS Code ahora se conecta directamente a Google Colab.
→ Obtienes una GPU T4 gratuita dentro de tu editor.
→ Tus archivos locales. Su potencia de cómputo.
显示更多
这位开发者将 8 台 NVIDIA DGX SPARK 连接成一个集群 - 并运行了一个让他生产力提升 10 倍的 800GB 模型
21:47 他直言不讳地说 - “这是一个 TB 的 VRAM - 我们运行了 Quen 3.5，800GB 磁盘上，一个甚至无法装入单台 Mac Studio 的模型 - 24 个 token 每秒 - 我得说这是个胜利”
8 台 Spark 通过价值 1,300 美元的交换机通过以太网上的 RDMA 连接 - 每个节点添加 128GB 内存到一个统一的 1TB 内存池中
从一台 Spark 开始，每秒 3 个 token - 每添加一个节点速度翻倍 - 八台一起为一个物理上无法在其他地方运行的模型提供 24 个 token
Kimi K2 600GB 在 15 分钟内加载，每个节点 115GB，每秒 13 个 token - 一个根本无法在任何更小设备上运行的模型
Claude 帮助配置了整个集群 - 所有 8 台机器的 SSH 网格、网络配置、巨型帧、QSFP 端口速度 - 全部从一个终端完成
大多数人为这种规模的模型租用云端计算，每月 2,000 美元以上 - 他一次性构建了集群，现在每个 token 的成本降低了 20 倍
显示更多
THIS DEVELOPER CONNECTED 8 NVIDIA DGX SPARKS INTO ONE CLUSTER - AND RAN AN 800GB MODEL THAT MADE HIM 10X MORE PRODUCTIVE
21:47 he says it straight - "this is a terabyte of VRAM - we ran Quen 3.5, 800GB on disk, a model that doesn't even fit on a single Mac Studio - 24 tokens per second - I'd say that's a win"
8 Sparks connected through a $1,300 switch via RDMA over Ethernet - each node adding 128GB of memory into one unified pool of 1TB
started with one Spark at 3 tokens per second - every added node doubled the speed - and eight together deliver 24 tokens on a model that physically cannot run anywhere else
Kimi K2 at 600GB loaded in 15 minutes, 115GB per node, 13 tokens per second - a model that simply cannot run on anything smaller
Claude helped configure the entire cluster - SSH mesh across all 8 machines, network config, jumbo frames, QSFP port speeds - all from one terminal
most people rent cloud compute for models this size at $2,000+/month - he built the cluster once and now every token costs 20x less
显示更多
wow！两个 Anthropic 工程师 24 分钟把 Claude 那些几乎没人知道的隐藏功能全抖出来了。
看完直接破防，感觉那叫用 AI 吗，纯纯当个高级聊天框在用。
戳破的是：自己一直跑在最低效的模式上。
先存
看完这场，你的 AI 用法得直接换个打法。
显示更多
Two Anthropic engineers have just revealed in 24 minutes all the hidden Claude features that almost nobody knows about.
This video is going to completely change the way you use AI.
Watch it and save it.
显示更多
这个 Open Cowart Canvas，有点把 AI 修图最烦的环节捅穿了。
以前改图全靠打字念咒。
这个小一点。
那里换个颜色。
把旁边删掉。
模型看完，懂不懂全看缘分。
他这套直接把修改意见留在画布上。
圈哪里，画哪里，标哪里，改动痕迹也能留着。
你不需要再跟模型反复解释我说的是左上角那个，不是右边那个。
而且它直接接 Codex。
GPT Image 2 在里面基本也能放开用了。
这才像修图工具。
不是一边生成，一边和模型猜谜。
显示更多
Codex + 画布工具，以及尝试一种更直觉、更留痕的图片标注修改方式。
直接用 Codex 的好处是 GPT Image 2 也基本可以自由干。
一个亚洲人发现了一种使用 AI 将学习速度提高十倍的方法！
它只需涉及 Claude + Obsidian。
大多数人用缓慢的方式学习：阅读、忘记、重读、再忘记。
他的翻转：使用 Claude 将你正在学习的一切转化为小型、互连的笔记。使用 Obsidian 将它们链接起来，这样你学到的任何东西都不会孤立存在。
缓慢的方式：高亮一本书，继续前进，一周内忘记它。
快速的方式：Claude 将其分解成原子笔记，Obsidian 将它们链接成一个不断增长的知识网络。
六个月后，一个新想法会立即与你已经知道的二十件事相连。
显示更多
An asian guy has discovered a method to learn anything ten times faster using AI!
It just involves the Claude + Obsidian.
Most people learn the slow way: read, forget, re-read, forget again.
His flip: use Claude to turn anything you're learning into small, connected notes. Use Obsidian to link them so nothing you learn ever sits alone.
The slow way: highlight a book, move on, forget it in a week.
The fast way: Claude breaks it into atomic notes, and Obsidian links them into a growing web of knowledge.
Six months in, one new idea instantly connects to twenty things you already know.
I broke down every Claude resource you should try to master claude in 7 days with practical guide that most people have never found.
Article below ↓
显示更多
很多人问我，AI 写真能出到什么程度。
我直接贴图。
↑ 图1：夜景天台、耳机、直闪
↑ 图2：花房、柔雾光、白裙
↑ 图3：便利店、雨夜、CCD 感
↑ 图4：汉服、烟雨、苏州园林
四张图，四种完全不同的世界。
同一套方法论跑出来的。
半年前我刚开始跑 AI 写真的时候，根本不可能出这种图。
不是差一点
是差得非常远。
我以为自己差的是词。
于是我开始堆词：清透、高级、氛围感、电影感、精致感、真实感……
堆完，更难看了。
转折点是我看到一句话：
你不需要把 AI 当成玄学许愿池，你可以把它当成一个摄影团队。
摄影师要知道机位，化妆师要知道妆面，场务要知道现场有什么，后期要知道最终画面是胶片还是直闪还是柔雾。
这句话让我明白了一件事
我以前写的所有 prompt，其实都在跟 AI 说帮我拍得好看一点
而 AI 根本不知道
好看是哪一种好看。
重新学了之后，我开始换一种写法。
写夜景天台，不写夜晚街拍。
写的是：停车楼顶层、不锈钢护栏、城市灯光散景、硬闪、发丝飞散、大耳机半摘、视线斜上方。
写花房，不写温柔氛围感。
写的是：老温室玻璃顶、前景薄纱帘虚化、长桌牛皮纸花束、窗外漫射光从正前方包裹、整体低对比高调、像隔着柔雾滤镜。
写便利店，不写CCD 感。
写的是：雨夜便利店冷藏柜前、地面反光、蓝绿色冷光打脸、手推柜门回头、湿发、手提雨伞、像手机随手抓拍。
你看，同一张图，写法完全不一样。
差的不是词的数量。
差的是：你有没有真的在脑子里「看见」那张照片。
这套方法有一个核心，我把它总结成一句话：
不要从美女开始写 prompt，要从这张照片为什么成立开始写。
一旦起点换了，后面所有的词都会自动找到位置
结合南鸢这篇方法论，我整理了一套可以直接用的提示词框架。
显示更多
社区运营最让人破防的瞬间，不是没人说话，是同一个问题被不同的人翻来覆去问了一百遍，你他妈像个复读机一样原地打转。
问价格问功能问Bug问活动规则，你回过一次回过两次回过十次，然后第十一个人冲进来又是从零开始。更让人血压飙升的是答案其实全都在
可能在Discord某个频道的旮旯里，可能在Telegram三个月前的聊天记录里，可能在某个早就不维护的Notion文档里，也可能在一个已经离职的运营同事的私聊记录里。
但用户不会翻，新人运营不知道去哪找，产品经理更不可能每天手动看完所有反馈。所以社区越大人越多，知识反而越散越碎，运营越努力越觉得自己像台没有感情的问答机，每天都在重复上一天的人生。
这也是我觉得@LuciusHQ LuciusAI值得看一眼的地方。它不像那种老式FAQ bot，只能回答你提前写死的那几个问题，用户换种问法立刻就报废，跟个只会背台词不会即兴的演员似的。
Lucius更像是嵌在社区里的一个AI teammate，它能记住用户问过什么，能理解这个社区的规则和语气，能把重复问题先接住，遇到它不确定的再转给真人，顺手还能把聊天里的反馈沉淀成以后可以查询的知识，不是回完就丢了。
Dubbing那个案例特别典型，Discord五万八千人，本来文档FAQ mod团队全都有，但用户还是不停地问重复问题，spam也会钻规则的空子。Lucius接进去之后不光是回答问题，在用户报Bug的时候能提前把该收集的信息结构化收好再交给工程团队，这就不只是省时间了，是把流程直接拉上一个档次。
这里真正发生的变化不是AI替代运营，是运营终于不用一直站在社区门口当人工分流器了，像个门童一样每天对着一万个人说往左走是文档往右走是FAQ，这活儿谁干久了不想死。
Momen那个案例更有意思，以前用户反馈解决完就散在聊天记录里，产品团队开会还是靠记忆和直觉判断最近什么需求最重要，全靠猜。Lucius把这些互动变成了可查询的组织记忆，你可以直接问它最近用户最常卡在哪，它会从真实对话里提取稳定性问题、平台扩展需求、onboarding摩擦，而不是让你一条条去翻聊天记录翻到眼瞎。
这才是社区AI真正有价值的地方，不是多回了几句话，是让每一次用户互动不再用完即丢。那些散落在聊天记录里的碎片终于有机会变成结构化的知识，运营的脑子终于可以拿来想事情而不是当搜索引擎。
显示更多
一个月20美元成本搞出AI女孩，然后OnlyFans+Fanvue双开，TikTok破圈Reddit精准导男粉，7天120万播放，一周两千七。
拆开看其实就是一套冰冷的流水线：
人设、内容、分发、转化、订阅，全被AI拼起来了。47岁日本大叔一个人，Claude每月20刀，直接模拟了一个小型内容团队。
你可以骂灰产擦边，但这事的本质是：内容生产的准入门槛已经低到一个人加一个订阅费就能开始跑了。
显示更多
47-year-old man from Japan made $13,450 in a month. He created an AI girl and made a profile for her on OnlyFans and Fanvue
Costs: $20 for Claude/month
He created a TikTok account for her -> 7 days -> +1.2M views + 4,678 followers
He created a Reddit account where he posted her photos and short videos
Thus, he set up 2 traffic sources absolutely for free, men got interested, followed the link and subscribed to OnlyFans/Fanvue
First week:
> OnlyFans: +143 subscriptions
> Fanvue: +64 subscriptions
Each subscription is $9.9 -> $2,700
Claude created the AI girl, comes up with the visuals, works with the platform algorithms, posts content at the scheduled time, works autonomously
The article contains 10 folders with tools for creation and workflow automation
显示更多
震撼…这条 AI 视频让我对“分水岭”有了新的理解。
过去我们总在纠结“像素”“动作”“像不像人”，
但真正的突破在于：**AI 能不能构建一个可以“回来”的世界**。
10 秒靠惊艳，10 分钟靠结构。
角色要能重现，场景要能延续
这已经不只是技术演示，而是叙事的底层能力在长出来了。
今天呢，
我看了一下它的创作画布，真正震撼我的不是成片，而是背后的工程量。
这不是一个 prompt 生成出来的视频。
它更像一个 AI 片场：
100+ 图像节点
100+ 视频节点
十几个音频节点
十几个分组
几百条连接关系
也就是说，它不是在“生成一个视频”，
而是在搭建一个可复用的长叙事生产线。
显示更多
这条 AI 视频值得反复看。（作者是抖音的命比梦长）
我以前看 AI 视频，更多是在看画质、人物一致性、运镜。
但这条让我意识到，真正的分水岭不是“像不像真人”，而是：
它能不能撑起一个世界。
一个 10 秒镜头，只需要惊艳。
一个 10 分钟视频，需要结构。
角色要能回来，
场景要能延续，
动作要能接上，
对白要能推进，
观众要愿意继续看下一幕。
这也是我现在判断 AI 视频价值的标准：
不是“这条 prompt 多厉害”，
而是它能不能变成广告片、短剧、产品宣传片、角色预告、世界观样片。
AI 视频接下来会越来越便宜。
但导演感、叙事感、商业样片能力，会越来越贵。
这条我先收藏了，后面准备按这个方向拆一套 AI 视频工作流。
显示更多
这条 AI 视频值得反复看。（作者是抖音的命比梦长）
我以前看 AI 视频，更多是在看画质、人物一致性、运镜。
但这条让我意识到，真正的分水岭不是“像不像真人”，而是：
它能不能撑起一个世界。
一个 10 秒镜头，只需要惊艳。
一个 10 分钟视频，需要结构。
角色要能回来，
场景要能延续，
动作要能接上，
对白要能推进，
观众要愿意继续看下一幕。
这也是我现在判断 AI 视频价值的标准：
不是“这条 prompt 多厉害”，
而是它能不能变成广告片、短剧、产品宣传片、角色预告、世界观样片。
AI 视频接下来会越来越便宜。
但导演感、叙事感、商业样片能力，会越来越贵。
这条我先收藏了，后面准备按这个方向拆一套 AI 视频工作流。
显示更多
