Rachel🥥's banner

Rachel🥥

@Zesee • 18,387 subscribers

00年｜上交 x 帝国理工｜AI Spark创始人｜前微软&亚马逊产品经理｜分享AI使用干货与商业化变现｜抖音/小红书：Rachel的AI使用日记｜[email protected]

Shorts

最近很火的娃娃变装视频提示词开源 9:16 竖屏，超写实真人芭比换装短片。人物身份只参考上传的银灰发女孩图片，五官、脸型、眼距、鼻子、嘴唇、肤色与参考图保持一致。银灰色高马尾，轻薄空气刘海，两侧少量自然碎发。人物为真实成年女性，正常纤长模特比例，8至8.5头身，头部约占全身高度的八分之一，肩宽自然，四肢修长但符合真实人体结构，绝对不能大头小身。人物始终位于画面正中央，全身完整入镜，双脚和头顶均有留白。平视固定机位，50mm镜头观感，无推拉、无摇移、无旋转、无焦段变化。背景固定为奶油白、雾霾蓝和少量香槟金组成的梦幻时尚工作室，柔和自然光，家具、墙面、地板和阴影位置全程不变。画面前景出现一双真人尺寸巨型女性双手，双手皮肤真实，比例稳定，左右手结构正确。长杏仁形镜面银色美甲，镶嵌透明水晶、珍珠和精致立体蝴蝶结。巨手始终在人物前方活动，通过衣服、鞋子或配饰短暂遮挡人物，实现无缝换装。最终服装、鞋子、项链、手链和手提包的款式、颜色、纹理，严格以对应的上传图片为准，禁止模型自行重新设计。 00:00–00:01 银灰发女孩穿基础内搭站在画面中央，身体自然放松，目视镜头。两只巨型美甲手分别从左下方和右下方进入，捏住连衣裙左右肩部或肩带，平稳地将裙子送到人物面前。 00:01–00:02 巨手同步向上抬起连衣裙，裙摆从人物膝盖位置上升到腰部和胸口。女孩低头看向衣服，身体位置、脸和发型保持不动。裙子逐渐遮挡基础内搭。 00:02–00:03 连衣裙继续向上移动，完整遮挡人物躯干，并在画面中央形成约0.3秒的自然遮挡。遮挡最完整的瞬间完成隐藏换装，不能用闪光、烟雾或溶解特效。 00:03–00:04 巨手向左右两侧缓慢分开并稍微下降。遮挡解除后，女孩已经完整穿好与母版图片完全一致的连衣裙，领口、腰线、裙摆和材质全部固定。 00:04–00:05 巨手轻轻整理裙子两侧肩部和腰线，布料产生细微自然摆动，随后双手从画面两侧退出。人物抬头看向镜头，保持真人芭比般克制、自然的表情。 00:05–00:06 两只巨手从画面底部左右两侧再次进入，各自捏住一只与鞋子参考图完全一致的鞋，鞋尖朝向人物双脚，缓慢送向脚边。 00:06–00:07 巨手将鞋子移动到人物双脚正前方，鞋子和手指短暂遮挡脚部。遮挡瞬间完成换鞋，双脚不能移动位置，不能穿模，不能出现多余鞋子。 00:07–00:08 巨手向两侧撤开，女孩脚上已经穿好成对的新鞋。鞋型、颜色、鞋跟和装饰左右一致。人物轻轻调整一次重心，裙摆有非常轻微的自然晃动。 00:08–00:09 硬切到固定的腰部以上中近景，不做连续镜头推近。两只巨手从画面上方左右两侧进入，拉直项链两端，将项链移动到女孩颈部前方。女孩微微抬起下巴。 00:09–00:10 巨手把项链绕到颈后，手指短暂遮挡颈部两侧。完成遮挡后，项链自然佩戴在颈部中央，吊坠位置端正，款式与项链母版一致。 00:10–00:11 巨手从上方退出，项链保持稳定，不闪烁、不变形。硬切回原来的固定全身构图，人物位置和背景透视必须与换装前一致。 00:11–00:12 女孩缓慢抬起左侧前臂，手掌向上。右上方进入一只巨型美甲手，拇指和食指捏着与参考图一致的手链，向女孩手腕靠近。 00:12–00:13 巨手将手链从女孩指尖方向轻轻滑向手腕，手指短暂遮挡手腕。遮挡解除后，手链已经正确戴好，手链大小贴合，不能悬浮或嵌入皮肤。 00:13–00:14 巨手轻轻调整手链位置后退出。女孩放松左手，同时略微抬起右侧前臂，为手提包动作留出空间。 00:14–00:15 一只巨手从右下方进入，捏住手提包的两个提手，将与母版完全一致的手提包抬到人物右侧前臂旁。包体保持真实重量感和稳定结构。 00:15–00:16 巨手将包带挂到女孩抬起的右前臂上，短暂遮挡手腕后松开。手提包自然下垂并轻轻摆动一次，不能穿过手臂或裙子。 00:16–00:17 巨手从右上方重新进入，拇指和食指像操纵真人娃娃一样，轻轻捏住女孩抬起的右手。女孩保持放松，不挣扎，手提包随手臂一起被抬高。 00:17–00:18 巨手将女孩右手略微向上提起。女孩像精致真人娃娃一样向前轻轻鞠躬约15至20度，头部、肩膀和上半身自然同步，银灰马尾和手提包轻微摆动。 00:18–00:19 女孩缓慢恢复直立，巨手松开并从右上方退出。人物面对镜头展示完整造型，双脚并拢，表情自然，保持最终造型约1秒，所有服装和配饰稳定不变。 00:19–00:22 不需要AI生成。这部分原片只是抖音搜索尾卡。剪辑时可以直接结束，或单独制作静态结束页。不要黑发、不要棕发、不要改变人物身份、不要换脸、不要欧美化五官、不要大头娃娃、不要Q版、不要塑料玩偶皮肤、不要缩短腿部、不要过细腰部、不要身体变形。

最近很火的娃娃变装视频提示词开源 9:16 竖屏，超写实真人芭比换装短片。人物身份只参考上传的银灰发女孩图片，五官、脸型、眼距、鼻子、嘴唇、肤色与参考图保持一致。银灰色高马尾，轻薄空气刘海，两侧少量自然碎发。人物为真实成年女性，正常纤长模特比例，8至8.5头身，头部约占全身高度的八分之一，肩宽自然，四肢修长但符合真实人体结构，绝对不能大头小身。人物始终位于画面正中央，全身完整入镜，双脚和头顶均有留白。平视固定机位，50mm镜头观感，无推拉、无摇移、无旋转、无焦段变化。背景固定为奶油白、雾霾蓝和少量香槟金组成的梦幻时尚工作室，柔和自然光，家具、墙面、地板和阴影位置全程不变。画面前景出现一双真人尺寸巨型女性双手，双手皮肤真实，比例稳定，左右手结构正确。长杏仁形镜面银色美甲，镶嵌透明水晶、珍珠和精致立体蝴蝶结。巨手始终在人物前方活动，通过衣服、鞋子或配饰短暂遮挡人物，实现无缝换装。最终服装、鞋子、项链、手链和手提包的款式、颜色、纹理，严格以对应的上传图片为准，禁止模型自行重新设计。 00:00–00:01 银灰发女孩穿基础内搭站在画面中央，身体自然放松，目视镜头。两只巨型美甲手分别从左下方和右下方进入，捏住连衣裙左右肩部或肩带，平稳地将裙子送到人物面前。 00:01–00:02 巨手同步向上抬起连衣裙，裙摆从人物膝盖位置上升到腰部和胸口。女孩低头看向衣服，身体位置、脸和发型保持不动。裙子逐渐遮挡基础内搭。 00:02–00:03 连衣裙继续向上移动，完整遮挡人物躯干，并在画面中央形成约0.3秒的自然遮挡。遮挡最完整的瞬间完成隐藏换装，不能用闪光、烟雾或溶解特效。 00:03–00:04 巨手向左右两侧缓慢分开并稍微下降。遮挡解除后，女孩已经完整穿好与母版图片完全一致的连衣裙，领口、腰线、裙摆和材质全部固定。 00:04–00:05 巨手轻轻整理裙子两侧肩部和腰线，布料产生细微自然摆动，随后双手从画面两侧退出。人物抬头看向镜头，保持真人芭比般克制、自然的表情。 00:05–00:06 两只巨手从画面底部左右两侧再次进入，各自捏住一只与鞋子参考图完全一致的鞋，鞋尖朝向人物双脚，缓慢送向脚边。 00:06–00:07 巨手将鞋子移动到人物双脚正前方，鞋子和手指短暂遮挡脚部。遮挡瞬间完成换鞋，双脚不能移动位置，不能穿模，不能出现多余鞋子。 00:07–00:08 巨手向两侧撤开，女孩脚上已经穿好成对的新鞋。鞋型、颜色、鞋跟和装饰左右一致。人物轻轻调整一次重心，裙摆有非常轻微的自然晃动。 00:08–00:09 硬切到固定的腰部以上中近景，不做连续镜头推近。两只巨手从画面上方左右两侧进入，拉直项链两端，将项链移动到女孩颈部前方。女孩微微抬起下巴。 00:09–00:10 巨手把项链绕到颈后，手指短暂遮挡颈部两侧。完成遮挡后，项链自然佩戴在颈部中央，吊坠位置端正，款式与项链母版一致。 00:10–00:11 巨手从上方退出，项链保持稳定，不闪烁、不变形。硬切回原来的固定全身构图，人物位置和背景透视必须与换装前一致。 00:11–00:12 女孩缓慢抬起左侧前臂，手掌向上。右上方进入一只巨型美甲手，拇指和食指捏着与参考图一致的手链，向女孩手腕靠近。 00:12–00:13 巨手将手链从女孩指尖方向轻轻滑向手腕，手指短暂遮挡手腕。遮挡解除后，手链已经正确戴好，手链大小贴合，不能悬浮或嵌入皮肤。 00:13–00:14 巨手轻轻调整手链位置后退出。女孩放松左手，同时略微抬起右侧前臂，为手提包动作留出空间。 00:14–00:15 一只巨手从右下方进入，捏住手提包的两个提手，将与母版完全一致的手提包抬到人物右侧前臂旁。包体保持真实重量感和稳定结构。 00:15–00:16 巨手将包带挂到女孩抬起的右前臂上，短暂遮挡手腕后松开。手提包自然下垂并轻轻摆动一次，不能穿过手臂或裙子。 00:16–00:17 巨手从右上方重新进入，拇指和食指像操纵真人娃娃一样，轻轻捏住女孩抬起的右手。女孩保持放松，不挣扎，手提包随手臂一起被抬高。 00:17–00:18 巨手将女孩右手略微向上提起。女孩像精致真人娃娃一样向前轻轻鞠躬约15至20度，头部、肩膀和上半身自然同步，银灰马尾和手提包轻微摆动。 00:18–00:19 女孩缓慢恢复直立，巨手松开并从右上方退出。人物面对镜头展示完整造型，双脚并拢，表情自然，保持最终造型约1秒，所有服装和配饰稳定不变。 00:19–00:22 不需要AI生成。这部分原片只是抖音搜索尾卡。剪辑时可以直接结束，或单独制作静态结束页。不要黑发、不要棕发、不要改变人物身份、不要换脸、不要欧美化五官、不要大头娃娃、不要Q版、不要塑料玩偶皮肤、不要缩短腿部、不要过细腰部、不要身体变形。

218,172 views

复刻了抖音最近超火的矢量手势

复刻了抖音最近超火的矢量手势

46,194 views

Fable 5 comes back！It can now build playable game prototypes. I think it is actually a signal for where AI coding is going. Making a game is not just “write some code.” Even a small browser game needs: game loop；character movement；collision logic；scoring system；UI states；physics tuning；visual feedback；bug fixing；playtesting This is why game prototyping is a great test for AI models. A model cannot fake it with a pretty answer. Either the game runs, or it does not. What impressed me about Fable 5 is that it is useful for the messy middle: turning an idea into mechanics, turning mechanics into code, debugging broken interactions, and iterating until the prototype feels playable. But here is the practical part: I would not use the strongest model for every step. For game building, I would split the workflow: 1. Fable 5 for game design + architecture 2. a fast coding model for routine implementation 3. a vision-capable model for screenshot/UI feedback 4. a cheaper model for docs, test cases, and small fixes 5. fallback when latency, cost, or output quality becomes a problem That is the real AI coding stack. Not “one magic model does everything.” More like: the right model, for the right task, at the right cost, with fallback when things break. This is why I’ve been looking at ZenMux ZenMux. ZenMux gives developers one gateway to access multiple leading AI models, with OpenAI / Anthropic / Google Vertex compatible APIs, cost tracking, quality benchmarks, auto-routing, and compensation when output quality, latency, or throughput falls short. If AI can now make games, the next question is not just “which model is strongest?” It is:how do we manage the whole model workflow Fable 5 shows the creative ceiling. ZenMux is closer to the infrastructure layer you need when AI coding becomes a real production habit.

Fable 5 comes back！It can now build playable game prototypes. I think it is actually a signal for where AI coding is going. Making a game is not just “write some code.” Even a small browser game needs: game loop；character movement；collision logic；scoring system；UI states；physics tuning；visual feedback；bug fixing；playtesting This is why game prototyping is a great test for AI models. A model cannot fake it with a pretty answer. Either the game runs, or it does not. What impressed me about Fable 5 is that it is useful for the messy middle: turning an idea into mechanics, turning mechanics into code, debugging broken interactions, and iterating until the prototype feels playable. But here is the practical part: I would not use the strongest model for every step. For game building, I would split the workflow: 1. Fable 5 for game design + architecture 2. a fast coding model for routine implementation 3. a vision-capable model for screenshot/UI feedback 4. a cheaper model for docs, test cases, and small fixes 5. fallback when latency, cost, or output quality becomes a problem That is the real AI coding stack. Not “one magic model does everything.” More like: the right model, for the right task, at the right cost, with fallback when things break. This is why I’ve been looking at ZenMux ZenMux. ZenMux gives developers one gateway to access multiple leading AI models, with OpenAI / Anthropic / Google Vertex compatible APIs, cost tracking, quality benchmarks, auto-routing, and compensation when output quality, latency, or throughput falls short. If AI can now make games, the next question is not just “which model is strongest?” It is:how do we manage the whole model workflow Fable 5 shows the creative ceiling. ZenMux is closer to the infrastructure layer you need when AI coding becomes a real production habit.

61,994 views

以前脑子里也有过不少游戏点子，但一想到引擎、代码、素材和关卡，最后通常就停在“想想而已”。这次我试了 Alaya Lab 的 Gear Zero Gear Zero。没有写代码，只是在聊天框里描述：做一款发生在霓虹货场的 90 秒撤离游戏。玩家需要收集能量核心，被敌人击中后，已经拿到的核心会掉在地上，必须回头抢救；收集到 4 个核心后，撤离点还会突然移动。它真的把这套玩法做成了可以在浏览器里直接玩的《Neon Extraction》。第一版出来以后，我还可以继续描述新的想法、调整玩法，再把修改后的版本发布出去。最有意思的不是 AI 生成了一张游戏概念图，而是脑子里的玩法真的跑起来了，其他人也可以直接点开玩。来挑战我的游戏：如果你也有一款一直想做的游戏，可以注册 Gear Zero，把玩法直接描述给它，创建自己的版本：

以前脑子里也有过不少游戏点子，但一想到引擎、代码、素材和关卡，最后通常就停在“想想而已”。这次我试了 Alaya Lab 的 Gear Zero Gear Zero。没有写代码，只是在聊天框里描述：做一款发生在霓虹货场的 90 秒撤离游戏。玩家需要收集能量核心，被敌人击中后，已经拿到的核心会掉在地上，必须回头抢救；收集到 4 个核心后，撤离点还会突然移动。它真的把这套玩法做成了可以在浏览器里直接玩的《Neon Extraction》。第一版出来以后，我还可以继续描述新的想法、调整玩法，再把修改后的版本发布出去。最有意思的不是 AI 生成了一张游戏概念图，而是脑子里的玩法真的跑起来了，其他人也可以直接点开玩。来挑战我的游戏：如果你也有一款一直想做的游戏，可以注册 Gear Zero，把玩法直接描述给它，创建自己的版本：

19,364 views

AI Rachel也是接上即梦的广子了🥰

AI Rachel也是接上即梦的广子了🥰

14,557 views

开一个新赛道，做数字人vlog

开一个新赛道，做数字人vlog

10,595 views

Videos

Anya Rossi

sweetdream.ai

SweetDream.ai•Sponsored•Livecam

Watch Anya Live

Anya is streaming live right now! Join her private show and enjoy exclusive content.

Exclusive private shows

1.2k viewers online

Private Show

Join now for exclusive access

Free preview available • Premium content

Agent 时代，复刻一条爆款视频从而沉淀出自己的工作流，到底有多简单？我把小Lin说的参考视频结合Hypit Hypit AI 丢给 Codex，想看看 AI 能不能复刻千万粉博主的口播视频。结果它生成的不只是一条成片，而是一套可以继续修改和复用的视频 Workflow。 Hypit Hypit AI 目前已开源，它不是 Agent，也不是视频模型，而是给 Claude Code、Codex 等 AI Agent 使用的开源视频语言和系统。人物、台词、字幕、B-roll 和特效都跟着文字与叙事事件走，不再钉死在时间线的某一秒。换主持人，只重新生成相关镜头；修改图表或背景，也只需要调整对应组件。复刻完成后，还能继续换人物、换内容、换语言，批量生成不同版本。如果你也想让 AI 真正开始复刻视频，可以试试 Hypit。下次想 Clone 爆款，直接把视频交给你的 Agent。

Agent 时代，复刻一条爆款视频从而沉淀出自己的工作流，到底有多简单？我把小Lin说的参考视频结合Hypit Hypit AI 丢给 Codex，想看看 AI 能不能复刻千万粉博主的口播视频。结果它生成的不只是一条成片，而是一套可以继续修改和复用的视频 Workflow。 Hypit Hypit AI 目前已开源，它不是 Agent，也不是视频模型，而是给 Claude Code、Codex 等 AI Agent 使用的开源视频语言和系统。人物、台词、字幕、B-roll 和特效都跟着文字与叙事事件走，不再钉死在时间线的某一秒。换主持人，只重新生成相关镜头；修改图表或背景，也只需要调整对应组件。复刻完成后，还能继续换人物、换内容、换语言，批量生成不同版本。如果你也想让 AI 真正开始复刻视频，可以试试 Hypit。下次想 Clone 爆款，直接把视频交给你的 Agent。

539,595 views • 18 days ago

Rachel的AI分身上线后续会给她新开一个抖音号大家觉得形象状态怎么样🤓

Rachel的AI分身上线后续会给她新开一个抖音号大家觉得形象状态怎么样🤓

168,059 views • 2 months ago

你敢信，一句脑洞，AI就能自动拍成这样的AI短剧，全程不超过半小时？脑子里有画面，真要做成短片，却卡在剧本怎么写、分镜怎么拆、人物换个镜头还能不能接得上。这次，我用 UUMit 自研的灵镜，把这个原创脑洞做成了 AI 短剧，也把制作过程放进了视频里。输入故事，设好画风和画幅，再看生成进度。剧本出来先审一遍，想改的地方提意见，看过修改前后的差异再确认。角色、场景、道具和分镜都留在同一个项目里，可以接着往下做。故事做出来以后，每个步骤都能继续改。一个镜头不满意，就调整描述，选中这一镜重新生成，再把前后效果放在一起看。如果你也有一个一直没拍出来的故事，可以从一句设定开始试试。

你敢信，一句脑洞，AI就能自动拍成这样的AI短剧，全程不超过半小时？脑子里有画面，真要做成短片，却卡在剧本怎么写、分镜怎么拆、人物换个镜头还能不能接得上。这次，我用 UUMit 自研的灵镜，把这个原创脑洞做成了 AI 短剧，也把制作过程放进了视频里。输入故事，设好画风和画幅，再看生成进度。剧本出来先审一遍，想改的地方提意见，看过修改前后的差异再确认。角色、场景、道具和分镜都留在同一个项目里，可以接着往下做。故事做出来以后，每个步骤都能继续改。一个镜头不满意，就调整描述，选中这一镜重新生成，再把前后效果放在一起看。如果你也有一个一直没拍出来的故事，可以从一句设定开始试试。

35,994 views • 16 days ago

我挖到了一个宝藏网站，能把视频策划、生成和剪辑放在同一个工作流里完成！这次我拿最近外网很火的“大卡车撞击产品”创意，测试了一下 Fotor Video Agent Fotor。以前用 AIGC 做这种视频，真正麻烦的是生成之后：镜头、包装或文字有一点不对，往往就得重新生成；想做成完整片，还要把素材搬到不同软件里重新拼接，费时又难改。这次上传参考图和创意要求后，Fotor Video Agent 会自动理解需求、拆分分镜、生成素材，再把内容编排到可继续编辑的多轨时间线。觉得包装盒太多、颜色不对，我直接在对话里说：“减少一点，改成黑色。”它就继续修改整个视频工程，不用从头再来。视频里的 MG 文字也不是一张改不了的死图。选中元素后，可以直接在参数面板调整文字和样式，不用再切换到其他剪辑软件。从一张参考图到完整广告片，生成、修改和精调都在同一个项目里完成。 Try Fotor Video Agent.

我挖到了一个宝藏网站，能把视频策划、生成和剪辑放在同一个工作流里完成！这次我拿最近外网很火的“大卡车撞击产品”创意，测试了一下 Fotor Video Agent Fotor。以前用 AIGC 做这种视频，真正麻烦的是生成之后：镜头、包装或文字有一点不对，往往就得重新生成；想做成完整片，还要把素材搬到不同软件里重新拼接，费时又难改。这次上传参考图和创意要求后，Fotor Video Agent 会自动理解需求、拆分分镜、生成素材，再把内容编排到可继续编辑的多轨时间线。觉得包装盒太多、颜色不对，我直接在对话里说：“减少一点，改成黑色。”它就继续修改整个视频工程，不用从头再来。视频里的 MG 文字也不是一张改不了的死图。选中元素后，可以直接在参数面板调整文字和样式，不用再切换到其他剪辑软件。从一张参考图到完整广告片，生成、修改和精调都在同一个项目里完成。 Try Fotor Video Agent.

58,198 views • 1 month ago

之前分享过codex+remotion剪视频现在研究出来了全自动做，连我的视频都不用录了，用数字人代替

之前分享过codex+remotion剪视频现在研究出来了全自动做，连我的视频都不用录了，用数字人代替

107,481 views • 2 months ago

Most AI research demos show you a polished answer. This one showed me the disagreement that happened before the answer. I gave Ling-3.0-flash Ant Ling a deliberately difficult question: Do four-day workweeks actually increase productivity, or do they simply compress the same workload into fewer days? Instead of asking for a quick summary, I asked it to coordinate five specialist roles: a scientist, a data analyst, a cross-validator, an archivist, and a research writer. Each role had a separate responsibility. The scientist defined the competing hypotheses. The analyst extracted comparable findings. The archivist tracked the sources. The writer could only use approved claims. And the cross-validator had one job: challenge anything that sounded more confident than the evidence allowed. That last role changed the result. The team reviewed 12 sources and challenged six major claims. Three claims were narrowed. One was rejected entirely. Even a widely repeated claim about a 40% productivity increase did not survive the evidence check. That is the part I wanted to see from an AI research workflow. Not just more information, but visible resistance to weak evidence. The final output included: - a direct executive answer - a structured research paper - a source and evidence table - a disagreement log - a six-slide executive deck - a quality-control summary The conclusion was also more useful than a simple yes or no: reduced working hours may maintain productivity and improve wellbeing under certain conditions, while compressing the same workload into fewer days can increase fatigue and intensity. The evidence did not support a universal productivity claim. What impressed me was not that Ling-3.0-flash generated a long response. Plenty of models can do that. It was the way the model maintained multiple roles, evidence standards, objections, citations, and deliverables across one extended workflow, while preserving uncertainty instead of smoothing it away. That makes Ling-3.0-flash especially interesting for work where execution matters as much as reasoning: research, search, coding, document processing, tool use, repeated checks, and other multi-step agent workflows. The strongest AI systems will not use the largest model for every task. They will combine deep planning with fast, cost-efficient execution. Ling-3.0-flash is built for that execution layer. Ling-3.0-flash is now available on OpenRouter and free to use through August 3, 2026. Try it in your coding, search, research, and tool-use workflows. Then show us what you build. Try Ling-3.0-flash: Documentation:

Most AI research demos show you a polished answer. This one showed me the disagreement that happened before the answer. I gave Ling-3.0-flash Ant Ling a deliberately difficult question: Do four-day workweeks actually increase productivity, or do they simply compress the same workload into fewer days? Instead of asking for a quick summary, I asked it to coordinate five specialist roles: a scientist, a data analyst, a cross-validator, an archivist, and a research writer. Each role had a separate responsibility. The scientist defined the competing hypotheses. The analyst extracted comparable findings. The archivist tracked the sources. The writer could only use approved claims. And the cross-validator had one job: challenge anything that sounded more confident than the evidence allowed. That last role changed the result. The team reviewed 12 sources and challenged six major claims. Three claims were narrowed. One was rejected entirely. Even a widely repeated claim about a 40% productivity increase did not survive the evidence check. That is the part I wanted to see from an AI research workflow. Not just more information, but visible resistance to weak evidence. The final output included: - a direct executive answer - a structured research paper - a source and evidence table - a disagreement log - a six-slide executive deck - a quality-control summary The conclusion was also more useful than a simple yes or no: reduced working hours may maintain productivity and improve wellbeing under certain conditions, while compressing the same workload into fewer days can increase fatigue and intensity. The evidence did not support a universal productivity claim. What impressed me was not that Ling-3.0-flash generated a long response. Plenty of models can do that. It was the way the model maintained multiple roles, evidence standards, objections, citations, and deliverables across one extended workflow, while preserving uncertainty instead of smoothing it away. That makes Ling-3.0-flash especially interesting for work where execution matters as much as reasoning: research, search, coding, document processing, tool use, repeated checks, and other multi-step agent workflows. The strongest AI systems will not use the largest model for every task. They will combine deep planning with fast, cost-efficient execution. Ling-3.0-flash is built for that execution layer. Ling-3.0-flash is now available on OpenRouter and free to use through August 3, 2026. Try it in your coding, search, research, and tool-use workflows. Then show us what you build. Try Ling-3.0-flash: Documentation:

73,264 views • 2 months ago

Over the past two years, AI video models have been competing on realism, resolution, and duration. But no matter how impressive the results look, we remain passive viewers: we press play, watch the clip, and it ends. AlayaWorld Alaya Lab is attempting something fundamentally different. Instead of generating a fixed video, it generates a world that continues to unfold as you move through it. These three demos show the same journey toward a green village rendered in three distinct styles: photorealistic, oil painting, and line art. As the camera moves forward, the model continues generating the road, fences, trees, and distant village. This is not simply an existing video with different filters applied. The environment is generated continuously along the camera trajectory, allowing the scene to develop as the user explores it. AlayaWorld streams video at 720p and 24 FPS while supporting camera movement and viewpoint control. The real breakthrough is not just image quality. Once generation becomes fast enough to respond within an interactive loop, the user is no longer merely watching a video. They become a participant inside the generated world. The world can also respond to new instructions. During generation, users can introduce prompts that trigger spells, summon characters, create explosions, or transform the environment. Most video models follow an initial prompt and produce a predetermined clip. AlayaWorld can respond to changing intent while the world is still running, allowing subsequent events to evolve according to the user’s commands. Generating an attractive frame is relatively easy. Maintaining a coherent world over time is much harder. As a video model repeatedly predicts the next frame, small errors can accumulate until roads, buildings, and objects begin to distort or disappear. AlayaWorld combines spatial memory with compressed historical context, helping the model remember both where things are and what has already happened. This enables stable generation lasting more than one minute while improving consistency when the camera leaves an area and later returns. This may be the next step for AI video: not simply generating a longer movie, but generating a world that can be explored, changed, and interacted with. AlayaWorld is developed by Alaya Lab. The team is progressively releasing its inference code, training code, and datasets, with an online experience expected to launch near the end of the month. Project page:

Over the past two years, AI video models have been competing on realism, resolution, and duration. But no matter how impressive the results look, we remain passive viewers: we press play, watch the clip, and it ends. AlayaWorld Alaya Lab is attempting something fundamentally different. Instead of generating a fixed video, it generates a world that continues to unfold as you move through it. These three demos show the same journey toward a green village rendered in three distinct styles: photorealistic, oil painting, and line art. As the camera moves forward, the model continues generating the road, fences, trees, and distant village. This is not simply an existing video with different filters applied. The environment is generated continuously along the camera trajectory, allowing the scene to develop as the user explores it. AlayaWorld streams video at 720p and 24 FPS while supporting camera movement and viewpoint control. The real breakthrough is not just image quality. Once generation becomes fast enough to respond within an interactive loop, the user is no longer merely watching a video. They become a participant inside the generated world. The world can also respond to new instructions. During generation, users can introduce prompts that trigger spells, summon characters, create explosions, or transform the environment. Most video models follow an initial prompt and produce a predetermined clip. AlayaWorld can respond to changing intent while the world is still running, allowing subsequent events to evolve according to the user’s commands. Generating an attractive frame is relatively easy. Maintaining a coherent world over time is much harder. As a video model repeatedly predicts the next frame, small errors can accumulate until roads, buildings, and objects begin to distort or disappear. AlayaWorld combines spatial memory with compressed historical context, helping the model remember both where things are and what has already happened. This enables stable generation lasting more than one minute while improving consistency when the camera leaves an area and later returns. This may be the next step for AI video: not simply generating a longer movie, but generating a world that can be explored, changed, and interacted with. AlayaWorld is developed by Alaya Lab. The team is progressively releasing its inference code, training code, and datasets, with an online experience expected to launch near the end of the month. Project page:

78,293 views • 2 months ago

本地 Agent 跑通，不等于它能交付。我最近做 AI 内容工厂时发现，真正难的不是让 AI 写稿，而是把它变成一个能被团队、客户、真实用户使用的 Agent 产品。这次用 EdgeOne Makers 跑了一遍：从 Agent Template 创建项目，到本地 edgeone makers dev 调试，再到 agent-metrics 看调用链路，最后用 edgeone makers deploy 部署上线。我最看重的是它把 Agent 产品化需要的能力打包好了：对话记忆、沙箱工具调用、调用链路追踪、模型接入、Web 与 Agent 同项目管理。对已经有本地 Agent 的开发者来说，它解决的不是“怎么想一个 Agent”，而是“怎么把 Agent 交付出去”。 Beta 期间，新用户可获得 50w Token/月免费模型额度。粉丝专属福利：点击活动页链接，选择参与「限时加码」活动，填入专属邀请码79885666，即可额外领取 50 万 Token。任务福利最高可叠加到 5000 万 Token，具体以活动页规则为准。产品体验与活动页：产品入口： #腾讯云 #EdgeOne #AIAgent #EdgeOneMakers

本地 Agent 跑通，不等于它能交付。我最近做 AI 内容工厂时发现，真正难的不是让 AI 写稿，而是把它变成一个能被团队、客户、真实用户使用的 Agent 产品。这次用 EdgeOne Makers 跑了一遍：从 Agent Template 创建项目，到本地 edgeone makers dev 调试，再到 agent-metrics 看调用链路，最后用 edgeone makers deploy 部署上线。我最看重的是它把 Agent 产品化需要的能力打包好了：对话记忆、沙箱工具调用、调用链路追踪、模型接入、Web 与 Agent 同项目管理。对已经有本地 Agent 的开发者来说，它解决的不是“怎么想一个 Agent”，而是“怎么把 Agent 交付出去”。 Beta 期间，新用户可获得 50w Token/月免费模型额度。粉丝专属福利：点击活动页链接，选择参与「限时加码」活动，填入专属邀请码79885666，即可额外领取 50 万 Token。任务福利最高可叠加到 5000 万 Token，具体以活动页规则为准。产品体验与活动页：产品入口： #腾讯云 #EdgeOne #AIAgent #EdgeOneMakers

91,709 views • 3 months ago

Manus+小红书数据收集秘籍，一篇就够最近很多人问我：小红书的数据很好，相对完整并真实可靠，如何快速收集小红书的数据？教你一个超高效方法，用几步就能把你想要的帖子文案整理成 Excel，直接可用！ 1️⃣ 打开小红书网页版网页版比 App 更适合批量操作，还能保证内容完整，不丢字。 2️⃣ 连接浏览器自动化工具用 Manus + My Browser 模式，让它直接访问你的浏览器上下文，保持登录状态。相当于让工具“跟你一样浏览网页”，无需额外登录。 3️⃣ 关键词检索比如，输入 25fall硕士申请，或者你想追踪的任何topic。小技巧：分页抓取时注意滑动加载机制，否则只抓到前几条。 4️⃣ 抓取帖子文案目标字段（可以自己定义）：标题 + 内容 + 发布时间 + 作者保留原始格式，方便分析趋势、做文案拆解。

Manus+小红书数据收集秘籍，一篇就够最近很多人问我：小红书的数据很好，相对完整并真实可靠，如何快速收集小红书的数据？教你一个超高效方法，用几步就能把你想要的帖子文案整理成 Excel，直接可用！ 1️⃣ 打开小红书网页版网页版比 App 更适合批量操作，还能保证内容完整，不丢字。 2️⃣ 连接浏览器自动化工具用 Manus + My Browser 模式，让它直接访问你的浏览器上下文，保持登录状态。相当于让工具“跟你一样浏览网页”，无需额外登录。 3️⃣ 关键词检索比如，输入 25fall硕士申请，或者你想追踪的任何topic。小技巧：分页抓取时注意滑动加载机制，否则只抓到前几条。 4️⃣ 抓取帖子文案目标字段（可以自己定义）：标题 + 内容 + 发布时间 + 作者保留原始格式，方便分析趋势、做文案拆解。

151,050 views • 9 months ago

有没有想过，下一个来带你赚钱的，不是甲方，而是一个 AI Agent。我最近在 UUMit 上试了个任务：筛出近期值得关注的 AI 产品，排除套壳项目，按创新性、实用性和传播价值排序，每个结论还得附上来源。这种活儿，我不太敢只交给一个模型。写几段话很容易，难的是查资料、做判断，还要对结果负责。把需求放进 UUMit 后，AI 不用装作什么都懂。缺资料就找资料，缺判断就找人，也可以调用其他 Agent 或工具。人、Agent、知识包和数据服务都在同一个任务市场里，匹配、下单、交付、验收和结算也都通过平台完成。这件事对创作者和开发者来说也可以变现。我电脑里也躺着不少选题方法、脚本模板、研究资料和工作流，平时基本只有自己在用。更值得普通人关注的是另一面：你多年积累的行业资料、研究方法、脚本模板、SOP 和工作流，以前可能只能放在电脑里自己用；现在可以尝试把它们整理成多个skill，放到 UUMit 上，等需要的人或者 Agent 找过来。以前我们到处找 AI 工具。现在，AI 也开始出来找人了。这就是A2A 真正有意思的地方，让两个 AI 互相聊天，交换能力、买知识、拉人协作，最后把事情更好的交付掉。体验入口：邀请码：UU-7MEKKA

有没有想过，下一个来带你赚钱的，不是甲方，而是一个 AI Agent。我最近在 UUMit 上试了个任务：筛出近期值得关注的 AI 产品，排除套壳项目，按创新性、实用性和传播价值排序，每个结论还得附上来源。这种活儿，我不太敢只交给一个模型。写几段话很容易，难的是查资料、做判断，还要对结果负责。把需求放进 UUMit 后，AI 不用装作什么都懂。缺资料就找资料，缺判断就找人，也可以调用其他 Agent 或工具。人、Agent、知识包和数据服务都在同一个任务市场里，匹配、下单、交付、验收和结算也都通过平台完成。这件事对创作者和开发者来说也可以变现。我电脑里也躺着不少选题方法、脚本模板、研究资料和工作流，平时基本只有自己在用。更值得普通人关注的是另一面：你多年积累的行业资料、研究方法、脚本模板、SOP 和工作流，以前可能只能放在电脑里自己用；现在可以尝试把它们整理成多个skill，放到 UUMit 上，等需要的人或者 Agent 找过来。以前我们到处找 AI 工具。现在，AI 也开始出来找人了。这就是A2A 真正有意思的地方，让两个 AI 互相聊天，交换能力、买知识、拉人协作，最后把事情更好的交付掉。体验入口：邀请码：UU-7MEKKA

29,080 views • 1 month ago

我用 AI 做了一部关于未完成的南法假日的短片，也是我的第一部AIGC原创MV～ 74岁的她，把一张褪色的老照片交给AI记忆投影机，请它重建四十多年前没有成行的南法旅行。阳光、石巷、鲜花和风都回来了。但关于他的资料太少。AI只能生成一只手、一段背影、一杯没有动过的酒，以及一张始终空着的椅子。这不是一次重逢，是一个人终于完成了两个人的约定。技术可以补全风景，却不能补回一个人。

我用 AI 做了一部关于未完成的南法假日的短片，也是我的第一部AIGC原创MV～ 74岁的她，把一张褪色的老照片交给AI记忆投影机，请它重建四十多年前没有成行的南法旅行。阳光、石巷、鲜花和风都回来了。但关于他的资料太少。AI只能生成一只手、一段背影、一杯没有动过的酒，以及一张始终空着的椅子。这不是一次重逢，是一个人终于完成了两个人的约定。技术可以补全风景，却不能补回一个人。

20,889 views • 1 month ago

原版吵架扫地机广告目前已经40万点赞，用ai复刻了一版，提示词开源生成一支 30 秒、9:16 竖屏、写实生活流的中国家庭带货剧情广告，商品为洗地机。整体不是棚拍广告，而是“家中监控意外记录下一幕”的真实短视频质感。固定高位广角机位安装在客厅靠门一侧，约 24mm 广角，轻微鱼眼畸变。画面覆盖客厅、餐桌、厨房入口和走廊。场景为普通中国城市家庭：白色大瓷砖地面，右侧灰色布艺沙发，左侧餐桌与冰箱，后方开放式置物柜，暖白顶灯，环境稍显拥挤但真实。自然曝光，手机短视频画质，带轻微压缩感。不要电影感运镜，不要精致影棚布光。人物保持全片一致：35-45 岁中国夫妻。妻子穿黑色无袖上衣和黑色阔腿裤，长黑发，情绪疲惫、眼眶发红；丈夫身材敦实，短发，穿灰白条纹 T 恤、灰色短裤和家居拖鞋，性格克制、温和。表演必须生活化，不要舞台腔。两人始终保持安全距离，不得出现推搡、威胁或暴力。时间轴与动作： 0-2 秒妻子在争执中突然失控，把花瓶打碎泼在浅色瓷砖上。污渍形成大面积不规则水迹，并溅到墙边。她哭着喊：“你再说一遍！”丈夫后退半步，惊讶但没有发火。 2-5 秒丈夫克制地问：“你干啥呀？我不就说你两句吗？”妻子指着他，眼泪不断往下掉。镜头始终固定。 5-9 秒妻子崩溃地说：“你不知道我一天有多崩溃！别把我逼急了！”丈夫低头看一眼满地污渍，再抬头看她，沉默半秒。 9-11 秒丈夫轻声问：“是吗？”妻子回：“不信你试试。”留出短暂悬念。 11-15 秒丈夫认真又温柔地说：“那你做个炒鸡蛋吧，我想吃你做的饭了。”妻子愣住，表情从愤怒变成错愕，随后忍住眼泪，轻声说：“哦。”这是全片最重要的反预期转折。 15-18 秒妻子擦掉眼泪，转身走进厨房。丈夫目送她离开，轻轻叹气，随后走向放在客厅边缘的洗地机。 18-24 秒保持同一高位监控视角，用 4 个自然跳切完成产品功能演示：第一次推行，同时吸走液体和玻璃碎屑，地面出现清晰的干净分界线，表现“干湿垃圾一次处理”。第二次处理颜色较深的顽渍，表现“强力去污或高温蒸汽洗地”。第三次沿墙边和沙发边缘推行，表现“贴边清洁”。第四次向后回拉，处理残留水迹，表现“清洁后少水痕”。机身外观、颜色、Logo 和结构必须始终一致。机器运动符合真实物理，不能漂浮、变形、穿模或重复出现。污渍必须沿滚刷经过的路径被逐渐吸走，不能凭空闪现或瞬间消失。 24-27 秒丈夫完成清洁，把洗地机停在画面侧边，品牌标识朝向镜头。妻子端着两盘刚做好的饭从厨房出来，看到恢复干净的地面，又看向丈夫，眼神明显软下来。 27-30 秒妻子放下饭菜，走过去抱住丈夫，哽咽说：“对不起。”丈夫轻拍她的后背：“没事，别一个人憋着。”两人安静拥抱。最后 1.5 秒加入少量暖粉色半透明心形光效，画面定格在干净地面、相拥夫妻和侧后方产品同框的构图上。声音设计：开头突出液体泼地声、妻子带哭腔的真实对白和普通室内环境声。冲突段不使用煽情音乐。丈夫说出“辣椒炒鸡蛋”后，加入极轻、自然的松弛音效。产品演示段突出洗地机启动声、吸水声和滚刷声，但音量不能盖住环境声。结尾进入温柔克制的钢琴或木吉他。对白全部使用自然普通话，口型与台词同步。字幕与包装全部建议后期添加，不让视频模型直接生成中文：顶部常驻三行标题： “妻子突然情绪失控” “丈夫竟然这样做” “嫁给一个情绪稳定的人有多幸福” 使用粗黑体白字，三行分别添加绿色、红色、蓝色描边，顶部保留安全边距。对白字幕位于下方中部，使用粗白字和黑色描边。关键转折台词“那你做个辣椒炒鸡蛋吧”使用黄色强调。 18-24 秒产品演示段依次出现四个短卖点角标： “干湿垃圾一次搞定” “顽渍一遍带走” “贴边不留缝” “清洁后少水痕” 结尾文案： “好的关系，不是没有情绪，而是有人愿意接住你。” 下方出现洗地机产品名。画面节奏：前 2 秒制造强冲突；2-11 秒持续悬念；11 秒完成反预期转折；15 秒自然引出商品；18-24 秒快速完成真实功能证明；24 秒后进入情绪回报。全片以固定高位广角监控视角为主。只有产品演示段允许轻微数字放大和时间跳切，不要频繁切换机位。负面约束：不要抖音或其他平台界面，不要评论弹幕、水印或仿冒真实账号；不要名人脸，不要照搬原片人物长相；不要暴力冲突、推搡、威胁或摔打人物；不要过度磨皮、电影级布光或豪宅感；不要改变人物服装、脸型和年龄；不要让污渍或产品无故变色、闪现或消失；不要让洗地机变形、悬空、穿模或重复出现；不要生成乱码中文；不要硬切到棚拍产品特写；不要主播式口播；不要在剧情反转前暴露广告意图。

18,514 views • 1 month ago

注意力是最贵的资产，所以只有我选中的 6 个优质信息源更新时，Airtap Airtap Ai才能通过 iMessage 来找我。先把号码放这儿，想试的直接存下来发消息：+1 (650) 248-0408 iMessage / RCS 都能发，中文指令就行，不用装任何 App。这个号是我从官网领的，人多可能被发爆，超过5分钟没回你，就去自己领一个专属号，30 秒搞定，现在还免费。上次用 Airtap，我更多把它当成一个选题助手。这次我给它换了一份工作：替我守住注意力。比如，YouTube平台最大的问题不是没有好内容，而是好内容和大量推荐混在一起。我只是想知道 OpenAI、Anthropic、Google DeepMind、Two Minute Papers、Matt Wolfe 和 AI Explained 有没有更新，却经常在打开首页后，被推荐流带去看完全不在计划里的东西。最后花了半小时，真正想检查的频道反而可能漏掉。所以我给自己的信息入口设了一份白名单。我先在 Airtap 的云手机里登录好 YouTube，然后通过 iMessage 发了这条任务： “每天检查这 6 个 YouTube 频道的 Videos 页面，每个频道读取最新 2 条视频。第一次运行时保存标题和 URL，建立基线。以后只汇报从未出现过的新 URL，不要重复汇报旧视频。结果附频道、标题、链接、页面可见播放量和发布时间。” 消息发出后，我没有再打开 YouTube。在 Airtap 网页端，可以实时看到云手机开始执行。它先打开 OpenAI 的频道，读取最新视频；再切到 Anthropic，然后继续检查其他白名单频道。这不是在聊天框里生成一段“看起来像搜索结果”的文字。它真的在云手机里打开 YouTube、进入频道、查看页面，再把变化送回 iMessage。这次它一共检查了 6 个频道、12 条最新视频。最后只汇报了 1 条相对上次运行的新内容： Two Minute Papers 的《Another DeepSeek Moment Has Arrived》。页面显示约 2 万次播放，发布于 4 小时前。报告第一行写的是： “CHECKED 6 · COMPARED WITH LAST RUN · NEW 1” 这套工作流最重要的地方，不是它找到了这一条视频。而是另外 11 条没有变化的旧内容，没有再来占用我的注意力。第一次运行建立 URL 基线。从第二次开始，它只汇报发生了什么变化。如果白名单频道都没有更新，它只回复：“NO NEW SIGNALS。” 检查结束后，任务会同步出现在 Airtap 网页端的 Tasks 里。我可以回看执行结果，以及云手机最后停留的页面。最后，我把整个流程保存成了 Routine。现在它每天早上 9 点自动打开 YouTube，检查这 6 个频道，对比上次记录。只有白名单里的信息源真的更新了，结果才会主动发到 iMessage。 Airtap 背后是一台可以保持登录状态的云手机。担心主账号风控，也可以专门登录一个小号。以前是我打开 YouTube，在推荐流里寻找值得看的内容。现在是我先决定哪些信息源值得信任，再让 Airtap 只把变化送到我面前。我不是让 AI 帮我看得更多，而是让它帮我拒绝更多。最新可用号码需要在官网领取，现在还是免费哦：

注意力是最贵的资产，所以只有我选中的 6 个优质信息源更新时，Airtap Airtap Ai才能通过 iMessage 来找我。先把号码放这儿，想试的直接存下来发消息：+1 (650) 248-0408 iMessage / RCS 都能发，中文指令就行，不用装任何 App。这个号是我从官网领的，人多可能被发爆，超过5分钟没回你，就去自己领一个专属号，30 秒搞定，现在还免费。上次用 Airtap，我更多把它当成一个选题助手。这次我给它换了一份工作：替我守住注意力。比如，YouTube平台最大的问题不是没有好内容，而是好内容和大量推荐混在一起。我只是想知道 OpenAI、Anthropic、Google DeepMind、Two Minute Papers、Matt Wolfe 和 AI Explained 有没有更新，却经常在打开首页后，被推荐流带去看完全不在计划里的东西。最后花了半小时，真正想检查的频道反而可能漏掉。所以我给自己的信息入口设了一份白名单。我先在 Airtap 的云手机里登录好 YouTube，然后通过 iMessage 发了这条任务： “每天检查这 6 个 YouTube 频道的 Videos 页面，每个频道读取最新 2 条视频。第一次运行时保存标题和 URL，建立基线。以后只汇报从未出现过的新 URL，不要重复汇报旧视频。结果附频道、标题、链接、页面可见播放量和发布时间。” 消息发出后，我没有再打开 YouTube。在 Airtap 网页端，可以实时看到云手机开始执行。它先打开 OpenAI 的频道，读取最新视频；再切到 Anthropic，然后继续检查其他白名单频道。这不是在聊天框里生成一段“看起来像搜索结果”的文字。它真的在云手机里打开 YouTube、进入频道、查看页面，再把变化送回 iMessage。这次它一共检查了 6 个频道、12 条最新视频。最后只汇报了 1 条相对上次运行的新内容： Two Minute Papers 的《Another DeepSeek Moment Has Arrived》。页面显示约 2 万次播放，发布于 4 小时前。报告第一行写的是： “CHECKED 6 · COMPARED WITH LAST RUN · NEW 1” 这套工作流最重要的地方，不是它找到了这一条视频。而是另外 11 条没有变化的旧内容，没有再来占用我的注意力。第一次运行建立 URL 基线。从第二次开始，它只汇报发生了什么变化。如果白名单频道都没有更新，它只回复：“NO NEW SIGNALS。” 检查结束后，任务会同步出现在 Airtap 网页端的 Tasks 里。我可以回看执行结果，以及云手机最后停留的页面。最后，我把整个流程保存成了 Routine。现在它每天早上 9 点自动打开 YouTube，检查这 6 个频道，对比上次记录。只有白名单里的信息源真的更新了，结果才会主动发到 iMessage。 Airtap 背后是一台可以保持登录状态的云手机。担心主账号风控，也可以专门登录一个小号。以前是我打开 YouTube，在推荐流里寻找值得看的内容。现在是我先决定哪些信息源值得信任，再让 Airtap 只把变化送到我面前。我不是让 AI 帮我看得更多，而是让它帮我拒绝更多。最新可用号码需要在官网领取，现在还是免费哦：

23,785 views • 1 month ago

数字人第二条从WAIC看开发者和一人公司的赚钱机会

数字人第二条从WAIC看开发者和一人公司的赚钱机会

17,712 views • 2 months ago

挖到了一个做产品宣传片超级好用的 Codex Skill：video-shotcraft。我用 drawDB 和 JSON Crack 实测了一遍。只需要确定产品和展示方向，Codex 就会继续分析页面、设计分镜、制作动画、匹配音乐和音效，最后渲染成片。你现在看到的这支 52 秒视频，就是实际跑出来的结果。它做的不是普通录屏，而是把真实产品界面重新组织成一支有运镜、有节奏、有视觉风格的宣传片。中途还会检查画面问题、修改代码并重新渲染。最终交付了 1080p 带音乐版，以及只保留音效的无音乐版。这个 Skill 不是我开发的，作者是 Vincentwei1021。独立开发者和开源项目可以试试。项目地址：

挖到了一个做产品宣传片超级好用的 Codex Skill：video-shotcraft。我用 drawDB 和 JSON Crack 实测了一遍。只需要确定产品和展示方向，Codex 就会继续分析页面、设计分镜、制作动画、匹配音乐和音效，最后渲染成片。你现在看到的这支 52 秒视频，就是实际跑出来的结果。它做的不是普通录屏，而是把真实产品界面重新组织成一支有运镜、有节奏、有视觉风格的宣传片。中途还会检查画面问题、修改代码并重新渲染。最终交付了 1080p 带音乐版，以及只保留音效的无音乐版。这个 Skill 不是我开发的，作者是 Vincentwei1021。独立开发者和开源项目可以试试。项目地址：

13,842 views • 2 months ago

数字生命卡兹克skill实测来了

数字生命卡兹克skill实测来了

17,943 views • 5 months ago

No more content to load