Video wird geladen...

Video konnte nicht geladen werden

Zur Startseite

[Gemini 3 pro & AI studio Flow 使用心得] 經過兩周的探索與製作,算是用AI做出了一部看起來有點東西的遊戲宣傳預告片(?),所以來發個心得結束這回合,主文沒有提到的細節也歡迎大家發問w 首先,建立一個快速高效的工作流程很重要,可以減少因AI產出不符預期而反覆溝通或是消耗點數去試錯的成本。我自己的工作流程如下: 1. 建立一個客製化Gemini-動畫製作助理,並設定各項任務的工作準則。這個階段是告訴AI「大方向」,有通用的規則都可以寫在這,細節等真的開出對話框後再進行討論或設定。 我這邊將工作流程切為三部分,劇本討論、圖片生成以及提詞撰寫。 劇本討論:建議在客製化Gemini的設定裡面直接說這階段不需要生成圖片和影片,不然它很容易討論到一半就開始生圖。 圖片生成:這部分建議將核心風格、光影與特效、構圖、角色一致性等等規則直接寫在客製化Gemini裡面,防止AI生出奇怪的圖。 提詞撰寫:這部分直接設定成要生成餵給Flow的prompt,prompt格式使用自然語言或JSON都可以,但我個人體感JSON的效果好一點。然後因為我懶得看英文,所以會在這邊告訴AI要一併生成中文對照。如果對於影片prompt有通用的規則也都可以寫在這邊,像是影片風格(遊戲demo)、策略(單幀/雙幀)、不要生成負向提示詞(Flow不支援)等等。 上面都設定好之後,就可以開出對話框進行討論了。 2. 劇本討論 在這個階段我會將人設圖和初步的想法丟給AI,和它討論我想呈現的內容。最後會整理出總共需要幾個場景、幾張關鍵幀以及每段影片的內容為何。 建議一個對話框就專門處理一個場景就好,不然東西一多AI容易搞混。 3. 生成關鍵幀 討論好故事後,接下來就是生成後續要餵給Flow的起始幀或結束幀。 這階段基本上就是請AI生出你腦中所想像的畫面,例如我想生成一個用水彈攻擊敵人的影片,那我的起始幀就是主角站著或微蹲蓄力、結束幀就是一堆子彈射出去打到敵人的圖。 可以把需求寫的很詳細、例如主角姿勢、敵人設定、場景描述、光影、特效...等等;也可以寫的很寬鬆,給AI自己腦補。 另外使用幀生影片的話要注意「起始幀和結束幀是否包含Flow所需要的一切資訊」,如果資訊不夠Flow在補影片的時候可能會補歪。最常見的就是開始幀和結束幀角色都背對鏡頭,這時如果你想要讓Flow生成一個角色轉一圈的影片,那有極大可能轉到正面時角色會被補歪,因為你沒有給Flow角色正面的資訊。當有這樣的需求時會建議多拆一個關鍵幀出來,讓角色不要一次轉太多。 4. Flow提詞撰寫及影片生成 「幀生影片」是我比較喜歡、也比較好控制的方式。所以下面就用這個方式舉例。 單幀生影片:給定開始幀或結束幀,其他部分讓AI自行腦補。適合沒有明確結束點的場景。(例如飛行、跑步、吃飯、講話這種) 雙幀生影片:給定開始幀及結束幀,讓AI填補兩幀之間的過度畫面。適合需要精確指定或控制的場景,想生長鏡頭時,可以使用ABCD四個關鍵幀,然後補足A到B、B到C、C到D之間的影片,再剪接起來。 提示詞撰寫也很重要,但如果建客製化Gemini時的規則有設好,這邊應該不會有太大問題。這邊會出現的問題主要是「人對詞彙」以及「AI對詞彙」的理解落差,但這也只能遇到再調,生影片之前可以看一下有沒有生出不夠精確的提詞。 生影片時AI有時候會將角色轉向,如果不希望角色轉向的話要跟Gemini說在提詞裡面加上定向的敘述。 以上,希望心得有幫助到大家,有問題想問天璇也都可以留言詢問,也希望成品大家喜歡OwO!!

11,622 Aufrufe • vor 6 Monaten •via X (Twitter)

0 Kommentare

Keine Kommentare verfügbar

Kommentare vom Original-Post werden hier angezeigt

Ähnliche Videos

原來開電動車可以有這個藉口阿 我也要去買台電動車 為什麼 AI 也需要「驗證機制」 以前我一直覺得 AI 很厲害 結果應該可以直接相信 直到有一天,我在用 AI 做一些分析和決策時 才慢慢意識到一個問題 即便再聰明的 AI,如果沒辦法驗證 它也可能給你錯誤結果 你可能會想 AI 結果錯了也沒關係 自己再檢查就好 可事實是,有些結果是自動被系統執行的 比如金融交易、智能合約、或者自動化操作 錯誤一旦發生,成本可能比人類錯誤高很多 更嚴重的是,普通使用者根本沒有辦法看懂 AI 怎麼算的 也就無法判斷結果可信度 這時候,我開始注意到 Inference Labs 的理念 他們想解決一個基本問題 結果能不能被驗證 換句話說,你不用去信任誰,也不用去理解模型多複雜 只要有一個可驗證的證明,結果就有可信度 對我來說,這種方法讓 AI 使用變得可控 也降低了很多潛在風險 我以前常以為「驗證」只是大公司才做的高級功能 但現在明白了,這其實是每個人都需要的安全網 沒有驗證,就像你在黑暗中走路,不知道哪裡有坑 有了驗證,至少可以確定自己踏在安全的地面上 這種概念很簡單 但在現實世界裡 卻少有人真正落實 所以,對我來說 AI 不只是要準確 更重要的是可驗證 這也是我覺得 Inference 有趣的地方 它提供了一個簡單、實用的機制 讓我們不必再靠盲目相信來使用 AI 信任可以建立,但不靠感覺,而是靠證明

小美哥🕊️|🐬TermMax

305,137 Aufrufe • vor 6 Monaten

#極端的反對或贊成對社會不會帶來進步的推動 藝人小嫻: 很多團體反對代孕的時候,我聽到這些聲音,其實心裡是很開心的,大家反對就是因為有這麼多的案例在國外發生 有很多商業代孕的行為,導致悲慘的事情發生,所以這些反對團體的聲音,我們是非常需要重視的 台灣很進步,我們不想要有悲劇發生,所以才會有反對的聲音,我非常尊重他們的聲音,不會因為他們反對代孕就覺得悲傷 「極端的贊成或是極端的反對,對社會都不會帶來進步的推動」 所以我想要把光譜往中間移動一點點。我們要很嚴格的來審法,嚴格做居中的機構….. 我也曾經到美國找代孕,我發現一個很簡單的道理,#沒有人可以逼迫另外一個人做他不想做的事情 對於代孕跟委托的媒合也非常重要,兩個人可以同意到什麼樣的程度,所有的細項、所有會發生的意外,能夠接受承擔到什麼樣的程度,生養小孩都要經過一再的上課、考慮、反悔,代孕也是,你可以考慮、可以反悔、你必須要上課…. 如果未來沒有通過、我也能接受自己是個完美的人 ==================== 我個人雖然偏向反對,但很感動也欣賞小嫻能夠客觀地看待代孕的議題,設身處地為代孕者著想 補充:小嫻「未來代孕通過,代孕者和寶寶如果有安全的考量,我會優先選擇代孕者的生命,因為 #沒有人有義務幫你這麼多」 推薦完整影片🔗

𝓣𝓸𝓪𝓷𝓷𝓮 ღˇ◡ˇ)

157,972 Aufrufe • vor 2 Jahren

這個彤彤直播主很紅嗎? 怎麼大家都在跟她開黃腔 後面粉絲問這個車能不能推 其他粉補一句 我是老漢交給我就完事 我整個笑死 大家實在太幽默了 為什麼我覺得 Talus 比多數 AI 專案更像「長期基建」 這段時間看了很多 AI 專案,你會發現一個很明顯的現象 大家都在比模型多大、參數多少、推理多快 好像只要 AI 夠聰明,事情就自然會發生 但 Talus 走的是完全不同的路 他們把重點放在處理一個更難、也更無聊的問題 AI 能不能長期、穩定地在鏈上運作,形成真正的經濟活動? Talus Labs 的設計邏輯,很像在蓋一座城市 Nexus 是底層框架 相當於城市的法律與基礎設施 它定義了 AI agent 怎麼存在、怎麼互動、怎麼被驗證 不是單一功能,而是一套可持續擴展的規則系統 Agent 是角色 每一個 agent 都有身份、有資產、有行為紀錄 可以彼此合作、競爭、分工 它們不是一次性工具,更像是長期活動的經濟單位 Workflow 則是產線 把複雜的決策與行為拆成標準化流程 讓策略可以被複製、被重用、被優化 這對生態擴張非常重要,因為它讓「成功經驗」可以累積 這三個東西組合在一起,才會出現真正的護城河 很多 AI 專案解決的是「我能不能做到這件事」 Talus 在想的是「十萬個人、十萬個 agent 同時用,系統會不會崩?」 這種問題沒那麼好講故事,也很難短期爆紅 但一旦真的跑起來,別人要複製成本會非常高 你不只要抄功能,還要重建整個框架、標準與生態協作方式 這正是基建型專案的特徵 我會覺得 Talus 更像長期基建,還有一個原因 它的成功,不完全取決於官方做了多少功能 而是有多少人願意在上面「長期建東西」 策略制定者、agent 設計者、生態應用、工具模組 這些角色都能在同一套框架下持續產生價值 這不是短線題材,也不太適合快進快出 它更像是在修一條高速公路,前期看起來沒那麼熱鬧 但一旦交通流量起來,誰都離不開 所以我才會說 Talus 與其說是一個 AI 專案 不如說是在慢慢鋪一個「AI 上鏈經濟」的底座 這種工程,急不來 但一旦完成,就會存在很久

小美哥🕊️|🐬TermMax

640,133 Aufrufe • vor 6 Monaten

[Vibe Coding 實戰演示] 昨天看到wei神公佈Read only的API就想說來玩一下Vibe Coding,寫出了一個過去wei神的歷史交易數據紀錄平台,平台記錄著wei神過去交易資訊,然後搭配Chart的K棒來做交易Mark參考,記錄一下整個Vibe過程,順便教學一下我都怎麼 Vibe Coding 一些想法。 我沒有把平台部屬起來,直接開源放到了Github上面,所有歷史交易數據包含order還有trade還有帳戶history的csv資料也都放到雲端開放大家下載,留言都有連結。 整個Vibe過程大概花了半天,中間經歷了使用Gemini 3還有Opus 4.5,大致過程如下: 1⃣一開始使用Antigravity+Gemini3,我直接把wei神的貼文複製貼上去並加了這個prompt "這是一個交易員公開了他的read only api,請幫我分析內文這是哪一家cex的api並且把他過去的歷史交易資訊全部抓下來存成csv" 接著他直接分析內文認為是bitmex的api,但他還是寫了一個script測試是幣安還是bitmex,確認是bitmex後就寫出了一個抓取data的script去把歷史trade的數據給抓了回來。 2⃣資料抓完之後我下了這個prompt "請幫我利用抓取下來的trade history建立一個dashboard,包含了所有資訊,並且加入Chart來顯示交易的紀錄" 然後就一步步生出了一版非常陽春的版本,上面有歷史K棒擠了一大堆的BUY & SELL,然後下面顯示所有的交易Table。 這邊提一下,中間會出現一些error,Antigravity很炫,可以在瀏覽器安裝一個extension,他會直接去操作網站並截圖error直接分析debug,但我這邊非常不建議讓他這麼做,精準度太差,建議一律手動複製網站上的error log貼上去當prompt 做debug。 3⃣因為抓下來的Trade log並不是倉位歷史的資訊,基本上只有buy 跟sell,而且同一個order會拆成很多的buy呈現在圖表上整個超亂的,我想做的應該是分析wei神每一個倉位歷史開單邏輯跟關單邏輯,如果不把trade整合成倉位歷史根本沒辦法看,所以我就下了這個prompt。 "有辦法把這csv做成類似倉位歷史嗎? 就是每一個開單還有這個開單pnl多少那種? 還是bitmax可以fetch這種api? 因為目前的trade log是每一次的交易(有可能是同一個order但分不同trade成交),不是同一個order跟position,想要做成那種倉位歷史的概念,請幫我做看看?" 結果他使用了FIFO (先進先出 First In, First Out)的方法來幫我整理CSV並新增了一個Position的Page,但這問題就來了,我看了一下整理出來的倉位歷史一定是錯的而且超亂,之後不論我怎麼問Gemini 3 一直鬼打牆在處理csv,結果也都一直是錯的。 4⃣ 剛好 Claude Opus 4.5 釋出,想說試試看,我就切換到Cursor + Opus 4.5,下了這個prompt (其實就是閒聊) "這是我之前設計的一個平台,有一個很厲害的交易員提供 READ ONLY的API, 讓使用者可以抓他Bitmex這家交易所的歷史交易資訊, 我之前有寫一個script把trade log都抓成 bitmex_trades csv這個檔案 不過我發現這是trade log, 每一筆trade都會記錄, 但並不是倉位歷史, bitmex有api抓倉位歷史嗎? 還是說要用這個csv去計算倉位歷史,bitmex 除了trade history以外有沒有什麼api可以抓取更多information讓這個平台更好的? 然後這個平台目前有display 每一筆交易的 chart, 我是希望可以變成倉位歷史, 然後點倉位後就可以顯示那一次的倉位操作來做學習" 神奇的來了,Opus直接去翻bitmex的api doc,抓取了wallet/order/execution history,然後直接把我卡了很久的問題全部解決了,他直接利用了order還有execution算出了比較精確的倉位歷史,甚至還幫我加了首頁的Overview Page。 5⃣ 接下來就是一些前端的修飾,我直接回到Gemini請他幫我調整CSS跟介面讓介面看起來更專業一些,還有更新Chart使用類似TradingView的畫面。 最後還是感謝 paulwei 提供實盤紀錄供別人學習,確實是我看過第一個這樣公開敢把實盤 API 直接丟出來,讓大家無死角檢視並學習每一筆進出單細節的交易員。 而這就是 Vibe Coding 的魅力,半天時間就能把一個單純的 idea 落地成實用的分析工具,整個過程基本上你也不需要懂程式。 最後希望這篇實戰紀錄能給大家一點啟發,都一起 Vibe 起來吧!

0xFunky

184,406 Aufrufe • vor 7 Monaten

又找到一個買電動車的理由了 話說你喜歡被叫爸爸嗎 Inference Labs ,讓 AI 也能做到信任最小化 在 Web3 世界裡,有一句話我一直記得 不要信任任何人,驗證一切 這套邏輯讓區塊鏈可以在沒有中心管理者的情況下運作但一旦 AI 進來,這個原則就開始被打破了 現在大多數 AI 系統 其實都需要你「先相信它」 你要相信模型沒被動過、推理過程沒被修改、節點沒有作惡 這種假設在 Web2 或許還行 但放在 Web3 就顯得非常不自然 甚至有點危險 Inference Network 做的事情 就是把 AI 拉回 Web3 熟悉的軌道信任最小化 它不要求你信任節點、不要求你信任模型提供者 甚至不要求你信任執行環境 你只需要驗證一個東西就是推理證明是否成立 對我來說,這一點非常關鍵 因為一旦 AI 的結果可以被獨立驗證 信任就不再綁在某個角色身上 是綁在數學和規則上 這跟我們現在驗證交易、驗證區塊、驗證合約的方式 其實是一樣的 站在普通使用者角度 我不想每天擔心哪個節點會不會作弊 也不想研究哪個模型比較誠實 我只想知道這個結果是不是照規則算出來的 Inference Network 提供的 就是這樣一個簡單、直覺的答案 這也讓我意識到一件事 AI 要真正進入 Web3 靠的不是更強的模型 是更低的信任成本 只要每個結果都能被驗證 整個系統就能自然地運作下去 我覺得 Inference Network 是把 Web3 最核心的「信任最小化」精神,真正帶進了 AI 世界 這也是我覺得它價值很高的地方

小美哥🕊️|🐬TermMax

346,541 Aufrufe • vor 5 Monaten