#出海运营秘籍👉@yunying23
作为内容创作者，我们常常会陷入一种困惑：明明精心制作了内容，播放量却不如预期；而平台算法的推荐机制又像是一个黑箱，难以捉摸。
其实，理解平台算法的底层逻辑，不是要与之对抗，而是要理解其设计初衷——平台希望留住用户，而留住用户需要优质且多元的内容。所以算法的核心目标是在海量内容中高效地识别优质作品，并将其推荐给可能感兴趣的用户。对我们创作者而言，与其将算法视为神秘莫测的评判者，不如将其理解为一套公平的“游戏规则”。掌握这套规则，意味着我们的优质内容更有可能突破重围，获得应有的曝光。
抖快红平台的流量分配机制：如何为每个新视频打造公平的舞台
在内容推荐平台中，如何平衡新老内容的流量分配是一个核心挑战。一方面，用户希望看到经过验证的优质内容；另一方面，平台需要确保新发布的内容也能获得展示机会，以维持创作者生态的活力。
新内容的困境：从“新同学”到“老熟人”的挑战
新发布的视频如同学校里的转学生，没有过往的互动记录，难以与那些已经获得大量点赞的“老熟人”竞争。推荐算法本质上依赖于用户反馈来判断内容质量——没有初始流量，就无法获得反馈；而没有反馈，算法就难以判断内容质量，从而形成“强者恒强，弱者恒弱”的循环。
如果这种局面持续，用户会因内容重复而流失，创作者会因缺乏曝光而离开，最终导致平台生态恶化。因此，平台必须设计一种机制，确保每个新内容都有成长为“老熟人”的机会。
多级流量池：为内容设置“升学考试”
抖手平台设计了一套类似教育体系的多级流量分配机制，将流量资源分为不同阶段：
义务教育阶段：保证基础曝光
在此阶段，平台为所有新发布的内容分配少量但公平的初始流量。这相当于给每个“新同学”基本的亮相机会，确保没有任何内容被完全忽视。
高中阶段：初步筛选优质内容
在获得初始流量后，平台会根据内容的表现为其设置“升学考试”。考核指标包括点赞率、完播率等用户互动数据。这些数据反映了内容在获得流量资源后的表现——如同学生在获得教育资源后的学习成绩。
表现优异的内容会晋级到下一阶段，获得更多的流量分配。这种机制确保了平台将宝贵的流量资源投入到有潜力的“好苗子”上。
大学阶段：优质内容的自然流通
通过前期考核的内容最终进入浩瀚的自然流量池，与其他优质内容同台竞争。在这一阶段，优质内容能够获得最大程度的曝光，“海阔凭鱼跃，天高任鸟飞”。
大学毕业：到社会工作了，参考指标不止成绩了
这种多级机制的精妙之处在于：随着内容晋级，竞争者的数量逐渐减少，而每条内容分得的流量却逐渐增加。这既保证了资源分配的效率，又确保了公平性。
同时，平台也意识到单纯依赖点赞率和完播率可能催生取巧行为，如标题党、低俗内容或争议性话题。为此，平台采取了双重保障：
1. 算法检测：通过技术手段识别并打压试图操纵系统的内容；
2. 人工审核：在必要时引入人工判断，确保内容质量与平台价值观一致。
最后：
流量分配机制如同一座精心设计的舞台，既给了每个“新同学”亮相的机会，又把聚光灯对准了最耀眼的“新星”。这种平衡艺术不仅维持了平台的内容生态健康，也为创作者提供了持续的创作动力，最终为用户带来更加丰富多元的内容体验。
通过这种多级成长机制，平台成功打破了“马太效应”的困局，确保了内容生态的持续活力与创新。
作为内容创作者，我们常常会陷入一种困惑：明明精心制作了内容，播放量却不如预期；而平台算法的推荐机制又像是一个黑箱，难以捉摸。
其实，理解平台算法的底层逻辑，不是要与之对抗，而是要理解其设计初衷——平台希望留住用户，而留住用户需要优质且多元的内容。所以算法的核心目标是在海量内容中高效地识别优质作品，并将其推荐给可能感兴趣的用户。对我们创作者而言，与其将算法视为神秘莫测的评判者，不如将其理解为一套公平的“游戏规则”。掌握这套规则，意味着我们的优质内容更有可能突破重围，获得应有的曝光。
抖快红平台的流量分配机制：如何为每个新视频打造公平的舞台
在内容推荐平台中，如何平衡新老内容的流量分配是一个核心挑战。一方面，用户希望看到经过验证的优质内容；另一方面，平台需要确保新发布的内容也能获得展示机会，以维持创作者生态的活力。
新内容的困境：从“新同学”到“老熟人”的挑战
新发布的视频如同学校里的转学生，没有过往的互动记录，难以与那些已经获得大量点赞的“老熟人”竞争。推荐算法本质上依赖于用户反馈来判断内容质量——没有初始流量，就无法获得反馈；而没有反馈，算法就难以判断内容质量，从而形成“强者恒强，弱者恒弱”的循环。
如果这种局面持续，用户会因内容重复而流失，创作者会因缺乏曝光而离开，最终导致平台生态恶化。因此，平台必须设计一种机制，确保每个新内容都有成长为“老熟人”的机会。
多级流量池：为内容设置“升学考试”
抖手平台设计了一套类似教育体系的多级流量分配机制，将流量资源分为不同阶段：
义务教育阶段：保证基础曝光
在此阶段，平台为所有新发布的内容分配少量但公平的初始流量。这相当于给每个“新同学”基本的亮相机会，确保没有任何内容被完全忽视。
高中阶段：初步筛选优质内容
在获得初始流量后，平台会根据内容的表现为其设置“升学考试”。考核指标包括点赞率、完播率等用户互动数据。这些数据反映了内容在获得流量资源后的表现——如同学生在获得教育资源后的学习成绩。
表现优异的内容会晋级到下一阶段，获得更多的流量分配。这种机制确保了平台将宝贵的流量资源投入到有潜力的“好苗子”上。
大学阶段：优质内容的自然流通
通过前期考核的内容最终进入浩瀚的自然流量池，与其他优质内容同台竞争。在这一阶段，优质内容能够获得最大程度的曝光，“海阔凭鱼跃，天高任鸟飞”。
大学毕业：到社会工作了，参考指标不止成绩了
这种多级机制的精妙之处在于：随着内容晋级，竞争者的数量逐渐减少，而每条内容分得的流量却逐渐增加。这既保证了资源分配的效率，又确保了公平性。
同时，平台也意识到单纯依赖点赞率和完播率可能催生取巧行为，如标题党、低俗内容或争议性话题。为此，平台采取了双重保障：
1. 算法检测：通过技术手段识别并打压试图操纵系统的内容；
2. 人工审核：在必要时引入人工判断，确保内容质量与平台价值观一致。
最后：
流量分配机制如同一座精心设计的舞台，既给了每个“新同学”亮相的机会，又把聚光灯对准了最耀眼的“新星”。这种平衡艺术不仅维持了平台的内容生态健康，也为创作者提供了持续的创作动力，最终为用户带来更加丰富多元的内容体验。
通过这种多级成长机制，平台成功打破了“马太效应”的困局，确保了内容生态的持续活力与创新。
你所谓的今天跟大模型交流又被震撼了，真不如快去找本自己感兴趣的 2023 年之前出版好书读一读，对自己的思维能力和元能力的帮助大。
这和早年，说刷抖音学到了很多知识的人，不一样么，刷了 400 条，200 条是帅哥美女跳舞、50条营销号、50 条剪辑、50条可能和自己工作有关的一惊一乍的主播转述新闻稿。
学到什么了，震撼什么了。
这和早年，说刷抖音学到了很多知识的人，不一样么，刷了 400 条，200 条是帅哥美女跳舞、50条营销号、50 条剪辑、50条可能和自己工作有关的一惊一乍的主播转述新闻稿。
学到什么了，震撼什么了。
最近试着从0去vibe coding一个项目，效率很低
对比起来，基于模板去vibe coding效率就高多了
并不是因为卖模板所以夸模板效率高，事实是大模型很擅长阅读项目已有代码，在此基础之上新增功能只要之前有类似的，那效率叫一个高！
比如，我实现了用户管理，支持搜索、筛选、分页、排序、编辑等功能，那么要实现其他的管理，比如积分管理，那就是一句提示词就能搞定。
而如果是从0开始，我要加tanstack table实现丰富的表格能力，加tanstack query实现数据请求的缓存，加nuqs实现请求参数与URL的一致性，加data table组件实现分页和筛选，还得考虑数据库请求的构造和优化，每个搞起来都费劲 😂
下次再也不从0开始vibe coding了😅
对比起来，基于模板去vibe coding效率就高多了
并不是因为卖模板所以夸模板效率高，事实是大模型很擅长阅读项目已有代码，在此基础之上新增功能只要之前有类似的，那效率叫一个高！
比如，我实现了用户管理，支持搜索、筛选、分页、排序、编辑等功能，那么要实现其他的管理，比如积分管理，那就是一句提示词就能搞定。
而如果是从0开始，我要加tanstack table实现丰富的表格能力，加tanstack query实现数据请求的缓存，加nuqs实现请求参数与URL的一致性，加data table组件实现分页和筛选，还得考虑数据库请求的构造和优化，每个搞起来都费劲 😂
下次再也不从0开始vibe coding了😅
Ilya Sutskever说可以引入情绪作为一种价值函数，来做强化学习RL，可以提高训练效率和泛化性，因为人不是完全依赖结果的反馈进行学习的，大量会通过感觉和情绪来提前判断。
想起了字节推荐算法一直想要学“品味”，但一直没有找到对应的指标。这么多年，做了那么多专项，堆了无数资源，但依然眼睁睁看着小红书起来。
想起了字节推荐算法一直想要学“品味”，但一直没有找到对应的指标。这么多年，做了那么多专项，堆了无数资源，但依然眼睁睁看着小红书起来。
作为一个古典产品经理，最近听了很多AI相关的播客，有很多专业名词听不懂，所以系统性整理翻译成我这种小白能听懂的话进行学习，再分享出来。今天先整理深度学习。
什么是深度学习？
AI比作一个正在学习的孩子，那么深度学习就是这位孩子最重要的“学习方式”。它通过模仿人脑的神经网络，让计算机能够从大量经验（数据）中自己“领悟”规律，从而学会识别图像、理解语言、甚至做出预测。
它是怎么发展的？
1958年感知机-现代深度学习的基石
感知机就像一个非常认真但又特别死板的新手守门员。他的任务很简单：根据看到的有限信息，决定是否出击拦截飞来的足球。
观察到的信息：球速、对手方位、风向，等同于输入信号（接收待处理的外部信息 ）；
对不同信息的重视程度：更相信球速，不太在意风向，等同于确定权重（代表不同输入信号的重要性 ）；
心里快速计算：“球速太快 + 对手离得很近 = 危险！，等同于加权求和（将所有输入信号乘以其权重后相加，得到一个总分 ）；
判断自己的出击原则：只有觉得“会进球”时才行动拦截，等同于于阈值/偏置（一个预设的界限，决定了神经元被激活的难易程度 ）；
最终决定：出击 或 不动相当于输出计算后的结果，等同于输出一个简单的二元决策（是/否，1/0）。
这个守门员（感知机）通过反复训练，能非常好地完成一些规则清晰、界限分明的任务。比如，就像判断“如果下雨并且目的地没有遮挡物，就带伞”一样，他可以学会处理“与门”、“或门”这样的简单逻辑电路 。
但他的局限性也很明显：他只会画一条“直线”来划分世界。想象一下“异或”这个问题：球要么来自左边，要么来自右边时（但不能同时来自两个方向）才需要出击。这个规则无法用一条直线完美划分所有情况，于是这个死板的守门员就懵了，无法做出正确判断 。
这正是早期单一感知机的核心瓶颈，它只能解决“线性可分”的问题 。 那么，如何让这个守门员变得更聪明呢？答案是：不依赖一个人，而是组建一个团队！ 将无数个简单的“感知机”连接成多层网络，就构成了现代深度学习的基石，使得图像识别、自然语言处理等复杂任务成为可能 。
1982年 循环神经网络 (RNN)-对文本等序列数据进行建模。
AI理解一段话（序列数据）的过程，想象成一个人如何阅读和理解一个故事。把AI模型想象成理解故事的“读者”。
RNN（循环神经网络） 像一个记忆力有限、必须逐字阅读的读者。
工作方式：他必须从第一个字开始，一个一个地按顺序读下去。他一边读，一边努力记住前面看到的重要内容。当他读到第100个字的时候，他可能还对第1、2个字有印象，但记忆已经变得很模糊了。
缺点：难以抓住“长距离依赖”。比如故事开头说“小明有一只宠物狗”，到结尾才说“这只狗很聪明”。如果中间隔了几百个字，这位读者很可能已经忘了“这只狗”指的是小明的狗，而不是别人的狗。而且，因为他必须逐字阅读，速度很慢，无法并行处理信
2017 年：Transformers 和注意力机制
Transformer 则像一个拥有“上帝视角”的超级读者。
核心武器：自注意力机制。当他拿到一篇文章时，他不需要从头开始读。他可以瞬间同时看到文章里的所有词语。更重要的是，对于文中的每一个词，他都能立刻分析出文中所有其他词与它的关联程度。
工作方式：比如看到句子“这只苹果很甜，所以小明吃了它”里的“它”这个词时，Transformer能瞬间判断出“它”与“苹果”关系最密切，与“甜”关系次之，与“小明”也有一定关系。这样，它就能轻松理解“它”指代的是“苹果”，而不会搞错。
优点：这种机制让它特别擅长处理长篇文章，能轻松捕捉相隔很远词语之间的联系。而且，因为可以同时处理所有信息，它的学习速度非常快。
为什么这个区别如此重要？
正是Transformer这种能高效并行处理和精准把握全局信息的能力，让它成为了当前人工智能大语言模型（比如ChatGPT、文心一言等）的基石技术。我们可以说，Transformer架构的出现，直接推动了我们今天看到的大语言模型技术的飞跃。
2018 年至今Vision Transformers和大规模语言模型 (LLM)
如果把大语言模型（LLM）看作一个聪明的“大脑”（思维与逻辑中心）专门理解和生成文字。它通过阅读海量文本学到知识、逻辑和语言能力。那么 Vision Transformer (ViT) 就是给这个大脑装上了一双“眼睛”（视觉系统），专门理解和分析图片。它用理解文字的逻辑来“看懂”图像。而多模态模型则是让这个大脑能同时处理眼睛看到的、耳朵听到的等各种信号，成为一个更全面的“通才”。（协调感官的“总指挥” ），同时处理文字、图片、声音等多种信息，并理解它们之间的联系。
👁️ 给AI一双“眼睛”：Vision Transformer
传统AI看图片的方式，有点像我们拿着一个小放大镜，一小块一小块地、局部地查看图片，然后再拼凑出整体信息。而Vision Transformer 带来了一种革命性的新方法
工作方式：ViT会把一张完整的图片，像撕便签纸一样，撕成许多个有固定大小的小方块（图像块）。然后，它利用一种叫自注意力机制的技术，让每一个小方块都能和图片上所有其他小方块进行“沟通”，从而一瞬间就把握整张图片的全局信息。
简单类比：这就好比让你看一张“猫追老鼠”的图片。传统的AI可能需要先看到尾巴，再看到身体，最后才拼凑出“这是一只猫”；而Vision Transformer一眼看过去，就能同时注意到“猫”、“老鼠”以及它们的“相对位置”，直接理解“猫在追老鼠”这个场景。
🔄 从“专才”到“通才”：多模态模型
当AI有了处理文字的大脑（LLM）和看懂图像的眼睛（Vision Transformer）之后，一个很自然的想法就是：能不能让它们协同工作，同时理解多种信息？这就是多模态模型做的事。
核心能力：多模态模型能够综合处理和理解文本、图像、音频甚至视频等多种类型（模态）的信息，并挖掘这些信息之间的关联。
多模态实际应用：
视觉问答：你给AI一张图片并问：“图片里的猫是什么颜色的？”它能结合图片（ViT的功能）和理解问题（LLM的功能）给出答案。
AI绘图：你输入一段文字描述（如“一只穿着宇航服的柴犬”），AI就能生成符合描述的图片。这需要模型同时深刻理解文字含义和视觉元素。
智能客服：未来的客服系统可能不仅能看懂你发的产品截图，听懂你的语音描述，还能读懂你的情绪，提供更精准的服务。
什么是深度学习？
AI比作一个正在学习的孩子，那么深度学习就是这位孩子最重要的“学习方式”。它通过模仿人脑的神经网络，让计算机能够从大量经验（数据）中自己“领悟”规律，从而学会识别图像、理解语言、甚至做出预测。
它是怎么发展的？
1958年感知机-现代深度学习的基石
感知机就像一个非常认真但又特别死板的新手守门员。他的任务很简单：根据看到的有限信息，决定是否出击拦截飞来的足球。
观察到的信息：球速、对手方位、风向，等同于输入信号（接收待处理的外部信息 ）；
对不同信息的重视程度：更相信球速，不太在意风向，等同于确定权重（代表不同输入信号的重要性 ）；
心里快速计算：“球速太快 + 对手离得很近 = 危险！，等同于加权求和（将所有输入信号乘以其权重后相加，得到一个总分 ）；
判断自己的出击原则：只有觉得“会进球”时才行动拦截，等同于于阈值/偏置（一个预设的界限，决定了神经元被激活的难易程度 ）；
最终决定：出击 或 不动相当于输出计算后的结果，等同于输出一个简单的二元决策（是/否，1/0）。
这个守门员（感知机）通过反复训练，能非常好地完成一些规则清晰、界限分明的任务。比如，就像判断“如果下雨并且目的地没有遮挡物，就带伞”一样，他可以学会处理“与门”、“或门”这样的简单逻辑电路 。
但他的局限性也很明显：他只会画一条“直线”来划分世界。想象一下“异或”这个问题：球要么来自左边，要么来自右边时（但不能同时来自两个方向）才需要出击。这个规则无法用一条直线完美划分所有情况，于是这个死板的守门员就懵了，无法做出正确判断 。
这正是早期单一感知机的核心瓶颈，它只能解决“线性可分”的问题 。 那么，如何让这个守门员变得更聪明呢？答案是：不依赖一个人，而是组建一个团队！ 将无数个简单的“感知机”连接成多层网络，就构成了现代深度学习的基石，使得图像识别、自然语言处理等复杂任务成为可能 。
1982年 循环神经网络 (RNN)-对文本等序列数据进行建模。
AI理解一段话（序列数据）的过程，想象成一个人如何阅读和理解一个故事。把AI模型想象成理解故事的“读者”。
RNN（循环神经网络） 像一个记忆力有限、必须逐字阅读的读者。
工作方式：他必须从第一个字开始，一个一个地按顺序读下去。他一边读，一边努力记住前面看到的重要内容。当他读到第100个字的时候，他可能还对第1、2个字有印象，但记忆已经变得很模糊了。
缺点：难以抓住“长距离依赖”。比如故事开头说“小明有一只宠物狗”，到结尾才说“这只狗很聪明”。如果中间隔了几百个字，这位读者很可能已经忘了“这只狗”指的是小明的狗，而不是别人的狗。而且，因为他必须逐字阅读，速度很慢，无法并行处理信
2017 年：Transformers 和注意力机制
Transformer 则像一个拥有“上帝视角”的超级读者。
核心武器：自注意力机制。当他拿到一篇文章时，他不需要从头开始读。他可以瞬间同时看到文章里的所有词语。更重要的是，对于文中的每一个词，他都能立刻分析出文中所有其他词与它的关联程度。
工作方式：比如看到句子“这只苹果很甜，所以小明吃了它”里的“它”这个词时，Transformer能瞬间判断出“它”与“苹果”关系最密切，与“甜”关系次之，与“小明”也有一定关系。这样，它就能轻松理解“它”指代的是“苹果”，而不会搞错。
优点：这种机制让它特别擅长处理长篇文章，能轻松捕捉相隔很远词语之间的联系。而且，因为可以同时处理所有信息，它的学习速度非常快。
为什么这个区别如此重要？
正是Transformer这种能高效并行处理和精准把握全局信息的能力，让它成为了当前人工智能大语言模型（比如ChatGPT、文心一言等）的基石技术。我们可以说，Transformer架构的出现，直接推动了我们今天看到的大语言模型技术的飞跃。
2018 年至今Vision Transformers和大规模语言模型 (LLM)
如果把大语言模型（LLM）看作一个聪明的“大脑”（思维与逻辑中心）专门理解和生成文字。它通过阅读海量文本学到知识、逻辑和语言能力。那么 Vision Transformer (ViT) 就是给这个大脑装上了一双“眼睛”（视觉系统），专门理解和分析图片。它用理解文字的逻辑来“看懂”图像。而多模态模型则是让这个大脑能同时处理眼睛看到的、耳朵听到的等各种信号，成为一个更全面的“通才”。（协调感官的“总指挥” ），同时处理文字、图片、声音等多种信息，并理解它们之间的联系。
👁️ 给AI一双“眼睛”：Vision Transformer
传统AI看图片的方式，有点像我们拿着一个小放大镜，一小块一小块地、局部地查看图片，然后再拼凑出整体信息。而Vision Transformer 带来了一种革命性的新方法
工作方式：ViT会把一张完整的图片，像撕便签纸一样，撕成许多个有固定大小的小方块（图像块）。然后，它利用一种叫自注意力机制的技术，让每一个小方块都能和图片上所有其他小方块进行“沟通”，从而一瞬间就把握整张图片的全局信息。
简单类比：这就好比让你看一张“猫追老鼠”的图片。传统的AI可能需要先看到尾巴，再看到身体，最后才拼凑出“这是一只猫”；而Vision Transformer一眼看过去，就能同时注意到“猫”、“老鼠”以及它们的“相对位置”，直接理解“猫在追老鼠”这个场景。
🔄 从“专才”到“通才”：多模态模型
当AI有了处理文字的大脑（LLM）和看懂图像的眼睛（Vision Transformer）之后，一个很自然的想法就是：能不能让它们协同工作，同时理解多种信息？这就是多模态模型做的事。
核心能力：多模态模型能够综合处理和理解文本、图像、音频甚至视频等多种类型（模态）的信息，并挖掘这些信息之间的关联。
多模态实际应用：
视觉问答：你给AI一张图片并问：“图片里的猫是什么颜色的？”它能结合图片（ViT的功能）和理解问题（LLM的功能）给出答案。
AI绘图：你输入一段文字描述（如“一只穿着宇航服的柴犬”），AI就能生成符合描述的图片。这需要模型同时深刻理解文字含义和视觉元素。
智能客服：未来的客服系统可能不仅能看懂你发的产品截图，听懂你的语音描述，还能读懂你的情绪，提供更精准的服务。
我简直是创意天才！！我是IP天才！！是团队管理天才！！
给自己拉了个群，让我的team像交付陪跑客户一样交付我
明天开始我要日更！日播！！🙋♀️🙋♀️🙋♀️🙋♀️🙋♀️
收录了 500+ 个 Nano Banana Pro 提示词，每条都有图片和提示词。
且大部分提示词都支持参数输入，并且跟 Raycast snippets 语法兼容。Hope you like it ❤️
https://github.com/YouMind-OpenLab/awesome-nano-banana-pro-prompts
且大部分提示词都支持参数输入，并且跟 Raycast snippets 语法兼容。Hope you like it ❤️
https://github.com/YouMind-OpenLab/awesome-nano-banana-pro-prompts
没有媒体大佬做一篇选题吗？
《中国通用类 chatgpt 产品的中场休息：一骑绝尘的豆包、波折煎熬的元宝、孟母三迁的千问》
讲讲创新者的窘境、讲讲两代公司对于组织调动能力差异的思考、讲讲用人和用增、讲讲 BU 和风水、讲讲中译中专八、讲讲挂在科学家下面的产品怎么斯德哥尔摩开始以看邪门论文为荣了。
这不妥妥的大爆款。
《中国通用类 chatgpt 产品的中场休息：一骑绝尘的豆包、波折煎熬的元宝、孟母三迁的千问》
讲讲创新者的窘境、讲讲两代公司对于组织调动能力差异的思考、讲讲用人和用增、讲讲 BU 和风水、讲讲中译中专八、讲讲挂在科学家下面的产品怎么斯德哥尔摩开始以看邪门论文为荣了。
这不妥妥的大爆款。
所有的提示词都是针对于最新的Pro版本，充分发挥了Pro版本的文本渲染、多主体保持、逻辑推理等等能力！
而且非常实用，都给你分类好了：
1. 写实与美学
2. 教育与知识
3. 电商与虚拟影棚
4. 办公与生产力
5. 图片编辑与修复
6. 室内设计
7. 社交媒体与营销
8. 日常生活与翻译
9. 社交与虚拟形象
我有些设计需求尝试直接用 nano banana pro 发现效果极好，然后我又尝试了一下 lovart，发现效果反而不如 banana pro 直出。
不久前，因为图片生成模型水平还不够，所以 agent 工程，例如将用户的 prompt 先用文本大模型转成更适合的图片生成 prompt 等技巧，能够极大提高最终效果，是以 lovart 能够惊艳四方，也确实能够产出比当时的模型水平更高的图。但 nano banana pro ，本身就足够好，而且对自然语言理解极强，所以那些工程化的东西，反而有点变成画蛇添足了？
所以我觉得模型的进化还是挺恐怖的，agent 公司如果没有模型之外的工具调用并形成自己的独特壁垒，感觉还是有点危险
不久前，因为图片生成模型水平还不够，所以 agent 工程，例如将用户的 prompt 先用文本大模型转成更适合的图片生成 prompt 等技巧，能够极大提高最终效果，是以 lovart 能够惊艳四方，也确实能够产出比当时的模型水平更高的图。但 nano banana pro ，本身就足够好，而且对自然语言理解极强，所以那些工程化的东西，反而有点变成画蛇添足了？
所以我觉得模型的进化还是挺恐怖的，agent 公司如果没有模型之外的工具调用并形成自己的独特壁垒，感觉还是有点危险
