KeyFrame內部研究專用

How To Build REAL Apps with AI Using Replit (Vibe Coding Guide)

Zinho Automates·6月27日週六·11 min英文

三句話摘要

用Replit無代碼工具在一午間建立創作者業務管理系統。 無代碼工具已經成熟到能讓非技術背景的人在一個下午內建立真正可用的企業應用,關鍵是掌握正確的方法論——先規劃架構而不是直接編碼。 Plan Mode優先於Direct Coding — 講者發現直接編碼浪費信用額且結果差,改用Plan Mode讓AI先規劃前端、後端、資料庫結構再動工,大幅提升成功率和效率。

重點整理

重點
  • 1

    Plan Mode優先於Direct Coding — 講者發現直接編碼浪費信用額且結果差,改用Plan Mode讓AI先規劃前端、後端、資料庫結構再動工,大幅提升成功率和效率。

  • 2

    平行開發模型 — Replit的多個代理同時運行前端、後端和資料庫設置,運作像真正的開發團隊而非循序逐一完成,大幅加速開發進度。

  • 3

    原生Claude整合無需配置 — 應用內直接使用Claude生成功能(如腳本大綱),無需API金鑰、外部帳戶或複雜設定,費用直接從Replit信用額扣除。

  • 4

    Design Canvas視覺化設計 — 一次性生成三種視覺方向,在無限畫布上標註修改,再一鍵套用到代碼,避免設計與開發的反覆溝通。

實用技巧與重點

乾貨
  • 四個核心模組
  • 專案板:7列流程(想法→腳本→錄製→編輯→縮圖→排定→已發布),拖放卡片實時轉移
  • 內容日曆:月份檢視,顯示影片、品牌截止日期、上傳日期,與專案板自動同步
  • 腳本資料庫:按週組織,搜尋過濾(草稿/最終/已錄製),內建Claude大綱生成按鈕
  • 密碼保險庫:按平台組織,密碼隱藏顯示,團隊共享,替代原本的LastPass月費
  • 四個關鍵最佳實踐
  • 用Plan Mode描述問題而非功能細節,讓AI思考架構再編碼
  • 在新瀏覽器標籤測試而非內建預覽窗口(預覽會隱藏真實問題)
  • 每個大功能後保存RepletMD文件保留代理記憶,省卻重複工作
  • 功能完成後不要跳過反饋步驟,觸發架構模型深層代碼審查

結論

結論

無代碼工具已經成熟到能讓非技術背景的人在一個下午內建立真正可用的企業應用,關鍵是掌握正確的方法論——先規劃架構而不是直接編碼。

完整解析

詳細

講者所在的內容創作團隊原本分散使用Trello(任務)、Monday(專案)、AI工具和LastPass(密碼),導致團隊每天需要在五個平台間切換,工作流程混亂且低效。他決定用Replit這套無代碼AI工具建立一個統一的業務管理系統。

核心方法論是使用Plan Mode:先用自然語言描述問題(而非列舉功能需求),讓Replit的AI先規劃前端、後端和資料庫架構,經過人工審核後才進入実際編碼。這個策略避免了直接編碼導致的浪費和低品質結果。建立過程並非串行,而是多個代理同時運行,彷彿一個真正的開發團隊在協作。

整個應用分四個階段建立。第一是專案板,使用拖放界面將影片在七個狀態間流動(想法→腳本→錄製→編輯→縮圖→排定→已發布),讓講者能一目瞭然地看到所有影片進度。第二是內容日曆,月份檢視展示所有排定的影片、品牌截止日期和上傳日期,關鍵是與專案板完全同步——在板上移動影片的發布日期會自動更新日曆。第三是腳本資料庫,將散落在Google Docs、Notion和各處隨意記錄中的腳本統一管理,按週組織並支援搜尋過濾。特別值得注意的是這個模組原生整合了Claude AI——無需API金鑰或外部帳戶設定,只需點擊「生成大綱」按鈕,Claude就會讀取腳本標題和筆記,自動返回結構化大綱。第四是共享密碼庫,替代原本每月需支付費用的LastPass,允許團隊安全共享登入憑證,再也不用通過Slack傳遞密碼。

講者還展示了Replit的Design Canvas功能,能一次性生成三種視覺方向(黑暗極簡、淺色編輯風格、粗體強排版),然後在無限畫布上直接標註修改(調整字體、緊密空間、移動導航),最後一鍵「應用到應用」將設計轉化為實際代碼。整個流程最後只需點擊發布,應用在30秒內上線到自己的URL。講者強調的最佳實踐還包括:在真實瀏覽器標籤而非預覽窗口測試(預覽窗口會隱藏實際問題)、定期保存RepletMD文件保留AI記憶以避免重複工作、以及不要跳過功能完成後的反饋步驟,因為反饋會觸發架構模型進行更深層的代碼審查。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。