KeyFrame內部研究專用

How to Vibe Code Your Business App in 2026

Mikey No Code·8月7日週五·29 min中文

三句話摘要

如何用 Softr 結合 AI、原生區塊與自訂編碼,打造真正可用的企業級應用而非僅停留在演示階段。 構建真實可用的企業應用不是在 AI、原生區塊或自訂編碼之間單選,而是在三者的有機配合中找到最佳平衡——讓 AI 快速啟動、原生區塊承載標準邏輯、自訂編碼補足獨特需求。 三層建築法則:僅依賴 AI 生成代碼不足以打造真實企業應用。業務應用需要結構化資料庫、多層級權限控制和自動化工作流,這些 AI 無法透過單一提示一次完成,必須透過 AI 快速啟動骨架後,再用原生元件與自訂編碼逐層加固。

重點整理

重點
  • 1

    三層建築法則:僅依賴 AI 生成代碼不足以打造真實企業應用。業務應用需要結構化資料庫、多層級權限控制和自動化工作流,這些 AI 無法透過單一提示一次完成,必須透過 AI 快速啟動骨架後,再用原生元件與自訂編碼逐層加固。

  • 2

    成本與效能的分工:標準功能(表格、表單、列表)應用原生區塊更快更可靠,不浪費 AI 配額;只有當原生區塊無法實現複雜邏輯時才使用自訂編碼,如動態分組的儀表板或多步驟資料驗證的 CSV 匯入工具。

  • 3

    資料庫整體性是基礎:Softr 的原生資料庫讓所有頁面、區塊、權限規則與工作流程基於同一資料源,實時更新無延遲,避免了多系統同步帶來的權限混亂與資料不一致。

  • 4

    權限與自動化完成轉變:權限系統(頁面/區塊/操作三層級)+ 工作流程自動化,讓應用從被動的「資料輸入工具」變成主動推進工作的系統,團隊成員無須頻繁檢查,管理員無須手動通知。

實用技巧與重點

乾貨
  • 平台與工具
  • Softr:AI-native 應用構建平台,主要針對企業軟體(內部工具、CRM、客戶端口、團隊儀表板)
  • 免費獲得 200 個 AI 配額
  • AI 共同構建者提示範例
  • 「為小型團隊構建內部項目管理工具。需要項目表和任務表(相互關聯),任務字段包括名稱、指派人、優先級、截止日期、狀態。建立儀表板頁、項目頁、任務頁、看板頁。建立管理員和團隊成員兩種使用者角色。」
  • 原生區塊類型
  • 表格、列表、表單(直接連接資料庫,無額外成本)
  • 自訂 vibe 區塊提示範例
  • 儀表板:「建立項目狀態儀表板,按狀態分組活躍項目,顯示每個項目的進度指示器(基於完成的任務數),為接近截止日期的項目添加視覺警示旗標。」
  • CSV 匯入:「構建 CSV 匯入工具,允許上傳包含項目記錄的 CSV 檔案,讀取列標題(項目名稱、狀態、截止日期),識別無效或缺失欄位,標記有問題的行供用戶審核再匯入。」
  • 權限設置層級
  • 頁面級別:完全隱藏頁面(如管理員儀表板)
  • 區塊級別:隱藏特定資訊
  • 操作級別:限制特定操作(如只有管理員能標記任務完成)
  • 工作流程範例
  • 觸發條件:任務被指派給使用者
  • 動作:向該使用者發送通知郵件
  • 發佈選項
  • 一鍵發佈生成公開連結(無需額外託管)
  • 啟用 PWA(漸進式網頁應用)允許桌面和行動設備安裝

結論

結論

構建真實可用的企業應用不是在 AI、原生區塊或自訂編碼之間單選,而是在三者的有機配合中找到最佳平衡——讓 AI 快速啟動、原生區塊承載標準邏輯、自訂編碼補足獨特需求。

完整解析

詳細

打造真實企業應用的關鍵痛點往往被忽視。許多 AI 演示展示了光鮮的初始版本,但現實中第二天當實際團隊登入、開始協作編輯同一記錄時,問題接踵而至:誰能看到哪些頁面?誰能執行哪些操作?新任務指派後如何通知相關人員?這些需求遠超一句 AI 提示的預見能力。因此,構建業務應用的核心理念是三種方法的有機結合,而非單一依賴任何一種。

Softr 的解決方案從 AI 共同構建者開始。用戶用簡單的英文描述應用需求,系統在數分鐘內自動生成完整的資料庫架構、所有必需的頁面與使用者角色。例如,一份簡潔的提示立刻產生了項目表、任務表(附帶相互關聯字段)、四個功能頁面(儀表板、項目、任務、看板)及兩個使用者角色。這種一次性生成的優勢在於所有組件作為一個連貫系統運作,表格之間的關係、頁面與資料的綁定都已正確建立,避免了逐個手工構建後才發現彼此無法協調的尷尬。

然而 AI 共同構建者有其局限。它無法創造自訂的交互元件、細粒度的權限規則、CSV 匯入工具或自動化工作流程。這正是原生區塊與自訂編碼發揮各自優勢的地方。對於標準功能如表格、列表和表單,使用 Softr 的原生區塊遠比生成自訂代碼高效。這些區塊已內置、已直接連接資料庫、無需編寫任何代碼、無需消耗 AI 配額。相比之下,許多 vibe 編碼工具會導致用戶為重新創建這些基本功能浪費數百美元的配額——完全得不償失。自訂 vibe 區塊應當用於原生區塊確實無法勝任的場景。例如,一個複雜的項目狀態儀表板需要按狀態分組、動態計算任務完成進度、標記接近截止的項目,這超出了標準表格或列表的能力。同樣,一個 CSV 匯入工具需要讀取上傳文件的列、驗證資料合法性、標記問題行、一次性批量建立多筆資料庫記錄,這類多步驟複雜流程正是自訂區塊的用武之地。

資料庫是整個系統的命脈,決定了所有其他功能的可靠性。Softr 的原生資料庫讓項目、任務、使用者、權限規則與工作流程全部集中在一處運作。資料庫內還內置了 AI 代理,使用者無需寫查詢語句,直接用自然語言提問即可獲得資料摘要(如「統計進行中與已完成的項目數量,列出接下來兩週內有截止日期的項目」)。編輯資料庫中的任何記錄後,所有連接該表的頁面與儀表板立即反映變化,無需手動刷新。這種實時同步性是外部資料源無法比擬的,因為 Airtable 或 Google Sheets 這類工具運作在平台之外,必然引入同步延遲並使權限管理複雜化。

權限系統是分隔演示與實用的決定性分界線。在真實團隊環境中,使用者應能管理自己被指派的工作,但敏感頁面與最終決定性操作必須限制在具有適當權限的人手中。Softr 提供頁面、區塊與操作三個層級的基於角色的權限規則。一個完整的示例是:管理員儀表板對團隊成員完全隱藏(頁面級別),看板上的「標記完成」操作僅限管理員執行(操作級別),而團隊成員仍可查看和使用看板的其他功能。這些權限規則在應用發佈後的實時環境中依然有效,且不需要複雜的外部配置。

自動化工作流程完成了應用從被動「資料輸入工具」到主動「推進工作系統」的轉變。Softr 的原生工作流程無需連接諸如 Zapier 之類的外部自動化服務。例如,系統可設置工作流程使得每當新任務被指派給某個使用者時,該使用者立刻收到郵件通知。觸發條件、任務資料與通知動作都在 Softr 內部完成,避免了跨系統的複雜性與成本。團隊成員無須不斷檢查應用以發現新工作,管理員也無須每次手動寄送通知郵件。

最後,將完成的應用部署給團隊是一鍵操作。Softr Studio 內點擊發佈即生成公開連結,無需單獨配置託管或部署流程。進一步啟用 PWA(漸進式網頁應用)選項後,應用可直接從使用者的瀏覽器安裝到設備,在桌面與行動裝置上都能像原生應用般啟動。這對每天都要使用的內部工具意義重大——團隊成員無需每次搜索連結或記住 URL,應用始終在他們的裝置主螢幕上,打開即用。

從一句簡潔的 AI 提示到一個功能完整的項目管理工具,整個構建過程可在一個工作階段內完成。每個階段都為下一個階段奠定了基礎:AI 共同構建者生成連貫的初始架構,原生區塊補充標準業務邏輯,自訂編碼填補特殊需求,資料庫層提供整體一致性,權限與工作流程實現團隊協作。該示範應用的建置成本僅為幾個 AI 配額,免費使用者獲得的 200 個配額足以搭建多個功能完整的應用。

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。