KeyFrame內部研究專用

Start a $10,000/mo Solo AI Creative Agency (Higgsfield + Claude)

Liam Ottley·6月8日週一·22 min英文

三句話摘要

用 HiggsField 與 Claude 兩個工具,在一天內打造能服務多個客戶的 AI 創意代理公司全套系統。 --- HiggsField + Claude AIOS 能以幾百美元/月的成本複製完整創意代理公司的產能,但規模化的真正壁壘是商業能力,而非工具本身。 兩個訂閱取代整個創作團隊:傳統品牌內容製作需要 15–30 萬美元/月的團隊,現在 HiggsField 負責所有視覺生成,Claude 負責提示詞撰寫、研究與系統邏輯,兩者串聯即可完整複製創意公司的產能。

重點整理

重點
  • 1

    兩個訂閱取代整個創作團隊:傳統品牌內容製作需要 15–30 萬美元/月的團隊,現在 HiggsField 負責所有視覺生成,Claude 負責提示詞撰寫、研究與系統邏輯,兩者串聯即可完整複製創意公司的產能。

  • 2

    AIOS(AI 作業系統)是規模化的關鍵:講者自創「AIOS」概念,本質是一個結構化的本地資料夾,存放技能檔案、客戶資料夾、品牌模板與指令集,讓 Claude Code 能讀取上下文、自動生成素材並歸檔,無需人工逐一操作。

  • 3

    HiggsField MCP 讓 Claude 直接控制視覺生成:透過 Model Context Protocol(MCP)將 HiggsField 接入 Claude,Claude 可直接呼叫圖片/影片生成工具,自動儲存結果到客戶資料夾,省去手動下載與上傳的步驟。

  • 4

    堆疊工具是低門檻,真正的護城河是商業能力:技術門檻已經很低,任何人看完影片都能複製這套堆疊;真正的競爭優勢在於找客戶、談合約、管理預期與設定修改邊界等商業技能,缺乏這些才是燒毀口碑的主因。

  • 5

    --

實用技巧與重點

乾貨
  • 工具清單:
  • HiggsField(higgsfield.ai):圖片與影片生成平台
  • Claude(claude.ai):LLM 腦子,含 Desktop App、Co-work Tab、Claude Code Tab
  • Notion:廣告資產資料庫與客戶內容日曆
  • Appify(console.apify.com):網路爬蟲平台,支援 TikTok、Instagram、YouTube、Meta Ads Library、Reddit
  • 可選擴充:Make/Zapier(自動回報)、Slack/Linear(客戶溝通)、Google Ads/Meta Ads 數據回饋
  • 模型與設定:
  • HiggsField 模型:Nano Banana 2(文字效果佳)、Seed Dance 2.0(影片生成,15 秒/次)
  • 影片解析度:測試階段用 720p 節省 Credits
  • 批次生成:一次 4 張圖可顯著加快迭代速度
  • 成本與效益數字:
  • 傳統製作團隊:$150,000–$300,000/月
  • 整套 AI 系統:約幾百美元/月
  • 傳統 UGC 拍攝:$200–$500/支
  • AI 生成 UGC:約 $5、5 分鐘內完成
  • 目標商業模式:5 個客戶 × $2,000/月 = $10,000/月
  • Appify 新帳號:贈 $5 免費額度
  • 操作流程:
  • Claude 生成參考圖提示詞 → HiggsField 生成主視覺(靴子參考圖)
  • 生成 Logo(Nano Banana 2,正方形比例)
  • 生成多角度參考圖(Multi-view Reference Sheet)與包裝 Mockup
  • 用 Claude Skill 檔案教 Claude 寫 HiggsField 格式的提示詞
  • Claude Code Tab + HiggsField MCP → 批量生成 10 張靜態廣告並自動存入客戶資料夾
  • Appify MCP → 抓取競品數據 → Claude 生成 10 則廣告文案 → 推送至 Notion
  • AIOS 資料夾結構:skills/、commands/、clients/、brand templates/、aboutme.md
  • Marketing Studio 預設模板:
  • UGC Virtual Try-On Haul(9:16,15 秒)
  • Product Unboxing
  • Hyper Motion(高端品牌廣告風格)
  • --

結論

結論

HiggsField + Claude AIOS 能以幾百美元/月的成本複製完整創意代理公司的產能,但規模化的真正壁壘是商業能力,而非工具本身。

完整解析

詳細

影片的核心命題是:過去需要整個創意製作團隊才能完成的品牌內容工作,現在只需兩個訂閱服務即可獨立完成。講者 Leah Motley 以一個名為「Vault」的虛構街頭靴款品牌作為演示客戶,從零開始展示完整的創意生產流程。

第一階段是品牌視覺資產的建立。由於客戶是虛構的,無法提供真實產品照,講者先透過 Claude 生成精準的圖片提示詞,再送入 HiggsField 生成靴子主視覺。整個流程中,Claude 扮演「提示詞工程師」的角色,而 HiggsField 負責實際的圖像輸出。講者為 Claude 安裝了一個「Skill 檔案」(技能小檔案),讓它學會如何按照 HiggsField 平台所需格式撰寫提示詞,一次設定後免去重複說明的工夫。依此方式,靴子參考圖、Logo、多角度參考表和包裝 Mockup 四項資產依序生成完畢,作為後續所有生成的主視覺錨點。

第二階段是影片廣告製作。講者使用 HiggsField 的 Seed Dance 2.0 模型,把一支 30 秒商業廣告拆成兩段 15 秒分別生成,並以第一段影片作為第二段的「video reference」,讓視覺語言在兩段間保持一致,再透過 Marketing Studio 的預設模板快速生成 UGC 試穿影片、開箱影片與高端 Hyper Motion 廣告。這些預設模板本身就是基於 Meta 和 TikTok 已驗證病毒式傳播結構所設計的提示詞框架,省去創作者自行做提示詞工程的負擔。

第三階段是 AIOS(AI Operating System)的建置。講者在本地建立一個結構化資料夾,內含技能檔、客戶資料夾、品牌模板與指令集,並透過 Claude 的 Co-work Tab 執行初始化訪談,讓 Claude 了解使用者的身份、服務類型與品牌風格,將結果寫入 `aboutme.md`。接著透過 MCP 將 HiggsField 和 Notion 接入 Claude,使 Claude 能直接呼叫圖像生成工具並將結果自動存入客戶資料夾,同時把所有廣告資產推送至 Notion 資料庫,追蹤 Hook 文案、視覺提示詞以及 CTR、ROAS 等 KPI。最後,Appify 以 MCP 形式接入,讓 Claude 自動爬取競品在 TikTok、Instagram、Meta Ads Library 等平台的熱門廣告,分析其 Hook 結構與格式,生成 10 則對應的廣告草稿並直接推送至 Notion,形成「競品洞察 → 廣告生成 → 資料歸檔」的自動化閉環。

講者在影片末尾特別強調:這套技術堆疊的門檻已低到任何人都能複製,真正的商業護城河在於找到客戶、談成合約、管理客戶預期,以及設定清晰的修改邊界。缺乏這些商業技能,哪怕工具再強,也可能在兩週內燒毀客戶關係,成為市場的反面教材。

---

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。