KeyFrame內部研究專用

Lovable Skills Just Destroyed Claude Skills! Build 10x Better Apps

Max Max·8月10日週一·25 min英文

三句話摘要

Lovable Skills 如何將可重用的設計規則和工作流嵌入應用構建過程,實現跨專案的一致性和效率提升。 使用 Skills 將重複的工作流標準化並嵌入構建過程,能讓每個新專案從更高的起點開始,同時跨平臺的 skill.md 標準確保個人 Skill 庫的長期價值。 Skill 的核心價值:不是像傳統提示詞一樣在單次對話中使用,而是在工作區內持久儲存,每當新專案符合描述時自動載入,避免重複輸入相同指令。

重點整理

重點
  • 1

    Skill 的核心價值:不是像傳統提示詞一樣在單次對話中使用,而是在工作區內持久儲存,每當新專案符合描述時自動載入,避免重複輸入相同指令。

  • 2

    描述(Description)至關重要:決定 Skill 何時觸發,模糊描述如「使用好設計」容易導致不穩定觸發,而具體描述如「用於構建健康、健身、營養或醫療追蹤應用」能精準啟用 Skill。

  • 3

    跨平臺便攜性:Skill MD 是 Claude 和 Lovable 都支援的開放標準,在 Claude 中建立的 Skill 可匯出為 zip 檔,直接上傳到 Lovable 使用,無需改寫格式。

  • 4

    分層質量控制:自定義 Skill 為專案建立基礎,內建 Skill(無障礙訪問、SEO、重設計)提供額外檢查,兩者結合比單獨使用任何一個效果更好。

實用技巧與重點

乾貨
  • 核心概念:
  • Workspace Skill:使用者自建或匯入,可覆蓋設計規範、無障礙規則、文案風格、測試清單、文件格式、元件模式等
  • Built-in Skill:由 Lovable 維護,每個工作區預設可用,包括無障礙檢查、SEO 評審、重設計
  • 兩種 Skill 都可自動觸發(基於描述匹配)或手動觸發(使用斜槓指令)
  • Health UI Skill 案例的具體引數:
  • 應用場景:健康、健身、營養、保健、醫療追蹤應用
  • 視覺規則:清潔極簡風格、綠色進度指示符、柔和灰色背景、深色文字、珊瑚色警告
  • 排版:大號加粗數字強調關鍵指標、一致間距
  • 互動:簡單表單、鼓勵和非評判的文案語氣
  • 卡路里追蹤應用演示的兩次迭代:
  • 第一次:食物名稱輸入、份量、餐型別、每日摘要(總卡路里、剩餘配額、宏營養分解)、歷史記錄、使用者認證
  • 第二次:新增 AI 功能,分析使用者已記錄的餐食,生成個性化營養洞察(識別營養缺口、肯定做得好的方面、建議 1-2 項改進)
  • 匯入 Skill 的步驟:
  • 在 Claude 中開啟 Skill,匯出為 zip 檔
  • 進入 Lovable 設定 → Skills → Add → Upload zip
  • Lovable 驗證檔案結構後釋出到工作區
  • 內建 Skill 檢查項:
  • 無障礙訪問:文字對比度、表單標籤、觸碰目標大小
  • SEO:頁面標題、元描述、標題層級、可索引的公共內容
  • 重設計:視覺呈現建議、排版改進、佈局調整

結論

結論

使用 Skills 將重複的工作流標準化並嵌入構建過程,能讓每個新專案從更高的起點開始,同時跨平臺的 skill.md 標準確保個人 Skill 庫的長期價值。

完整解析

詳細

Lovable 和 Claude 都支援技能系統,但 Lovable Skills 的關鍵區別在於它們直接嵌入應用構建流程。傳統的長提示詞或設計指南存在於構建過程外,每次新專案都需要重新貼上和重複說明;而 Skill 一旦建立就住在工作區內,當平臺檢測到新專案符合 Skill 的描述時,會自動載入並應用其中的規則,無需使用者主動提及。

這個演示從建立一個「Health UI」自定義 Skill 開始。講者在 Lovable 設定中新建 Skill,提供一句清晰的描述(「用於構建健康、健身、營養或醫療追蹤應用」)和詳細的指令,包括顏色系統(綠色用於進度、珊瑚色用於警告)、排版規則(大號加粗數字)、元件風格(簡單表單)和內容語調(鼓勵且非評判)。描述的質量決定了觸發效果——模糊的描述容易導致不穩定載入,而具體的描述則能精準識別適用場景。

接下來的實際構建中,講者提交的第一個提示詞只描述功能需求:使用者可以按食物名稱、份量和餐型別記錄,應用顯示每日總卡路里、剩餘配額和宏營養分解,幷包含認證功能。值得注意的是,這個提示詞完全沒有提及顏色、排版、間距或文案風格。Lovable 檢測到這是一個健康應用,自動匹配到 Health UI Skill 的描述,在第一次生成時就應用了所有規則——綠色進度指示符、清潔極簡的視覺風格、鼓勵性的文案語氣。這展示了 Skill 的核心優勢:標準從專案起始就到位,而不是事後透過多輪修改補上。

在第二次迭代中,講者新增了一個 AI 功能來分析使用者記錄的餐食並生成個性化營養洞察。同樣地,這個新提示詞沒有重複任何設計指令,但新增的洞察卡片仍然遵循原始的視覺方向。這證明了 Skill 不是一次性應用,而是貫穿整個專案生命週期,保持新功能與原始設計的一致性。

為了進一步提升質量,講者演示了 Lovable 的三個內建 Skill。無障礙訪問 Skill 識別出了顏色對比度不足、表單標籤缺失和觸碰目標過小等問題;SEO Skill 針對可被搜尋引擎索引的公開部分進行評審;重設計 Skill 則提出了視覺呈現的改進建議。這些內建 Skill 不是替代自定義規則,而是作為額外的質量檢查層,幫助發現自定義 Skill 可能遺漏的細節。

最後,講者展示了 Skill 的跨平臺便攜性。Claude 和 Lovable 都採用開放標準的 skill.md 格式。一個在 Claude 中建立的 Skill 可以匯出為 zip 檔,然後直接上傳到 Lovable,無需重寫或轉換任何內容——名稱、描述和完整指令都保持不變。這意味著已有的 Skill 庫可以無縫遷移到新平臺,投入的工作不會受限於特定工具。

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。