KeyFrame內部研究專用

老板以为我熬夜肝了一天,其实我只花了20分钟(全自动办公黑科技) 免费开源AionUi

YAHA学堂·7月31日週五·5 min中文

三句話摘要

用 UI + Cloud Code 等開源工具 5 分鐘自動化數據清洗、報告生成與PPT製作,取代手工耗時 3.5 小時的季度彙報流程。 用提示詞精度換時間效率,季度彙報的 3.5 小時行政工作可以壓到 20 分鐘,關鍵是選對組件工具(INUI + Cloud Code + OfficeClean)和寫清楚具體需求。 三工具協作:INUI 是免費開源的聊天前端 (GitHub 3萬星),Cloud Code 負責 AI 邏輯,OfficeClean 負責產生標準 Office 檔案,三者無縫銜接自動調用 skill。

重點整理

重點
  • 1

    三工具協作:INUI 是免費開源的聊天前端 (GitHub 3萬星),Cloud Code 負責 AI 邏輯,OfficeClean 負責產生標準 Office 檔案,三者無縫銜接自動調用 skill。

  • 2

    提示詞精度決定輸出質量:講者強調「描述越具體做得越像」,給PPT的提示詞逐一說明 Morph 轉場效果、3D 模型等需求,遠勝過「幫我做成PPT」這類籠統指令。

  • 3

    實時可見性:整個處理過程在下方捲動窗口顯示,用戶隨時看得到 AI 在修復重複記錄、補齊缺失銷售額、調整表頭配色等具體步驟。

  • 4

    模型靈活選擇:支持本地已安裝工具自動識別(Cloud Code、CodeX、Gemini CLI),或在設置貼 API Key(Gemini、OpenAI、Claude 都支持)。

實用技巧與重點

乾貨
  • 工具與星數
  • INUI:GitHub 3 萬+ 星,免費開源
  • OfficeClean:GitHub 2 萬+ 星,同團隊開源
  • 實測案例數據
  • 原始數據:Q2 銷售流水 183 行,含 8 行重複訂單、16 行銷售額空缺、幾行程式名代式字混亂
  • 清洗結果:180 行(刪除3行重複),缺失銷售額用數量×承擔價補齊,自動生成透視表和看板
  • 時間節省:手動方案 3.5 小時 → AI 方案 20 分鐘(多數時間是執行)
  • 提示詞關鍵詞
  • Morph = PowerPoint 平滑轉場
  • 3D 模型 = Chronos 官方勢力模型
  • 支持的模型
  • Gemini、OpenAI、Cloud(Claude)、本地 CLI 工具

結論

結論

用提示詞精度換時間效率,季度彙報的 3.5 小時行政工作可以壓到 20 分鐘,關鍵是選對組件工具(INUI + Cloud Code + OfficeClean)和寫清楚具體需求。

完整解析

詳細

講者面對一個真實痛點:季度彙報需要清洗髒數據、撰寫正式報告、製作 PPT,耗時 3.5 小時。他用三個開源工具組合示範如何將這個流程壓縮到 20 分鐘。

首先是數據清洗階段。原始 Excel 表有 183 行銷售流水,看似正常,實際到處是坑:城市名稱重複(「北京」「北京市」混寫導致統計變成兩個城市)、8 筆重複訂單、16 行銷售額空缺、幾行客戶名稱亂碼。用人工核對要半小時。講者把表拖進 INUI 的輸入框,選用 Cloud Code 作為引擎,用一句精準的提示詞描述他要做的四件事:體檢、修復、透視表、看板。系統逐步執行,每個步驟都在下方即時顯示——修出 8 筆重複訂單、16 行缺銷售額、亂碼客戶名,列成一張診斷表,然後自動刪掉重複行、用「數量×承擔價」補齊缺失銷售額,清洗完成表從 183 行變 180 行。OfficeClean 工具順手配好了表頭配色、銷售額數據條格式,還自動生成透視表和看板。

接著生成報告。講者新開一個對話,把剛洗好的表拖進去,讓 AI 基于分析結果寫一份銷售分析 Word 文檔。這裡有個關鍵細節:提示詞必須強調「數字必須來自那份 Excel」,確保生成的報告數據不虛構。文檔生成後,封面、章節、水印都在,講者核對過數字就是表裡那些。這步以前要排版加核對數字至少一小時,現在前後不到 10 分鐘。

最後是 PPT。講者強調提示詞越具體越好。他逐一說明要 Morph 轉場(PowerPoint 的平滑變形效果,讓元素在頁面間自動滑過去)、加 3D 模型(用 Chronos 官方勢力模型的免費椅子模型),文字、配色、動畫都在一句提示詞里說清楚。生成的 PPT 轉場流暢、3D 模型立體可旋轉,講者預覽後確認符合預期。從拖文件到三份文檔全出來,整個流程實測 20 分鐘,大部分時間就是系統在後台跑。

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。