KeyFrame內部研究專用

How to Make AI Presentations in 9 Minutes (Full Guide)

Thomas Creates·8月5日週三·8 min英文

三句話摘要

使用 Claude 和 OpenArt 在數分鐘內建立統一設計的 AI 簡報,從規劃到動畫完全自動化。 提前用 Claude 規劃全局設計,讓第一張幻燈片成為參考範本,是確保 AI 生成簡報視覺一致的根本策略。 設計一致性源自預先規劃:先把所有內容、數字和想法輸入 Claude,讓它決定每張幻燈片的內容,而不是逐張生成,這樣可以避免模型在幻燈片之間「遺忘」而導致字體、顏色、邊距改變。

重點整理

重點
  • 1

    設計一致性源自預先規劃:先把所有內容、數字和想法輸入 Claude,讓它決定每張幻燈片的內容,而不是逐張生成,這樣可以避免模型在幻燈片之間「遺忘」而導致字體、顏色、邊距改變。

  • 2

    第一張幻燈片是全局參考:將第一張設計作為「主設計」,鎖定所有視覺元素(背景色、文字色、強調色、字體、邊距),後續每張幻燈片的提示詞都明確要求「與第一張完全相同,只改變內容」,確保一致性不靠運氣。

  • 3

    有選擇性的動畫化:不是所有幻燈片都該動畫,只有當動態真正能強化訊息時才動畫(例如四步流程逐步填入、時間對比的柱狀圖延伸),這樣簡報既不過度設計也不失重點。

  • 4

    控制動畫的起終點確保精度:用 Seedance 2.0 時,不讓模型從零開始動畫化,而是給定「清空的起始幀」和「完整的終止幀」,模型只填充中間過渡,這樣數字和標籤位置鎖定、不會扭曲。

實用技巧與重點

乾貨
  • AI 工具:Claude(規劃、提示詞、演講稿)、OpenArt(一站式平台)
  • 圖像模型:GPT Image 2
  • 動畫模型:Seedance 2.0
  • PDF 工具:SmallPDF(JPG 轉 PDF)
  • 簡報規格:11 張幻燈片、16:9 比例
  • 動畫設定:起始幀(清空狀態)→ 終止幀(完整幻燈片)→ 5 秒持續時間 → 1080p 解析度
  • 關鍵步驟
  • Claude 輸入主題、目標受眾、語調、張數
  • Claude 生成逐張幻燈片內容和設計系統(顏色、字體、邊距)
  • GPT Image 2 生成第 1 張(主設計)再做其他 10 張參考
  • 手動檢查所有數字和標籤準確性
  • 對需要動畫的 2 張生成起始幀
  • Seedance 2.0 逐張動畫化
  • Claude 生成 11 句演講稿
  • SmallPDF 合併成單一 PDF

結論

結論

提前用 Claude 規劃全局設計,讓第一張幻燈片成為參考範本,是確保 AI 生成簡報視覺一致的根本策略。

完整解析

詳細

傳統簡報製作耗時費力,但影片展示了一套新的 AI 工作流,能將準備時間從天級縮到分鐘。核心問題在於圖像生成模型在每次生成時都缺乏「記憶」—— 逐張生成會導致字體、顏色、邊距不斷變化。講者的解決方案是先用 Claude 進行全面規劃,不是一張一張製作。

首先,講者把所有內容、數字、願景輸入 Claude,並明確要求 11 張幻燈片、一個想法一張。Claude 返回完整規劃後,講者立即微調不符合需求的地方(例如改副標題),這確保後續所有設計決策都基於單一事實來源。這個步驟看似簡單,卻是整份簡報看起來協調的基礎。

其次,講者給 Claude 一個獨特的任務:明確鎖定設計系統。背景色、文字色、強調色、字體和邊距全部指定,並且非常重要的是 —— 讓 Claude 把第一張幻燈片標註為「主設計」,並寫入所有後續提示詞中「完全匹配第一張,只改變內容」。這個一致性策略確保當 GPT Image 2 生成幻燈片時,所有 11 張都遵循同一套視覺規則。

接著是實際生成階段,在 OpenArt 平台完成。第一張單獨生成(無參考),確保主設計完美。然後將第一張作為「視覺參考」添加到後續每一張,逐張粘貼提示詞生成。結果是 11 張統一的幻燈片,講者強調必須手動檢查每個數字,因為這是圖像模型最容易出錯的地方。

最後是可選的動畫化。講者只選擇兩張幻燈片 —— 四步流程和時間對比表 —— 因為只有這兩張的動態真正增強了訊息傳達。動畫技術巧妙地避免了常見的文字變形問題:生成一張「清空」的起始幀(與完整幻燈片相同,但內容移除),使用 Seedance 2.0 從起始幀建築到終止幀。這樣做確保所有數字和標籤位置鎖定,不會在動畫過程中被扭曲或移位。

整個流程的最後一步是收斂:Claude 生成 11 句簡潔的演講稿,SmallPDF 將所有影像合併成單一 PDF。講者強調的一大優勢是 OpenArt 作為統一平台,消除了用多個工具的成本和流程複雜性。

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

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。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。