KeyFrame內部研究專用

我发现了更爽的工作方式,飞书CLI+飞书画板

小天fotos·6月11日週四·6 min中文

三句話摘要

飛書 CLI + 畫板將 AI Agent 從聊天框解放出來,開創人類與 AI 協作的全新帶寬。 飛書畫板的未來不在於 AI 生成多漂亮的 PPT,而在於成為人類與 AI 對齊共識的新型交流界面。 DSL 的反直覺優勢:直接讓 AI 生成 HTML/SVG 看似自由,但會導致風格漂移、崩潰難修。DSL 把 AI 的表達限制在「有幾頁、幾個模塊、誰在上誰在下」這類結構化描述,反而減少錯誤、便於修改,而且生成物本身人類也能編輯。

重點整理

重點
  • 1

    DSL 的反直覺優勢:直接讓 AI 生成 HTML/SVG 看似自由,但會導致風格漂移、崩潰難修。DSL 把 AI 的表達限制在「有幾頁、幾個模塊、誰在上誰在下」這類結構化描述,反而減少錯誤、便於修改,而且生成物本身人類也能編輯。

  • 2

    人機協作帶寬的本質:飛書畫板的價值不在輸出漂亮結果,而在成為人與 AI 交流的實時介面。就像會議室的白板是團隊碰撞共識的地方,DSL 驅動的畫板讓人類指點問題,AI 快速響應、高效修改,建立更高效的對齊循環。

  • 3

    多模態交互的完整體驗:講者整合投影、PS5 手柄方向鍵控制縮放翻頁、語音指令控制修改,打造出躺平辦公的沉浸感。證明了單靠聊天框遠不足以釋放 AI 的協作潛力。

  • 4

    模板複用與工作流固化:用 Codex 建立三個工作流模板(選題頁→大綱頁→分鏡腳本頁),每次協作時 AI 不僅修改內容,還能實時更新畫板,本地異步渲染同步展示,形成可迭代的工作流。

實用技巧與重點

乾貨
  • 飛書 CLI 內置工具:增長飛輪魚骨圖、流量歸因桑基圖、房屋平面圖、移動應用設計圖
  • 技術核心:DSL(Domain Specific Language)
  • 使用工具:Codex(生成 DSL)、牛馬語音 Agent、PS5 手柄、投影屏幕
  • 工作流模板數量:3 個(選題頁、大綱頁、分鏡腳本頁)
  • 交互方式:文字、語音、手柄方向鍵(L1/R1 縮放翻頁)、投影實時展示
  • 關鍵流程:AI 搜索 → 調用異步渲染工具 → 更新畫板 → 本地實時展示

結論

結論

飛書畫板的未來不在於 AI 生成多漂亮的 PPT,而在於成為人類與 AI 對齊共識的新型交流界面。

完整解析

詳細

飛書 CLI 的新版本看起來只是為 AI Agent 添加了生成各類圖表的能力,但講者在代碼倉庫中發現了更深層的設計——DSL(領域特定語言)。這個發現引發了他對「為什麼要限制 AI 的自由度」的思考。

一開始看起來反直覺:既然 HTML 和 SVG 那麼自由,為何不讓 AI 直接生成?但現實是殘酷的。直接生成往往導致風格漂移(這次漂亮,下次全變樣),修改成本高(一個小問題可能崩掉整個 PPT)。而 DSL 通過收窄 AI 的表達空間——只需描述「有幾個頁面、幾個模塊、每個模塊的內容與位置」——反而解決了這些問題。飛書 CLI 和後台云服務負責渲染,AI 修改 DSL 時也更難出錯,生成物甚至人類也能直接編輯。

但這引出了更核心的問題:少報錯本身沒意義,關鍵是要讓老闆滿意。講者在回憶團隊會議的場景中找到了答案——兩個人在白板前爭吵、畫圈叉箭頭,其實是在通過碰撞和修改達成共識。飛書畫板的真正價值不是「AI 為你做 PPT」,而是成為人類和 AI 交流的高帶寬介面。DSL 恰好完美解決了這一點:AI 能更快響應人類意見,修改時更穩定,經驗模板更易複用。

基於這個洞察,講者做了個實驗:用 Codex 為自己的視頻工作流(選題→大綱→分鏡腳本)生成三個 DSL 模板。在和 AI 探討選題時,AI 不僅搜索,還調用講者預先做好的異步渲染工具實時更新畫板。當講者給稿件讓 AI 轉分鏡時,AI 甚至生成了手繪分鏡圖。那一刻他感受到 AI 像是站在白板旁邊的夥伴,他指點問題,AI 修改並用最佳效果呈現。

為了更極致的體驗,講者還整合了牛馬語音 Agent 和 PS5 手柄,用語音下令、用手柄的 L1/R1 控制縮放翻頁、投影屏幕實時展示。躺平辦公、邊躺邊改的體驗直接爆炸。

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。