KeyFrame內部研究專用

不用反复写提示词了!Codex APP 这个插件,圈一下就能改图

AI随风·6月25日週四·6 min中文

三句話摘要

COOT 插件在 Claude App 中的使用指南——通過標註方式高效進行圖片局部編輯的工具。 COOT 通過標註方式實現風格保持下的高效局部編輯,特別適合設計師和產品經理快速迭代原型與視覺稿。 安裝簡單 — COOT 提供自動安裝和手動下載兩種方式,自動安裝最便捷,安裝後在插件列表中選擇即可使用。

重點整理

重點
  • 1

    安裝簡單 — COOT 提供自動安裝和手動下載兩種方式,自動安裝最便捷,安裝後在插件列表中選擇即可使用。

  • 2

    標註編輯流程 — 先讓 Claude 生成圖片,打開繪軟器查看後在需要調整的區域進行標註,輸入修改要求,截圖並複製給 Claude 執行,插件會根據標註資訊進行精準調整。

  • 3

    風格保持能力 — COOT 在編輯時進行了特殊的提示詞處理,能夠保持調整後的圖片與原圖風格一致,避免使用普通截圖或提示詞方式導致的風格丟失問題。

  • 4

    應用場景 — 特別適合需要局部微調的設計工作,如原型設計、電影海報、應用商城首頁、圓形設計等,相比全新生成更高效精準。

實用技巧與重點

乾貨
  • 工具信息
  • 名稱:COOT
  • 平台:GitHub(作者為國人)
  • 熱度:2.7k stars
  • 安裝位置:Claude App 插件目錄
  • 安裝方式
  • 自動安裝:將對話發給 Claude,自動安裝
  • 手動安裝:下載項目放入指定插件路徑
  • 核心功能流程
  • 選擇插件 → COOT 生成圖片
  • 打開繪軟器預覽
  • 點擊標註,選擇要調整區域
  • 輸入調整要求(如「拿一把劍」、「換成刀」)
  • 截圖整個屏幕
  • 回到 Claude 選擇轉繁 → code → edit
  • 複製截圖並發送
  • 應用場景
  • 電影海報宣傳畫面
  • 應用圖示(圓形、方形)
  • 首頁設計(含菜單、活動、商品、導航)
  • 畫冊與封面設計
  • 網頁佈局調整(如一行四個改一行一個)
  • 關鍵特性
  • 保持原圖風格
  • 局部精準調整
  • 避免風格丟失
  • 提示詞單獨處理

結論

結論

COOT 通過標註方式實現風格保持下的高效局部編輯,特別適合設計師和產品經理快速迭代原型與視覺稿。

完整解析

詳細

COOT 是一款在 Claude App 生態中新興的圖片編輯插件,作者為國人開發者,目前在 GitHub 上已獲得 2.7k 個 stars,成為最近非常熱門的工具。它解決的問題是傳統圖片調整的低效性——使用者通常需要透過截圖方式進行圖片修改,這個過程不僅繁瑣,還容易導致風格不一致。

插件的安裝非常便捷,使用者有兩種選擇:最簡單的是自動安裝方式,將特定對話發送給 Claude,它會自動進行安裝;或者手動下載項目放入指定的插件路徑。安裝完成後,使用者可以在插件列表中找到 COOT,點擊即可開始使用。

實際使用流程是:首先要求 Claude 生成圖片(例如武俠電影海報、應用商城首頁等),系統會打開繪軟器供使用者預覽結果。如果對圖片有局部調整需求,使用者可以使用標註功能——點擊要調整的區域並描述具體要求。例如,在電影海報中,使用者可以標註「主角左手拿劍改成拿刀」,系統會精確理解並執行。完成標註後,使用者截圖、複製圖片和標註信息,返回 Claude 選擇 COOT 的編輯功能,發送標註後的圖片,插件就會根據標註資訊進行調整。

COOT 最大的優勢在於它能保持調整前後的風格一致性。由於在編輯時進行了特殊的提示詞處理,調整後的圖片風格不會偏離原圖,這是使用其他截圖或直接提示詞方式無法達成的。例如在應用首頁設計中,使用者可以將「一行四個商品」調整為「一行一個商品」,而圖片的整體視覺風格、色彩、排版邏輯等都能保持原汁原味。

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。