KeyFrame內部研究專用

The Ultimate Beginner’s Guide to Vibe Coding (Replit)

Zinho Automates·7月23日週四·13 min中文

三句話摘要

用 AI 代碼生成工具(Replit)無碼快速構建網站、應用、在線商店與遊戲的完整實戰指南。 無需編碼、用自然語言幾分鐘內就能構建生產級應用(網站、應用、商店、遊戲),真實支援使用者認證與支付整合,徹底改變了應用開發的進入門檻。 規劃優先於編碼:開啟 Plan 模式讓 AI 先映照應用的完整架構、資料庫設計與元件配置,在生成前逐一審核,避免後續返工修改。

重點整理

重點
  • 1

    規劃優先於編碼:開啟 Plan 模式讓 AI 先映照應用的完整架構、資料庫設計與元件配置,在生成前逐一審核,避免後續返工修改。

  • 2

    用業務敍述取代功能清單:不是說「加一個五行導航欄」,而是完整描述你的生意在做什麼,讓 AI 自動推導必需功能和設計。

  • 3

    真實應用的隱形分界線:必須在提示詞中明確加入「每個使用者只能看到自己的資料」,否則所有新用戶都會互相看到彼此的訊息,這是演示與實用應用的本質差異。

  • 4

    迭代而非宿命:首次輸出只是起點,可用後續提示詞反覆微調設計、排版或功能,逐步逼近理想狀態,不必被第一版鎖死。

實用技巧與重點

乾貨
  • 工具:Replit(搭載 Agent 4 引擎)
  • 核心設定
  • Plan Toggle:前置規劃模式
  • Agent Mode:Economy(成本最優、速度品質均衡)
  • App Testing:預設開啟、自動測試
  • 內建整合:Gmail、Discord、Google Calendar、Docs、Drive、Sheets、GitHub、Shopify
  • 設計迭代工具:Canvas 功能同時生成多個設計方向供對比選擇
  • 四條核心法則
  • 每次都開啟 Plan Mode
  • 保持 Economy 模式,無特殊需求勿升級
  • 用真實瀏覽器標籤測試(非模擬環境)
  • 用後續提示詞迭代,首次輸出非終點

結論

結論

無需編碼、用自然語言幾分鐘內就能構建生產級應用(網站、應用、商店、遊戲),真實支援使用者認證與支付整合,徹底改變了應用開發的進入門檻。

完整解析

詳細

Vibecoding 這個概念在網路上到處流行,但大多數教學影片只展示激動人心的部分——輸入提示詞、看著應用憑空出現——然後就停止。它們從未說明如何把一個看起來亮麗的演示變成真正能營運的生意。這支影片要展示全貌。

講者用 Replit 這個 AI 代碼平台來示範。它不只是應用構建器,而是一個多功能系統,能建網站、行動應用、設計工具、試算表、投影片、文件、動畫、數據視覺化、3D 遊戲——全在同一瀏覽器頁籤內完成「規劃→代碼→託管→取得實時連結」的全流程。

第一個案例是為特種咖啡烘焙廠 Ember and Oak 構建官網。開啟 Plan 模式、選 Economy 代理、寫提示詞時完整描述業務(我們是誰、賣什麼、網站要做什麼),AI 先映照頁面架構、組件、色彩與字體。用戶審核後開始構建。期間可用 Canvas 功能同時檢視三種設計方向,選最符合品牌的版本。一個提示詞加迭代後,真正活的官網就上線了。

第二個案例是構建健身紀錄應用,這是多數教學跳過的部分。需要真實使用者帳戶、登入機制、資料持久化。最關鍵的細節是在提示詞明確說「每個使用者只能看到自己的資料」,否則所有帳戶都會互相看到彼此的紀錄。同樣三步流程,一個能在行動裝置上運作的真實應用誕生——使用者隔離、紀錄追蹤,全自動完成。

第三個案例進階到商業層面:構建接受真實支付的在線商店。AI 先設計店面流程,再由使用者連接 Shopify 帳戶(平台內建整合),AI 完成購物車與結帳。結果是真正的店面,能收真實訂單、真實金款。這代表從「構建應用」升級到「構建賺錢生意」的轉變。

最後是 3D 無盡跑酷遊戲,展示平台極限。玩家自動向前、躲避障礙、累積分數。一個簡潔提示詞就夠。講者再用後續提示詞加入雙人同屏對戰(方向鍵 vs WASD),遊戲從單人變雙人。

視頻歸納四條核心法則:開啟 Plan 模式讓 AI 先規劃、保持 Economy 模式不必要不升級、用真實瀏覽器測試、用後續提示詞迭代改進。

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。