KeyFrame內部研究專用

The Only AI Tools You Need

Tina Huang·6月29日週一·13 min英文

三句話摘要

AI 創作者分享日常工作與生活中的 10+ 個必用 AI 工具,涵蓋個人生活、軟體開發、團隊管理與內容創作等領域。 掌握 3-4 個核心工具並將其串聯成自動化工作流程,比盲目追逐所有 AI 產品更能提升實際生產力,且本地運行開源模型可在隱私、成本與可控性間取得最佳平衡。 分層工具策略勝於全能工具:Tina 的核心哲學是掌握少數工具用到爐火純青,而非盲目追逐市場上的每個 AI 產品。這樣能在深度工作時發揮最大效率,而非浪費時間適應新工具。

重點整理

重點
  • 1

    分層工具策略勝於全能工具:Tina 的核心哲學是掌握少數工具用到爐火純青,而非盲目追逐市場上的每個 AI 產品。這樣能在深度工作時發揮最大效率,而非浪費時間適應新工具。

  • 2

    本地 AI 模型成為開發基礎設施:透過 Mac Studio 本地運行 Qwen、Llama、GLM 等開源模型,既保護隱私,又避免 API 成本,特別適合在香港這類服務受限的地區。

  • 3

    工作流程自動化比單點工具更重要:無論是早晨簡報、投資組合追蹤或內容規劃,價值來自於把多個工具串聯成完整工作流程(多數用 Claude Cowork 或 Hermes 建構),而非單純使用某一個工具。

  • 4

    人工保留在高價值決策環節:內容創作仍保持 100% 人工製作,AI 工具只在研究、資料蒐集、輔助製圖等層面協助,確保核心創意與品質來自人類。

實用技巧與重點

乾貨
  • Home Base 工具:
  • Claude Cowork(Anthropic 開發,本地 AI 代理)
  • Claude Chat(general chatbot)
  • Perplexity(多模型搜尋,不需 VPN 在香港可用)
  • Builder Dungeon 開發工具:
  • AI 編碼:Claude Code(深層自主開發)、Cursor、Codex、Warp(多代理協調)
  • 快速原型:Vault(通用)、Retool(商業應用)
  • 無程式碼代理:NAN
  • 程式碼代理:OpenAI's Agents SDK
  • 本地硬體:Mac Studio,M4 晶片 + 64GB RAM
  • 開源模型:Qwen、Llama、GLM、MiniMax
  • 本地 AI 代理:
  • Hermes(開源本地 AI)
  • Claude Cowork(Anthropic)
  • 核心基礎設施:
  • SERP API:99.9% 正常運作時間、1.2 秒平均回應時間、250 免費搜尋額度
  • Octopus HQ(公司 10+ 人團隊):
  • 溝通管理:Claude Cowork、Notion、Notion AI、Google Workspace(Drive、Docs、Sheets、Meet、Gemini)、Whisperflow(音訊輸入)
  • Discord、Slack、Notion 訊息追蹤工作流程
  • 內部工具:自建會計、銀行、稅務軟體
  • Content Studio:
  • Hermes:追蹤 Reddit、X、Hacker News、Instagram、YouTube 的 AI 話題趨勢,產生研究大綱
  • Claude Cowork:生成視覺資產與圖表
  • AI Tina:基於所有社群媒體內容訓練的 Q&A 介面
  • 內部工具:自動生成影片配套資源

結論

結論

掌握 3-4 個核心工具並將其串聯成自動化工作流程,比盲目追逐所有 AI 產品更能提升實際生產力,且本地運行開源模型可在隱私、成本與可控性間取得最佳平衡。

完整解析

詳細

Tina 在影片開頭便強調了個人的 AI 工具哲學:與其追逐市場上琳瑯滿目的工具,不如掌握少數核心工具用到極致。這個策略貫穿她整個工作與生活的四個主要領域。

在家庭生活(Home Base)層面,早晨自動簡報是她的主要工作流程——系統會自動整合電子郵件、Slack 訊息、行事曆與投資組合,讓她一打開電腦就能掌握一天的優先事項。這套流程由 Claude Cowork 建構,無須寫程式碼。此外,她用 Claude Chat 回答日常生活問題,用 Perplexity 進行較為客觀的多來源搜尋。值得注意的是,Perplexity 因為不需要 VPN,成為在香港被 Google、OpenAI 等服務封鎖情況下的實用替代方案。

在開發領域(Builder Dungeon),她的工作流程更為複雜。對於深層開發工作,她混合使用 Claude Code、Cursor、Codex 和 Warp;對於快速原型,她選擇 Vault 或 Retool。支撐這一切的是一台本地 Mac Studio(M4 晶片、64GB RAM),上面運行 Qwen、Llama、GLM、MiniMax 等開源大型語言模型,確保隱私與成本控制。她強調,對於任何需要實時網路搜尋的工作流程,SERP API 是不可或缺的基礎設施——它提供乾淨、結構化的搜尋結果,平均延遲僅 1.2 秒,正常運作時間達 99.9%。

在公司管理層面(Octopus HQ),Tina 領導著一支 10 人以上的遠端團隊。她用 Claude Cowork 自建訊息追蹤工作流程,串聯 Discord、Slack 和 Notion;用 Notion AI 快速檢索文件;大量倚賴 Google Workspace(包含嵌入的 Gemini)進行會議轉錄與文件撰寫;用 Whisperflow 進行音訊輸入。公司內部還自建了會計、銀行、稅務軟體,利用本地 AI 模型保護敏感財務資料。

在內容創作層面(Content Studio),儘管她是 AI 教育創作者,但製作過程保持 100% 人工主導。Hermes 作為主要工具,透過監測 Reddit、X、Hacker News 等平台的趨勢,自動生成感興趣的 AI 話題與研究大綱;她再基於這些資訊進行深入研究、實驗工具、錄製影片。此外,她用 Claude Cowork 生成圖表資產,用內部工具自動生成影片配套資源,用「AI Tina」(以她所有社群媒體內容訓練的聊天介面)協助團隊快速查詢她過去講過的內容,而無須每次都直接詢問她本人。

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。