KeyFrame內部研究專用

Vibe Coding Your First App in 2026 (AI App Builder)

Zinho Automates·7月29日週三·12 min英文

三句話摘要

使用 Softr 視覺化編碼平台,從自然語言提示一次對話內構建完整可交付的業務應用程式。 --- Softr 真正實現了視覺化編碼的承諾——一次對話內用自然語言從零構建包含資料庫、認證與權限控制的完整可交付應用,讓非專業開發者能直接交付商業軟體給客戶。 真實應用與演示的根本差異在於後端基礎設施。大多數視覺化編碼工具只生成前端頁面,但可交付的應用需要真正的資料庫、使用者驗證、權限管理。Softr 將這些自動化,讓應用從第一天起就具備商業軟體的完整架構。

重點整理

重點
  • 1

    真實應用與演示的根本差異在於後端基礎設施。大多數視覺化編碼工具只生成前端頁面,但可交付的應用需要真正的資料庫、使用者驗證、權限管理。Softr 將這些自動化,讓應用從第一天起就具備商業軟體的完整架構。

  • 2

    描述問題優於列舉功能能得到更好結果。「我需要追蹤客戶是否付款」這樣的需求陳述,比「給我狀態下拉選單」能讓 AI 理解業務邏輯並自動衍生完整的資料模型與工作流程。

  • 3

    內置權限系統確保多使用者安全與隔離。定義使用者角色後,系統自動生成登入、註冊、密碼重設等認證機制,並根據角色限制可見資料,使客戶無法存取他人資訊。

  • 4

    漸進式開發模式勝於一次性複雜提示。每個提示處理一項功能,逐步添加時能確保各部分正確實現;大量需求堆積在單一提示中容易導致部分功能遺漏。

  • 5

    --

實用技巧與重點

乾貨
  • 工具與平台
  • Softr(視覺化編碼平台)
  • 應用架構四層
  • Interface(介面層):使用者看到的頁面
  • Data(資料層):關聯式資料庫與表格連結
  • Users(使用者層):身份驗證、角色、權限
  • Workflow(工作流程層):自動化與業務邏輯
  • 自動生成的預設頁面
  • 登入頁、註冊頁、忘記密碼、重設密碼
  • 發票應用案例的關鍵功能
  • 關聯式資料庫(Invoices 表與 Clients 表自動連結)
  • 付款狀態欄位(已付款 / 未付款 / 逾期)
  • 視覺狀態指示器
  • 工作流程自動化(標記為已付款時自動記錄時間戳記)
  • PDF 匯出功能
  • 使用者角色(管理員可見全部、客戶只見自己的發票)
  • 三項構建規則
  • 描述問題而非功能
  • 每個提示一項功能,逐步疊加
  • 保留手動微調權限(顏色、細節、自訂元件)
  • --

結論

結論

Softr 真正實現了視覺化編碼的承諾——一次對話內用自然語言從零構建包含資料庫、認證與權限控制的完整可交付應用,讓非專業開發者能直接交付商業軟體給客戶。

完整解析

詳細

視覺化編碼的承諾經常流於空談。許多開發者把「應用」與「演示」混淆,用視覺化工具快速生成漂亮的前端介面,卻忽視了真正可交付軟體所需的基礎設施——沒有資料庫就無法儲存真實數據,沒有認證系統就無法管理使用者,沒有權限控制就無法保護隱私。Softr 解決了這個根本矛盾,它在生成 UI 的同時自動構建整個應用生態。

當使用者提交一個需求提示時,Softr 不只是擺放頁面元素,而是同步推導出四個層面的完整架構。以發票管理應用為例,一個精心描述的需求——「構建發票應用,為每個客戶建立並發送發票、追蹤付款狀態、集中查看全部發票」——會自動生成包含 Invoices 與 Clients 表格的關聯式資料庫、每筆發票的付款狀態欄位(已付款 / 未付款 / 逾期)、視覺指示器,甚至包括工作流程自動化(當發票標記為已付款時系統自動記錄時間戳記)。這些都發生在一個提示內。

更關鍵的是使用者管理層。定義角色後——比如「我是管理員,看得到全部客戶和發票;客戶登入後只看自己的發票」——系統自動生成完整的認證基礎設施:登入頁、註冊頁、密碼重設頁。更重要的是存取控制邏輯嵌入每個資料記錄,確保客戶看不到他人的發票。這一步標誌著應用從「展示用原型」躍升為「可以真正交付給客戶運營的商業軟體」。

成功構建的訣竅在於三個規則。首先,向 AI 描述你的業務問題而非要求特定功能——「我需要追蹤客戶是否付款」遠勝於「給我一個狀態下拉選單」,因為前者能引導 AI 推導完整的資料模型與工作流程。其次,逐步構建而非一次列舉——每個提示處理一項功能,觀察結果再移向下一步,避免複雜提示導致部分功能實現不完整。最後,保留人工微調的空間——你不必完全依賴 AI,可直接點擊任何元件進行手動調整、改變顏色或實現自訂邏輯,讓 AI 處理架構大事,你負責細節優化。整個過程中,自訂元件仍然建立在真實的資料庫與權限系統之上,不會因為個人調整而破壞既有的應用結構。

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。