KeyFrame內部研究專用

How to Use Claude Design to Build an App (Step by Step)

Max Max·8月3日週一·17 min英文

三句話摘要

用 Cloud Design 進行視覺設計,再導出到 Lovable 開發功能,避免在單一工具中同時解決設計與技術問題。 分離設計與功能到各自最適合的工具,能讓應用兼具視覺精緻度和完整功能,從原型到線上產品無需中途重來。 分離工具職責的核心邏輯 — 大多數 AI 應用看起來不完整,因為人們在同一工具內同時解決設計與功能。分開兩個問題,各用最適合的工具,效率才會提升。

重點整理

重點
  • 1

    分離工具職責的核心邏輯 — 大多數 AI 應用看起來不完整,因為人們在同一工具內同時解決設計與功能。分開兩個問題,各用最適合的工具,效率才會提升。

  • 2

    Cloud Design 的設計優勢 — 這個工具只專注視覺層面(版面、配色、字體、視覺方向),不用同時考慮功能實現,因此產出的原型視覺質感更精緻,比 Lovable 從空白提示開始生成更有方向感。

  • 3

    無痛整合的關鍵 — 設計導出為完整 ZIP 檔,直接上傳到 Lovable,工具間的切換流暢無阻礙,後續所有功能疊加都建立在既有視覺系統上,不必中途重做設計。

  • 4

    功能添加的優先順序 — 認證與數據庫要一起建,確保資料隔離規則從初期就嵌入系統;AI 功能則能引用用戶已保存的投資組合,提供個人化回應。

實用技巧與重點

乾貨
  • 工具與服務:Cloud Design(視覺原型)、Lovable(功能開發與發佈)、加密貨幣投資組合網站(示例項目 NovaCoin)
  • 設計元素:深藍紫至電藍漸層、霓虹配色、玻璃態效果(Glassmorphism)、黑色背景、未來感風格
  • 功能模組:Hero 區塊、Tokenomics 區塊、四階段路線圖、團隊介紹、社群區塊、登入後個人儀表板、加密貨幣監控清單、持倉追蹤(代幣名稱、數量、買入價)、用戶私密數據隔離、AI 聊天機器人(引用用戶投資組合提供建議)
  • 工作流步驟:(1) Cloud Design 視覺設計 → (2) 導出 ZIP 檔 → (3) Lovable 上傳 → (4) 添加認證+數據庫 → (5) 添加 AI 聊天機器人 → (6) 發佈至公開 URL
  • 數據結構:每位認證用戶擁有獨立監控清單與持倉紀錄,包含代幣、名稱、數量、購買價格欄位,數據私密性限於該帳戶

結論

結論

分離設計與功能到各自最適合的工具,能讓應用兼具視覺精緻度和完整功能,從原型到線上產品無需中途重來。

完整解析

詳細

大多數開發者在構建應用時陷入兩難:要麼設計精美但功能不完整,要麼功能完善但視覺落伍。這個問題的根源在於試圖在單一工具內同時解決設計與技術,導致兩者都被迫妥協。

講者提出的解決方案是分工——使用 Cloud Design 專注於視覺設計,然後導出到 Lovable 進行功能開發。Cloud Design 是 Claude 內建的工具,只需用自然語言描述你想要的應用樣貌,即可生成精緻的視覺原型。因為它只處理版面、配色、排版和整體視覺方向,無需考慮後端邏輯,產出的設計質感往往比 Lovable 從空白提示開始更為精緻。

實際示例使用 NovaCoin(虛擬加密貨幣投資組合網站)展示完整流程。首先在 Cloud Design 中用一段提示詞生成原型:描述深藍紫至電藍的漸層配色、霓虹細節、玻璃態卡片效果、未來感風格,包含 Hero 區塊、Tokenomics、路線圖、團隊和社群區塊。設計定案後,導出為 ZIP 檔。

接著上傳到 Lovable。這裡的關鍵是無痛整合——不需複雜的導入程序,直接將 ZIP 檔上傳到對話框,Lovable 自動重建視覺層。此時設計層保持不變,只是獲得了編輯功能。

然後分階段添加功能。第一步是認證與數據庫,透過一個完整的提示詞同時定義兩者,確保每位登入用戶都有私密的投資組合空間,能保存代幣名稱、數量、購買價格等數據。驗證完成後,添加 AI 聊天機器人——讓用戶能詢問投資組合相關問題,聊天機器人引用用戶已保存的數據提供個人化建議。整個過程中,最初在 Cloud Design 定義的視覺風格——黑色背景、霓虹色、玻璃態效果——始終保持一致,新增的儀表板自然融入原有設計,不顯得生硬或倉促。

最後發佈為公開 URL,完整產品無需從零開始。這個流程的優勢是每個工具只做它最擅長的事,設計工作在工具切換時不會被破壞或重做,後續所有功能都堆疊在既有視覺基礎上。

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。