KeyFrame內部研究專用

救命!現在 ChatGPT 做簡報太強了吧?7步驟學會這套「高級簡報流」,原地變成簡報神人!【欸那個AJ】

欸那個AJ·5月29日週五·9 min中文

三句話摘要

用ChatGPT的GPTs功能和專案文件夾,配合系統提示詞與圖像生成,十分鐘內製作出專業演示簡報。 通過GPT的專案文件夾、多重資料來源與系統提示詞的組合,配合Thinking延伸模式批量生成,任何人都能無需設計技能在十分鐘內製作出專業級簡報。 專案資料夾的「僅限專案」功能至關重要:避免不同專案間的AI回應相互混淆,因為GPT會參考過往對話記錄。一旦建立專案後無法變更此設定,必須在建立時就調整。

重點整理

重點
  • 1

    專案資料夾的「僅限專案」功能至關重要:避免不同專案間的AI回應相互混淆,因為GPT會參考過往對話記錄。一旦建立專案後無法變更此設定,必須在建立時就調整。

  • 2

    兩階段轉換流程保留修改彈性:先生成文字大綱(可編輯Canvas模式調整),再轉換為圖像,讓內容在仍為文字時可以修改,避免生成圖片後的高成本調整。

  • 3

    批量生成需要Thinking延伸模式:生成8張圖片時必須使用Thinking模式並改為延伸設定,才能提高準確性與一致性,標準模式無法勝任複雜的批量任務。

  • 4

    系統提示詞作為專案核心配置:在專案設定中輸入詳細的系統提示詞,讓GPT在生成簡報時參考所有資料來源(文章、風格規範、提示詞),達到高度客製化結果。

實用技巧與重點

乾貨
  • 工具與模型
  • ChatGPT.com(需認準官方Logo)
  • 「AI簡報設計大師」GPTs(免費帳號可用,付費帳號可製作)
  • GPT-4.5 + GPT Image 2模型
  • MacPrime Mac程序(系統監控工具,官網免費下載)
  • 數據源管理
  • 簡報風格設計規範Markdown
  • 架構模式提示詞
  • 腦力激盪策略文件
  • 系統提示詞(非常冗長,官網下載)
  • 關鍵設定
  • 專案文件夾→仙女齒輪→改為「僅限專案」(不可變更)
  • 創作圖像→指定16:9寬螢幕格式
  • Thinking模式→改為「延伸」而非標準
  • 輸出8頁大綱→複製前8頁→生成8張圖片
  • 流程標準化
  • 8頁大綱→8張幻灯片→1份PDF
  • 直接命令:「請幫我把以下八頁的簡報大綱製作成八張簡報的圖片」
  • 用三個雙引號「```」包住大綱內容
  • 生成完畢後直接要求「幫我把這八張圖片放在同一份PDF檔案裡面給我下載」

結論

結論

通過GPT的專案文件夾、多重資料來源與系統提示詞的組合,配合Thinking延伸模式批量生成,任何人都能無需設計技能在十分鐘內製作出專業級簡報。

完整解析

詳細

這套工作流程解決的核心問題是:傳統簡報製作需要美編技能,而現在的AI已經完全可以取代美編和助理工作。講者AJ展示了一個系統化的方法,讓任何人都能在10分鐘內製作出看起來專業的簡報。

整個流程分為三個階段。首先是準備階段,使用ChatGPT官網的GPTs功能進入「AI簡報設計大師」這個定制工具。這個工具提供四個快捷按鈕,分別應對沒有靈感、需要風格建議、需要討論風格、需要視覺分析四種情況。講者的例子是取用自己官網上的「AI學習筆記」文章(「AI時代我的第三選擇」),貼給GPT要求生成簡報風格設計規範,系統會自動產出結構化的Markdown。

其次是專案管理階段,這是效率的關鍵。講者強調必須建立專案文件夾,並在設定中把「僅限專案」從預設值改掉——這一步不可逆,目的是防止AI混淆不同專案的上下文。在專案中,使用者可以新增多個資料來源:風格規範、架構模式、製作策略等。講者舉例放入了簡報製作的策略提示詞,還在專案設定裡配置系統提示詞(官網會提供下載)。這樣GPT在後續生成時,就能參考所有這些客製化資訊,確保輸出貼近需求。

第三是生成與導出階段。講者用自己做的「MacPrime Mac」系統監控工具作案例,貼URL給GPT要求生成簡報大綱。GPT會自動讀取專案的資料來源和系統提示詞,加上網路資料,直接生成結構化大綱。為什麼先產大綱而不直接生成圖片?因為文字階段還能編輯修改。如果滿意,複製前8頁的大綱內容。接著進入創作圖像模式,用指令「請幫我把以下八頁的簡報大綱製作成八張簡報的圖片」,將大綱用三個雙引號包住。這裡有個重要技巧:指定16:9寬螢幕格式,並且一定要用Thinking模式(改為延伸而非標準),才能確保8張圖片的一致性和質量。兩分鐘後,8張演示風格的圖片就生成了。最後,直接要求「幫我把這八張圖片放在同一份PDF檔案裡面給我下載」,GPT會自動合併成單一PDF,使用者按下載就完成了。

講者提到,現在GPT-4.5搭配GPT Image 2在中文字生成品質上已經超過Notebook M。整個流程的精妙之處在於層層遞進的系統化設計:先整理資訊(資料來源),再規範表達(系統提示詞),再生成大綱(保留修改機會),最後才生成視覺呈現,每一步都有退路,最小化無謂返工。

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。