KeyFrame內部研究專用

Lovable AI Tutorial for Beginners - Build Your First App

Kevin Stratvert·6月22日週一·11 min英文

三句話摘要

使用 Lovable AI 平台透過自然語言快速建構功能完整的 Web 應用程式,無需編程知識。 清楚的需求定義、充分的計劃審視和迭代式逐步改進,是不用編程知識也能快速建構功能完整應用程式的三大關鍵。 提示詞的四大核心要素:清楚定義應用目標、用戶操作流程、設計風格和技術約束。在提示詞中主動要求 AI 提出澄清問題,能大幅改善最終結果,因為自然語言本身就充滿歧義。

重點整理

重點
  • 1

    提示詞的四大核心要素:清楚定義應用目標、用戶操作流程、設計風格和技術約束。在提示詞中主動要求 AI 提出澄清問題,能大幅改善最終結果,因為自然語言本身就充滿歧義。

  • 2

    計劃模式是防守型投資:執行前讓 AI 生成詳細計劃(含非技術和技術部分),花時間審視這份計劃能及早發現問題。若發現不對勁立即修正提示,避免應用程式生成後才返工,效率差數倍。

  • 3

    迭代式編輯優於完美初稿:從 1-2 個核心功能開始,用簡單文字提示和問題截圖逐步改進。相比試圖一次性寫完整提示,分次迭代修正的實際結果往往更接近預期。

  • 4

    安全發佈與無店發行:內建安全掃描工具檢測潛在風險,支援多使用者認證功能。透過 PWA 技術將應用程式以應用程式圖示的形式安裝到手機,完全無需經過應用商店審核。

實用技巧與重點

乾貨
  • 示例應用場景
  • 用途:語音記錄待辦事項,自動同步到 Google Calendar
  • 核心功能:語音轉錄、自然語言時間解析、自動排程、碰撞避免、用戶驗證
  • 工具與平台
  • Lovable(主要平台)
  • Google Calendar API(整合)
  • Lovable Connector(服務連接工具)
  • Progressive Web App - PWA(發佈形式)
  • 具體設定與規則
  • 任務預設時長:30 分鐘
  • 時間對齐單位:最近 15 分鐘增量
  • 時間消歧規則範例:
  • 早上 = 11 點前
  • 下午 = 13-16 點
  • 「下週一」 = 本週一還是下一週一
  • 發佈流程步驟
  • 初稿提示詞(含目標、流程、設計、約束)
  • 進入計劃模式並審視計劃
  • 外部設置(如連接 Google Calendar)
  • AI 生成應用程式
  • 迭代編輯與改進
  • 運行安全掃描並修復
  • 發佈為公開 URL
  • 轉換為 PWA 並設置應用圖示
  • 在手機主畫面安裝

結論

結論

清楚的需求定義、充分的計劃審視和迭代式逐步改進,是不用編程知識也能快速建構功能完整應用程式的三大關鍵。

完整解析

詳細

Lovable 平台的核心概念是讓非技術人員透過自然語言快速將創意轉化為可運作的應用程式。講者 David 以建構一個「語音待辦清單轉 Google 日曆」應用程式作為完整演示。

首先是撰寫有效提示詞。David 強調提示詞應包含四個關鍵要素:應用要解決的具體問題,用戶與應用互動的流程(用敘事文本說明每一步驟),設計外觀的簡潔描述詞(如「乾淨、流暢、極簡」),以及明確的技術約束或選擇。他建議初期只設定 1-2 個核心功能,因為大多數時間會花在外觀調整上。更重要的是,應該在提示詞中明確要求 AI 提出澄清問題,讓 AI 能夠深入理解意圖而非盲目猜測。

進入計劃模式是第二個關鍵步驟。這個模式讓 AI 在實際編寫程式碼前先建立詳細計劃,包括視覺設計、用戶流程和技術實現細節。David 強調必須花時間完整閱讀這份計劃,特別是非技術人員應至少檢視設計和流程部分。如果發現任何問題,應立即在提示框中提出修正,這樣的前期投資能避免應用程式生成後才發現基礎性錯誤。

應用程式生成後,David 展示了實際的迭代過程。初版應用程式雖能執行語音轉錄並加入日曆,但時間處理有缺陷。任務時間沒有對齐到 15 分鐘時段,導致與現有行程產生碰撞。他透過簡單的文字提示「任務應設定為最近的 15 分鐘時段,不在過去也不在當下」來要求修正。隨後他新增了複雜功能:支援自然語言時間表達(「明天十點」、「週五下午」、「下週一早上」等)。這次編輯遇到困難,系統仍誤解時間。David 採用截圖呈現具體問題,並推測可能的根因(「看起來像時區問題,時間差了約七小時」),然後進入計劃模式讓 AI 重新規劃。整個過程展示了當遇到複雜問題時,視覺化證據和具體推理遠比含糊其詞的指示有效。

在功能完善後,David 處理了安全性與多使用者支援。他複製貼上一份提示詞要求應用程式改為支援使用者自己的 Google 帳號登入,而非硬編碼帳號。Lovable 提供了內建的安全掃描工具,能在發佈前自動檢測潛在漏洞,並提供「全部修復」按鈕以無額外成本進行修正。發佈流程包括取得免費 URL、選擇可見性等級和設定後設資料。

最後的創新部分是將應用程式轉換為 Progressive Web App。David 用最簡單的方式提示:「讓我可以在手機上將這個應用程式作為應用程式圖示安裝,使用青綠色麥克風圖示」。AI 自動處理所有 PWA 設定,讓使用者可以像安裝原生應用一樣將其加到手機主畫面,完全無需發佈到應用商店。

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

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。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。