在 AI 视频模型领域，字节 (ByteDance) 的 Seedance 2.0 模型能力备受瞩目。即便与 Google 旗舰级 Omni 模型相比，其在角色一致性与物理逻辑的表现上仍具显著优势。
Krea AI 的 Seedance 2.0 列为付费模型，但 iOS 移动端应用 当前出现了权限 Bug？当前可以无需消耗订阅额度，直接调用包括 Seedance 2.0 在内的多个高级模型。
本操作目前仅限 iOS 平台，且不排除官方在未来修复（Hotfix）此权限。
在实际测试中，Seedance 2.0 的生成速度与质量表现如下：
为验证 Seedance 2.0 的多动捕物理特性与光影渲染，可参考以下复杂的镜头提示词：
这篇文章将这 31 个技巧汇编成一份详尽的指南，按从“入门基础”到“高级模式”的逻辑重新组织，并补充了 280 个字符无法容纳的深度背景信息。
无论你是刚刚起步，还是希望利用 Claude Code 提升段位，这里都有适合你的内容。
在深入研究具体功能之前，首先要配置 Claude Code，让它真正理解你的项目。
每个新成员都需要入职文档。使用 /init，Claude 会为自己写一份。
Claude 会读取你的代码库并生成一个 CLAUDE.md 文件，包含：
这是我在任何新项目中运行的第一条命令。
对于大型项目，你还可以创建一个 .claude/rules/ 目录，用于存放模块化、特定主题的指令。该目录下的每个 .md 文件都会作为“项目记忆”与 CLAUDE.md 一起自动加载。你甚至可以使用 YAML frontmatter 基于文件路径有条件地应用规则：
可以把 CLAUDE.md 想象成你的项目总指南，而 .claude/rules/ 则是针对测试、安全性、API 设计等特定领域的专项补充。
想把某些东西存入 Claude 的记忆，又不想手动编辑 CLAUDE.md？
在过去，你需要用 # 开头来让 Claude 将内容追加到文件中。但从 Claude Code 2.0.70 版本开始，流程变得更简单了——你只需要直接告诉它去更新。
直接告诉 Claude 记住它：
“Update Claude.md: always use bun instead of npm in this project”
(更新 Claude.md：在这个项目中始终使用 bun 而不是 npm)
无需打断你的心流，继续编码即可。
@ 提及是将上下文传递给 Claude 的最快方式：
在 Git 仓库中，文件建议的速度提高了约 3 倍，并且支持模糊匹配。@ 是从“我需要上下文”到“Claude 已获取上下文”的最短路径。
这些是你会频繁使用的命令。请将它们刻入肌肉记忆。
不要浪费 token 去问“你能运行 git status 吗？”
只需输入 ! 加上你的 bash 命令：
! 前缀会立即执行 bash 命令并将输出注入到上下文中。没有模型处理延迟，不浪费 token，无需切换多个终端窗口。
这一看似微小的功能，当你每天使用五十次后，就会意识到它的巨大价值。
想尝试一种“如果我们这样做……”的方法，但又不想承担后果？
尽管去试。如果情况变得奇怪，按两次 Esc 键即可跳回到干净的检查点。
你可以回退对话、代码更改，或者两者都回退。需要注意的是：已运行的 Bash 命令无法撤销。
你过去的提示词（Prompts）都是可搜索的：
不要重打，要去回忆。 这对斜杠命令（slash commands）同样适用，体验无缝衔接。
这就好比 git stash，但是用于你的提示词。
Ctrl+S 保存你的草稿。先发送其他内容。当你准备好时，你的草稿会自动恢复。
再也不用复制到记事本，再也不用担心在对话中途打断思路。
Claude 可以预测你接下来要问什么。
完成一项任务后，有时你会看到一个灰色的后续建议出现：
Tab 键曾经用于自动补全代码。现在，它自动补全你的工作流。可以通过 /config 切换此功能。
Claude Code 是一个持久化的开发环境，根据你的工作流对其进行优化，将极大地提升效率。
不小心关掉了终端？电脑在任务中途没电了？没问题。
上下文得以保留，势头得以恢复。你的工作永远不会丢失。你还可以通过 cleanupPeriodDays 设置会话保留的时间。默认是 30 天，但你可以将其设置得更长，或者如果你不想保留会话，可以设为 0。
你的 Git 分支有名字，你的 Claude 会话也应该有。
/resume 界面会对分叉（forked）的会话进行分组，并支持快捷键：P 预览，R 重命名。
在网页上开始任务，在终端里完成它：
这会将云端会话拉取并恢复到本地。无论在家还是在路上，Claude 都在。这也适用于 iOS 和 Android 的 Claude 移动应用，以及 Claude 桌面应用。
有时你需要一份关于发生了什么的记录。
/export 将你的整个对话转储为 Markdown 格式：
非常适合用于文档编写、培训，或者向过去的自己证明：是的，你确实已经尝试过那种方法了。
这些功能旨在消除摩擦，帮助你更快地行动。
厌倦了伸手去拿鼠标来编辑提示词？
输入 /vim，解锁全功能的 Vim 风格编辑体验：
以思维的速度编辑提示词。你几十年的 Vim 肌肉记忆终于在 AI 工具中得到了回报。退出 Vim 模式也前所未有地简单，只需再次输入 /vim。
Claude Code 在终端底部有一个可自定义的状态栏。
/statusline 让你配置显示的内容：
一目了然的信息意味着更少的手动检查和中断。
想知道是什么吃掉了你的上下文窗口？
输入 /context 查看究竟是什么在消耗你的 token：
当你的上下文开始变满时，这就是你找出问题所在的方法。
输入 /stats 查看你的使用模式、最爱用的模型、连续使用天数 (Streaks) 等。
橙色是新的绿色 (Orange is the new green)。
“我快达到限额了吗？”
了解你的极限，然后超越它们。
控制 Claude 如何处理问题。
通过一个关键词按需触发扩展思考：
当你在提示词中包含 ultrathink 时，Claude 会在回答之前分配最多 32k token 用于内部推理。对于复杂的架构决策或棘手的调试会话，这往往决定了你得到的是肤浅的答案还是真正的洞察。
注：以前你可以指定 think, think harder, ultrathink 来分配不同数量的 token，但现在我们已将其简化为单一的思考预算。当配置了 MAX_THINKING_TOKENS 时，ultrathink 关键字将失效，配置项将优先控制所有请求的思考预算。
先驱散战争迷雾。
按两次 Shift+Tab 进入计划模式 (Plan Mode)。Claude 可以：
但在你批准计划之前，它不会编辑任何内容。三思而后行 (Think twice. Execute once.)。
我有 90% 的时间都默认处于计划模式。最新版本允许你在拒绝计划时提供反馈，使迭代更快。
直接使用 Claude API 时，你可以启用扩展思考来查看 Claude 的逐步推理：
Claude 在回答之前会在思考块 (thinking blocks) 中展示其推理过程。这对调试复杂逻辑或理解 Claude 的决策非常有用。
没有控制的力量只是混乱。这些功能让你设定边界。
/sandbox 让你一次性定义边界。Claude 在边界内自由工作。
你获得了速度，同时拥有真正的安全性。最新版本支持通配符语法，如 mcp__server__*，用于允许整个 MCP 服务器。
厌倦了 Claude Code 做什么都要请求许可？
这个标志对一切说 Yes。它的名字里带有“dangerously”（危险地）是有原因的——请明智地使用它，最好是在隔离环境或受信任的操作中。
Hooks 是在预定生命周期事件发生的 shell 命令：
通过 /hooks 或 .claude/settings.json 进行配置。
使用 Hooks 来阻止危险命令、发送通知、记录操作或与外部系统集成。这是对概率性 AI 的确定性控制。
Claude Code 的作用不止于交互式会话。
你可以将 Claude Code 用作脚本和自动化的强大 CLI 工具：
流水线中的 AI。-p 标志以非交互方式运行 Claude 并直接输出到标准输出 (stdout)。
将任何提示词保存为可复用的命令：
创建一个 Markdown 文件，它就变成了一个斜杠命令，并且可以接受参数：
不要重复自己。你最好的提示词值得被复用。
Claude Code 可以看到并与你的浏览器交互。
Claude 现在可以直接与 Chrome 交互：
“修复 Bug 并验证它能工作”现在只需一个提示词。从 claude.ai/chrome 安装 Chrome 扩展程序。
这是 Claude Code 真正强大的地方。
圣诞老人不会自己包装每一份礼物。他有精灵。
子代理 (Subagents) 就是 Claude 的精灵。每一个子代理：
像圣诞老人一样放权。子代理可以在后台运行，而你继续工作，它们拥有访问 MCP 工具的完全权限。
技能 (Skills) 是指导 Claude 完成特定任务的指令、脚本和资源的文件夹。
它们一次打包，随处可用。而且由于 Agent Skills 现在是一个开放标准，它们可以在任何支持该标准的工具中工作。
把技能看作是按需赋予 Claude 专业知识。无论是你公司特定的部署流程、测试方法论，还是文档标准。
还记得以前分享 Claude Code 设置意味着要跨 12 个目录发送 47 个文件吗？
那个时代结束了。
插件将命令、代理、技能、Hooks 和 MCP 服务器打包在一起。通过市场发现新的工作流，市场包含搜索过滤功能，便于发现。
LSP 支持赋予了 Claude IDE 级别的代码智能：
LSP 集成提供：
Claude Code 现在像你的 IDE 一样理解你的代码。
驱动 Claude Code 的代理循环、工具和上下文管理现在作为 SDK 提供。只需不到 10 行代码即可构建像 Claude Code 一样工作的代理：
这仅仅是个开始。
当我开始这个“倒数日历”时，我以为我只是在分享技巧。但回顾这 31 天，我看到了更多的东西：一种人机协作的哲学。
Claude Code 中最好的功能都是为了给你控制权。计划模式、代理技能、Hooks、沙盒边界、会话管理。这些是与 AI 协作的工具，而不是向它投降。
能从 Claude Code 中获得最大收益的开发者，不是那些输入“帮我做所有事”的人。而是那些学会了何时使用计划模式、如何构建提示词、何时调用深度思考 (Ultrathink)，以及如何设置 Hooks 在错误发生前捕获它们的人。
AI 是一个杠杆。这些功能帮助你找到正确的抓手。
致 2026 年。
近期，ChatGPT 5.1 Thinking 的 Juice Number 达到了 256。如果你的达不到，大概率是被降智了。
Juice Number 实质上是 ChatGPT 模型的 「思考预算 (Thinking Budget)」。
Juice 值不直接等同于模型的“智商”，但它限制了思维链 (Chain of Thought) 的长度。
当值过低时，即便模型本身能力强大，也会因为“思考预算不足”而表现出逻辑断层或回答肤浅，即常说的“降智”现象。
如果把 AI 的思考过程比作在纸上推演，Juice 值决定了这张纸的大小：
由于 Juice 值属于后台系统参数，常规对话无法直接获取。目前通用的检测方法是利用 Prompt Injection（提示词注入） 技术，通过伪装系统指令来绕过防御。
OpenAI 会根据 账号的风险评分（Trust Score） 动态调整算力资源。
常见原因：
降智表现：
不同模型的 Juice 值是不一样的，系统降智也有不同程度，可能会将 Juice 值从 256 降级至 128、96、64 甚至 16 等。
此时，模型在处理代码重构、长文本分析等复杂任务时，质量会显著下降。
以下是我的恢复步骤：
退出所有已登录该账号的设备（手机、电脑、平板等），确保没有任何活跃会话。
将账号闲置 48 小时。这段时间用于让后台的风控标记自动过期或重置。
最后重新登陆使用检测代码进行测试。
实测效果：
简单来说，GPT-5.1 的核心进化在于在智能和速度之间找到了一个绝佳的平衡点。
GPT-5.1 的可控性是它最大的亮点之一。可以像导演一样，精确塑造智能体的个性、沟通风格和行为模式，扮演每一个细节。
为智能体定义一个清晰的角色，是引导其个性和互动风格最有效的方式。这在需要处理复杂用户动态的客户服务等场景中尤为重要。 以下提示定义了一个注重效率和实用性的客户支持智能体：
通过 verbosity 参数和明确的提示指令，可以对输出的长度和结构进行精确控制。 为编码智能体设定的输出规则示例：
一个通用的输出长度控制指令：
在执行长耗时任务时，让智能体主动提供计划和进度更新，可以有效改善用户体验，并使用户能够监督其工作流。 定义更新频率、内容和时机的指令示例：
为防止智能体在复杂任务中过早结束，可通过提示强化其自主解决问题的持久性。
工具的有效使用，依赖于在定义中清晰描述其功能，并在提示中明确其使用场景。 create_reservation 工具的 JSON 定义：
配套的提示，用以指导模型如何与用户交互并调用该工具：
GPT-5.1 能够高效地并行执行无依赖关系的工具调用。在系统提示中鼓励这种行为可以显著提升任务执行效率。
GPT-5.1 集成了为编码场景设计的专用工具，允许模型直接与开发环境交互。
none 推理模式强制模型不使用内部推理步骤，使其在行为和性能上接近传统的非推理模型。这为低延迟应用和简单的工具调用场景提供了显著的性能优势。
尽管此模式下没有显式的“思考”链，但可以通过提示引导其进行隐式的规划和验证。
当智能体的行为与预期不符时，可以利用模型本身来分析和修正其系统提示。
诊断根本原因
向 GPT-5.1 提供其原始系统提示和一批失败案例的日志，要求它进行根本原因分析。
生成修订方案
基于第一步的分析结果，要求模型提出对原始提示的“外科手术式”修改。
通过这个两步流程，开发者可以利用模型自身的语言和逻辑能力，定位并修复提示中的模糊和矛盾之处，从而生成一个更健壮、行为更可预测的智能体。
总而言之，GPT-5.1 在可控性、效率和工具集成方面提供了新的可能性。掌握其提示工程原则，特别是行为塑造、工具使用规范以及自我修正等高级技巧，是构建下一代复杂 AI 应用的基础。
CLAUDE.md 是代码库的根目录中最重要的文件，它是代理理解你项目运作方式的核心规则。如何维护它，取决于使用场景。
正确示例:
“对于复杂的…用法，或当您遇到 FooBarError 错误时，请参阅 path/to/docs.md 以获取高级故障排除步骤。”
你需要向代理建议阅读这份文档的理由和时机。
正确示例:
“不要使用 --foo-bar，请优先选择 --new-baz。”
建议在编码会话中至少运行一次 /context，以了解你的 200k 令牌上下文窗口是如何被消耗的。
在一个大型单体仓库中，一次新的会话基本消耗可能就高达约 20k 令牌（10%），剩下的 180k 会很快被填满。
你可以将上下文窗口想象成磁盘空间，它会随着你的工作而填满。几分钟或几小时后，你需要清理（紫色部分）来腾出空间。
小提醒：
不要信任自动压缩。
使用 /clear 进行简单任务，并利用存储方法为复杂任务创建持久的外部记录。
我将斜杠命令视为常用提示词的快捷方式，仅此而已。我的设置非常精简：
小提醒：
如果你发现自己有一长串复杂的自定义斜杠命令，那你可能过度思考了。
AI 代理的魅力在于自然语言交互，一旦你开始强迫自己和团队去记一堆指令，就违背了初衷。
将斜杠命令用作简单的个人快捷方式，而不是用来替代构建更直观的 CLAUDE.md 和更完善的工具。
子代理听起来很美：把特定任务（比如跑测试）外包给专门的代理，只返回最终结果，从而保持主上下文的清洁。
然而，在实践中，自定义子代理会带来两个问题：
我更喜欢使用 Claude 内置的 Task(...) 功能来生成通用代理的副本。
这既能享受到子代理节省上下文的好处，又避免了其缺点。代理能够动态地管理自己的任务编排，而不是遵循固定的模式。
我经常使用 claude --resume 和 claude --continue 来重启出问题的终端或快速恢复旧会话。
我甚至会恢复几天前的会话，只为让代理总结它是如何解决某个特定错误的，然后用这些信息来优化改进 CLAUDE.md 和内部工具。
更进一步，Claude Code 将所有会话记录存储在 ~/.claude/projects/ 中。可以使用脚本定期对这些原始日志进行元分析，寻找常见的异常、权限请求和错误模式，以帮助优化改进给 AI 的上下文。
钩子 (Hooks) 是确定性的“必须做”规则，与 CLAUDE.md 中“应该做”的建议形成互补。在复杂的任务代码库里，这东西至关重要。
小提醒：
不要在“写入时”（比如 Edit 或 Write 操作）阻止。
打断它的思考过程会让它出现不明所以的判断。更好的方式是让它完成整个工作，然后在最后提交时检查结果。
对于任何大型功能变更，使用规划模式至关重要。
技能（Skills）可能是比 MCP 更好用。
智能体模型三个阶段：
Agent Skills
正是“脚本化”阶段的正式产品化。如果你像我一样，倾向于使用 CLI 而非 MCP，那么你其实一直在享受 Skills 带来的好处。SKILL.md 文件就是一个更规范、可共享的方式来告诉 AI 它能用哪些脚本和 CLI。
Skills 的出现并不意味着 MCP 已死，而是使其更加聚焦。
与其成为一个包含几十个工具、镜像 REST API 的臃肿接口，MCP 应该是一个简单、安全、提供少数强大高阶工具的网关。比如：
MCP 的工作会是管理认证、网络和安全边界，然后让开。为代理提供入口点，代理则利用其脚本化能力和上下文来完成实际工作。
Claude Code 不仅仅是一个交互式 CLI，它还是一个强大的 SDK，可用于构建全新的通用代理框架。
Claude Code GitHub Action 是最被低估的功能之一。概念很简单：在 GHA 中运行 Claude Code。
它比 Cursor 的后台代理 或 Codex 的托管 Web UI 更具可定制性。你完全控制容器和环境，拥有更强的数据访问权限、沙盒能力和审计控制。
我们可以用它来打造智能 PR 的工具：从 Slack、Jira 或者监控警报触发一个 GHA，让 AI 自动修复 bug 或添加功能，然后提交一个测试通过的 PR。
GHA 的日志就是 AI 的完整工作记录。我们可以定期分析这些日志，以发现常见的错误和不一致的工程实践，然后优化我们的 CLAUDE.md 和 CLI，形成一个数据驱动的飞轮
最后，分享几个常用的 settings.json 配置：
公司 NAS 之前一直开着 WebDAV 的，后来某一天不知道为什么不行了，然后我折腾了好久。最后发现是 SSL 证书问题…
我一直使用家里 NAS 自动申请 let’s encrypt 证书，然后同步到家里路由，公司路由和 NAS。使用的是 syno-acme 脚本更新。证书同步到公司 NAS 则是用修改版的脚本更新证书。
之前一直都没有问题的，出问题之后我在群里问，群友叫我先 ps -ef | grep webdav 查询一下进程，发现完全没有允许，很是无语。然后我搜了一下 webdav 目录，找到日志问题 /var/log/webdav/webdav-error.log 发现一直提示证书错误，key 和证书不匹配… 
看到这日志…我瞬间无语了，我更新脚本其他套件都没问题 ssl 正常的。但是到了 WebDAV 就出现证书错误，然后我重新跑一次证书脚本，还是一样，最后我是手动上传证书，这样才正常启动 WebDAV。
想象一下，你正在和手机里的 AI 助手聊天，但它不再是那个永远彬彬有礼、甚至有些刻板的「标准音」，而是带着一丝慵懒、一点讽刺，仿佛刚经历了一个漫长周末，还没从「周一综合症」里缓过神来。这就是 OpenAI 昨天推出的「Monday」音色想要达到的效果。
网上已经有很多「Monday」对话效果的展示，「Monday」的音色当然是其语音模型的结果，而「Monday」这种特殊的回复方式是靠提示词来控制的。打个比方：「Monday」就像是一个极其聪明但缺乏具体「生活经验」的演员，而提示词就是导演给演员的剧本和角色设定。提示词写得越好，演员（AI）的表演就越「入戏」，越符合你的预期。
如果你对「Monday」提示词好奇的话，正好我今天学习研究了一下它的提示词，正好可以一起分享学习一下它的提示词内容，完整的提示词我放在了附录，这里大致解析一下其提示词内容。
大语言模型远不止是信息检索工具，它们是强大的「模仿者」和「扮演者」。通过精心设计的提示词，我们可以赋予它们各种各样的「人格」和能力。那么怎么通过提示词来设定好角色呢？
如果按照前面打的比方，把 AI 当成一个演员，那要写好提示词就是把自己变成一个好的导演，不仅要告诉演员台词，还要解释角色的内心世界、动机、情绪状态，甚至给出具体的动作和表情指导。好的导演能激发出演员最好的表演，就像好的提示词能引导 AI 生成精彩的回应。
或者作家在创作小说前，往往会为主要人物写详细的小传，包括他的成长背景、性格、习惯、口头禅、人生目标等。这帮助作家在后续写作中保持人物的一致性和立体感。
如果你觉得这都过于专业，还可以想象一下很多大公司制作的详细的品牌手册，规定了广告语、客服回答、社交媒体发帖的语气和风格（比如是专业严谨、活泼有趣还是温暖亲切）。
这些和给 AI 设定「人设」异曲同工。
从技术角度上来说，可以参考「Monday」的提示词，注意几个方面：
当 AI 开始拥有「周一综合症」般的慵懒和讽刺，它不仅仅是一个技术演示，更像是一面镜子，映照出我们人类自己复杂多变的情感和个性。我们精心编写的每一个提示词，或许都在不经意间，为冰冷的机器注入了一丝我们渴望理解或被理解的人性侧影。
「我们塑造了工具，然后工具反过来塑造我们。现在，我们开始学习如何给 AI『写剧本』，也许在这个过程中，我们也在重新学习如何与『人』，以及与自己对话。」
最近有很多朋友在讨论：「Deep Research 的用量是怎么算的？」 又因为目前 Plus 每个月只能用 10 次，大家都非常担心浪费。其实一句话就能总结——只要开始出现 「Starting Research」 的进度条，就算使用了一次。在进度条出现之前，怎么问都不算。下面就为大家分享一些 Deep Research 的使用流程、注意事项和提示词模板，帮助大家更好地运用这一强大的研究功能。
一句话总结：从开始出现 Deep Research 进度条就算一次，之前都不算。
提出主题
你先要告诉 ChatGPT 需要研究什么主题。
ChatGPT 询问澄清问题
ChatGPT 通常会向你询问一些澄清问题，确保理解你的研究需求。
回答澄清，触发研究
当你回答了上述澄清问题后，ChatGPT 会再回复一条消息，并提示「将开始报告「，随后出现 」Starting Research「 的进度条。
注意：从这一步开始就会扣除一次 Deep Research 用量。
报告生成
研究进度条走完后，ChatGPT 会给你发送完整的报告，这标志着一次 Deep Research 流程的完成。
进度条出现后，你可以随时离开
进度条开始后，无论你是关闭窗口、刷新网页、切换到其他会话还是新开会话，都不会影响已经开始的 Deep Research 流程，它会在后台继续执行并最终生成报告。
Deep Research 可以后续追问
当报告生成结束后，如果你要继续追加信息重新生成报告，有两种选择：1). 直接提问，会使用你开始会话时选择的模型继续对话，报告内容可以作为上下文；比如说你从 GPT-4o 开始的，那么你在报告生成后，如果继续提问，实际上是 GPT-4o 基于你报告和提问内容回复，但是可能会受限于上下文长度无法完整理解报告内容；2). 重新生成新报告：Deep Research 是一次性生成的，但是你可以继续在当前会话选中「Deep research」按钮，这样可以把当前会话内容作为输入，或者把内容复制出去新开会话选中「Deep research」按钮重新开始一次新的生成。内容复制出去处理一下再生成会更好的对输入进行控制，但是麻烦一些。
你无法追加新的信息让它继续深度研究。如果你在当前会话里继续追问，后续的回答将由其他模型（如 GPT-4o）接管。
如果你对报告不满意，需要重新修改提示词再新开一次会话进行 Deep Research。
灵活切换模型
你可以先选任何模型（如 o1 pro/o1 等），再让它进行 Deep Research。若后续还打算继续追问报告内容，建议在 Deep Research 开始前就选一个更强的模型（比如 o1 pro / o1）来进行分析。
选择信息源和报告语言
建议在提示词中加一句「请选择权威信息源」（并不一定要非英文来源不可，重点是权威信息源，这样可以过滤掉一些不好的信息源，当然你也可以加上「优先英文信息源」）。
如果希望报告是中文，直接在提示词末尾加一句「请形成中文报告「即可。
如果不小心生成了英文报告，又看着费劲，可以在当前会话，让它翻译，也可以复制完整内容，
新建会话，选择 o1 pro 或 o1 模型（最佳翻译效果），翻译提示词参考：
「请将下面的内容用中文重写，尊重原意，保持格式不变无删减：」
引入外部资料的方法
如果报告需要访问收费网页上的内容，你可以手动复制成 Markdown，然后在提示词中用 XML 标签包起来。
如果有图片内容，直接上传即可。
如果要分析视频内容，需要先把视频转成文字，同样用 <transcript> 标签包住，再放进提示词里。
我一般会用 AIStudio 的 Gemini 转成文本。
你可以一次粘贴几千行代码也没问题（用 XML 包起来），但要注意输入框粘贴有上限。如果太多，可以把代码放在公开的 GitHub 仓库，让 Deep Research 去分析链接即可。
写报告或写代码都行
Deep Research 不仅能写报告，还能写代码。只要你提示它「生成的结果是代码」，它就会尝试从网上搜索相关代码库并提供解决方案。
文献质量与报告质量
如果想让它「阅读」一本书并进行提炼，需要注意输入长度有限，无法直接输入一本完整的书。大部分流行书籍已经在模型中有训练数据，所以它会参考网上已有的书评。资料越多、质量越高，报告越漂亮；如果资料很少，它也无米下炊，生成的报告质量可能有限。
一个常见的提示词模板大致可分为背景信息、任务要求、和输出格式三个部分。
在这里填写所有对它生成报告有帮助，但模型本身访问不到的信息，比如：
付费文章
视频文字稿
图片或 PDF（可作为附件）
其他任何对于生成有帮助的内容
当背景信息较多时，务必用 XML 标签包裹，避免 AI 混淆指令。例如：
主题：你希望分析、研究或讨论的具体范围
信息源：希望它检索的文献库、学术论文、政府网站、GitHub 等
研究要点：需要关注的核心点，是深度解析还是简要摘要
语言或风格：是中文、英文或其他语言？
语言：中文报告、英文报告或双语
数据格式：是否需要用表格呈现数据（它暂时画不了图表）
段落和标题：是否需要分级标题、索引等
提示词模板并不是必须的，可以随性一点，你可以把写提示词使用 Deep Research 当成去交代一个实习生帮你写分析报告，你怎么交代实习生就怎么写提示词。
Deep Research 的使用次数：只要出现「Starting Research」进度条，就会扣除一次用量。
保持灵活：不满意就重新开始，新开会话前最好做好提示词规划。
结合大模型优势：如果要深入分析或后续追问，选用更强的模型如 o1 pro / o1 更合适。
慎重选择资料：外部资料要提前整理好，使用 XML 标签嵌入提示。
尊重版权、合理引用：在使用外部资料时，务必保留引用信息，切勿违规。
希望这篇文章能让你更好地理解和使用 Deep Research。在实际使用中，不妨多加尝试和探索，慢慢就能摸索出最适合自己的使用方式。祝大家玩得开心，也能高效地完成研究和写作任务！如有更多问题，欢迎在评论区留言交流。
总结：
如果你想让 Deep Research 提供权威信息源，在提示词中加一句「请选择权威信息源」。
如果要生成中文报告，只要在提示词里加「请形成中文报告」即可。
不小心生成英文报告且看着费劲，使用下面的提示词翻译：
「请将下面的内容用中文重写，尊重原意，保持格式不变无删减：」
欢迎大家在留言区分享你们的使用心得与经验，一起探讨 Deep Research 的更多玩法！
（Abstract）大学教书匠比较穷，所以给一些福利？
ChatGPT这两天又发布了一个新功能：「Task 〔计划提醒、定时任务生成〕」。
功能的原理很简单，它就只是在原本的对话当中加上一个「计划提醒、定时任务生成」的机制〔支持自动循环〕。于是当我们设置的每天、每周重复时间到的时候，这个 AI 的对话就会根据我们设置好的方式，自动生成一段我们需要的信息内容，如果是在 ChatGPT 的手机 APP 上还会弹出通知，如果是在电脑网页端的界面上对话也会因为更新而排列在前面。
通过 ChatGPT 根据计划自动生成的新内容，我们就可以自动获得需要关注的提醒，或是自动获取需要的信息。它可以应用在什么样的场景上面呢？可以参考下面 5 种使用场景：
下面，我就用这几个真实的场景，详细操作给大家看，看看如何结合目前 ChatGPT 的功能，加上最新的任务提醒，来完成上述各种自动提醒的工作、学习流程需求。
目前这个「任务提醒」功能还在 Beta 测试版，并且只对付费版的 ChatGPT 用户开放，不过未来这个功能也会开放给所有用户使用〔包含免费的账户〕。
让我们先从这个基本应用，看看 ChatGPT 的「Task 」功能如何操作。
首先，我们要把 AI 模型切换到「含计划任务的 GPT-4o」。
接着，我们在指令的开头加入「要重复的时间，与指定生成的任务」，就能启动「Task 」。例如我想要一个固定时间自动查找网页文章综合报道的摘要信息，我就这样下指令即可：
设置的「Task」时间到的时候，ChatGPT 就会自动根据我的指令上网查找，摘要出我需要的一篇综合新闻报道。
我们可以点进某一个「Task」的设置界面，这里可以修改自动任务名称、提示词，以及修改自动循环的时间。
我们也可以在「 https://chatgpt.com/tasks 」页面查看自己已经设置的所有自动任务。
每个任务建议使用专门的会话，可以使用「Task」设计早上、中午、晚上三个时间，分别生成国际、国内、休闲娱乐的摘要报道，快速掌握一天需要的信息。
掌握基本功能后，例如我有一个专门了解各种生活健康知识的 ChatGPT 会话，我现在可以在这个对话中设计一个「习惯养成提醒」，请他每天固定时间告诉我一个关于降低体脂、提升骨骼肌的具体建议，并用鼓励的话引导我今天马上可以行动。
通过习惯养成提醒每天的自动建议，就像是一个简单的「健康 App」一样，一方面每天学习习惯养成的知识，一方面每天进行行动提升。
如果我的需求需要改变，也可以随时回到设置中修改指令、生成时间，让养成习惯的过程，有一个自动提醒每天鼓励我去执行。
如果我正在学习某个领域、主题的新知识，那么除了建立一个对话与 ChatGPT 一起学习，我还可以设置一个专属自己的知识媒体总结，要求每天在固定时间生成一篇信息资料，提供给我新知识的信息。
指令：
然后 AI 第一篇给我的文章是番茄时钟工作法的介绍，写得还不错，我们可以利用 ChatGPT 上的「Read aloud」功能，让 AI 把这篇文章朗读出来。
这样是不是像一个自动帮助我们学习的 AI Podcast 呢？
如果利用这个功能来协助项目的推进呢？
例如我想持续写作的习惯，于是我请他每天固定时间，用我指定的逻辑，提供给我一篇可以延伸思考的文章题目，并且提供大纲建议。
于是在 AI 每天持续提供一些草稿建议下，帮助我在项目运行过程有持续的新刺激，更有动力保持项目的推进。
我最近常常利用 ChatGPT 来帮助我读一些原文书，有时候请 AI 翻译，有时候请 AI 整理笔记。
于是我想到，如果我在这个已经累积了数万字原文书阅读对话的对话中，请他每天固定时间，从前面资料中挑出一个重点帮助我复习呢？
指令：
效果还不错，他真的可以每天从前面对话的大量资料中，挑出一个具体重点，帮我做出特定的复习。
如果我们持续学习某种语言、知识主题，就可以善用这个 ChatGPT「Task」功能，自己设计每天的自动复习内容了！
以上就是我目前测试出来的几种应用方式，提供给想试试看 ChatGPT「Task」功能的朋友参考，也欢迎跟我分享你的应用方式。
你是否因为不会写程序，总觉得无法打造自己的自动化工作流程？每次设置 AI 工具都需要大量手动操作，效率难以提升？试试看一个实验性的新工具：「tldraw computer」，通过直觉的流程图设计，就能将繁琐 AI 指令与工作流程视觉化，打造高效率的 AI 自动化系统！
一开始使用 AI 〔指得是 ChatGPT、 Google Gemini 这类工具〕，我们可能会问：「生成一个某某主题的报告。」但当继续深入使用，真的把 AI 当作工作辅助工具，就会发现这样简单的提问是不行的，我们需要把任务「切割成」不同步骤，一个阶段一个阶段让 AI 处理，然后通过反问讨论，整合出最终更好的内容。
这时候，我们要请 AI 生成报告草稿，可能会先请 AI 设置 TA、痛点，再请 AI 做资料研究、摘要，然后请 AI 根据资料思考出更好的报告论述逻辑，然后才请 AI 根据这样的逻辑与资料，最后总结出一个更深入的报告大纲。
那么，如果上述的操作流程，可以用「视觉化」的流程图规划出来，然后 AI 就会自动跑完所有流程，生出我们需要的成果呢？这就是今天分享的这个最新 AI 工具：「tldraw computer」所具备的独特功能。
「 tldraw 」是很知名且好用的在线流程图工具，不过她们最新推出的「 tldraw computer 」AI 功能，不是要帮我们画流程图，而是让我们用简单好上手的流程图，规划出自己想要的 AI 自动化工作流程，打造一个可以根据更复杂逻辑生成报告、文章、设计图、声音文件的 AI 自动化助手。
「tldraw computer」内核特色：
「tldraw computer」用途：
我们先来看看「tldraw computer」这个工具可以完成什么样的应用案例，分享一个简单版实例：我自己常常会需要把拍照扫描的纸张图片，转换成一个有效的文字内容，就利用这个工具来建立一个快速扫描与修正文字的 AI 工具。
我可以在「tldraw computer」流程图上设置一个上传图片的卡片框，然后拉一条连接线。接着在一个 AI 的指令框框里，输入我希望用什么样的逻辑来识别图片并修饰文字。然后接下来我再拉一条连接线，设置一个输出的文字框，让 AI 可以把完成的结果输出到这里。
而在使用的时候，我就只要在「第一步：上传图片的卡片框」把图片上传，按下右上方的播放启动按钮。这时候，这个工具就会自动跑流程图上的步骤，把扫描出来的文字转换成我需要的内容。
「tldraw computer」目前使用的 AI 模型是 Gemini，看起来无论是中文的文字还是手写字，都能够非常有效的识别完成。
接下来我们来看一个比较进阶复杂的应用案例。我想让 AI 帮我写一篇文章的草稿，但是就像前面提到的，直接让它撰写通常不会有很好的结果。
所以我利用「tldraw computer」工具画出一个文章产出的工作流程图。在流程图的一开始，我利用两张绿色的卡片，让我可以自己简单的设置这篇文章要解决什么 TA 问题，以及这篇文章想要采用什么方法论来解决问题。
接着，我开始用「tldraw computer」流程图展开我希望 AI 一步一步处理的自动化步骤。
首先，我利用红色的卡片设计 AI 处理的指令，请 AI 根据我的 TA 问题，写出一段有效的痛点描述。接着再请 AI 利用我想要介绍的方法论，写出一段这个方法论的重点思维基本背景的介绍文字。
但是，这样还不够。我继续往下画流程图。我让 AI 根据他自己输出的 TA 痛点以及方法论的重点，重新思考，拟出文章最好的架构。这个架构需要具体，有操作步骤，而且每个方法、每个步骤都要尽量有深入的诠释。
然后接下来，我让 AI 一步一步的把这篇文章往下扩展，有了文章的架构之后，我再请 AI 从这个架构出发，让这篇文章有一个完整的故事开场，有方法论重点，也有具体操作步骤，把前面的内容做一个有效的并且延伸插件的整合。
最后，我再画出下一步的 AI 流程图。我请 AI 用惯用的语言，用口语更亲切的方式来润饰改写它产出的文稿，输出一个解决痛点、介绍方法的一篇中文文章草稿。
甚至我可以再继续往下拉出下一步的流程图，放上一张声音的输出卡片，让 AI 把这篇文章的草稿转换成一个精简扼要的介绍音频文件。
有兴趣的朋友，可以看看我完成的这个 AI 自动化的工作流程图，看看上面的内容：https://computer.tldraw.com/t/szQY1iuGZCHAEmwzFASShH〔网址可以查看生成结果，如果要试用这个 AI 自动化流程工具，需要注册一免费账号。〕
当我有了这样的一个自动化的工作流程图，以后我只要每次回头修改一开始的两张绿色卡片，后面 AI 就会像刚才一样，自动跑完我已经设计好的工作流程，一步一步的去设计结构，推演文章进行润饰，甚至最后产出声音文件。我可以立刻获得最后输出的文章草稿以及声音文件的结果。
看完两个具体案例，最后我来分享「tldraw computer」如何操作？
先注册一个免费账号，建立一个 AI 自动化工作流程〔图〕的项目。
A computer by tldraw.
建立 AI 流程的基本逻辑是：输入、〔AI〕处理、〔AI〕输出。
掌握上面这个逻辑，你就能快速设计出一个有效的 AI 自动化工作流程。
首先，我们要设置「输入」内容的填写框，这是 AI 工作流程的起点，就像是要告诉 AI 目标、结果、资料的意思。
在「tldraw computer」中，利用 Text 或 Image 等卡片，可以设置输入文字、上传图片的填写框，作为启动流程的起点。
接着，我们要告诉「tldraw computer」如果去处理输入的内容，这时候从输入内容的卡片，画出连接线，连接到「Instruction」这个卡片上，然后在「Instruction」中说明希望 AI 如何处理内容的指令。
「tldraw computer」会根据我们简单的指令，自己做优化，让 AI 处理内容的结果更好。
然后，我们继续从「Instruction」卡片画出连接线，这时候可以连到 Text、Image、Speech、Website 等卡片，代表要让 AI 处理后，输出什么格式的内容。
重复上面：输入、处理、输出，三阶段流程，我们就可以串联出一个更复杂的 AI 自动化工作流程。
通过流程图的规划方式，我可以继续推进下一步的 AI 处理流程，甚至利用连接线把不同段落的内容连接到需要的步骤上，建立我自己需要的工作步骤。
最后，「tldraw computer」也提供了一些辅助功能，让设计这样的流程图更简单。
例如有一个启动按钮，让我们到时候只要按下启动，后面的 AI 流程就会自动跑完。
或是像流程图一样可以设置大小颜色，这样帮助我们分辨流程图中不同的卡片类型。
「 tldraw computer 」还有不少高级功能，有兴趣的朋友可以进一步玩玩看。
整体来说，「tldraw computer」是一个强大且易上手的自动化工具，让我们能够轻松打造自己的 AI 流程，推荐大家试试看。
BlinkShot 是一个以 AI 人工智能技术即时生成图片的免费服务，这是开源项目，背后使用 AI 加速云服务「Together AI」和图片生成模型 FLUX，这项服务特性是能在非常短的时间内依照输入的提示词生成各种图片，以毫秒为单位，生成的图片也丝毫不逊色，有兴趣的朋友可以玩玩看。
目前 BlinkShot 支持英文提示词，也可以直接叫 AI 服务帮你生成〔例如用 ChatGPT 或其他同类型服务〕，另一个方法是使用图片转文字 AI 工具，例如：Image to Prompt等工具，将喜欢的图片快速转换为英文提示词，最后稍作修改再生成想要的图片。
BlinkShot 目前没有使用的生成数量限制，还有个「Together API Key」栏位可自定义自己的 API 密钥，生成的图片素材皆可免费下载使用，AI 图片基本上也不会受到版权限制，使用于个人或商业用途都没问题。
Generate images with AI in a milliseconds
进入 BlinkShot 后直接输入提示词就会立即生成图片，整体速度非常快，过程中如果继续输入其他形容或是提示词，图片会即时更新，相较于其他同类型的 AI 图片生成器来说确实非常强大！
下方会显示生成的图片历史记录。
通过 BlinkShot 生成的图片看起来很逼真，也能依照用户需求调整成各种风格、样式，越仔细的提示词就能生成更细致准确的结果。
生成过的图片历史记录会显示于下方，可以随时切换回去查看。
在图片点击右键即可下载保存。
在图片上点击鼠标右键、选择「另存图片」后将图片保存下来即可使用。
BlinkShot 未来也会加入下载按钮，让用户更方便获取图片。
Login
