Posts

Shopify CEO 发内部全员邮件，强调 AI 带来的巨大创业机遇，同时也要求公司全员都必须学习和应用 AI，把使用 AI 变为每个员工的一个基本要求，并计入绩效考核。还提到，如果后面谁想要 HC，必须要先论证为什么不能通过 AI Agent 来解决。 AI 使用成为基本要求： 在 Shopify ，熟练运用 AI 不再是可选项，而是对所有员工的基本工作要求。这被视为跟上公司发展（类比“红皇后赛跑”）和个人职业发展的必要条件，不学习 AI 等同于停滞和失败。 AI 是强大的生产力倍增器： AI 工具被视为能将个人和团队的产出提升 10 倍甚至 100 倍的“倍增器”，能够帮助解决以前看似不可能完成的任务。 拥抱 AI 符合核心价值观： 积极学习和应用 AI 与 Shopify 的核心价值观“成为持续学习者”（ Be a Constant Learner ）和“在变革中茁壮成长”（ Thrive on Change ）紧密相连。 Shopify 的未来与 AI 深度绑定： 公司致力于利用 AI 重新定义创业模式，并将 AI 深度整合到产品路线图和日常工作中，以更好地服务商家。 使用 AI 已成为基本要求 Tobias Lütke ✅ 3月20日 团队成员们， 我们正在进入一个前所未有的时代，未来涌现的商家和创业者数量可能超过历史上的任何时期。我们一直在努力降低创业的复杂度，让更多人可以将其作为职业选择。在创业的每一步，都充满了需要技巧、判断力和知识的决策。现在，AI 不仅能提供咨询，还能直接帮助我们的商家完成工作，这无疑是一个飞跃式进步。 在 Shopify，我们的任务是打造一流的平台，助力大家创建未来的卓越企业。为此，我们必须保持技术领先，提供最佳工具，帮助商家取得超出他们想象的成功。而要做到这一点，我们必须走在最前沿。 在 Shopify，主动使用 AI 已成为基本要求 也许你们已经开始这样做，甚至觉得这份备忘录有些多余。如果是这样，你们已经在使用 AI 作为思考伙伴、深度研究助手、评论员、导师或结对编程伙伴。我个人也在频繁使用 AI，但即使如此，我也觉得仅仅触及了皮毛。AI 对工作方式的改变是我职业生涯中所见过的最快速的。我一直对 AI 抱有极大的热情，这一点大家应该很清楚：在每周的视频、播客、全体员工大会以及 Shopify 峰会上，我都曾多次提到 AI！去年夏天，我利用 AI 智能体来准备我的演讲，并向大家介绍了我的经验。我这样做是为了鼓励大家积极尝试 AI，消除任何对 AI 重要性的疑虑。很多同事都积极响应，我们都对 AI 所展现出的强大能力感到惊叹，它能够增强我们的技能、提升我们的工作效率，并弥补我们的不足。...

前几天 Meta 人工智能研究副总裁 Joelle Pineau 离职，Llama 就是她主导的项目，很多人以为 Llama 4 难产了，没想到今天(2025-04-05) Meta 就放出了 Llama4 系列模型，该系列的核心是 Llama 4 Scout 和 Llama 4 Maverick 两款开放权重的模型，它们首次采用了 专家混合 (MoE) 架构，并具备处理文本、图像和视频的原生多模态能力，同时支持 100M 超长上下文窗口。 1️⃣ 模型方面 Llama 4 Scout：拥有 17B 活跃参数和 16 个专家 (109B 总参数)，可在单个 NVIDIA H100 GPU (Int4 量化) 上运行。其上下文窗口 10M tokens。性能优于 Gemma 3, Gemini 2.0 Flash-Lite, 和 Mistral 3.1。 Llama 4 Maverick：拥有 17B 活跃参数和 128 个专家 (400B 总参数)，可在单个 H100 主机上运行。性能优于 GPT-4o 和 Gemini 2.0 Flash，在推理和编码方面与 DeepSeek v3 相当，但活跃参数更少。其聊天版本在 LMArena 上 ELO 评分达 1417。 Llama 4 Behemoth：“教师”模型，拥有 288B 活跃参数和 16 个专家 (近 2000B 总参数)，仍在训练中。在多个 STEM 基准测试中表现优于 GPT-4....

本文由 Y Combinator 合伙人 Tom Blomfield 在 2025 年 4 月 1 日在个人博客发表，核心观点如下： AI 编码能力的证据： 自 2022 年底 ChatGPT 和 2023 年初 Claude 推出以来，AI 编码能力进步显著。 作者使用 AI 工具在数小时内重建个人博客，并创建了包含约 35,000 行 AI 生成代码的 RecipeNinja.ai ，生产力提升了 10x 。 现代 AI 工具（如 Gemini 2.5 Pro ）拥有百万级 token 上下文窗口，能够理解和修复中等规模代码库中的复杂错误，并能遵循最佳实践（如避免暴露 API 密钥）。 作者预测 AI 代理很快将具备更强的调试能力（如单步执行、检查变量）。 AI 驱动的未来团队： 设想由“产品经理” AI 代理设定方向，编码 AI 代理执行任务， QA AI 代理进行测试，安全/扩展性 AI 代理进行审查，客服 AI 代理收集反馈，形成高效的迭代循环。 超越软件工程： 知识工作（医疗、法律、金融等）的成本将大幅下降，可能通过每月订阅（如 $20/month ）获得专家级建议。 短期内，依赖人际接触的高级合伙人可能受益，但执行具体任务的初中级专业人士面临风险。 物理性工作（如外科手术、设备操作）和受严格监管的行业（医药、法律）变革会较慢，但趋势不变。 当前趋势佐证： 近期 Y Combinator ( YC ) 孵化器中约四分之一的初创公司使用 AI 编写了 95%+ 的代码，且增长速度创历史记录。 Cursor , Windsurf , Harvey 等 AI 公司以极小团队实现了高收入（如 $100M+ ）。 大型科技公司已放缓对初中级软件工程师和数据科学家的招聘。 未来展望与担忧： 商业成本降低，有护城河（网络效应、品牌等）的企业利润大增，无护城河的企业易被 AI 克隆。 少数 AI 赋能的巨头可能主导各行业服务市场。 “独立开发者”（ indie hackers ）利用 AI 工具创造高收入的机会增加。 核心担忧是收益分配不均和社会对大规模失业的准备不足。 作者强烈建议软件工程师花时间学习最新的 AI 工具，虽然这可能无法提供长期保障，但能在短期内显著提高生产力。他保持对未来的希望，但也对即将到来的剧变深感忧虑。...

大型语言模型（LLMs）的飞速发展，极大地拓展了人工智能的应用领域，它们在文本生成、语言理解、代码编写等多个方面展现出强大的能力。然而，这些模型的一个固有局限在于，它们的能力很大程度上受限于其训练数据的范围。这意味着，LLMs 往往缺乏对实时信息的感知（联网搜索），也无法直接与外部世界进行交互以执行具体的操作。 为了弥补这一不足，传统的做法是为每一个需要连接的数据源（如数据库、API、文件系统）和工具构建定制化的集成方案。然而，随着 AI 模型和外部工具数量的不断增长，这种方法很快变得难以维护和扩展，导致了一个被称为“MxN 问题”的局面——即 M 个 AI 模型需要与 N 个外部工具进行连接，所需的集成数量是 M 乘以 N。 这种“MxN 问题”暴露了当前 AI 生态系统在数据连接方面的瓶颈。每当出现一个新的 LLM 或一个新的外部工具，就需要进行大量的重复开发工作来建立它们之间的通信桥梁。这种复杂性不仅拖慢了 AI 应用的开发速度，也增加了维护成本，并限制了不同 AI 模型和工具之间的互操作性。 为了应对这些挑战，Anthropic 在 2024 年 11 月推出了模型上下文协议（Model Context Protocol，简称 MCP）。MCP 旨在成为一个开放的标准，用于规范 AI 助手如何连接到存储数据的各种系统，包括内容仓库、业务工具和开发环境。 MCP 协议刚推出时并没有引起什么反响，直到今年 3 月份，MCP 协议开始火起来，并被越来越多的公司所支持，如Cursor、Github、Google、Cloudflare 等等，就连 OpenAI 在前几天也宣布要支持 MCP 协议（另外，Anthropic 也偷偷兼容了 OpenAI SDK，可能他们做了对等的交易？）。国内这边，很多公司也在跟进和支持 MCP 协议，如百度地图、高德地图等等。 什么是模型上下文协议 (MCP)？ 模型上下文协议（MCP）是一个开放协议，它定义了一种标准化的方式，使得应用程序能够为大型语言模型（LLMs）提供上下文信息。其核心目标是实现 AI 模型与外部工具、数据库和 API 之间的无缝且标准化的集成。 可以将 MCP 视为 AI 领域的“USB-C 接口”。正如 USB-C 为各种设备连接到计算机提供了通用的接口一样，MCP 为 AI 模型与各种外部资源进行交互提供了一个标准化的方法。它充当了一个“通用连接器”或“通用适配器”，使得 LLMs 能够动态地与外部资源进行交互，从而获取实时的、准确的、相关的信息，并利用外部工具执行任务。...

本文翻译自 MCP 官方文档。 路线图 - 模型上下文协议 (MCP) 模型上下文协议 (MCP) 正在快速发展。本页面概述了我们当前对 2025 年上半年 关键优先事项和未来方向的思考，尽管随着项目的发展，这些内容可能会发生重大变化。 这里提出的想法并非承诺——我们可能会以不同于所述的方式来解决这些问题，或者其中一些问题可能根本不会实现。这也不是一个详尽的列表；我们可能还会加入这里未提及的工作内容。 我们鼓励社区参与！每个部分都链接到相关讨论，您可以在其中了解更多信息并贡献您的想法。 远程 MCP 支持 我们的首要任务是改进远程 MCP 连接，允许客户端通过互联网安全地连接到 MCP 服务器。关键举措包括： 认证与授权：添加标准化的认证授权能力，特别侧重于 OAuth 2.0 支持。 服务发现：定义客户端如何发现并连接到远程 MCP 服务器。 无状态操作：思考 MCP 是否也可以包含无服务器环境，在这种环境中它们需要基本上是无状态的。 参考实现 为了帮助开发者使用 MCP 进行构建，我们希望提供以下方面的文档： 客户端示例：全面的参考客户端实现，演示所有协议功能。 协议起草：简化提出和采纳新协议功能的流程。 分发与发现 展望未来，我们正在探索使 MCP 服务器更易于访问的方法。我们可能研究的一些领域包括： 包管理：MCP 服务器的标准化打包格式。 安装工具：简化跨 MCP 客户端的服务器安装。 沙盒化：通过服务器隔离提高安全性。 服务器注册表：用于发现可用 MCP 服务器的通用目录。 智能体 (Agent) 支持 我们正在扩展 MCP 的能力以支持复杂的智能体工作流，特别关注： 分层智能体系统：通过命名空间和拓扑感知改进对树状智能体结构的支持。 交互式工作流：更好地处理跨智能体层级的用户权限和信息请求，以及将输出发送给用户而非模型的方式。 流式结果：来自长时间运行的智能体操作的实时更新。 更广泛的生态系统 我们也致力于： 社区主导的标准开发：促进一个协作生态系统，所有 AI 提供商都可以通过平等参与和共享治理，帮助将 MCP 打造成一个开放标准，确保它满足多样化的 AI 应用和用例需求。 其他模态：扩展到文本之外，以支持音频、视频和其他格式。 [标准化]：考虑通过标准化组织进行标准化。 参与进来 我们欢迎社区参与塑造 MCP 的未来。请访问我们的 GitHub 讨论区 加入对话并贡献您的想法。

本文翻译自 MCP 官方文档。 核心架构 模型上下文协议 (MCP) 构建在一个灵活、可扩展的架构之上，旨在实现 LLM 应用和集成之间的无缝通信。本文档涵盖了其核心架构组件和概念。 概述 MCP 遵循客户端-服务器架构，其中： 主机 (Hosts) 是发起连接的 LLM 应用（例如 Claude Desktop 或 IDE）。 客户端 (Clients) 在主机应用内部，与服务器保持 1:1 连接。 服务器 (Servers) 向客户端提供上下文、工具和提示。 核心组件 协议层 协议层处理消息分帧、请求/响应关联以及高级通信模式。 class Session(BaseSession[RequestT, NotificationT, ResultT]): async def send_request( self, request: RequestT, result_type: type[Result] ) -> Result: """ Send request and wait for response. Raises McpError if response contains error. """ # Request handling implementation async def send_notification( self, notification: NotificationT ) -> None: """Send one-way notification that doesn't expect response....

本文翻译自 MCP 官方文档。 使用 LLM 构建 MCP 本指南将帮助您使用 LLM（大型语言模型）来构建自定义的模型上下文协议 (MCP) 服务器和客户端。本教程将重点介绍 Claude，但您可以使用任何前沿的大型语言模型来完成此操作。 准备文档 在开始之前，请收集必要的文档以帮助 Claude 理解 MCP： 访问 https://modelcontextprotocol.io/llms-full.txt 并复制完整的文档文本 导航至 MCP TypeScript SDK 或 Python SDK 代码库 复制 README 文件和其他相关文档 将这些文档粘贴到您与 Claude 的对话中 描述您的服务器 提供文档后，清晰地向 Claude 描述您想要构建什么样的服务器。具体说明： 您的服务器将公开哪些资源 它将提供哪些工具 它应提供哪些提示 它需要与哪些外部系统交互 例如： 构建一个 MCP 服务器，该服务器需具备以下功能： - 连接到我公司的 PostgreSQL 数据库 - 将表结构（table schemas）作为资源进行公开/暴露 - 提供用于运行只读 SQL 查询的工具 - 包含用于常见数据分析任务的提示（prompts） 与 Claude 协作 在与 Claude 合作开发 MCP 服务器时： 首先从核心功能开始，然后迭代添加更多功能 请 Claude 解释您不理解的代码部分 根据需要请求修改或改进 让 Claude 帮助您测试服务器并处理边缘情况 Claude 可以帮助实现所有关键的 MCP 功能：...

本文翻译自 MCP 官方文档。 模型上下文协议 (MCP) 是一个开放协议，用于标准化应用程序如何向大语言模型 (LLM) 提供上下文信息。您可以将 MCP 视为 AI 应用的 USB-C 接口。正如 USB-C 提供了一种标准化的方式，将您的设备连接到各种外围设备和配件，MCP 也提供了一种标准化的途径，将 AI 模型连接到不同的数据源和工具。 为什么要使用 MCP？ MCP 能够帮助您在大语言模型 (LLM) 的基础上构建 AI 智能体 (AI Agent) 和复杂的工作流程。大语言模型 (LLM) 常常需要与数据和工具进行集成，而 MCP 提供了以下优势： 日益丰富的预构建集成方案，您的大语言模型 (LLM) 可以直接使用。 灵活切换不同大语言模型 (LLM) 提供商和供应商的能力。 在您的基础设施中安全地保护数据的最佳实践。 通用架构 从本质上讲，MCP 遵循客户端-服务器架构，其中宿主应用程序可以连接到多个服务器： MCP 主机 (MCP Hosts)：希望通过 MCP 访问数据的应用程序，例如 Claude Desktop、集成开发环境 (IDE) 或 AI 工具。 MCP 客户端 (MCP Clients)：与服务器保持 1:1 连接的协议客户端。 MCP 服务器 (MCP Servers)：轻量级的程序，每个程序都通过标准化的模型上下文协议 (Model Context Protocol) 提供特定的功能。 本地数据源 (Local Data Sources)：您的计算机中的文件、数据库和服务，MCP 服务器可以安全地访问这些数据。 远程服务 (Remote Services)：通过互联网访问的外部系统 (例如，通过应用程序编程接口 (API))，MCP 服务器可以连接到这些系统。 面向服务端开发人员 开始构建你自己的服务器，以便在 Claude for Desktop 和其他客户端中使用。...

大型语言模型（LLMs）的出现，在自然语言处理领域引发了变革性的影响。这些模型在理解和生成类似人类的文本方面展现出卓越的能力，为众多应用场景带来了新的可能性。通过对海量数据进行预训练，LLMs 获得了广泛的语言理解和知识。预训练赋予了 LLMs 学习语法规则、语言模式、事实信息和推理能力的基础。然而，尽管预训练模型具备通用性，但在处理需要特定领域知识或输出格式的专业任务时，其性能往往有所不足。这种通用能力与特定需求之间的差距，凸显了对 LLMs 进行定制化适配的重要性。监督式微调（Supervised Fine-Tuning，SFT）作为一种关键技术应运而生，它能够有效地将通用LLMs调整为能够胜任特定应用的专业模型。 概念与原理 监督式微调（SFT）指的是利用标注数据来调整预训练大型语言模型，使其适应特定的下游任务的过程。在SFT中，“监督式”强调了对标注数据的依赖，这些数据包含了输入和期望输出之间的明确对应关系，用于指导模型的学习。SFT 是一个监督学习的过程，它使用这些标注的例子（通常是提示-响应对）来更新 LLM 的权重。模型通过比较其预测结果与标注数据中的真实标签之间的差异来学习，并调整其内部参数以最小化这种差异。高质量、结构良好的标注数据对于有效的 LLM 监督式微调至关重要。与使用未标注数据进行预训练不同，SFT 利用经过验证的标注数据进行任务特定的优化。SFT 可以被视为一种迁移学习的形式，它利用预训练阶段获得的知识来解决新的、特定的任务。这种方法使得模型能够基于已有的语言理解能力，更快地适应新的任务需求，而无需从零开始学习。 SFT 的步骤 监督式微调通常包含以下几个关键步骤： 步骤一：准备数据集 首先需要选择或创建一个高质量、任务特定的标注数据集。该数据集应与预期任务高度相关，并包含涵盖各种场景和极端情况的丰富示例。每个示例通常包含输入数据（例如，文本提示）和期望的输出（例如，响应或标签）。为了进行有效的模型训练和评估，数据集通常需要被划分为训练集、验证集和测试集。此外，确保数据的质量至关重要，包括数据的清洁度（去除重复、不一致或无关的条目）、代表性（覆盖所有变体和边缘情况）以及平衡性（避免数据偏斜）。 步骤二：调整模型 加载预训练的LLM（基础模型）是微调过程的开始。选择与目标任务和领域相符的预训练模型至关重要。然后，模型会根据标注数据集中的数据，使用监督学习技术（例如，梯度下降）更新其参数（权重）。在这个过程中，模型会调整其内部参数，以最小化其预测与期望输出之间的差异，从而学习特定任务的模式和细微差别。超参数调优也是一个重要的环节，需要调整学习率、批大小、训练轮数等参数，以获得最佳的性能。 步骤三：验证与测试 在微调过程中，需要使用验证集评估模型的性能，以防止过拟合。通过监控验证集上的损失和准确率等指标，可以帮助确定何时停止训练（早停法）。最后，使用测试集对微调后的模型进行最终评估，以评估其在新数据上的泛化能力。测试集提供了一个无偏的评估，展示了模型在真实世界数据中的预期表现。 步骤四：迭代与优化 监督式微调通常是一个迭代的过程，可能需要多次调整超参数或数据集，并进行多轮的微调，以达到最优的结果。分析评估结果，找出模型需要改进的方面，并重复上述步骤，可以进一步提升模型的性能。 SFT 的优势 选择监督式微调有诸多益处：SFT 能够显著提升模型在特定任务和领域上的性能。通过学习任务特定的模式和细微差别，模型能够产生更准确和相关的输出。SFT 还有助于模型更好地理解领域特定的术语和上下文。经过微调的模型能够提供更自然、更符合用户期望的响应，从而改善用户体验。此外，SFT 能够提高效率，减少对人工校正的需求。微调后的模型通常可以扩展到处理不同项目或领域的类似任务，成为一种可重用的资产。与从头开始训练 LLM 相比，SFT 可以显著缩短训练时间和降低计算资源需求。SFT 还能够有效利用预训练模型已经获得的广泛知识，实现更高效和有效的学习（迁移学习的优势）。通过 SFT，开发者可以将单个基础模型调整用于多个不同的领域。 SFT 的技术概览 监督式微调有多种技术可以采用： 指令微调（Instruction Fine-Tuning）：这种方法通过使用示例来训练模型，这些示例展示了模型应该如何响应特定的指令或查询。指令微调旨在提高模型遵循用户指令的能力，并使其能够更好地泛化到新的指令上。训练数据通常包含输入（指令）、可选的上下文以及期望的输出。 参数高效微调（Parameter-Efficient Fine-Tuning，PEFT）：PEFT技术通过仅更新模型参数的一小部分，来显著降低计算和内存需求。例如，低秩自适应（Low-Rank Adaptation，LoRA）和量化低秩自适应（Quantized LoRA，QLoRA）是常用的PEFT技术。其他PEFT方法还包括Adapter、Prompt Tuning和Prefix Tuning等。PEFT的优势在于降低了成本、加快了训练速度、减少了存储需求并有助于缓解灾难性遗忘。 全量微调（Full Fine-Tuning）：全量微调是指在任务特定的数据集上更新预训练模型的所有权重。相比PEFT，全量微调需要更高的计算成本和资源。虽然全量微调可能带来更高的准确率，但也增加了过拟合和灾难性遗忘的风险。 层冻结（Layer Freezing）：层冻结是一种策略，它冻结模型的部分层（通常是捕获通用知识的早期层），而只训练任务特定的层。这种方法可以降低计算需求，并防止模型遗忘预训练阶段学到的知识。 SFT 的应用场景 监督式微调在各个行业都有广泛的应用潜力： 聊天机器人与对话式AI：SFT能够提高客户服务和内部工具的准确性、上下文感知能力和品牌一致性。通过在客户服务记录、常见问题解答和知识库文章上进行微调，聊天机器人可以提供更相关和准确的响应。SFT还有助于处理复杂的查询和多轮对话。此外，通过在具有特定风格的数据上进行微调，可以控制聊天机器人的对话语气和风格。 文本生成与内容创作：SFT可以提高生成内容的领域相关性和准确性。通过在不同风格的数据上进行训练，模型可以适应特定的写作要求（例如，技术性、创造性、正式）。SFT还可以显著提升文档、文章和对话的摘要生成能力。 代码生成：SFT能够提高生成代码的准确性、效率和可读性。通过在代码数据集上进行微调，模型可以学习特定编程语言的语法、编程模式和最佳实践。SFT还可以使模型适应特定的编程语言和编码风格。 特定领域应用： 医疗保健：SFT可以用于分析医学文献、提取患者记录信息、改进诊断辅助系统。 金融：SFT可以用于金融新闻的情感分析、风险评估和欺诈检测。 法律：SFT可以用于理解法律术语、总结合同和法律讨论。 SFT 的挑战与考量 尽管SFT带来了诸多优势，但在实践中也存在一些挑战和需要考虑的因素： 数据质量与可用性：高质量、标注良好的数据对于有效的SFT至关重要。尤其是在利基领域，获取足够的标注数据可能是一个挑战。数据收集和标注的成本和时间也需要考虑。此外，训练数据中的偏差可能会对微调后的模型产生不利影响。 过拟合（Overfitting）：模型可能过度适应训练数据，导致在未见过的数据上表现不佳。为了缓解过拟合，可以采用多种策略，例如使用多样化的数据集、限制训练迭代次数、使用正则化技术、进行交叉验证以及监控模型性能。 灾难性遗忘（Catastrophic Forgetting）：在适应新任务的过程中，模型可能会遗忘之前学习到的知识。解决这个问题的方法包括多任务微调、参数高效微调和回放机制等。 超参数调优（Hyperparameter Tuning）：寻找最优的学习率、批大小和其他超参数可能非常复杂。 计算成本（Computational Cost）：微调大型模型，尤其是进行全量微调，需要大量的计算资源。 评估 SFT 性能的关键指标 评估监督式微调的成功与否，需要使用适当的评估指标：...

🚀 GPT-4o 原生生图能力昨天一经发布，因其效果超群引发了病毒式传播，其生成的吉卜力风格图片深受大家喜欢，我昨天翻译的(官方文档)[https://fisherdaddy.com/posts/introducing-4o-image-generation]里有大量优秀的使用案例，这里我单独整理和复现了一下，开一个帖子单独来分享其最佳的使用场景和 prompt。 玩法 1：一次性生成 10-20 个对象 prompt：一张方形图片，包含一个 4 行 3 列的网格，白色背景上放置了 12 个对象，这 12 个对象是中国属相中的 12 生效。按从左到右、从上到下的顺序排列。列表如下：1.鼠；2.牛；3.虎；4.兔；5.龙；6.蛇；7.马；8.羊；9.猴；10.鸡；11.狗；12.猪 输出结果： 玩法 2：贴纸风格转换 prompt：“把这个图片变为贴纸，使用粗白边框和透明背景。“ 输入图片： 玩法 3：吉卜力风格转换 prompt：“把这个图片转为吉卜力风格“ 输入图片： 输出结果： 玩法 4：连环画制作 prompt： 制作一个4格漫画的图像，边框周围留一些空白： 第一格：小老鼠在家里无聊极了，打电话给小牛，小老鼠问小牛“你在做什么”，小牛说“在做草莓果酱” 第二格：小老鼠又和小老虎打电话，小老鼠问小老虎“你在做什么“，小老虎说“在和弟弟一起剪纸帽子“ 第三格：小老鼠又和小兔子打电话，小老鼠问小兔子“你在做什么“，小兔子说“在做胡萝卜汤“ 第四格：小老鼠又和小羊打电话，小老鼠问小羊“你在做什么“，小兔子说“在青青草原吃草“ 输出结果： 玩法 5：古人照片变为彩色真实照片 prompt：“把这个场景变成一张照片。用数码单反相机 (DSLR) 拍摄。“ 输入图片： 输出结果： 玩法 6：小朋友的涂鸦转成彩图图 prompt：“让它变成一张色彩丰富、有童趣的卡通插画风格图像“ 输入图片： 输出结果： 玩法 7：制作海报（以教育场景为例） prompt：“创作一张关于不同种类鲸鱼的教育海报，采用活泼的水彩风格。背景设为纯白色。“ 输出结果： 玩法 8：制作彩色说明书 prompt：“制作一张色彩非常丰富的孔版印刷风格图片，展示如何用面包机制作冰激凌。“ 输出结果： 玩法 9：设计 prompt：在纯色柔和背景上生成一幅雕塑广告。在纯色柔和背景上生成一个 logo。左上角，大约向下三分之一处，用纯白色无衬线字体写着 “This is fisherdaddy”。右下角，大约向上三分之一处，用纯白色无衬线字体写着 “AIGC”。背景中放一张非常光滑、现代化的设计风格的雕塑照片。它应该从左侧的线框草图逐渐过渡到右侧完全照片写实的样子。 玩法 10：生成参考图风格的图 prompt：“参考这张图的画风，帮我画一个李白这位唐代大诗人的照片，最好能配上李白的名字” 输入图片：...