过去一段时间更新频率降了下来，一方面是工作节奏的原因，另一方面也是因为临近2024年下半年时，发现把手头各种模型引入实际工作、重新优化流程和工具的时机已经成熟。大量时间花在了“头脑风暴”和反复试验上——又试了不下几十种工具与方案，有时间的话可以逐一拆解分享。

在这个过程中，有三点可以基本确认：第一，模型只会越来越强，需要的只是等待；第二，自身对业务的理解以及积累的数据和知识库，才是最宝贵的资产；第三，未来我们需要的工具，很可能都是从一张白板（whiteboard）开始的。

所以，当重新进入案头工作周期时，开始尝试从白板出发拼积木。最近一个weekend project就是：把屏幕的控制权交给模型——给它一个“在白板上画出叫做‘test’的框”的指令，让模型操作鼠标，在名为tldraw的白板工具上完成。实际效果就是下面这段动图。

是的，这样简单的操作，人当然也能做。但如果考虑下一个时代的工作方式，想想如何在当前这个“大量时间消耗在低水平重复工作”的瓶颈上有所突破，那么这种开始，其实是过去一年多反复推演后终于说服自己的路径。

白板意味着一切从零建设，但“零”的背后，却有拥有难以想象知识的大模型，以及自身多年积累的数据与知识库。一旦开始构建，可能在非常短的时间里就能达到甚至突破此前天花板——这个“短”，可能是以天计，甚至以小时计。

基于模型，大概有两种构建方式：一种是模拟人的操作，另一种是通过生成大量代码。前一种就像上面那个小尝试。巧合的是，第二种方式，在前天Claude推出的Sonnet3.5模型中，给出了一个远比此前所有代码生成方案完整的解决方案，叫做Artifacts。

如果微软一直宣传的“Copilot”依然存在大量不友好的交互方式，那么无论是模拟人的操作，还是Claude的Artifacts功能，都提供了一种完全自然友好的、所见即所得的体验。这一定会让人喜欢，就像当年很多人喜欢ChatGPT一样。对很多人而言，等于Claude帮忙“雇佣”了一个超级助理。

这篇文章要展示的是：如何利用大约十分钟时间，完成一个设想的“原油供求分析”路演PPT。顺便说一句，刚刚退订了微软的Copilot+服务，因为被秒了。

Sonnet3.5前天一出就刷屏了，几乎所有声音都是“秒杀GPT-4o”，甚至有人喊出了“AGI”。确实，足够强的思考能力、足够稳定准确的代码生成能力，配合所见即所得的Artifacts，这些评论并不为过。

下面把交互过程分成四个步骤，录了四段视频，全部加起来九分钟，没有任何加速——从开始到生成最终结果，时间不到十分钟。

1、常规操作，生成一个思维导图。

其实在此之前，Kimi已经能支持基于mermaid.js的思维导图所见即所得功能了。只是：第一，因为模型能力的差距，分析的点明显更少；第二，在技术框架下，渲染功能的通用性仍有差距。上面只是常规操作，几乎所有主流模型都可以支持“无中生有”的思维导图生成，Kimi可以实时显示出来（所以，如果说Claude的Artifacts“抄袭”了Kimi，似乎也有道理）。

2、但希望它能加入数据，因为分析是基于数据的。

第一次生成的代码有错漏，导致页面显示不正常，但再检查一遍重新生成后，就正确了。这种交互反而让人觉得模型更像“人”了。当然，因为它没有去搜索最新数据，很多数据在当前时点是“错误”的。所以又提出了一个新要求：更改一下某个数据，比如美国的原油产量数据。它理解了，并且做到了。这种理解力和代码生成的稳定性，来自模型原生的能力。也许，时代真的如之前预期的一样，在2024年夏天变了。

3、有了思维导图，想让它生成一个PPT，并画出相应图表。

第一次生成的更像一篇文档，虽然画出了图表，但更想要的是可以分页的PPT，所以又让它修改了一下，它如实完成了。字体、图表样式、数据都没有变化，再次展现了足够稳定的代码能力。

4、但还不太够，配色不够专业，字体也不标准，希望加入一些结论。

当然，它再次如实理解了意图，调整了配色，修改了字体，也加入了结论。只是第一次生成时，返回的token数量受到限制，页面不能正常显示；第二次让它精简一下，结果很顺利。最终得到如下几页PPT。

结论如下：

• 虽然自媒体已经铺天盖地各种基于Sonnet3.5的Artifacts的花样玩法，最多的是生成小游戏，当然不认为我们需要生成小游戏给自己玩，但生成直接与生产力相关的内容是妥妥的刚需（还尝试生成了一些便于解释的动画效果，时间和篇幅关系，就不给出了）；
• 虽然“雇佣了超级助理”的说法有点夸张，但只要愿意花时间磨合，效果一定还会超出很多；
• 模型会快速越变越好，这种速度远超个人进步速度。个人价值在哪里？可能是深度思考与知识库积累；
• 能取代团队同事吗？显然不可以。但这只是因为过去三四年时间里已经通过各种模型和技术支撑，极大拓展了每一个人的边界与输出能力。对工具的理解和基于知识库的产出，并不是现在的模型可以挑战的。但如果两三年甚至三五年后呢？
• 还需要什么：基于工具与模型的新工作流；私有化部署的解决方案；数据与知识库的无缝对接。
• 这些问题，也是各种AI生成端落地所面临的问题。

《夸克》非常好用的免费AI浏览器

下载APP查看