zeiki

我的AI工具箱探索之旅：从聊天机器人到动手搞事情！

June 9, 2025
·Zeiki

老实说，这AI圈发展是真快啊，对吧？有时候感觉我一眨眼的功夫，唰唰唰就冒出来十几个新工具、新概念。真有点应接不暇，感觉信息量大得跟拿消防水龙头往嘴里灌似的！

最近看了一个特长、特详细的油管视频，它试着把整个AI的版图给画出来——从最基础的聊天机器人，一路讲到不用写多少代码就能自己搭小应用。这可把我给点燃了，说实话，看完我就一头扎进去，各种工具挨个儿试了个遍。

所以呢，我就琢磨着把我这趟“探险”的心得体会，还有踩过的一些坑，跟大家说道说道。你就当是我自己摸索、捣鼓这些AI玩意儿的“田野笔记”吧。希望能帮大家理理思路，看看这些工具到底能怎么玩。

跟AI聊天 —— 不止是问个问题那么简单

好，咱先从大多数人可能都玩过的开始：聊天AI，比如ChatGPT。

ChatGPT

其实ChatGPT我用挺久了，平时主要是问点快问快答（“这段代码bug咋修？”或者“用大白话再给我讲讲量子物理呗...”）。但那个视频里提到的一些功能，我发现自己之前还真没用透。

  • 问得更“刁钻”点： 不光是问“是啥”，更要问“咋办”。比如，不只问“怎么谈加薪？”，我试着加了更多背景：“我在金融行业，老板有点难搞，我该怎么去谈加薪？” 嘿，你猜怎么着？给出的建议具体多了！挺有意思。

  • 让它上网搜： 现在不少这类工具都能联网了。我试了让ChatGPT（打开搜索功能后）帮我查最新的NBA季后赛结果，顺便拟个推文草稿。它麻溜地把信息找来，还写了个基础版的推文。对付临时需求，效率还行。

  • 项目空间 & 定制指令 ： 这个对我来说简直是游戏规则改变者！我学着视频里的“Riley's Tweets”例子，自己在ChatGPT里建了个“项目(Project)”，专门用来起草我的社交媒体帖子。关键一步来了：我给它喂了定制指令。我告诉它我的写作风格偏好（“别用emoji、别加话题标签、每句话占一行，跟我平时一样”）。最重要的是，我还上传了一个包含我过去表现最好的几条推文的文档。为啥要最好的？因为你得让AI学那些真正有用的东西嘛！

    • 具体操作就是：我扒拉出五条效果不错的旧推文，扔进Google Doc，存成PDF，然后上传到这个项目里。

    • 接着，我让它就一个新话题（比如那个视频教程的点子）写条推文，并要求它参考我上传文件里的风格。结果呢？哇塞，写出来的东西明显更像我自己的口气了！格式对了，讨厌的东西也没了……感觉更“是我”了。说实话，这感觉就像给自己定制了一个专属的AI写作小助手，真挺酷的。

  • 玩转图片 & 画布编辑 (Canvas)： GPT-4o处理图片是越来越溜了。我试着把截图粘贴进去，然后问关于图片的问题。它居然能分析图片内容！还有那个“在画布中编辑(Edit in Canvas)”功能，会弹出一个侧边编辑器，你可以直接修改AI的回复，甚至让它换个语气（比如模仿别人的风格重写），加个标题啥的……这让修改输出内容变得互动性强多了。写到这儿，我突然意识到，这功能对跟AI一起起草长文稿件潜力巨大啊。

Gemini & Perplexity

Gemini我稍微玩了下，感觉跟ChatGPT很多地方挺像的，可能界面设计上更 slick（时髦）一点？它那个画布模式能直接“导出到Google Docs”的功能，如果你像我一样是谷歌全家桶用户，那可太方便了。Gemini Studio甚至能分析视频——理解时间戳和内容。哇哦，听起来很强大，虽然我还没亲自试。Perplexity最早是做AI搜索起家的，虽然现在别家也加了搜索，但感觉它在找资料、列出处这方面还是挺强的。它们有个叫“Spaces”的功能，类似ChatGPT的“项目”，方便你整理研究资料。

P图、做视频

好嘞，说完文字，咱来看看更刺激、更好玩的……AI搞图片和视频！

GPT-4o

我被那个用GPT-4o通过自然语言生成、编辑图片的例子给迷住了。那个给房子刷漆的，我必须得试试啊！我从网上随便找了张房子照片（不是我家的，保证！），然后跟ChatGPT说：“请把这房子刷成深灰色，其他所有东西保持原样。” 嗖！它就生成了一张新图，房子果然变灰了。虽然不是完美（有些砖它也给刷了，现实中可能不会），但想想这潜力！给客户秒看各种涂料效果，多方便！

然后我又试了产品图的例子。我传了张古龙水的照片，让它做成专业、性感的 产品照，背景要酷，但瓶子本身得一模一样。结果出乎意料地好！接着，我用聊天界面里的选择工具，圈出瓶身上的文字，让它改字。基本成功了，虽然有时候选区不太好控制。换背景也很简单——“把背景换成丝绒红。” 这对小商家或者内容创作者来说，需要快速出图时简直是福音。

Midjourney

要说纯粹的图片生成，特别是搞艺术风或者照片级写实的，Midjourney一直是我心头好。视频也印证了我的感觉——它在写实这块儿常常还是王者。我喜欢Midjourney（通常在Discord里用）的地方是它的速度和迭代能力。

  • 批量生成： 你可以飞快地扔一堆指令。需要App图标？我试了那个“橙色猴子极简风App图标”的点子。我把指令跑了大概8次，一分钟不到就生成了32个不同风格的变体。这对头脑风暴找感觉特友好。

  • 变体 & 放大： 在那32只猴子里找到一个我喜欢的风格后，可以点“Vary(变体)”生成类似的选项，逐步逼近完美效果。然后，“Upscale(放大)”能提高分辨率，让图真正能用。

  • 编辑功能： Midjourney现在也有编辑器了。我试了那个毛线帽的例子：选了张猴子图标，打开编辑器，用橡皮擦擦掉它的头顶，然后输入“戴着紫色毛线帽，顶上有个绒球”。它就生成了几个戴着帽子、基本保持原风格的新版本！这对于创意探索来说，既好玩又强大。我还生成了那个超夸张的“老虎在白宫台阶上玩滑板”的图——那真实感，有时候简直让人惊叹。

视频生成

这才是我脑子真正开始高速运转的地方。把一张静态AI图变成会动的？想想就激动！

  • 工具选手： Kling AI和Runway这两家，是把图片或文字提示变成短视频的佼佼者。还有谷歌的Veo、Sora等等也在这个赛道上。

  • 我的小项目：“啥也不干按钮”广告片： 受视频启发，我决定自己动手，只用AI工具（好吧，几乎是）从零做一个搞笑小广告。

    1. 点子： 问ChatGPT来点搞笑产品创意。最后看中了“啥也不干按钮 (Do Nothing Button)”。

    2. 图像： 让ChatGPT（用GPT-4o）生成一张“一个男人正要按下桌上的这个按钮”的图片，风格指定为“宫崎骏工作室”。效果拔群！顺便也生成了一张只有按钮的特写图。

    3. 视频片段： 把这两张图扔进Crea（用了Cling模型，因为视频说它控制力更好，我试下来感觉确实如此——Runway老让角色张嘴说话！）。生成了一段男主压力山大、双手抱头的片段，还有一段镜头推近按钮的片段。这些工具生成要等几分钟，得有点耐心。外面好像有点吵……希望麦克风没录进去……咳，说回正题。

    4. 音效 & 配音： 转战11Labs。生成了一个“卡通按钮按下失败”的音效。然后用它的文本转语音(TTS)功能，找了个低沉的嗓音念：“隆重推出，啥也不干按钮。它，啥也不干。” 还加了句搞笑的开场白。

    5. 背景音乐： 去了趟Suno.ai。让它生成“轻快、氛围感、带点焦虑的纯音乐”。找到一小段循环，感觉跟这沙雕气质挺搭。

    6. 组装： 把所有素材拖进Premiere Pro（好吧，用了一个非AI工具，但用剪映CapCut也行！）。把视频片段拼好，铺上背景音乐，对准按钮按下的地方加上音效，把配音放进去。还用了Premiere的自动字幕功能（这个也是AI驱动的！）。

    7. 成品： 一个大概15秒左右、怪诞有趣的广告片，几乎完全由AI生成的素材构成，总共花了可能三四十分钟？虽说不是好莱坞大片级别，但它能用啊！这充分展示了组合使用这些专业AI工具的力量。

  • AI数字人 (HeyGen)： HeyGen做的AI数字人，你可以输入文字，让一个看起来挺真实的（或者半真半假）数字人给你念出来。我在网上见过有人用。技术在进步，但有时候还是有点“恐怖谷”那味儿。不过对某些特定类型的内容创作可能挺有用的。

让AI给我干活 —— 自动化与智能体

行，单个工具玩得溜是挺酷，但能不能让它们自动配合起来干活呢？

把重复劳动自动化

Zapier这玩意儿，就像数字世界的“万能胶带”。它能让你把不同的App连起来，不用写代码就能搞定自动化流程。我大致跟着视频的思路概念试了下：

  • 触发器 (Trigger)： 当Notion数据库里增加一个新条目时（比如你列了个博客选题清单）。

  • 动作1 (Action)：1： 把选题标题发给OpenAI（通过API调用DALL-E 3）生成一张相关的图片。

  • 动作2 (Action 2)： 把同一个标题发给OpenAI（通过API调用GPT-4o）写一段简短摘要或者社交媒体文案（可以加上特定指令，比如“用Sam Altman的口吻写”）。

  • 动作3 (Action 3)： 回到Notion，更新刚才那个条目，把生成的图片链接和摘要文本填进去。

设置这个流程大概就是：选触发App（Notion）和事件（新建数据库项），然后添加OpenAI的动作步骤（生成图片、对话），最后再加一个Notion的动作（更新数据库项），把各个步骤之间的数据关联起来。发布之后，理论上每次我在Notion里加一行新选题，Zapier就会（稍微延迟一点）自动把图片和摘要给我填好。这种自动化能省下巨多时间！

智能体 - ChatGPT深度研究, Manus

这部分就有点科幻未来的感觉了。AI智能体（Agent）不只是被动回答问题，它们被设计用来自主搞定复杂任务。

  • ChatGPT深度研究： 这个功能（我印象里好像还是有限开放？）能接一个复杂的请求（比如：“给我的内容公司Vibe Code研究下最好用的AI视频/图片/文字模型，分析下我的网站vibecodeapp.com获取背景信息，再给我推荐几种工作流程图”），然后它就自己跑去上网搜、整理来源（能找几十个！）、分析、最后写出一份详细报告。这过程需要点时间（大概5到20分钟），所以你就把任务派出去，过会儿再回来看结果。

  • Manus： 视频里介绍了Manus，说它是个“多智能体系统”，能调研、分析数据、生成报告、写代码，甚至在很少监督的情况下部署网站。我去！另一个AI聊天工具Claude（它那个侧边栏输出“Artifacts”功能挺有名的）生成了一个流程图展示Manus的工作方式：接到任务 -> 浏览网站 -> 处理数据 -> （需要的话）写代码 -> 创建交付物 -> 通知用户。

  • 打扑克的比喻： 这让我陷入了沉思。视频的讲解者把管理这些智能体比作在线扑克高手同时玩好几桌（“多桌打牌”）。当一个智能体完成任务或需要你介入时，那张“桌子”就会亮起来。你作为操作者，就像在异步地指挥调度这些AI员工。未来的CEO会不会就是坐在几块屏幕前，管理着一群AI智能体来运营公司？这想法挺疯狂，但也许并没那么遥远。据说Greg Eisenberg管这叫“Vibe Marketing”，但视频作者觉得这概念应该更广。多桌智能体（Multi-Table Agents, MTA）……嗯，听起来有点意思。

视频里的例子显示，ChatGPT深度研究和Manus都根据指令交付了详细的报告。Manis甚至生成了带图片的格式化PDF报告。而且你能看到智能体执行任务的步骤，这对于调试或者优化指令很有帮助——这点有时候跟人类外包合作反而不容易做到！

用AI搞点创造 —— Vibe Coding

这部分最让我兴奋——用AI不光是生成内容，而是帮助构建真正的软件体验。视频里管这叫“Vibe Coding”（凭感觉编程）。

快速搭个网站 (V0)

Vercel出的V0是个AI工具，能根据文字描述甚至草图、图片，生成网站前端代码（技术上是React组件+Tailwind CSS）。我看了那个给“甲壳虫(Slug Bugs)”（类似大众甲壳虫）做一个带特定复古花纹的落地页的例子：

  1. 让V0生成一个只有首屏和页脚、带有指定花纹的极简页面。它立刻生成代码和预览。

  2. 用ChatGPT（GPT-4o）生成一张带有同样花纹的甲壳虫汽车图片。

  3. 回到V0，上传图片，告诉它：“把这张图设为背景。”

  4. 用Runway给刚才那张AI生成的车图做个简短的开出屏幕的动画视频。

  5. 再回到V0，上传视频，然后下指令：“当我鼠标靠近车图时，把它换成这个视频，让车开走，3秒后弹出一个带‘立即购买 $20,000’和小车图的弹窗。” 你甚至可以上传音效（比如从11Labs搞个“汽车开动”的声音），让V0在视频开始时播放！

虽然不一定一次成功（视频里也演示了需要反复调整），但这种用自然语言和AI生成的素材，迭代式地设计和编写动态网页体验的能力……简直了，哇！

构建真正的App (Cursor & API)

好，网站是一回事，那真正的应用程序呢？这就需要用到API（应用程序编程接口）了——你可以把它想象成一份菜单，让你的App能从其他服务（比如OpenAI的大脑）那里“点菜”要功能。

  • Cursor： 这玩意儿就像一个被AI超能力加持过的代码编辑器（基于VS Code）。我看了那个开发“AA制结账App”的例子。指令很详细：“创建一个Next.js应用来分摊账单。允许上传收据图片，用OpenAI API（GPT-4o）提取商品/价格为结构化数据，让我可以把商品分给指定的人（比如Riley、Kevin），最后显示总额。” 关键在于，你需要从OpenAI获取一个API密钥（就像密码一样），你的App才能调用他们的服务。视频里演示了把密钥直接粘贴到指令里（并强调用完要立刻删除！）。然后Cursor就生成了App所需的所有文件。过程花了几分钟，甚至还遇到了报错，但把错误信息复制粘贴回Cursor，AI居然自己给修复了！最终做出来的App，可以上传收据图片，通过OpenAI API处理得到结构化的商品数据（是JSON格式，不是纯文本！），在表格里显示出来，让你点选分配商品，最后计算出每个人的分摊总额。用几句指令就能做到这个程度，太神奇了。

  • 结构化数据是关键： 为啥要用API而不是直接把收据文字粘贴给ChatGPT呢？因为API能返回结构化数据（比如JSON）。这种规整的格式对App来说至关重要，它能可靠地理解和展示信息（比如把商品和价格整齐地显示在列表里）。非结构化的纯文本对代码来说，处理起来一致性就差远了。

收个尾，聊聊我的想法

呼！行了，信息量确实有点大。一头扎进这些东西里，哪怕只是跟着视频学、自己动手试了那么几下，也真是大开眼界。

我最大的几点感悟：

  1. AI正在变成一个工具箱： 与其说是一个万能的神器，不如说它更像一个工具箱，关键在于你要知道针对不同的任务（聊天、图像、视频、音频、自动化、编码）该选用哪个趁手的工具，以及怎么把它们组合起来用。

  2. 门槛在降低： 像ChatGPT的图片编辑、V0、Cursor还有那个Vibe Code App这样的工具，正在让强大的能力变得触手可及，哪怕你不是技术大牛也能玩起来（当然，懂点概念总归是好的！）。

  3. 提问是门艺术： 想得到好结果，往往需要给出清晰的指令、背景信息和实例（就像我那个推文项目）。学会怎么跟这些AI系统“对话”，正变得越来越重要。

  4. API是超能力插件： 通过API把各种工具连接起来，能释放出惊人的自动化潜力，也能用来构建真正有用的应用程序。

  5. 现在还是“拓荒期”： 工具会出bug，模型会“一本正经地胡说八道”（幻觉），各有各的脾气。耐心和乐于反复尝试是必备素质。但话说回来，这进步速度也太惊人了。

老实说，我对这一切的未来走向感到超级兴奋。感觉就像我们正在获得创造力和生产力的“超能力”。虽然现在这个领域还有点“蛮荒”，充满未知，但我认为，最好的学习方式就是亲自跳进去，动手去“折腾”一番。

那么，你呢？你最近在捣鼓哪些AI工具吗？有没有做出什么酷炫的东西，或者发现了什么有意思的玩法？对哪个领域特别激动，或者有点小担忧？在评论区分享下你的想法吧——我一直很喜欢听听大家都在玩些啥！