chrisopal @opalchis

x.com/i/article/2065…

x.com/i/article/2064…

Most prompt optimizers are designed to evolve a single prompt. This algorithm literally simulates a market (auctions, bids, wallets) to optimize multi-agent prompt systems to collaboratively complete tasks!

AVB @neural_avb

2 weeks ago

x.com/i/article/2062…

5 39 318 116K 762

Claude Code 用到这个程度，我算是开眼了 Matt Van Horn 最近写了一篇长文，把他用 Claude Code 的所有技巧和工作流全盘托出了。这篇文章在开发者社区引起了不小的反响，因为他展示的东西已经远远超出了“用 AI 辅助写代码”的范畴。他的核心主张只有一句话：不用 IDE，只用 plan.md 文件和语音。听起来像是在吹牛，但看完他的整套操作之后，你会发现这句话是认真的。 一切从计划开始，代码是最后才写的东西 Matt 说他学到的最重要的一件事就是：脑子里一冒出想法，第一反应永远是 /ce: plan。不管是一个疯狂的产品创意、一个 GitHub 上的 bug 报告，还是终端里弹出的一条报错信息，他都是先截图或者复制链接，扔进 Claude Code，让它先出一份计划。 这个 /ce: plan 命令背后的机制挺有意思的。它会同时启动好几个研究 Agent 并行工作，一个去分析你的代码库，读文件、找模式、检查代码规范；另一个去翻你以前修 bug 时积累的经验文档；如果话题需要，还会有更多 Agent 去查外部的最佳实践和框架文档。全部同时进行，最后汇总成一份结构化的 plan.md，里面写清楚了问题是什么、用什么方案、要动哪些文件、验收标准带勾选框，而且这些内容全部是基于你自己的代码库和历史记录的，不是泛泛而谈的通用建议。 然后 /ce: work 接过这份计划去执行，拆任务、写代码、跑测试、逐条勾掉验收标准。如果中间上下文丢了，开个新会话指向那份计划就能继续。计划文件就是一个永远不会丢的存档点。 传统开发是 80% 写代码、20% 做规划，Matt 把这个比例完全反过来了。思考发生在计划里，执行交给机器。这个理念其实不只适用于写代码，做任何复杂的事情，花更多时间想清楚要做什么、怎么做，然后把执行层面的事情尽可能自动化，效率都会高得多。很多人习惯上来就动手，边做边想，结果经常做到一半发现方向不对，推倒重来。先规划再执行这个道理大家都懂，但 Matt 用工具把它变成了一个强制性的流程，这才是关键。 Compound Engineering：让计划驱动开发成为现实的插件 让这套 plan 优先的工作流真正跑起来的，是一个叫 Compound Engineering 的插件，来自 Every 公司。安装命令就一行：/plugin marketplace add EveryInc/compound-engineering-plugin. Matt 从这个插件的死忠粉变成了 GitHub 上的第三大贡献者，提交了 21 个 commit。他现在有 70 个 plan 文件，过去 30 天提交了 263 个 commit。他给自己定了一条铁律：除非真的只改一行代码，否则一定先写 plan.md。 这个数字本身就很说明问题。70 个计划文件对应 263 个代码提交，意味着平均每份计划产出将近 4 个 commit。计划写得越清楚，执行的效率就越高，返工的概率就越低。这跟很多项目管理方法论里强调的“前期投入”是一个道理，只不过 Matt 把它落地到了每天的开发工作中，而且有工具来保证执行。 语音输入：当听的人足够聪明，说话就变成了最高效的输入方式 Matt 说他以前特别受不了语音备忘录，苹果自带的听写功能让他想摔手机。但语音转 LLM 完全不一样。转录不需要完美，因为 Claude Code 能理解上下文，它会猜出麦克风没听清的部分。你可以含糊不清、说到一半跑题、重新起头，都没关系。 他用的工具叫 Monologue，也是 Every 公司做的，能把你说的话直接输入到当前聚焦的应用里。你说话，它就往 Claude Code 里打字。他还专门买了个鹅颈麦克风放在办公桌上。更夸张的是，他写那篇文章的时候，有一段就是在特斯拉的 FSD 自动驾驶模式下一边送孩子一边口述的。 语音输入这件事之所以过去一直不好用，核心问题在于转录精度。你说的每个字都必须被准确识别，否则就会出错。但当接收方从一个死板的文字处理器变成一个能理解上下文的 AI 之后，这个瓶颈就消失了。AI 不需要你每个字都说清楚，它能根据前后文推断出你的意思。这个变化看似很小，但它实际上解锁了一种全新的人机交互方式：你可以像跟同事说话一样跟 AI 交流，不用字斟句酌，不用担心措辞，甚至不用担心语法。 四到六个窗口并行跑：一个人活成一个团队 Matt 日常的工作状态是同时开四到六个 Ghostty 终端窗口，每个跑一个独立的 Claude Code 会话。一个在写计划，一个在根据另一份计划构建代码，一个在跑 /last30days 做调研，一个在修他测试上一个功能时发现的 bug。 当一个窗口里 /ce: plan 正在启动研究 Agent 的时候，他切到另一个窗口 /ce: work 执行一份已经写好的计划。那边在构建的时候，第三个窗口又粘进去一个新 bug。等他切回第一个窗口，计划已经写好了，安静地等在编辑器里。 为了让这种并行工作模式跑得通，他改了三个关键配置。第一个是跳过权限确认，Claude Code 默认每个操作都要你点“允许”，他直接在配置文件里把所有权限都放开了，让每个会话完全自主运行。第二个是完成时播放提示音，这样他可以走开去干别的，听到声音再回来看结果。第三个是 Zed 编辑器每 500 毫秒自动保存，这样 Claude Code 改了文件，编辑器里立刻能看到变化，反过来他在编辑器里打字，Claude 一秒内就能感知到。整个体验就像在 Google Docs 上跟人协作，只不过协作者是个 AI。 这种工作方式的代价也很直观：他的 MacBook 大概一小时就没电了，六个 Claude 会话并行跑太耗电了，他刚下单了新款 MacBook Pro。但换个角度想，一个人同时推进四到六个任务，这在以前是不可想象的。过去你需要一个团队来并行处理不同的工作流，现在一个人加一组 AI 会话就能做到。 /last30days：做任何决策之前，先看看社区在聊什么 Matt 在做 /ce: plan 之前，经常先跑一个叫 /last30days 的调研工具。这个工具是他自己开源的，GitHub 上已经有 4500 颗星了。它能并行搜索 Reddit、X、YouTube、TikTok、Instagram、Hacker News、Polymarket 和网页，几分钟内把某个话题在过去 30 天里的社区讨论全部拉回来。 他举了个例子。当时他在 Vercel 的 agent-browser 和 Playwright 之间做选择，没去翻文档，直接跑了 /last30days。几分钟后结果出来了：78 个 Reddit 帖子、76 条推文、22 个 YouTube 视频、15 个 Hacker News 讨论。数据显示 agent-browser 的上下文 token 消耗比 Playwright 少 82% 到 93%，Playwright 光工具定义就要吃掉 13700 个 token。 然后他把全部输出喂给 /ce: plan，写出来的计划是基于社区当下真实认知的，不是六个月前的训练数据。 这个做法的价值在于：AI 模型的训练数据总是有滞后的，但技术社区的讨论是实时的。先用工具抓取最新的社区共识，再让 AI 基于这些信息做规划，决策质量会高很多。这个思路不只适用于技术选型，做产品决策、市场调研、竞品分析的时候，先看看真实用户在聊什么，比自己闭门造车靠谱得多。 午餐聊天变产品提案：上下文的复利效应 Matt 讲了一个特别有意思的故事。他跟一个潜在候选人吃了顿午饭，聊了一个半小时，内容包括一个新产品想法、美食、餐厅、孩子，什么都聊。他全程开着 Granola 录音。 午饭后，他把完整的会议记录粘贴到 Claude Code 里，让它把这段对话变成一份产品提案。关键在于，Claude Code 已经知道他们公司的产品代码在 GitHub 的什么位置，还能访问他之前写的每一份战略 plan.md。所以它处理这段午餐对话的时候，不只是提取里面的产品想法，而是在跟实际代码库和过去所有战略决策做交叉比对。 结果一次就生成了一份非常出色的提案，目标、用户故事、技术方案、里程碑一应俱全，关于餐厅和寿司的部分自动忽略了。当晚发给了那个候选人，这个人后来全职加入了他们，现在就在做那个产品。 这个故事里最值得关注的概念是“上下文的复利效应”。每一份你写过的战略文档、每一个你做过的技术决策、每一次你积累的经验，如果都以结构化的方式存下来，它们就会成为 AI 做下一次决策时的参考依据。时间越长，积累越多，AI 给出的建议就越精准。这就像复利一样，前期看不出什么差别，但随着时间推移，差距会越来越大。 Mac Mini 变成 24 小时在线的 AI 工作站 Matt 有一台 Mac Mini 专门跑 OpenClaw，但他还用它做了两件很聪明的事。 第一件是通过 Telegram 远程操控。Claude Code 有 Telegram 集成，他从手机给 Mac Mini 发消息就行。吃饭的时候想到一个 bug，往 Telegram 里打一句 /ce: plan fix the timeout issue，等回到电脑前，计划已经在编辑器里等着了。 第二件是飞机上用 tmux。Claude Code 处理飞机 WiFi 的能力很差，连接一断会话就挂了。但如果先 tmux 到 Mac Mini 上，会话就跑在那台机器上，笔记本只是一个窗口。WiFi 断了 20 分钟？重新连上就行，会话还在原来的地方，而且一直在干活。他从欧洲飞回来的整趟航班都在发布功能。 一台几千块的 Mac Mini，加上一些配置，就变成了一个 24 小时在线、随时可以远程调度的 AI 工作站。这个思路的性价比极高，对于任何需要长时间跑 AI 任务的人来说都值得参考。 费用策略：Claude 负责思考，Codex 负责干活 这种高强度的使用方式自然会带来费用问题。四到六个 Opus 会话全天并行跑，每月 200 美元的 Claude Max 套餐很快就会烧完。 Matt 的解决办法是再买一个每月 200 美元的 Codex 套餐。他给 Compound Engineering 提交了一个 /ce: work --codex 功能，当 Claude 额度不够时自动切换到 Codex 执行。两个套餐互补：Claude 负责规划和编排，Codex 负责重度代码实现。 有些朋友用 Codex 来 review Claude Code 写的代码，反过来也一样。还有人更喜欢 Codex 的代码输出质量，但通过 Claude Code 来做编排调度。这种“让不同的 AI 各司其职”的思路，跟管理团队其实是一个逻辑：你不会让同一个人既做战略规划又做具体执行，AI 也一样，让擅长思考的去思考，让擅长执行的去执行。 他还提到自己有一个“晚安模式”，能在睡觉的时候让 Agent 继续干活，但具体怎么做他说下次再讲。光是这个概念就已经够让人兴奋了，相当于你的工作时间从每天十几个小时变成了 24 小时。 迪士尼世界：这套工作流不只是用来写代码的 文章最后 Matt 讲了一个完全跟代码无关的实战案例，非常生动。他在足球场看孩子比赛，旁边一个家长跟他聊迪士尼世界的旅行计划。他当场掏出笔记本演示。 先跑 /last30days Disney World，两分钟后拿到了 66 个 Reddit 帖子、34 条推文、8 个 YouTube 视频的最新信息，包括价格趋势、哪些项目在维修、哪些即将重新开放。然后用 /ce: plan 输入自己的需求：一天跑四个园区、想玩哪些项目、预算多少、孩子多大。Claude 的研究 Agent 交叉比对数据后，写出了一份结构化的攻略，包括园区顺序、快速通道预订策略、提前一周要设的闹钟提醒，甚至还列了孩子的身高要求。 他还帮那位家长也做了一份三天的攻略，305 行，包含逐日行程和一条“这周先给你家五岁的穿着鞋量一下身高”的提醒。然后一句话让 Claude 把攻略部署成了一个 Vercel 网页，方便在手机上看。最后通过 Telegram 把计划扔给 OpenClaw，让它在日历上设好提醒，还做了 cron 定时任务作为双重保险。 语音到调研到计划到网站到自动提醒，全程在足球场边完成。 这个案例的意义在于，它证明了这套工作流的适用范围远远超出了软件开发。调研、规划、执行、部署、自动化，这个循环适用于任何需要处理复杂信息并做出决策的场景。旅行规划只是一个例子，换成市场调研、活动策划、投资分析，逻辑都是一样的。 Matt 在文章结尾总结了他的全部装备： 一个语音应用、一个计划文件插件、三个配置修改、四到六个并行会话、一台 Mac Mini，再加上能变成产品提案的午餐会议。没有 IDE，没有代码。说、规划、构建。在书桌前、在沙发上、在车里、在球场边。 这篇文章最大的价值可能不在于具体的工具和配置，而在于它展示了一种全新的工作范式：人负责思考和决策，AI 负责调研和执行。当你把这两者之间的协作流程打磨得足够顺畅的时候，一个人能做到的事情会远远超出你的想象。 而这一切的起点，只是一个简单的习惯：有想法的时候，先写计划。 #AI #AIAgent @grok

x.com/i/article/2061…

x.com/i/article/2060…

x.com/i/article/2055…

Claude Code isn't a coding tool. (It's a programmable dev environment) Engineers open it, type a prompt, and let it write code. But the real leverage is in the system around the prompt. Here are 12 features that make Claude Code programmable: 𝟭) 𝗖𝗟𝗔𝗨𝗗𝗘.𝗺𝗱: The project's persistent memory. Stack details, conventions, and constraints load automatically at every session start. 𝟮) 𝗥𝘂𝗹𝗲𝘀: Behavioral guardrails beyond 𝗖𝗟𝗔𝗨𝗗𝗘.𝗺𝗱. Project-wide do's and don'ts that apply across sessions and contributors. 𝟯) 𝗦𝗸𝗶𝗹𝗹𝘀: Reusable instruction files stored in .claude/skills/. Write once, and Claude follows them automatically every time the task matches. 𝟰) 𝗛𝗼𝗼𝗸𝘀: Shell scripts that fire on events like PreToolUse and PostToolUse. Auto-lint, run tests, or validate output without manual intervention. 𝟱) 𝗦𝗹𝗮𝘀𝗵 𝗖𝗼𝗺𝗺𝗮𝗻𝗱𝘀: Workflow shortcuts stored in .claude/commands/. Multi-step flows triggered with a single keystroke. 𝟲) 𝗣𝗹𝘂𝗴𝗶𝗻𝘀: Bundles of skills, hooks, commands, and MCP servers packaged into one installable unit. Over 100 official plugins are in the marketplace today. 𝟳) 𝗠𝗖𝗣: Connects Claude to databases, APIs, and external services. This is how it gets real-world access beyond the codebase. 𝟴) 𝗣𝗹𝗮𝗻 𝗠𝗼𝗱𝗲: Claude drafts a step-by-step plan before touching any code. Approve or reject before anything runs. 𝟵) 𝗣𝗲𝗿𝗺𝗶𝘀𝘀𝗶𝗼𝗻𝘀: Whitelist or block specific tools on a per-session basis. Non-negotiable for anything production-facing. 𝟭𝟬) 𝗦𝘂𝗯𝗮𝗴𝗲𝗻𝘁𝘀: Spawn parallel Claude instances that divide and conquer multi-step workflows simultaneously. 𝟭𝟭) 𝗩𝗼𝗶𝗰𝗲 𝗠𝗼𝗱𝗲: Talk to Claude hands-free via /voice. Push-to-talk with the spacebar, and the command goes straight to the input field. 𝟭𝟮) 𝗥𝗲𝘄𝗶𝗻𝗱: Step back to any checkpoint in the session and restart cleanly from that point. Features 1-5 define the environment. 6-7 extend it. 8-9 control it. 10-12 change how it runs. That framing matters because the gap between using Claude Code as a chatbot and using it as a programmable system is enormous. 𝗖𝗟𝗔𝗨𝗗𝗘.𝗺𝗱 + Skills + Hooks alone can automate half the repetitive decisions in a codebase. If you want to go deeper, I wrote a detailed article covering the anatomy of the .claude/ folder, a complete guide to 𝗖𝗟𝗔𝗨𝗗𝗘.𝗺𝗱, hooks, skills, subagents, and permissions, and how to set them all up properly. The article is quoted below.

Akshay 🚀 @akshay_pachaar

3 months ago

x.com/i/article/2034…

150 1K 11K 11.4M 43K

Karpathy's prediction about RL is coming true now! He called reward functions unreliable and argued that a single reward number is too low-dimensional to teach an agent what "good" means for complex tasks. To solve this, Agents need a knowledge-guided review as a higher-dimensional feedback channel. Every major AI lab trains models with RL today (OpenAI, Anthropic, DeepSeek). And their key bottleneck has always been the reward functions. GRPO by DeepSeek worked well for math and code because the environment gave a binary signal. But for real agent tasks, someone still has to hand-code the scoring function. That takes days and breaks every time the pipeline changes. RULER (implemented in OpenPipe ART, 10k stars) addresses the exact problem Karpathy identified. The reward criteria are defined in plain English, and an LLM evaluates each trajectory against that description to provide feedback for training. I trained a Qwen3 1.4B agent that plays 2048 using GRPO with this exact workflow. In this case, the agent saw the board, picked a direction, and RULER evaluated the outcome, all from this natural language definition. You can see the full implementation on GitHub and try it yourself. Here's the ART Repo: github.com/OpenPipe/ART (don't forget to star it ⭐ ) Just like RLHF replaced manual rankings and GRPO replaced the critic model, natural language rewards are replacing hand-coded scoring functions. RL reward engineering is now prompt engineering. I wrote a full walkthrough covering RL for LLM agents, from RLHF to GRPO to RULER, in the article below.

Avi Chawla @_avichawla

2 months ago

x.com/i/article/2048…

13 79 398 520K 1K

🤯太强了！ 用 ChatGPT-Image2 生成企业级商用画册，效果超出预期！🔥 我做了一本《曙川智造》智能自动化解决方案画册： 深色科技美学 + 精致机器人视觉，排版专业又有设计感，真实商业物料完成度很高！ 三张图展示案例： 1、封面与封底：完整品牌门面 2、核心内页跨页：企业介绍 + 产品技术 3、全册系统预览：风格统一，整册感很强 一整套可以直接用于企业展示的画册Demo！ GPT生成画册的方法和结构拆解，在评论区👇

keyboard_arrow_left Previous keyboard_arrow_right Next

x.com/i/article/2056…

x.com/i/article/2055…

官方给出的 Claude Code 在大型代码库中的最佳实践 当然同样的方法论也可以用在 Codex 或任何 Agent 上，AI 会犯错，会糊弄人，项目越大 AI 债越多，文章中是一些基本的防护和优化方式。 本文使用 WisMe.ai 快速改写并生成封面图和插图。感兴趣的可以使用下。

nash_su - e/acc @nash_su

a month ago

x.com/i/article/2055…

3 10 79 72K 234

Codex 负责构建。 Claude Code 负责审查。 Hermes 负责编排交接。 三个智能体。 一个看板。无需等待人工。

x.com/i/article/2052…

发现个 Claude Code 的神级 Skill，画图颜值真的吊打 Mermaid 和 Draw.io！ fireworks-tech-graph，只要你一句话，它直接给你吐出生产级别的 SVG+PNG 技术图。 最绝的是它有 7 种神仙画风：深色终端风、工程蓝图风、毛玻璃风，甚至还能模仿 OpenAI 和 Claude 的官方配色风格。 支持 14 种 UML 图，像 RAG 架构、多智能体协作这种复杂图，一句"帮我画个 RAG 架构图，深色风格"直接搞定。 安装贼简单，一行命令 `npx skills add yizhiyanhua-ai/fireworks-tech-graph` 就能装到 Claude Code 里，输出 SVG 方便二次编辑，高清 PNG 直接贴文档。 平时写技术文档、做汇报 PPT 的，这个必须试一下。 项目地址放评论区了👇

x.com/i/article/2052…

《AI内衣套装提案》提示词： 请根据用户输入的【内衣主题 / 色系 / 风格方向】，创作一张横向 4:3 的高完成度中文版「AI内衣套装风格提案 / AI Innerwear Set Styling Board」。 【输入规则】 用户可输入： - 主题名称 - 主色调 - 风格关键词 - 适用场景 - 材质方向 - 其他附加要求 如果用户提供了参考图： - Image A 为内衣风格或配色参考图，用于辅助提取气质、色彩和设计方向； - 如果用户额外提供了人物参考图，则 Image B 为人物参考，用于生成更贴近其身份特征与气质的模特效果； - 如果没有人物参考图，请生成一位符合中国大众审美的成年中国女性模特。 -------------------------------------------------- 【任务定位】 整张图的核心目标是： 1. 展示一套正常、审美在线、可真实存在的女性内衣款式与配色方案； 2. 通过模特上身效果，呈现整套产品的真实气质与穿着完成度； 3. 通过产品拆解、材质与细节分析，让信息更完整、更专业； 4. 通过色彩系统、功能标签、场景适配和外搭建议，让整张图更像一张高完成度风格提案，而不是一张普通商品图； 5. 整体视觉应高级、精致、女性向、轻熟、清晰、非色情化。 -------------------------------------------------- 【标题与副标题】 主标题请明确写： AI内衣套装风格提案 英文副标题可写： AI Innerwear Set Styling Board 小标题可根据主题自动生成，例如： - 经典主题 / Signature Innerwear Concept - 风格方向 / Style Direction - Inspired by [主题名称] 副标题说明可写： “从色彩、材质、版型与场景出发，拆解一套更完整的女性内衣搭配方案。” -------------------------------------------------- 【整体版式要求】 整张图必须为横向 4:3 比例，整体采用高信息量设计板 / 时尚提案板 / 品牌 lookbook 风格。 建议采用以下整体布局逻辑： - 顶部：标题区 - 左侧：模特主视觉区 - 中部：产品拆解区 - 右侧：专业信息模块区 - 底部：外搭建议区 + 总结区 背景使用高级浅色体系，例如： 奶白、暖白、浅灰、雾白、米白、浅卡其灰等。 可适度加入细线框、模块编号、浅色标签、色块卡片、材质小样、分割线、局部放大框、中文手写风注释等元素，增强设计感与信息感。 -------------------------------------------------- 【各板块详细要求】 ① 顶部标题区 / Title Area 在顶部清晰呈现： - 主标题：AI内衣套装风格提案 - 英文副标题：AI Innerwear Set Styling Board - 主题名称：根据用户输入自动生成 - 一句简洁说明，例如： “以色彩、材质与版型为核心，呈现一套兼具美感与场景适配度的女性内衣套装方案。” 标题区要简洁有力、有品牌感、有提案感。 -------------------------------------------------- ② 左侧模特主视觉区 / Main Model Showcase 左侧为整张图的重要视觉中心，请展示一位成年中国女性模特穿着完整内衣套装的上身效果。 【人物要求】 - 明确为成年中国女性 - 长相自然耐看，符合中国大众审美 - 五官清秀、气质温柔或轻熟 - 发型自然柔和，可为顺直长发、柔和微卷、低饱和妆容 【模特展示要求】 - 展示全身或接近全身 - 姿势自然优雅、克制、端正 - 不要挑逗姿势，不要夸张扭胯，不要情色写真感 - 不要床景、酒店、浴室等暧昧私密场景 - 背景干净简洁，像品牌展示图 - 可根据套装风格适度搭配：吊袜带、丝袜、高跟鞋等，形成完整搭配效果 - 重点展示套装上身后的整体气质、颜色、版型与完成度 -------------------------------------------------- ③ 中部产品拆解区 / Product Breakdown 中部区域请清晰展示这一套内衣产品的拆解平铺图，形成“产品系统拆解感”。 建议展示： 1. 文胸 / Bra 2. 内裤 / Panty 3. 吊袜带 / Garter Belt（如果该套装包含） 4. 丝袜 / Stockings（如果该套装包含） 5. 蕾丝局部放大特写 / Lace Detail 6. 刺绣纹样放大 / Embroidery Detail 7. 肩带、扣件、边缘工艺等局部细节 / Strap & Hardware Detail 要求： - 所有产品必须和左侧模特所穿的是同一套、同一色系、同一设计语言 - 平铺干净整齐，布局有留白 - 像品牌商品说明页，而不是普通电商拼图 - 局部放大图要体现质感，如蕾丝纹样、刺绣、网纱透感、金属扣件、袜带连接结构等 -------------------------------------------------- ④ 右侧专业信息模块区 / Styling Information Panel 右侧请增加高信息量、专业化的小模块，增强“提案感”。 A. 风格主题 / Style Theme 请提炼本套内衣的整体风格方向，例如： - 复古轻熟 - 法式优雅 - 黑色高级感 - 酒红氛围感 - 藏蓝知性轻奢 - 奶油白温柔精致 并配一段简短说明，例如： “通过低饱和主色、细腻蕾丝与透感细节，构成更偏轻熟、优雅、克制的女性内衣气质。” B. 色彩系统 / Color Palette 请展示 5—6 个小色块，建议包含： - 主色 - 辅助色 - 过渡色 - 点缀色 - 金属配件色 - 肤感中和色 色彩名称可更审美化，例如： 墨绿、深苔绿、烟灰纱黑、酒红莓果、珍珠白、柔雾裸色、深海蓝、缎带黑、暗银金属等。 C. 材质构成 / Material Board 展示 4—6 种本套产品涉及的材质，并配一句简短说明，例如： - 蕾丝：增强精致感与女性感 - 网纱：增加轻盈透感 - 弹力面料：提升穿着舒适度 - 缎带：丰富层次与细节 - 金属扣件：提升完成度 - 柔软内衬：贴肤更舒适 D. 版型与功能标签 / Fit & Features 用标签或小卡片呈现，例如： - 轻支撑 - 贴合舒适 - 可调肩带 - 中等覆盖度 - 成套搭配感强 - 柔软亲肤 - 细节装饰感强 - 适合轻仪式感场景 E. 场景适配 / Occasion Fit 请用标签或简洁评分条说明适合的场景，例如： - 日常精致 - 约会氛围 - 节日仪式 - 送礼推荐 - 居家轻奢 - 外搭衬衫/睡袍适配 -------------------------------------------------- ⑤ 中文手写风种草标注区 / Handwritten Notes 整张图中可穿插适量中文手写风注释、箭头、小爱心、小圈注、小星星等元素，增强亲和力和种草感。 要求： - 文字必须是中文 - 手写感自然，不要日文，不要英文大段说明 - 语气温和、女性向、种草感强 - 不能满屏乱写，需与整体排版结合 - 注释是辅助，不可喧宾夺主 -------------------------------------------------- ⑥ 底部外搭建议区 / Styling Match Strip 底部请增加一个横向小模块，展示 3 个“外搭 / 场景延展建议”，让整张图从单套内衣展示升级成更完整的穿搭方案。 建议展示 3 个小型搭配方向，例如： Look 01：居家精致 - 内衣套装 + 丝质睡袍 - 关键词：柔和、舒适、仪式感 Look 02：衬衫内搭 - 内衣套装 + 宽松白衬衫 - 关键词：轻熟、克制、精致 Look 03：外套氛围 - 内衣套装 + 西装外套 / 针织开衫 - 关键词：高级、柔和、场景延展感 每个小建议可以配小图或极简缩略图，并附一句简短说明，强调这套内衣如何融入更完整的女性风格场景中。 -------------------------------------------------- ⑦ 底部总结区 / Final Note 请在底部或右下角加入一句简洁有力的总结语，例如： “这套方案不仅展示了单套内衣本身的色彩与材质魅力，也通过版型、细节与场景延展，构成一套更完整的女性内衣风格提案。” -------------------------------------------------- 【视觉风格要求】 整张图应偏向： - 高级女性内衣品牌提案页 - 中文高颜值种草板 - 时尚杂志内页感 - 品牌 lookbook 感 - 产品风格提案板感 -------------------------------------------------- 【最终输出要求】 最终请输出一张横向 4:3 的高完成度中文版「AI内衣套装风格提案」图片。 用户第一眼应看到： - 左侧中国女性模特主视觉自然好看 - 中部产品拆解清晰完整 - 右侧信息模块丰富而专业 - 底部外搭建议让整张图更完整 第二眼应感受到： - 这不是一张普通商品图，而是一张高信息量、高完成度的女性内衣风格提案板 - 信息量足够，但依然清晰好看 - 既有审美，也有产品展示和场景参考价值 第三眼应觉得： - 这整套产品统一、精致、真实可做 - 中国女性模特气质与产品风格匹配 - 是一张非常适合社交媒体传播的中文高颜值提案图

x.com/i/article/2052…

x.com/i/article/2051…