现有资料没有推荐任何 ChatGPT 插件;它们更关心 demo 与产品的差距,而不是选哪个设计工具。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
先分清插件能帮到哪一步
你问的是“哪个插件能帮我设计这个界面”。提供的三份材料都没有提到具体插件、设计工具或动效方案,因此无法据此点名推荐。能确定的是:用 AI 做出一个能演示的原型,和做一个能长期使用的产品,是两件事。立正把前者称为 demo,后者称为产品,并指出 demo 只需要在展示那一刻是对的,产品要在现实变化中一直是对的1。按这个区分,插件最多帮你更快做出“参与者做动作、预测结果、动画演示”这一条演示路径;它不会自动解决真实动作识别、误判处理和长期维护。
原型最容易漏掉的是不顺利的情况
立正写到,有 coding agent 后一个下午就能做出像模像样的 App,但原型只碰到最容易的情况:需求清楚、数据简单、用户只有自己2,3。放到你的 demo 上,这意味着演示时动作标准、环境安静、网络正常,界面看起来会很好;而参与者动作不标准、识别错了、动画卡住时怎么办,才是更值得提前想的部分。他还把配环境、申请 API token 这类费劲但不让人变聪明的事称为“假困难”,建议交给 AI;把“这件事值不值得做、怎么拆、结果好不好”留给自己2。这是他对学习与做项目的判断,不是对插件选择的评价。
可以这样用 ChatGPT 推进设计
AI推演这是 AI 基于上述区分给出的应用建议,不是材料里的插件推荐。你可以先让 ChatGPT 帮你把界面拆成几个可检验的小步:参与者做什么动作、预测以什么形式出现、动画对应哪个预测结果、识别错误时界面显示什么。每步先做出一个能看的版本,再判断信息顺序和交互是否别扭。立正的经验是,很多正确的决定在看到错误版本之前根本不存在,必须先看到页面才知道信息顺序不对1。如果只是课程或展示用的 demo,把精力放在演示路径顺畅即可;如果打算让真实用户长期使用,就要额外考虑识别失败、数据异常和需求变化,这部分不是插件能替你负责的。
提供的材料没有涉及 ChatGPT 插件、界面设计工具或动画实现,因此无法回答“哪个插件”这一具体问题。
出处
- 1Don't build: 看清demo和production之间的鸿沟
区分 demo 与产品,说明为什么演示能跑通不等于设计完成。
- 2AI替你做出来以后,你还会什么?|哥大客座课程回放
讲原型只覆盖顺利情况,以及哪些困难该交给 AI、哪些该自己判断。
- 3假学习的终结
补充从工具到方法、从原型到产品的两段路。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。