2.1 啥是 APIAPI 的基本概念全称Application Programming Interface中文名应用程序编程接口通常也直接称 API一句话理解API 是软件和软件之间沟通的桥梁人与软件的沟通 vs 软件与软件的沟通类型例子人 ↔ 软件人在外卖 App 中点餐、填写地址、提交订单软件 ↔ 软件天气小程序向天气数据平台请求天气信息为什么要了解 API我们要做的不再是静态页面而是能干活的 AI 工具获取 AI 能力的两种方式自己训练模型成本高数据、算力、时间不现实调用现成大模型 API更合理、更常用API 的类比点外卖点外卖调用 API不自己买菜、做饭不自己训练模型选餐、下单、付款按约定格式发送请求餐厅做好送来外部服务处理并返回结果你只管吃产品只管展示结果API 的工作流程以小红书标题生成器为例用户输入需求例“我是咖啡店运营想发一篇周末探店的宣传请生成 5 个标题。”产品整理请求并通过 API 发送给大模型服务大模型服务理解需求并生成结果通过API 返回结果给产品产品将标题展示给用户总结用户输入 → 产品通过 API 发送 → 大模型生成 → 产品展示使用 API 前需要注意的两件事1. API 不一定是免费的有些提供免费额度如每日/每月免费调用次数超过额度或从一开始就按量付费AI 大模型通常按以下因素计费调用次数输入内容长度生成内容长度2. API 密钥不能公开API 密钥 身份凭证 服务钥匙若他人拿到你的密钥可能冒用你的账号调用服务产生的费用由你承担2.2 啥是 AI 大模型啊传统 AI什么是机器学习机器学习让模型从大量例子中自己学习规律然后对未见过的数据进行判断。传统模型的局限输入输出形式固定任务目标明确不擅长同时掌握写作、总结、翻译、代码生成等多样化任务传统 AI 的三大常见任务任务类型说明例子分类判断事物属于哪一类判断图片是猫还是狗、邮件是否为垃圾邮件识别从内容中辨别特定信息人脸识别、车牌识别、语音转文字预测根据数据推测数值明天温度、下月销量、股票价格生成式 AI核心能力生成内容而不仅仅是判断或预测。可生成的内容类型文字小说、文案图片头像、插画音频音乐、语音视频、代码等大模型大在哪里训练数据量大学习材料包括书籍、论文、新闻、社交媒体帖子等目标学习语言规律、知识、推理方式、任务处理方法参数数量大参数模型内部可调整的变量决定模型如何对输入做出反应研究发现更多数据 更多算力 更多参数 → 更好表现区分 AI 产品 和 AI 大模型概念说明例子AI 产品用户直接使用的界面App / 网页豆包、ChatGPTAI 大模型产品背后实际调用的模型doubao-seed-1.8、GPT-5.5AI 产品背后通常组合了多种能力语言模型理解与生成文字视觉理解模型看懂图片语音模型处理语音输入/输出联网搜索查找最新资料外部工具执行代码等具体任务重要结论同一个大模型可以被封装进不同的产品中。它可以出现在官方聊天 App 里也可以被接入到我们自己开发的网站中。2.3 AI 大模型都有哪些类型文本生成模型大语言模型LLM核心能力输入文字输出文字。常见应用回答问题写文章总结资料翻译内容写代码工作原理文字接龙Token 预测概念说明Token文本的最小处理单位。中文可为一个字或词英文可为一个单词或片段预测过程模型根据上下文预测下一个最可能出现的 token概率选择模型会按概率分布摇色子选择下一个 token不总是选概率最高的图片生成模型核心能力根据文字描述生成图片。主流技术扩散模型生成过程初始状态画布上是完全随机的噪点类似电视雪花屏多轮去噪模型根据提示词每轮去掉一点噪声让画面逐步清晰最终结果生成符合描述的清晰图像语音模型能力说明示例语音识别声音 → 文字对手机说话系统识别成文本语音合成文字 → 声音输入文案生成朗读语音声音复刻学习并模仿特定音色有声书、短视频配音、数字人实时语音对话像真人一样与 AI 对话回答带情绪和停顿可打断两种实现方式对比方式流程特点传统流水线语音 → 文字 → 文字回答 → 语音延迟高情绪、停顿等信息可能丢失端到端语音模型语音 → 直接生成语音响应快保留语气、情绪可被随时打断语音识别ASR输入/输出音频 → 文字测试关注点内容还原是否准确错字、漏字、多字、英文/数字/专有名词识别是否正确、标点和断句是否自然语音合成TTS输入/输出文字 → 音频测试关注点语速是否合适、停顿是否合理、情绪是否稳定、机械感强弱、多音字/英文发音是否准确声音复刻操作上传10秒左右录音 → 生成模仿音色的虚拟声音效果能模仿原声特点但与真人仍有差距机械感稍强扩展部分平台支持方言效果因方言而异视觉模型视觉理解输入/输出图片 → 文字说明测试关注点能否识别隐藏/嵌套的物体、细节识别是否完整小物体可能漏掉图片生成输入/输出文字参考图→ 图片提示词可包含维度主体女人、老虎、汽车、椅子、花卉、龙、独角兽、机器人场景山脉、森林、街道、夜景、办公室、咖啡馆、外太空、未来城市、梦境、婚礼、庆典视频生成模型核心能力根据文字、图片或参考视频生成视频。与图片生成的关键区别图片生成一张画面视频生成一连串连续画面如电影每秒 24 帧技术要点在图片扩散模型基础上增加时间维度的处理每一帧不仅要考虑空间位置还要考虑与前后帧的关系目标保证视频在时间上的连贯性注意视频生成是难度最高的方向之一一次不理想可调整提示词重试。多模态大模型模态 信息的形式文字、图片、声音、视频等多模态模型的核心能力可以处理多种信息形式并在不同形式之间进行理解和转换。输入输出示例图片文字解释图片里有什么语音文字听懂语音并用文字回答文字图片根据描述生成图片图片 文字指令修改后的图片“把背景换成海边”优势能力综合使用方便不用在不同模型间来回切换适合需要多种信息一起处理的任务注意多模态 ≠ 每一项能力都最强专用模型在特定任务上可能效果更好模型体验对照表模型类型输入输出核心体验点文本模型LLM文字文字直接输出 vs 深度思考不同模型的回答差异语音识别音频文字准确率、断句、专有名词语音合成文字音频自然度、停顿、机械感、多音字声音复刻短录音虚拟声音音色模仿相似度视觉理解图片文字识别准确性、细节完整性图片生成文字图片符合度、主体正确性、风格稳定性视频生成文字/图视频动作、一致性、镜头、变形多模态文/图/音/视频多种综合能力使用便利性小结模型类型输入输出文本生成LLM文字文字图片生成文字描述图片语音模型声音 / 文字文字 / 声音视频生成文字 / 图片 / 视频视频多模态模型文字、图片、声音等文字、图片、声音等2.5 获得专属大模型 API Key第一步模型用量与权限开启入口位置工作台 → “模型用量” 页面页面功能查看各模型的使用情况确认已开启的模型查看已用额度和剩余免费额度注意事项很多模型默认是未开启状态若需使用免费额度需手动开启对应模型支持批量操作一次性开启多个模型模型类型适用功能文本模型大语言模型对话、文本生成视觉模型文生图、视觉理解等第二步业务空间配置什么是业务空间一个独立的工作区不同业务空间之间模型权限隔离、用量统计隔离、计费记录隔离操作步骤若没有业务空间 → 点击 “新增业务空间”第三步获取并管理 API KeyAPI Key 的作用是调用大模型服务的身份凭证用于标识请求来自哪个账号、使用哪个业务空间的权限、从哪个账户扣除额度获取方式左侧菜单 → “API Key” 入口点击 “创建”选择已开通模型权限的业务空间创建成功后 → 立即复制或下载保存⚠️重要API Key 只在创建时完整显示一次后续无法再次查看安全使用注意事项注意事项说明仅限自己使用不要发到公开群、不写入前端代码防止泄露泄露后他人可消耗你的额度记录归属信息记录属于哪个平台、账号、业务空间异常处理发现用量异常或不再使用时 → 及时停用或删除 Key2.6 短剧分镜生成器的需求分析项目目标开发一个能帮助用户生成内容的智能 AI 工具场景选择短剧分镜生成目标将用户的模糊故事想法拆解为清晰、可拍摄的镜头建议用户画像目标用户本工具主要服务于以下三类人群用户类型痛点有选题方向但无具体故事知道拍什么类型但不知道如何变成具体情节有故事想法但无拍摄脚本有情节但不知道第一镜拍什么、冲突如何展开想用 AI 生成素材但缺提示词不会写 AI 图片/视频工具所需的详细画面描述核心理念不是直接生成成片而是帮助用户完成关键的第一步——分镜拆解输入设计用户提供什么第一版产品保留三个核心输入项输入项作用示例短剧主题告诉 AI 故事的大方向职场反击、情感反转、家庭矛盾、悬疑烧脑剧本内容具体发生了什么完整剧本或故事梗概风格偏好画面和节奏的方向都市、古风、悬疑、搞笑主题定方向剧本定内容风格定呈现方式输出设计用户得到什么不推荐的做法只输出剧情简介用户仍不知道如何拍摄推荐的做法按分镜方式展示字段说明镜头编号第几个镜头便于顺序查看画面描述这一镜能看到什么人物、场景、元素人物动作角色在做什么推门、低头、转身等台词或旁白这一镜说的台词或旁白镜头类型近景、中景、远景、特写等画面提示词可直接用于 AI 图片/视频工具的关键字段输入 → 输出 关系总结输入用户告诉 AI “我想拍什么”输出AI 帮用户整理成 “每一镜怎么拍”页面结构两个主要区域输入区填写短剧主题、剧本内容、风格偏好结果区展示 AI 生成的分镜内容用户操作流程用户填写信息点击生成网站发送信息到大模型大模型生成分镜网站展示结果用户复制提示词关键环节调用大模型页面本身不生成内容真正生成内容的是背后的文本大模型网站只负责传递信息与展示结果大模型选型说明第一版需要的能力生成内容文字形式的分镜画面描述、动作、台词、镜头类型、提示词本质上是文本生成任务版本使用模型功能第一版MVP文本大模型跑通核心流程输入信息 → 调用文本模型 → 生成文字分镜 → 展示结果后续迭代接入图片生成模型增强能力直接输出分镜图小结维度内容用户短剧创作者编剧、导演、博主输入主题、剧本、风格输出结构化分镜含提示词模型文本大模型第一版页面输入区 结果区核心流程填写 → 生成 → 展示 → 复制2.7 项目实战AI 短剧分镜生成器MVP 开发文本分镜生成什么是 MVP全称Minimum Viable Product含义只实现最核心功能、能跑通的最小版本项目的 MVP用户输入信息 → 调用文本模型 → 生成文字版分镜需求提示词第一版请帮我搭建一个短剧分镜生成器页面。 这个网站需要对接百炼平台的大模型使用qwen3.6-plus文本大模型能力根据用户填写的信息生成文字版短剧分镜。 页面包含输入区域和结果区域。 输入区域包含 短剧主题 剧本 风格偏好 用户点击生成按钮后网站把用户填写的信息发送给大模型由大模型生成 5 条分镜内容并在页面展示结果。用户体验优化问题用户不知道当前进度解决方案添加过程提示正在调用大模型 → 正在分析剧本 → 正在生成分镜 → 正在整理结果接入文生图模型目标从文字分镜升级为图文分镜提示词示例请帮我把当前项目从文字分镜生成器升级成图文分镜生成器 在已经接入文本大模型并能生成文字分镜的基础上继续接入百炼平台的文生图模型 wan2.7-image-pro为每一条文字分镜自动生成对应的图片。注意接入新模型时需打开联网模式让 AI 查阅模型文档新问题角色与场景不一致问题原因角色脸换来换去每张图独立生成没有统一设定场景风格不一致缺少全局视觉约束优化一致性进阶先生成统一视觉设定流程调整❌ 错误顺序分镜提示词 → 视觉设定 → 图片✅ 正确顺序视觉设定 → 分镜提示词 → 图片视觉设定包含角色外貌/服装、核心场景/空间布局、整体画风/色调/光线、负面约束不希望出现的内容组图连续生成模式说明普通生成每张图独立生成像 5 个人分别画组图连续生成同一组画面连续生成保持一致性2.8 Vibe Coding 提示工程第二课MVP 思维的正确做法错误方式正确方式一次性提完所有需求先想清楚最核心的一件事让 AI 同时做多个功能让 AI 先做出一个能跑通的核心功能一次性生成大量代码核心跑通后一个一个功能地加为什么 MVP 思维在 AI 编程中特别重要1. AI 的注意力是有限的AI 的工作台上下文窗口容量有限需求越多工作台上乱七八糟的东西就越多AI 能花在每件事上的注意力就越少2. 出问题时容易排查场景排查难度一次性生成几千行代码不知道从哪里找起一个功能一个功能加上去每加一个就跑一跑问题立刻定位3. 我们对产品的判断往往是错的坐在电脑前空想 → 觉得用户需要 ABCDE 五个功能MVP 跑起来给朋友用 → 发现他们只关心 A 功能如果一开始就把 BCDE 全做了 → 浪费大量时间如何实践 MVP 思维三步法第一步这个产品最核心的那一件事是什么示例AI 翻译工具核心输入一段文字输出翻译结果可先放一边历史记录、收藏夹、术语库第二步要把核心事做出来最少需要哪些功能示例AI 翻译工具 MVP功能是否必需输入框是翻译按钮是结果展示区是语言自动检测否可后续加历史记录否可后续加第三步跑通之后哪些是真正影响用户体验的痛点在使用过程中自然发现不顺手的地方这些发现才是下一步要让 AI 解决的问题
