今天这份 AI 日报我想换个方式做不给你罗列几十条新闻链接而是把分散在模型更新、开源项目、工具文档和社群讨论里的信息筛成几条真正能影响干活方式的记录。2026年9月26日这期我重点圈了这些方向AI 编程、AI 测试、AI 图片生成原理、AI Agent、AI 大模型基础理论、AI 建站以及多 AI 协作。这期日报适合谁看AI 产品经理可以取走里面的取舍思路程序员能直接抄提示词和流程做设计、短视频、电商、旅游内容的人也有对应的落地场景。我尽量不写“重大突破”之类的形容词只写能用起来的方式以及为什么这么用才顺手。看完之后你至少能带走一套可执行的提示词模板、一组避坑清单以及一个今天就能开始试的 AI 工作流。1. 这份日报怎么读筛信息的三把尺子1.1 把“可复现”放在“听起来很牛”前面做 AI 日报这半年我最大的感受是信息多到爆炸但大部分内容对你的项目毫无帮助。很多帖子都在讲某模型又刷新了某个榜单或者某个框架又出了新版本但如果你点进去发现没有代码、没有参数、没有人复现这种信息我基本直接跳过。我筛信息的第一把尺子就是可复现性。所谓可复现指的是我看到一条消息之后能不能在两小时内把它跑起来或者套用到一个真实任务上。比如“某 API 支持了长视频生成”这是可复现的我立刻去调接口“某团队提出了一种新范式”这句话不可复现我只会记一笔等到有论文和代码了再看。第二把尺子是看它是否改变现有工作流。一个工具如果只是把原来的步骤压缩了一点点价值有限。真正值得写进日报的是那种能让你把原来做不了的事做成的变化。比如 AI 代理开始支持多步工具调用之后我的批量数据处理流程就重写了一遍这种变化才值得记录。最后一个尺子是看它对成本结构的影响。同样的一个功能如果模型调用成本从每千次 10 元降到 1 元那很多“用不起 AI”的方案就能重新立项了。在我看来成本才是很多 AI 应用是否落地的真正开关。1.2 今日高频词背后的真正门槛今天的日报里搜索热词绕不开几个AI 大模型基础理论、AI 图片生成原理、AI 编程提示词、AI 测试开发、多 AI 协作。这些词单独看都不新鲜但把它们放在一起看你会发现大家真正焦虑的不是“哪个模型更强”而是“我到底该怎么把这些东西用起来”。比如“AI 图片生成原理”如果只是看别人生成的漂亮图你会觉得这玩意儿跟自己毫无关系。可一旦你搞懂了原理你就知道为什么某些提示词会翻车为什么换一个采样步数画面会变糊为什么同一段提示词在不同模型里效果天差地别。这些不是玄学是原理层面的基本问题。我自己带过几个刚入门的朋友他们最大的障碍不是不会写提示词而是不知道模型“看到”的是什么。人看到一张图看到的是构图、光影、内容模型看到的是一堆数值。理解这个差异之后你再去看那些“提示词技巧”立刻就能看懂它到底在调什么也会少走很多弯路。1.3 把日报当“待办清单”而不是“新闻联播”我过去也会犯一个错就是每天花一小时刷 AI 资讯刷完之后感觉知道了不少事情但手头的工作一点都没变。后来我改了一种做法每天只挑三条内容分别对应“我现在就能试”“我本周能做出来”“我可能下个月用到”。这种做法的好处是日报不会止步于“知”而是逼着你去“做”。就拿今天要说的几件事举例AI 图片生成原理我可以今天下午就调通一个本地模型多 AI 协作我可以这周把两个不同模型组合起来跑一个任务AI 建站我可能下个月帮朋友搭一个小程序站点时用到。如果你也是这种习惯那这期日报就是按“可执行程度”排序的先讲原理再讲实操最后讲问题排查。跟着这个顺序走不用到处去翻别的资料就能完整地把一个 AI 工作流从零搭起来。2. 今日核心领域拆解Agent、多模型协作与研发范式2.1 AI Agent 不是单个机器人编排才是重点最近“AI Agent”这个词被用得很泛滥很多人都把它理解成一个聊天机器人。实际上Agent 的核心价值在于它能串联多个动作。一个正经的 Agent至少要具备三个能力理解用户意图、拆解成子任务、调用工具去完成任务。我今天在日报里特别圈了 AI Agent是因为我发现很多团队开始从“写单个提示词”转向“写一套角色和工作流”。比如处理用户反馈过去是让大模型直接写回复现在是让 Agent 先检索数据库再判断问题分类然后调用客服模板最后由人工审核发送。每个步骤都是一个独立节点Agent 只是把这些节点串起来的人。这个转变很重要因为它把“AI 生成内容”变成了“AI 参与业务流程”。前者通常是一次性输出后者是可持续运转的系统。带来的变化是调试方式也不一样了。单次生成出错你只需要改提示词Agent 出错你需要在流程中间加日志、断点和验证节点。实操中我建议新手从最简单的工作流起步写一个函数输入用户问题输出处理方案再调用另一个工具执行。不要一上来就搞多代理协商先把“单 Agent 单工具”跑稳再去加分支和循环。我在实际项目里见过太多人流程画得很漂亮一跑就卡壳最后发现是第一步的数据解析就没做对。2.2 多 AI 协作把模型分开用比混在一起用更稳多 AI 协作出现得很自然因为没有一个模型是万能的。有的模型长于文本理解和摘要有的长于代码生成有的在图片理解上表现好。如果只用一个模型做所有事往往会在它不擅长的环节拖后腿。我常用的协作模式有两种。第一种叫流水线模式A 模型负责生成B 模型负责质检。比如让 A 生成一篇文章然后让 B 以审核者的角色指出其中可能的问题再由人决定是否修改。这种模式适合对质量要求高的场景成本虽然翻倍但错误率能压到很低。第二种叫参考模式A 模型生成一个初步方案B 模型基于不同风格或限定条件重写。做营销文案的时候我就让一个模型先写产品卖点再让另一个模型改成小红书口吻。这种做法的好处是每个模型只做它最擅长的一步而不是逼着一个模型同时理解卖点和平台风格。多 AI 协作最需要注意的是保持上下文清晰。每个模型接收到的输入必须是被加工过的、聚焦的信息而不是把上一轮所有对话一股脑塞进去。否则上下文一长后面那个模型很容易被干扰输出质量断崖式下跌。我给每个环节设定的输出格式都很严格比如“只输出 JSON、只输出表格、只输出短句”这样协作的接口才稳定。2.3 AI Native 研发范式从“写提示词”到“写工程系统”日报里出现的“AI Native 研发范式实践手册”这个词我没有办法不关注。它讲的是把 AI 当成整个研发流程的底层能力而不是后期加进来的一个插件。以前我们是先搭系统再想哪里能接 AI现在反过来先定义 AI 能承担什么再围绕它设计系统结构。典型的 AI Native 流程是把需求拆成不同粒度的任务一部分交给大模型直接完成一部分通过微调或提示词工程固化下来还有一部分仍然保留传统程序逻辑。关键原则是大模型只做判断成本高、规则写不清楚的部分凡是能确定性的逻辑都用代码写死。我在实践中发现最坑的地方是很多人把 AI 当作“可变逻辑”塞进每一个环节导致系统非常不可控。比如某个字段明明可以通过正则精确匹配偏要让大模型去判断结果遇到几个变体就出错还要费劲去排查。AI Native 不等于全 AI把稳定的部分和灵活的部分分离开系统才会健壮。如果今天日报只留一句话我希望是这个把大模型当作团队里的一个聪明但需要明确边界的新同事给它清晰的输出格式、给它少量可靠的输入、给它明确的拒绝条件。其他一切都可以用工程手段来兜底。3. AI 图片生成原理与绘画实战3.1 一张图是如何“从噪声里长出来”的很多人第一次接触 AI 绘画时会觉得它像魔法输入几个词就出来一张精美的图。我刚开始也这么觉得直到我调过几次参数之后才发现背后就是扩散模型的标准流程。理解这个流程不需要你会推导数学只需要知道三个概念噪声、去噪、条件引导。扩散模型大致是这样运作的先在训练阶段给一批清楚的图片逐步加入噪声直到变成一张纯噪声图。模型要学会的是反向操作——给它一张带噪声的图让它一步一步还原出干净的样子。生成图片时模型相当于从一个随机噪声点开始反向“走”若干步每步都轻推一下最后稳在一张图上。这里有个关键点模型并不知道“真实图片”长什么样子它只是学到了“一个像真实图片的分布”。也就是说生成图仍会存在细节造假。复杂的结构比如文字可能是乱的手指可能是六根阴影位置可能不合理原因都在于模型只是在学习概率分布而不是在理解物理世界。另一个核心机制是文本条件引导。模型在去噪时会参考你给的文本提示把去噪方向往“跟文本相关”的方向拉。控制这种拉动强度的参数就是 CFG分类器自由引导系数。这个系数调得越高图像跟提示词越贴近但牺牲的是自然度画面会偏过度饱和或过于“死板”。我通常将文本引导强度设会在 5 到 8 之间具体取哪个值要按风格尝试。3.2 提示词不是玄学一套稳定的结构模板每天都会有人问为什么他写的提示词生成效果不稳定。我觉得多半是提示词结构太散。写 AI 绘画提示词和写论文摘要差不多最重要的信息要放在显眼位置修饰词用来补充细节。我总结了一套五个部分的模板自己用了快两年仍然靠谱。第一块是主体你要生成什么。比如“一只穿着白色夹克的柴犬”这就够直白了。 第二块是环境它在哪里。比如“在东京街头”“坐在咖啡馆窗边”给模型空间参考。 第三块是光线与氛围比如“清晨侧光”“霓虹灯反射”“柔和影棚光”这部分直接决定图片气质。 第四块是风格与媒介比如“赛博朋克插画”“电影感剧照”“水彩手绘”“极简海报”。 第五块是画质与设定比如“8K 超详细”“浅景深”“广角镜头”等突出成片质量。举个例子我生成一张遛狗照片的提示词如下正向提示词 一只柴犬在城市街头散步男主人在前面牵绳柴犬穿蓝色耐克小背心橙色黄昏光线街道地面有水渍反光35mm 胶片摄影风格浅景深超高清细节如果你发现生成的图里出现了不想要的东西可以在反向提示词里明确写掉比如“路灯”“遮阳伞”“人群”。很多人忽略反向提示词它其实是控制出图干净度的最强工具。现在的模型基本上都给了反向提示词空间该用的时候别客气。3.3 从单张图片到视频短剧工具链的完整拆解今天的日报热词里出现了 AI 绘画、AI 漫剧、AI 短剧、AI 声音空间化、interior ai 这些词它们并不是互相独立的。它们的共同点在于用 AI 生成视觉资产再通过工具链把它们组装成可交付的内容。最简单的单图流程是用 WebUI 或 ComfyUI 加载一个开源模型输入提示词微调几个参数点生成。我建议新手先用 WebUI因为它的界面和社区插件更完善适合习惯传统软件界面的人。ComfyUI 更适合要精确控制工作流的老手能复用节点图但上手成本高不少。如果你已经能稳定产出单张图下一步就可以尝试把静态图变成动态镜头。常见的做法是数到生成几张不同角度的角色参考图然后用视频生成模型做简单的转场或动作镜头。这里我要提一个工具叫 Topaz Video AI它更多用来做画质修复和补帧。我拿它处理过不少低分辨率的素材能把画面拉到一个能看的水平。它预设清晰、操作直白适合把 AI 生成的带锯齿和噪点的图先“清洗”一遍。AI 短剧和 AI 漫剧是目前的落地热门但我建议不要一开始就想做完一集先把“单场景、单角色、几个固定镜头”跑通。我给朋友做过一条 15 秒的漫剧 demo流程是写人物设定、生成角色一致性的参考图、生成几个分镜、用音频模型配台词和背景音、最后剪辑成片。全程大概一个下午足够理解每个环节的难点在哪里尤其是“角色一致性”这个痛点只能靠反复生成和挑选解决。3.4 interior AI 与设计行业的小而美应用今天我特意把 interior AI 放到日报的观察名单里。它不仅指“用 AI 画室内效果图”更是一个典型的垂直应用场景。设计师拿到一个毛坯房照片可以让 AI 直接把不同风格的软装效果渲染出来客户看中了再动手采购这大大减少了沟通成本。这类应用的底层也是图像生成但难点在于对现有场景的结构保持。你不能随便生成一个房间而是要保留原照片的墙、窗、门的位置只改变材质和家具。这里更适合用图生图加 ControlNet 控制结构而不是纯文生图。想让 AI 在真实场景上改就要给它一个空间结构约束。对个人用户来说如果你想给自己的家做一个软装预览最简单的流程是拍摄房间角落的照片输入“奶油风”“日式原木”“现代极简”等风格关键词让模型生成 3 到 5 个版本选一个最接近想象的再细调。虽然不一定能 100% 还原真实尺寸但对初期筛选风格已经够有效了。这个案例给我们的启发是AI 图片生成最大的价值不是生成一张孤立的艺术图而是把“语言描述”和“视觉呈现”之间的隔阂打破。谁能把这个能力嵌入到一个具体行业的流程里谁就能做出真正有市场的东西。4. AI 编程、AI 测试、AI 建站三组可以直接照做的流程4.1 AI 编程提示词把需求说成可执行的规格AI 编程热词今天排得很靠前我也正儿八经用它写了不少代码。但坦率讲AI 写代码出错率一点都不低关键在于你怎么给它输入。我发现最好用的模式不是“帮我写一个登录功能”而是“帮我写一个登录模块输入是账号密码输出是 JSON 格式的 token失败时返回错误码。代码用 Python FastAPI 实现需要有数据库连接池和 JWT 签发函数”。为什么后面这段详细的描述有用因为大模型在生成代码时对“边界条件”和“接口格式”高度敏感。你给的接口清晰它就能给你一版思路相对合理的代码你只说“写一个功能”它就只能凭概率猜经常猜错依赖库或者参数命名规范。另外一个实用技巧是让 AI 先列实现计划再写代码。我先让它输出“分三步定义数据模型、写认证接口、写路由注册”然后让它分别展开每一步。这样做的好处是顺序可控中途改需求不用让整段代码返工只需要改对应的一步。AI 编程提示词里还应该带上约束条件。比如“不要用外部付费 API”“所有函数都要加类型标注”“不要用全局变量”。这些约束写在提示词里能帮你省掉大半的调试时间。毕竟 AI 不会读心它只会严格按你给的描述生成。4.2 AI 测试开发让模型帮你找边界测试是很多人没想到用 AI 的环节其实它是回报率极高的场景。我见过很多程序员写完功能之后只测了正常路径边界条件全靠手写。AI 测试开发的关键就是让模型自动生成边界条件用例和异常场景。具体做法是把函数源码或者需求描述给模型让它列出“至少 15 个测试用例包含正常值、边界值、非法值、缺失值、并发冲突”。我拿一个日期解析函数试过它生成了二月闰年处理、时区偏移、非法格式字符串、空字符串等用例比我自己想的还全。但要特别注意一个原则让 AI 生成测试用例不等于让它判断结果。测试的预期结果最好由你人工确认或者通过等价类分析得出。原因是大模型不具备实际的业务语义它可能认为“返回 400”是合理的但在你的业务里这应该返回 301。把测试用例的生成和断言分离是最稳的方式。顺着测试开发往下走还有一个词是 AI 辅助漏洞挖掘。简单来说就是让代码审计模型针对一个输入入口分析可能的注入点、未授权访问和参数校验缺失。这个方向水的深浅差异很大但作为一种“找思路”的辅助手段它能帮测试人员快速扩展覆盖面。真正的挖掘还得依靠人工逻辑和对系统的理解。4.3 AI 建站从零到上线只需一个提示词模板AI 建站这两年变化非常大。过去建一个小站点你要买域名、写前端、写后端、配数据库、做登录注册现在这些流程可以被 AI 压缩到一个小工作流。我今天日报里记录的正向流程大概是先生成站点结构文档再让 AI 按页面拆分组件然后生成页面代码最后部署到静态服务器上。我实际操作时用得最多的是“生成一个多页面静态站”这个需求。给 AI 的提示词包括网站主题、页面清单、配色倾向、字体要求、哪些页面需要交互组件。它直接给我一套 HTML/CSS/JS 文件本地预览没问题后我再用脚本一键上传到对象存储或托管平台。建站有个细节容易被忽略就是 SEO 相关的内容。如果你只输入“做一个官网首页”AI 很少会主动生成标题标签和结构化数据。我需要单独给一句“为每个页面生成合适的 title、meta description、Open Graph 标签。” 这样才能让建出来的站点对搜索引擎更友好否则好看不中用。如果你是给客户做站我建议把“多 AI 协作”建站套路用起来一个模型做品牌文案一个模型做页面布局图另一个模型写代码。每个模型的输出都按固定格式交付接口是文本集成时只需要做简单的拼接处理。这种协作模式比我以前一个人把所有活揽下来要快得多。4.4 AI 编程在垂直场景的延伸旅游、投流与演示AI 编程不止是给程序员用很多垂直场景也值得套用同一个思路。比如 AI 旅游本质上是把用户的历史偏好和交通信息作为输入让 AI 生成一套行程方案。市面上不少智能旅行规划工具的底层就是一个封装好的大模型加一个景点数据库。你可以把它理解成“用提示词写一套旅游行程生成器”。AI 投流的思路也类似。投广告的人每天要生成大量素材、写各种落地页文案过去依靠设计师和文案现在可以设计成一个流程输入产品链接和卖点AI 生成三版标题、三版文案、三张配图方案然后人工挑一版去投放。这和 AI 编程的核心理念一模一样——把需要“临时创造”的东西标准化再用人工控制质量。AI 演示则是把一段介绍视频用 AI 工具快速生成出来。我在做产品 demo 的时候一般会先用文本模型写出分镜脚本再用配音模型生成旁白然后用视频生成工具制作背景。整个过程更像一个生产线每一步都有明确的输入输出。这条生产线搭完之后再做下一个 demo 只需要换文案和时间线成本低到可以忽略。我觉得这些场景的共同点是它们都没有绕开“提示词模板 人类审核”的基本范式。别指望 AI 全自动跑完你需要做的是把流程切分好把每个环节的输入输出定义清晰。这样在任何一个节点出问题你都能快速定位而不是整条流水线莫名其妙地垮掉。5. 日报编辑的排雷记录五个常见问题与对应处理5.1 上下文一长输出就跑偏我用 AI 做多轮任务时遇到最多的问题是上下文崩坏。一开始聊得好好的往回复用了不少旧信息之后它就开始前后矛盾。这不是模型“坏了”而是上下文窗口内的信息太多关键内容被稀释掉了。我的处理办法很朴素每次进入一个子任务前先压缩上下文。把前面对话里最重要的结论提取成一句话加上当前任务的必要信息重新组一段干净的输入。这些摘要是人类拟好的吗不一定我也尝试过让另一个模型来总结效果还行但必须设好总结的语言要求。举个例子我做一个市场分析报告时先跟模型聊了行业背景又聊了竞品信息最后让它写结论。如果直接把之前的对话全带过去它容易把背景说明当成结论输出。后来我改成两步先要求它输出一份“关键信息摘要”在这个摘要里指定只有三行然后再把这三行作为结论生成的上下文。结果稳定了很多。5.2 模型一本正经地编造内容幻觉永远是绕不开的问题。尤其是让 AI 写带具体数字和出处的内容时它极容易编得很像真的。我自己的经验是涉及事实、数字、政策、历史事件的信息绝不能拿模型的直接输出当最终答案。我通常会做一道双重校验第一层在提示词里加上“如果你不确定具体数据请明确说不知道不要猜测”第二层对输出里的关键数字做一次程序化筛查跟外部数据对比后错误的地方直接标红退回重写。这个过程听起来短但对生产级内容来说必不可少。另外如果你需要在多个 AI 模型之间交叉验证可以让不同模型对同一事实分别描述再人工比对。如果数个模型的描述高度一致往往说明它不是胡编的如果差异很大直接标注存疑。群体一致性虽然不能保证 100% 准确但确实能把风险降低一个量级。5.3 生成结果不稳定今天能用明天不能用有不少人遇到过这样的困惑同一个提示词上午生成效果不错下午再跑就完全变了。这主要有两个原因一是模型版本或参数配置变了二是采样过程本身带有随机性。提示词不是数学公式同一套输入跑多少次都会有不同的采样结果。想稳定下来你需要做三件事。把随机种子固定下来如果工具支持那么同一套参数可以复现结果把采样步数和引导系数写死不要每次都凭感觉调把工作流保存成预设ComfyUI 我建议直接保存成 json 的图流程。我在做批量出图的时候通常先跑 10 个样张找出最满意的种子之后再用这个种子结合不同场景图批量生成能保证风格的一致度。如果你做的是“角色一致性”强相关内容比如短剧、漫画还需要结合参考图或 LoRA 微调来固定角色特征。只靠提示词很难维持同一个角色的面部轮廓因为模型没有“这个角色应该长什么样”的记忆。这里与其跟随机性搏斗不如直接引入可复现的视觉参考。5.4 内容安全与合规底线每次生成都要做边界检查做 AI 日报时间久了我越来越看重生成内容的安全边界。这里说的安全不只是法律层面的问题更是产品层面的基本功。一个合规、可控的 AI 应用必然会设计输入输出的过滤机制确保它不生成违背公序良俗的内容也不被用于误导他人。我在生产环境里一定会给生成模型加一圈护栏包括三个部分。输入侧做关键词和意图过滤一些明显不合适的指令在进入模型之前就被拦截输出侧做内容审核从模型返回的文本或图片进入人工流程之前先用规则引擎扫一遍最后设置人工审核环节尤其是面向用户的内容必须有人看过才能发布。有人觉得这种流程麻烦但说实话这正是 AI 产品能不能做大的分水岭。那些真正长期运营的项目都在安全治理上花足了力气。所以如果你想动手做 AI 应用从一开始就把审核和权限的设计纳入代码结构里不要等用户规模上来之后再补救那会非常被动。5.5 设计好“温度”和“格式”比调提示词更省力最后一个排雷记录其实是一个非常容易被忽略的参数temperature。它控制着生成文本的随机性。日常写文章、做头脑风暴时稍微高一点的温度值能让表达更多样但做代码生成、数据抽取、JSON 输出时我会把温度降到最小因为这里最需要的是可确定性和可验证性。除了温度输出格式约束也很重要。我每次跟模型说“只输出 JSON不要解释不要额外文字”以及“不要输出 markdown 代码块标记”的时候下游解析的成功率大大提高。这属于低成本高回报的做法但我见到太多人从不设置输出格式结果每次都要做正则清洗很费人力。在我目前的 AI 工作流里我会把这些参数写进一个固定的配置文件或提示词片段里需要时直接复用。时间长了你会积累一套属于自己的“提示词工程库”里面记录了每个任务的最优参数以及翻车后的调整记录。这比收藏别人的教程更有用。最后分享一个今天刚试的小技巧今天日报写到一半我突然想到一个可以立刻用上的小技巧在生成内容前先要求模型输出“这篇文章的反驳观点”。比如做文案先让它列三个反对理由再让它写正面的推荐内容。这样生成出来的文案往往更克制不会满篇夸大声势读起来反而比单轮生成的更有说服力。如果你今天只从我这份日报里带走一件事我希望是这个AI 的能力边界不在模型本身而在你给它定义的输入和输出是否足够清晰。把任务拆到足够小、把格式定得足够死、把校验环节放在足够前面你就能让 AI 从“玩玩”变成“生产力”。今天就打开一个工具挑一个最小任务按日报里的模板跑一遍你会发现这件事真的没有看起来那么难。