铃阅时讯
❌

阅读视图

黑河:免签后,挤满了拖家带口过周末的俄罗斯人

第五代廖信忠 2026-10-22 22:27 上海

以下文章来源于:五十岁还在独自旅行

五十岁还在独自旅行

老派的旅行方式

在黑龙江边,听到《爱拼才会赢》。

九月中我去了一趟黑河。从哈尔滨搭机飞越初秋的松嫩平原,这片曾被称为“北大荒”的广袤沃土。

图片

许多人以为哈尔滨已经靠近俄罗斯,实际上,哈尔滨到黑河还有五百多公里的距离。飞行时间虽然只要五十分钟,可是我忍不住会想,第一批到黑河的人是怎么跨过这原本是沼泽和森林的大片区域,后来,年复一年的开拓,将他变成中国最肥沃的土地,成为不见尽头的农场。

黑河是中国在黑龙江流域最大的城市,整个区域大约有一百二十万人口。然而它的机场很小,从下机到走出航站楼,不到五分钟。

图片

黑河机场

黑河是中国与俄罗斯漫长国境线中是最特别的一座口岸城市,其他口岸对面并没有大城,而黑河对岸是俄罗斯阿穆尔州的首府布拉戈维申斯克,也就是“海兰泡”。两座城市来往频繁热络,就像是双子城般,搭个轮渡十分钟就能到对岸。

图片

黑龙江畔

每天八点水运口岸一开,两边船就来来往往,人潮汹涌,当日往返到对面吃个饭再回来,是再自然不过的事。有许多中国人在对岸有些小事业,也有不少俄罗斯人在这做生意。

走在黑河街上,来来往往的人潮中,俄罗斯人占了一大半,不少都是携家带口来玩。

图片

黑河街头

国际大夜市每晚从江边沿着邮政路摆摊,过了好几个路口。大概下午三点半就封路有摊主出来摆摊了,整个夜市分为两段,前半段是杂货,什么都有,衣服鞋帽玩具日用品家化产品....。

图片

俄罗斯游客当然喜欢买些中国旅游的纪念品。不过还有很多摊子卖着“俄罗斯特产品”,比如套娃、酒壶、俄罗斯风格的装饰画、家庭摆件之类的玩意,我本来以为那是针对国内观光客,有趣的是,反而是俄罗斯人买的多,想想也对,毕竟那些东西,他们在自己国家买,属于“进口商品”,而在中国买,就属于在原产国购买。

也有卖旧书的摊位。不愧是边境城市,旧书也有大量与俄国有关的。

图片

别处是撸猫店撸狗店,黑河这倒是有几个撸猫撸狗摊。一支猫条卖两元,可以请小猫咪吃。俄罗斯男女老少游客特别喜欢这种摊子,各个露出慈祥老母的表情。小猫咪没拦子围起来,倒也不太到处乱跑,可能知道这里才有吃的吧!

图片

夜市后半段是小吃,虽然与全国各地想打造的网红夜市并没两样。可是从夜市就能见到这座城市的国际交融度。俄罗斯人看中国夜市的新鲜感,和我一个南方人看大批俄罗斯人逛中国夜市的魔幻感。这个夜市三年前开始的,赶上了免签的好机遇,大批俄罗斯游客涌入,相当大带动了整个夜市的火爆程度。不过每年夜市就营业到十月底为止。

图片

卖串的大爷说,我们这啥特色没有,最大特色就是老毛子多。“他们那边消费水平高,但是农产品没我们这丰富,而且这几年打仗,物资比较缺,通货膨胀,所以喜欢来我们这消费采购”

我查了一下布拉戈维申斯克的人均收入, 如果是工薪阶层,年收入大约70 至 90 万卢布:大约相当于 55,300 至 71,100 元人民币/年。如果在一些垄断性行业,比如远东地区的资源、基建之类的行业,大概120 万卢布以上:大约相当于 94,800 元人民币/年以上。

相对来说,黑河的城镇居民人均可支配收入:大约在 34,000 至 35,000 元人民币 / 年,比对岸少了约一半。说起来俄罗斯人跨江南下消费,也算是一种地理套利了。

每个小贩都能用流利的俄语和客人交流,喇叭里叫卖声也都是中俄双语。水果摊在这一路排开,颜色鲜艳活泼的热带水果,俄罗斯人特别喜欢。

图片

我发现黑河的连锁酒店一到周末就难订,而且价格翻了快一倍。很多俄罗斯人携家带口来黑河过周末,一家四口挤在一间标准间。还有一些无所事事的俄罗斯人,一待就待个一周。

图片

我们也没办法(摊手)

街上还能看到不少年轻的俄罗斯少年少女会结伴前来游玩,驾轻熟路地在蜜雪冰城、赵一鸣、喜茶等各种店。一切都像去隔壁城市玩一样自然。

图片

黑河中央步行街

我在一间咖啡店里听到打工的妹妹说,她和同学准备去办护照,有空去对面玩。原来她是黑河学院的学生,一问,她竟然是江西人,她说她们班还有广西来的呢!她说每次来学校,要先搭机到上海,再飞到哈尔滨,再到黑河。

她们班好多人都去过俄罗斯了。我心想,这可算是真正年轻就见世面了!能够到中国最北高校上学并,渡过了很多人没有经历过的边境城市生活。其他地方的大学生,都是去东南亚、日韩玩居多,但黑河学院的同学大概是国内出境游最方便的吧!很容易就能去了少人去的俄罗斯远东城市。

中央商业步行街是一条开阔步行街,沿街建筑立面多带有些俄罗斯风情,但就像前阵子很多人用AI生图,“如果国外知名景点在中国会变成什么样?” 中央商业步行街大概就是线下实景,那些俄式建筑,上面挂着的招牌如蜜雪冰城的红白反差,零食店的黄黑反差,红黄反差,各种中俄字体、绿色的、红色的各种闪烁LED灯。

图片

黑河中央步行街

步行街上成排这样的二元店,这也是特别受俄国游客喜欢的小商品店。

图片

往地下室走,左边是按摩店右边是动漫玩具店。俄国青少年是动漫玩具的一大客群,当然那些玩具都是祖国版的。

图片

老是有人吐槽上海很多店招牌只有英文,没有中文。但如果你到黑河,会发现很多招牌只有俄文。

图片

步行街边的华富商场,很老派,顶层商场成堆成堆摆放着鞋子、内衣、手套、文体用品、日用杂货,玩具等,俄罗斯大妈的最爱。

图片

黑河当然有很多俄国菜馆,意外的是,俄国游客来这里玩,也很喜欢到俄国菜馆,俄国人比中国人多。一方面除了俄国胃,另一方面对他们来说,性价比太高了。虽然这里的俄国菜是稍微改良过的,不过俄国客人来了,一般烹调少加姜或香菜,增加一些甜味。

图片

让人更意想不到的是,包子在俄罗斯游客眼里,是一种网红小吃。包子摊主正用比较流利的俄语做生意。

图片

沿着主要商店街的几间餐厅,都是以东北菜式,饺子为主,还兼卖各种河鱼料理。有意思的是,每间餐厅的桌面,都垫着大量卢布钞票,加杂一些韩圆、泰铢、越南盾,甚至还能看到早期的外汇券。钞票上都写了字。老板说这种在纸币上用笔书写,垫在餐桌下的习惯在俄罗斯很常见。就一些留言、地名、人名与日期。当然其中有些可能写着“这间餐厅服务很差、难吃,或者推荐菜色之类的)

图片

在黑河这样的城市,即使咖啡店,店名也取得很有俄国文学的感觉。

图片

邮政街的尽头是黑龙江畔的母亲广场,正中央有座青铜雕塑《母亲》,东方人样貌的母亲,微笑着张开双臂,向上托举一个带翅膀的小天使。

图片

每天,黑河市民的休憩活动就围绕着这座雕像,悠悠哉哉来来去去。我去的那天正值有点凉,又是晴天,朵朵白云铺着,散散漫漫地,仿佛能见到黑龙江来的那端,往黑龙江另一端而去。

我来到黑河的第一个下午,住在母亲广场对面,正是在房里睡觉,但听到一段熟悉的,不属于这极北之地该出现的旋律,那是闽南语歌曲《浪子的心声》啊!我失魂落魄地冲下去,想看看到底是谁在唱这首歌。竟然是一位七十岁的大爷,他站在雕像边,自己带了音响。

图片

大爷唱罢,尽管没人围观,他还是“谢谢大家的掌声”,转身过去调下一首歌。一段定音鼓“咚隆隆隆隆隆....”我心想“不是吧!”接着,如同稳步前进的鼓声“咚咚咚咚....”传出了吟唱女声“哈....啊啊啊哈”。

靠北!是《爱拼才会赢》啊!我在俄罗斯边上,黑龙江畔的风中凌乱。

尽管不少地方咬字不太标准,大爷仍唱得忘情,好像他不是在黑龙江边,而是泉州的某个企业家饭局中。只有我惊愕地站在一旁,还有一位俄罗斯老哥正在拍他,没拍多久就转为自拍模式,与唱歌大爷合拍一张。俄国老哥不懂中文,但音乐响起,跨越了国界、中国南北几千公里、意识形态、语言不通,在旋律面前瞬间融化。

码头一旁还有民间游泳队的救护站,大多是晒得黝黑的中老年人在此聚集,黑龙江水虽然宽阔,但是肉眼可见的稍微湍急。游泳队成员经常是在岸上泡泡茶聊聊天,然后舒舒筋骨,又走下河去游泳。

图片

九月中的天气虽然晴朗,水温也是有点冰凉了。游泳的人虽然都有些年纪,肚子也都看得出来了,可是个个胸肌明显。

图片

母亲广场是亲水的,有阶梯可以走下江边,有人坐在那沉思,有钓鱼,有跳舞拍视频的学生。这三位小朋友一直蹲在江边,手一直放水里,我问他们在干嘛?他们说他们在比赛,谁的手抗不住冻先抽出来。

图片

到了黄昏,这处沿江广场更热闹了,跳秧歌的,跳广场舞的,跳操的,唱歌的,全部聚集来了,热热闹闹的。此岸几座高楼亮起了红底黄字的LED灯光,不停地闪烁变换,气势上就压制了对岸可有可无的灯火。黑龙江总是默默地随着夜来到变黑,可是声光和音乐,越夜越传到了对岸。估计在俄罗斯很难看到这种热火朝天的广场景象,引来无数俄罗斯人围观拍照。

图片

你说“边疆”是什么?不一定是高山峻岭、沙漠或者原始森林,也有可能像黑河这样,在国境线上载歌载舞。

图片

黑河这座城市会兴起,主要还是瑷珲条约,就是那个被认为是丧权辱国的瑷珲条约。如果要追寻黑河的起点,那要往南约三十公里,到瑷珲镇上。

图片

瑷珲镇

如今的瑷珲镇是一座人烟稀少,天高地阔的镇子。这座小镇最早是清朝康熙时代,为了防备沙俄的入侵而建的城池。1685年雅克萨之战前,部队聚集在这里,循着水路和陆路而上,两次击退沙俄军队。

雅克萨之战后,签订的尼布楚条约,换来黑龙江以外100多万平方公里领土,和将近170年的边境安宁,北到外兴安岭,东到大海,含库页岛。

沙俄觊觎远东大片土地的野心几百年来从未停止。1858年,趁着英法联军入侵之际,沙俄两艘炮艇循黑龙江,兵临瑷珲城下,逼迫签下《瑷珲条约》

图片

《瑷珲条约》和两年后的《中俄北京条约》,中国共失去了100多万方公里的土地,大约是两个四川省的大小。黑龙江对岸,中国仅剩一块土地,就是江东六十四屯。面积约3600平方公里。

后来江东六十四屯的结局大家也都知道了。1900年沙俄趁义和团运动期间制造江东六十四屯惨案,武力驱逐数万中国居民并永久占据该地。

这几百年来的历史在瑷珲镇上的历史陈列馆,展示得特别清楚,很难想象在如此边陲的小镇,会有规格如此高,布展特别用心的展馆。

图片

在陈列馆大门到展馆广场的那条甬道,两侧种满了成排的樟子松,取"松柏常青、坚贞不屈"之意。

图片

每一棵樟子松下,都有块花岗岩,石上刻一个屯名,一共64块,对应江东六十四屯。

图片

瑷珲镇边黑龙江畔有座“瑷珲将军”雕像,代表着几百年来每一代镇守于此的黑龙江将军。这座雕像不正对着前来的人,而是面江,眺望着对岸,手握刀柄,随时出稍的姿态。正对面就是江东六十四屯。(前阵子写过,见这)

图片

既然黑龙江从内河成了界河,瑷珲就失去了地理优势。为了管理边境事务,官府和商铺慢慢搬迁至现在黑河市区。

黑龙江,在俄国被称为“阿穆尔河”,在通古斯语系里意思是“大河”。

阿穆尔河是俄罗斯在远东最重要的水路,从布拉戈维申斯克、哈巴罗夫斯克到阿穆尔河畔共青城,沿江串起了远东几乎所有主要城市。可说是俄国在远东的母亲河。

在俄国的民族叙事里,“阿穆尔河”是带着浪漫色彩的拓荒史诗,帝国的探险队一路向东越过乌拉尔山脉后,抵达太平洋沿岸与阿穆尔河流域。就像美国的西部拓荒,一路越过阿帕拉契山脉,到达太平洋边。俄国征服这条大河,标志着俄罗斯从一个欧洲国家正式成为横跨欧亚的太平洋大国。

现在俄罗斯最大面额五千卢布纸钞上,印的就是阿穆尔斯基伯爵的雕像,也就是当年率砲艇兵临瑷珲城下的穆拉维约夫。这尊5米高的全身雕像现在立于俄罗斯远东重镇哈巴罗夫斯克,也就是中国称的,位于黑龙江和乌苏里江交汇口的“伯力”。阿穆尔斯基伯爵一手持《瑷珲条约》文本,一手拿望远镜,面朝南方,俯瞰着阿穆尔河对岸。

图片

哈巴罗夫斯克的阿穆尔斯基伯爵像。

所以边境地区就是这样,明明就在同块土地,同样的植被,同样的水流,细细一条线,站在这条线边各自退后一步,都有不同时间,不同语言,不同表述,不同史观。

母亲广场的人潮八点后逐渐散去,这时逛夜市的人,也又慢慢地走到这里,好像河边才是终点。这时散步的人,都很有默契地放低音量,好像害怕破坏了这一天中最后的宁静。

只有那小小的卡拉OK摊子,一台平板放在直立的音响上,路过想唱歌的市民可以上前点歌直接开唱。一位大哥深情地高唱张学友的《吻别》,一旁本来坐着修息的捡空瓶大妈,站了起来,随着歌声,象是喝醉酒般,旋转着身子,不怎么优雅但看得很松驰,翩翩起舞。

图片

另一位大爷兴致来了,点了一曲《喀秋莎》,他清清喉咙引吭高唱:

喀秋莎站在那峻峭的岸上,歌声好像明媚的春光。

喀秋莎站在那峻峭的岸上,歌声好像明媚的春光。

原来蹲坐在栏杆边,几位拿着啤酒,喝得微醺的俄罗斯男人一听到熟悉的旋律,兴致来了,起鬨地凑过来。摊主将另一只麦克风交给他们,于是他们大力唱着俄语的《喀秋莎》,大爷也唱着中文的《喀秋莎》,抱拳激动地大声唱,两种语言的歌声交织缭绕。另外几人纷纷拿出手机站在这一幕前自拍。

图片

卡拉OK摊子聚集的俄罗斯人越来越多,歌唱得越来越嗨。我想,在安静的对岸,如果有个人在河边散步,估计也能听到中国那边传来的俄罗斯歌曲吧!


请帮忙转发、按赞按看过想看更多内容,请加以下关注

最近我新开了一个号“五十岁还在独自旅行”,这个新号专门写我出去各地的见闻感想,各种新发现。比起现有号的广度,新号会更专注深度,当然在起号早期,两边的文部分会相通转发。大家也可以把新号当作我的小号,免得哪天我这边就不告而别了,你们还找得到我。

跳转微信打开

  •  

股灾2.0

原创 释老毛 2026-10-22 22:00 北京

恐慌扩散到周期股和绩优股

【为什么经常收不到文章?】由于微信修改了推送规则,需要读者常转发或点赞点“在看”,成为活跃用户,否则会逐渐收不到推送。为保文章接收,可转到公号首页右上角拉菜单,设为星标⭐

股灾2.0,七月那波是1.0,十月这波是2.0……

1.0杀的主要是算力硬件为代表的小登股,2.0已经扩散到周期股和绩优股。应该有不少爆仓的,昨晚美股其实开始企稳,老A似乎跟世界脱钩了,自顾自一路向南。

2024年9.24这波行情基本上结束了。今年上半年是老登跌,下半年转为小登跌,股票轮动普跌了一轮,作为牛市旗手的明星科技股,很多股价已经腰斩或跌去百分之六七十,看看这张图有助于清醒。

今年大A各个指数的走势,基本上是通杀一遍。高估值的,杀估值;低估值的,杀业绩。股民难,买啥啥跌,只争来早与来迟…… 

这轮熊市的原因是什么?很简单,历次股灾的原因都不是因为基本面,而是因为流动性。

其实我年中6月时就在星球里反复示警,不要死抱牛市思维,一定要小心下半年美联储加息,沃什来者不善,这是今年最大的黑天鹅,流动性收紧历来是牛市杀手。

这时候还持有牛市思维,是危险的,是刻舟求剑,是掩耳盗铃,宏观环境也不支持,险象环生。

熊市里不是寻找什么机会,而是避险,抗熊,防御,千万不要心存幻想,自欺欺人,盲目加杠杆,而是面对现实,做好仓位管理,用红利低波策略争取熊掌余生;或者做超跌反弹,但短线非常难,接飞刀容易割伤手;或者逢低布局优质蓝筹,熊市未必赚到钱,等待下一波牛市吧。

我专门写过一篇资金管理,仅供参考,啥是资金管理?101教你

熊市不是有没有的问题,而是已经身处其中了。明年能不能走出来?解铃还需系铃人,主要还是看通胀好转和货币环境是否重回宽松。

今天这种踩踏情形,不仅仅是恐慌盘,估计有不少被强平的爆仓资金。这届股民不行,完全就是一群无头苍蝇,买的时候什么都敢买,割的时候什么都敢割。不仅仅是散户,也包括机构,行为逻辑纯粹就是大散户,六月追光的是它们,九月割肉的也是它们。

市场彻底被玩坏了,还记得当初1.0时时我说的话吗?
股灾
股灾的成因
记住,国家救市是让你逃命,不是让你去追高再炒……

图片

【新家】公号朝不保夕,最后的根据地,来吧,老铁!我在私密书房等你。

图片

跳转微信打开

  •  

当我谈数据库高可用时是在谈些什么

京东零售 赵阳 2026-10-22 21:46 北京

“如果程序只需要一个决定,为什么要先让 AI 写一段话?”本文借 TypeSafe AI 的 Jev,讲透 LLM 与决策模型如何重新分工——不生成文字,直接返回有类型的决策与概率,还给出落地四步与四类试点场景。冷静拆解、克制不吹,AI工程化必看。

本文主线:单机崩溃可恢复 → 数据复制到备库 → GTID 让复制认得清 → 主备安全切换 → Orchestrator 自动容错。面向 DBA / 后端工程师,偏原理。

一、引言:为什么要做数据高可用

数据库是有状态的服务,它站在应用链路的最末端,却决定了整条链路能不能"落袋为安"。缓存挂了可以回源,网关挂了可以切流量,但数据库挂了——写入丢、读取错、主从乱,这些问题会造成难以挽回的损失。

这些年因为数据库不高可用炸掉的案例,比想象中密集得多:

  • GitHub 主库脑裂:网络分区导致主库和备库同时可写,自动切换脚本失效,人工介入花了 24 小时才恢复,全球开发者推送、PR、CI 全部停摆,公开事后报告里承认"我们的 HA 机制在这次故障里没起作用"。

  • AWS RDS/Aurora 某可用区故障:依赖单 AZ 部署的 RDS 实例直接不可用,备库在另一个 AZ 但没开自动 failover,业务侧只能干等 AWS 修复,电商客户当天订单丢失、退款工单爆仓。

  • 阿里云香港 Region 可用区 C — RDS/PolarDB 不可用(2022-12-18,>15h):跨 AZ 切换的 RDS 实例因为代理服务部署在同一个可用区 C,代理挂了导致无法通过代理地址访问、切换流程起不来;单 AZ 高可用版实例更是直接卡死。部分客户宕机超 24h,澳门金管局/银河/澳觅等一连串客户中招。阿里云自己承认是"运营十多年来持续时间最长的一次大规模故障"。

二、全景:一条主线串起五层

高可用不是单一技术,而是层层叠加的保证。每一层完成一定程度的高可用,全部叠加才是最完整的状态:

层回答的问题关键词
① 单机机器断电,已提交的事务还在吗?WAL、2PC、崩溃恢复
② 复制主库数据怎么到备库?会丢多少?异步 / 半同步、RPO
③ GTID切换后备库怎么知道自己缺哪些事务?全局事务号、auto-position
④ 切换主挂了怎么换,才能不丢、不脑裂?追平、fencing、PRS/ERS
⑤ 自动化谁来发现、谁来决策、谁来执行?选主、probe-agent

三、单机一致性:一条事务如何"崩溃不丢、可恢复"

高可用的地基是单机持久性:一台 MySQL 断电重启后,已经告诉客户端"提交成功"的事务绝不能丢,没提交的绝不能残留。这靠三种日志 + 两阶段提交实现。

3.1 三种日志的分工

很多人把 redo、undo、binlog 搞混,其实分工清晰:

日志所在层类型作用谁写
redo logInnoDB 引擎层物理日志(某页某偏移改成什么)崩溃后前滚已提交事务,实现持久性InnoDB
undo logInnoDB 引擎层方向日志(反向操作)回滚未提交事务、支撑 MVCC 快照读InnoDB
binlogMySQL Server 层逻辑日志(行/语句变更)主从复制 + 时间点恢复(PITR)Server

关键区别:redo 是"引擎的内部账本",binlog 是"对外广播的变更流"。redo 大小固定、循环覆盖;binlog 持续追加、可归档。复制和恢复到某时刻靠 binlog,崩溃恢复靠 redo。

3.2 WAL:先写日志,再刷数据页

InnoDB 遵循 WAL(Write-Ahead Logging,预写日志):改数据时,不急着把数据页刷回磁盘(随机 IO 慢),而是先把"改了什么"顺序写进 redo log(顺序 IO 快),数据页可以晚点再刷。

好处:提交只需等 redo 顺序落盘,不必等数据页随机落盘,大幅提速;即使数据页还没刷、机器就崩了,重启时也能用 redo 把它"前滚"回来。

3.3 2pc:redo 与 binlog 的两阶段提交

问题来了:redo(引擎层)和 binlog(Server 层)是两份独立的日志。如果只写了一份就崩溃,主库和备库就会不一致(比如 redo 提交了、binlog 没写,备库就永远缺这条)。

MySQL 用内部两阶段提交保证两份日志"要么都生效、要么都不生效":

顺序是关键:redo-prepare → binlog-write → redo-commit。binlog 写成功是"提交点"的核心依据。

3.4 崩溃恢复:怎么决定 prepare 事务的命运

重启后,InnoDB 扫描 redo,对处于 PREPARE 状态(有 prepare 但没 commit)的事务这样处理:

结论:以 binlog 是否完整落盘,作为"这个事务到底算不算提交"的最终裁决。这样主库的恢复结果,和"备库通过 binlog 看到的"永远一致。

3.5 关键参数:什么是"双 1"

大家都经常听到说数据库的双1,那双1指的是什么呢?指的是以下两个参数设置为1:

参数=1(最安全)≠1(更快但可能丢)
innodb_flush_log_at_trx_commit每次提交都把 redo 刷盘0/2:攒着刷,崩溃丢最近 1 秒
sync_binlog每次提交都把 binlog 刷盘0/N:攒着刷,崩溃丢最近若干条

"双 1"(都设为 1)= 单机不丢已提交事务的前提。生产核心库必须双 1;代价是每次提交两次 fsync。

小结:单机层用 WAL 提速、用 2PC 保证 redo/binlog 一致、用崩溃恢复裁决半成品事务、用双 1 兜底持久性。这一层保证的是"一台机器自己不丢"——但机器整个挂了怎么办?这就要靠复制。

四、主备复制:数据如何从主库到备库

单机再可靠,机器宕了、磁盘坏了,数据就没了。所以要把数据实时复制到备库。

复制的本质:把主库的 binlog 搬到备库重放一遍。

4.1 复制链路:三个线程

4.2 异步复制:默认、最快、可能丢

默认模式:主库提交后立刻返回客户端,不等备库。

优点:快,主库不受备库拖累。

缺点:主库宕机瞬间,已返回成功但没送达备库的事务全丢——丢多少取决于当时的复制延迟。

4.3 半同步复制:至少一个备确认

为压缩丢数据窗口,引入半同步(semi-sync):主库提交后,要等至少 N 个备库确认收到 binlog,才返回客户端。

两个时机(rpl_semi_sync_master_wait_point):

模式等待时机一致性风险
AFTER_SYNC(5.7+ 默认,推荐)主库 binlog 落盘后、引擎提交前就等备库确认强:确认了才对外可见幽灵读更少
AFTER_COMMIT主库引擎提交后再等备库确认弱:主库已可见但备库可能还没有主库能读到、备库却没有的"幽灵"

关键参数:

  • rpl_semi_sync_master_wait_for_slave_count:要等几个备确认,现网配置为1。

  • rpl_semi_sync_master_timeout:等待超时(毫秒)。

超时后退化为异步! —— 这是半同步"名义强、实则可能悄悄降级"的坑:网络一抖,它就变回异步。现网所有的核心系统都设置成了8640000,也就是可以认为半同步不退化,叠加三机房部署保障了RPO=0。

小结:复制把"单机不丢"扩展成"一台挂了另一台还在"。异步快但丢得多,半同步用一次网络往返换不丢数据。可是——主库真挂了,备库怎么知道自己缺哪些事务、从哪儿接着复制?这就要靠 GTID。

五、GTID 模式原理:让复制和切换"认得清、不重复"

5.1 传统 binlog 定位的痛点

GTID 之前,备库靠 binlog 文件名 + 位点(position) 记录"复制到哪了",比如 mysql-bin.000123:4567。

问题:

  • 位点是主库本地的,换了新主,同一个事务在新主的 binlog 里位点完全不同。

  • 切换时,DBA 得人肉找"备库最后那条事务,对应新主 binlog 的哪个位点"——极易错,错了就丢数据或重复执行。

5.2 GTID:给每个事务发一个全局身份证

GTID(Global Transaction ID)= server_uuid:transaction_id,例如 3E11FA47-...:23。

  • server_uuid:最初执行这个事务的实例的唯一标识。

  • transaction_id:在该实例上的递增序号。

  • 一个事务的 GTID:全局唯一且终身不变——不管它被复制到哪台机器,身份证号不变。

备库维护一个 GTID 集合,用区间紧凑表示已执行的事务:

    gtid_executed = 3E11FA47-...:1-100:102-105
                            (缺了 101 这条)

    5.3 auto-position:切换后自动对齐

    开启 GTID 后,备库连主库时用 MASTER_AUTO_POSITION=1:

    核心价值:切换新主后,各备库不用人肉找位点,报出自己的 GTID 集合,新主自动补差集。 这正是自动化切换(Orchestrator)能安全 repoint 的基础。

    5.4 幂等:不重复执行

    备库应用一条事务前,先看它的 GTID 是否已在 gtid_executed 里——在就跳过。这保证同一事务不会重放两次(比如切换后拓扑变动导致某条被推送两次)。

    小结:GTID 把"复制到哪了"从"主库本地位点"升级为"全局事务身份证集合",让切换后各备库能自动对齐、不重复。有了 GTID,我们终于可以安全地谈"主挂了怎么换主"。

    六、主备切换一致性:不丢数据,不双主

    主库挂了(或计划内维护要换主),要把某个备库提升为新主,并让其余备库改挂到新主下。这个过程最怕两件事:丢数据和双主(脑裂)。

    6.1 切换三步

    6.2 fencing:防止老主"诈尸"

    最危险的场景:老主并没真死(只是网络分区/假死),切换后它又活过来继续接受写——此时新主也在写,就是双主,两边数据分叉,极难修复。

    fencing(隔离/围栏)= 确保老主再也写不进去

    手段:老主一侧 set read_only / 杀连接 / 注销元数据

    6.3 计划内(PRS)vs 紧急(ERS)

    Vitess/orchestrator 体系里两种 reparent:

    PRS(Planned Reparent)ERS(Emergency Reparent)
    触发

    主库已挂
    老主还活着,能配合降级可能已失联
    RTO可做到接近0( 先追平再切)尽量小(选延迟最小者)
    关键有序、无损快、防脑裂优先

    小结:切换的一致性 = fencing(不双主)。GTID 让 repoint 变简单,fencing 让老主不能写入。但——谁来判断"主真的挂了"?谁来决定选哪个备?谁来执行这三步?人肉半夜爬起来太慢也易错。这就是 Orchestrator 要解决的。

    七、Orchestrator如何选主,以及probe-agent的作用

    前几章讲清了"怎么才能安全切换"。但真到凌晨主库宕机,靠人来"发现→判断→选主→执行"太慢也太容易错。

    Orchestrator(orc)就是把这套动作自动化的大脑;而 probe-agent 是它派驻在每台 DB 主机上的"眼睛和手"。

    7.1 拓扑发现:先画出复制关系图

    orc 不需要你手工登记主从关系。给它任意一个实例,它就顺着 SHOW SLAVE HOSTS / SHOW SLAVE STATUS主动爬取,把整个复制拓扑(谁是主、谁挂在谁下面)发现出来并持续刷新,这是后面一切判断的基础。

    7.2 故障检测的精髓:反证法(orc 最值得学的一点)

    最容易踩的坑:orc 自己连不上 master,就判定 master 死了 → 误切。 网络抖动、orc 到 master 的单条链路故障,都会造成误判,而误切的代价极高(可能引发不必要的切换甚至双主)。

    orc 的解法是反证法(holistic / cross-check):判断 master 是否真死,不只看 orc 自己能不能连,更看"master 的那些 replica 还连得上它吗"。

    AnalysisCode含义是否触发切换
    DeadMastermaster 连不上,且 replica 也连不上是(真死)
    DeadMasterAndSomeReplicasmaster 死,部分 replica 也失联是
    DeadMasterAndReplicasmaster 死,replica 全失联是
    DeadMasterWithoutReplicasmaster 死且没有 replica视配置
    UnreachableMasterorc 连不上,但 replica 还连得上否(疑似网络问题)
    UnreachableMasterWithLaggingReplicas连不上 + replica 延迟增大观察
    LockedSemiSyncMaster半同步锁死(等不到备确认,写被卡)是(专门处理)
    MasterNotWriteAblemaster 活着但不可写(如误设 read_only)视情况

    7.3 候选选择:选谁当新主

    判定要切之后,orc 从存活 replica 里挑新主,综合考虑:

    • 数据最全:优先选 GTID 集合最完整、复制位点最靠前的(丢得最少)。

    • promotion rule:管理员给实例打的提升优先级—must/prefer/neutral/prefer_not/must_not。比如把某台标 must_not(如跨机房只读备)就永不选它。

    • candidate 标记:candidate_database_instance里登记的优选候选。

    • 同机房/同 cell、版本兼容:尽量同 region 提升(减少跨机房延迟),且新主版本不能低于其 replica(否则复制不兼容)。

    7.4 切换执行:提升 + repoint + 回调

    7.5 probe-agent(orc-agent)的作用:补上"内部视角 + 执行手"

    orc 是"外部观察者",从远端探测有两个天生短板,probe-agent正是来补的:

    短板 1:外部探测看不到主机内部真相。 orc 从外面连不上,分不清是"DB 真挂了"还是"网络断了""DB 太忙没响应"。

    probe-agent 跑在 DB 主机本地,能看到内部:

    probe-agent 文件职责为什么 orc 从外部做不到
    heartbeat.go定时上报心跳(hostname -I 取本机 IP + 时间戳)给 orc主机侧"我还活着"的主动证明,区分"DB 死"与"网络断"
    load_checker.go

    检查本机负载(连接数、线程等)NewConfigurableLoadChecker

    外部看不到实时主机真实负载

    big_transaction.go用主备 GTID 差判断是否有大事务在跑(GtidComparisonChecker),并记录失败时刻主/备 GTID 快照切换前必须知道:有大事务时切换会拖很久、风险高
    disk_check.go磁盘探测(磁盘故障是京东数据库最多的宿主机故障)写本地磁盘
    probe_agent.go总装:写探测(enableWriteDetect)、连续失败计数(consecutiveFailures)本地"能不能真的写"比外部 ping 可信得多

    短板 2:orc 决策了,需要有"手"在主机侧执行/兜底。

    总结分工:

    八、分层的高可用

    我们通过分层的设计,每一层都做到极致,尽可能的提升高可用能力。现网通过将数据库设置成半同步不退化,保障了RPO为0;未来通过三机房的建设,提供机房级容灾的能力。但是,就到此为止了吗?

    数据库高可用不只是数据库的事,应用也要参与。

    既然数据库总有"短暂不可写"的窗口。如果应用把每一次写都设计成"必须同步写库成功、否则就报错给用户"。那数据库抖一下。应用就跟着抖。真正健壮的系统。是应用和数据库一起做高可用——在 DB 不可用的那几十秒里,应用能不能优雅降级,而不是直接雪崩?

    几种常见的应用侧兜底思路:

    手段思路适用场景
    异步化 + MQ 削峰写请求先进消息队列,应用快速返回"已受理";后台消费者慢慢落库,DB 抖动时消息积压而非丢失可接受"稍后落库"的写(下单后处理、日志、通知)
    最终一致性不强求"写完立刻全局可见",允许各方在一段时间后收敛一致计数、状态同步、跨系统数据分发
    读降级主库不可用时,读请求走备库/缓存,返回稍旧但可用的数据读多写少、能容忍短暂 stale 的展示类场景
    写降级 / 兜底存储DB 写不进时,先落本地/缓存/兜底表,恢复后补偿回放不能丢、但能容忍延迟的关键写
    快速失败 + 熔断DB 探测到不可用就立即失败并熔断,避免连接池被慢查询占满拖垮整个应用所有场景的基本自我保护

    数据库这一侧,把高可用一层层做到极致,是为了把"不可用窗口"压到最小;应用那一侧,建立"数据库随时可能短暂不可用"的意识、准备好降级预案,是为了在那个窗口里不被拖垮。两个系统双向奔赴,系统才真正称得上高可用——这也是把数据库高可用当作"数据头等大事"的完整含义。

    推荐阅读

    跳转微信打开

    •  

    分享一个我觉得很重要的思维方式

    L先生说 2026-10-22 21:30 广东

    那就是:用更主动的姿态去面对生活,提前把能做的事情做了。

    很多人的默认模式是这样的:过着自己日常的生活,当面对可能的变化和挑战时,第一反应是逃避和拖延,尽量减少直面它们的时间。

    但这就会造成两个问题:

    1)如果一个问题需要你解决,那么它是不会自己消失的。你越拖延,只会让它变得越严重;

    2)如果一个变化里面藏着机遇,那么你逃避和拖延,只会白白浪费掉可能的机会。

    所以,这样的生活态度,能够保持生活的稳定和平静,但从变化中获益的能力却很弱。

    反过来,另一种思维方式是什么呢?

    他们会这样想:既然这个问题总是要解决的,那早面对总比晚面对好,趁现在它还没有变得很严重,我可以做点什么来削弱和消解它?

    更进一步,现在的生活可能很稳定、很平静,但是是否可能存在着变数?我能否提前做点什么,来降低遇到坏事的可能性、提高发生好事的概率?

    所以,我们会看到:好运通常会眷顾主动的人。但这真的是凭运气吗?也不是。凭借的其实是对命运的主动干预和介入。

    而一旦把时间拉长,这两者的区别也会更大。

    一个被动者,很容易感到:他的人生一直在「遭遇事情」。他会觉得:我的生活是被外界所决定、所控制的。为了让我的生活保持正轨,我要尽量避开各种各样的风险。

    这就会导致:他对生活的满足感会比较低,而危机感会更高。因为任何问题都会给他带来不确定性,而即使成功解决了问题,那也只不过是让生活重回正轨,并没有什么值得开心的。

    反过来,一个主动者的感受是什么呢?他会感到自己一直在「解决问题」。

    对他来说,生活的常态是什么?是一旦发现问题的征兆,就立刻动手去应对,让问题平息。这个过程就是一种奖励。

    他并非从「没有问题」中得到快乐,而是从「解决问题」中得到快乐。

    举几个简单的例子:

    察觉到身体状态波动就及时检查和改善;

    关注前沿资讯和技术,思考如何跟自己结合;

    平时积累零散的灵感和想法,需要时就能随手用到……

    所以,我想给你的建议就是:摒弃自己的惰性。当你觉得一件事情「可做可不做」,做了可能有收益,不做也不会怎么样时,如果有条件和余裕,不妨都试着做一做。

    简而言之,就是把行动变成一种默认选项。

    很多问题未必是在解决的那一刻被解决的,而是在你决定面对它的那一刻被解决的。

    晚安~

    ————

    这是近期的文章:

    道理都懂,但总是忍不住熬夜、拖延、刷手机,怎么办?

    一种很重要的能力:识别你的「默认脚本」

    跳转微信打开

    •  

    微服务架构的复杂性思考:一份来自 1972 年的答案

    原创 石涛声&曹洪伟 2026-10-22 20:26 北京

    我们用了二十多年年时间学会了怎么把系统拆小,却始终没学会该往哪里下刀。这篇文章想说明:刀口的位置,五十年前就有人写清楚了。

    【缘起】多年前,石头兄弟提出了一个问题“微服务的复杂性到底是什么”,我并没有答案,但答案允许迟到,但不会缺席。

    我们花了很长的时间学会了怎么把系统拆小,却始终没学会该往哪里下刀。这篇文章想说明:刀口的位置,五十年前就有人写清楚了。

    第一,复杂性不等于规模。一枚 5nm 芯片上有 153 亿个晶体管,人类可以设计、制造并控制它;一家公司的代码只有二十亿行,却会常年带着万分之二的崩溃率运转。差别不在数量级,而在部件之间有没有清晰的边界和有限的相互影响。

    第二,模块化之所以有效,不是工程习惯,而是可以被写成不等式的。把两个问题放在一起解决,其复杂度高于分别解决之和;由此推出工作量的不等式。但模块不能无限拆——集成成本随模块数量上升,总成本曲线是个 U 形,最优点在中间某处。

    第三,怎么找到那个"中间某处",帕纳斯在 1972 年给了准则。划分单位不是处理步骤,而是"困难的设计决策"和"容易变化的设计决策"。模块的职责是把这些决策藏起来。微服务把这条准则从函数级推到了进程级,收益和代价都被同比例放大了。


    引子:两个数字

    先看两组数字。

    2015 年,谷歌统计自家所有产品的代码,加起来约 20 亿行。2018 年,阿里巴巴的程序员一年写下 12 亿行代码。2020 年,华为的麒麟 9000 芯片,在 5nm 工艺上集成了 153 亿个晶体管。

    数量级是相近的,甚至芯片那边更多。

    但我们对这两样东西的掌控力,完全不在一个水平上。芯片从设计、流片到量产,有完整的验证链条,良品率是可以被预测和提升的;而一个日活千万级的 App,即便崩溃率已经做到业内优秀的万分之二,仍然会源源不断地冒出莫名其妙的 bug——无法复现,或者改完之后别处又坏了。

    同样是"亿"级的组成单元,为什么一个能被工程化地控制,另一个不能?

    这个问题指向软件工程里最实在的一处结构性差异,也是本文想讨论的全部内容:复杂性不是由部件的数量决定的,而是由部件之间的关联方式决定的。


    一、"复杂"这个词的三层含义

    1.1 词典给的三个条件

    讨论之前先澄清。牛津词典对 complex 的释义其实给了三个条件,缺一不可:

    • 由多个部分或事物组成;

    • 这些部分之间是有相互关联的;

    • 整体因此不便于理解。

    第一条讲数量,第二条讲关系,第三条讲认知后果。日常讨论里最常被忽略的是第二条——大家习惯用"东西多不多"来衡量复杂,而真正制造麻烦的是"事物之间连了多少条线"。

    1.2 庞杂与复杂,不是一回事

    有一本书叫《为什么需要生物学思维》,里面做了一个区分,值得借用:

    • 一堆东西放在那里,即使很多、很乱,那叫庞杂(complicated);

    • 一堆东西到了一定数量,彼此之间还互相影响、会发生级联效应,那才叫复杂(complex)。

    这个区分在工程上很好用。一个仓库里堆了三千个文件,很乱,但它是庞杂的——你可以一个一个看过去,顶多是花点时间。而一个只有三十个服务的系统,如果每个服务都能直接读写另外五个服务的数据库,它就是复杂的——你改一处,可能不知道哪里会有影响。

    维度

    庞杂

    复杂

    主要来源

    元素数量

    元素间的关联与反馈

    增长方式

    线性累加

    组合爆炸、级联放大

    可分解性

    可以逐项处理

    拆开后行为可能改变

    典型后果

    费时间

    无法归因、无法预测

    软件例子

    一个巨大的工具类文件

    三十个服务共享五张表

    一旦系统跨过庞杂到复杂的那条线,它就会变成一个既无法控制、也难以理解的东西。这个状态,可以叫"复杂性灾难"。

    1.3 级联:复杂性的放大器

    为什么关联比数量更致命?因为关联带来的是组合,不是加法。

    假设系统里有 n 个部件,两两之间可能发生影响,那么这个影响关系最多有 n(n-1)/2 条。n=10 时是 45 条,n=1000 时接近 50 万条。更要命的是,软件里的影响往往是分层的:函数调函数,模块调模块,服务调服务,每一层都有自己的级联。层与层叠加之后,可能出现的交互路径数量会迅速超出任何一个团队的理解能力。

    有一句话说得直白:几百上千万行代码,一旦发生互相之间的关联互动,而且是一层一层的不同级别的互动,"产生的情况有多少种呢?可能比整个宇宙的粒子数量还要多"。

    这不是夸张,是组合数学的常识。宇宙可观测部分的粒子数大约 10^80,而一个三十服务、每个服务暴露二十个接口的系统,其调用路径的组合数在考虑重试、超时、并发之后,轻易就能逼近甚至超过这个量级。

    所以真正的问题从来不是"我们的代码有多少行",而是"我们的代码之间有多少条没人知道的线"。

    二、复杂性灾难:当系统无法被归因

    2.1 三个案例

    要理解"复杂性灾难"到底是什么样子,看三个事故比看定义有效。

    1986 年 1 月 28 日,挑战者号航天飞机在升空 73 秒后解体。调查委员会在当年 6 月提交报告,原因指向固体助推器上的 O 形密封圈:低温发射时橡胶失去弹性,燃气泄漏烧穿了外贮箱。物理学家费曼做了一个后来被反复引用的演示——把一段 O 形圈丢进一杯冰水,再用 C 形夹压住,松手后它没有弹回来。结论明确,责任明确,甚至可以复现。

    1996 年 6 月 4 日,阿丽亚娜 5 号火箭首飞,升空约 37 秒后偏离航线,随即自毁解体。调查结论是:箭上惯导系统沿用了阿丽亚娜 4 号的软件,其中有一段把 64 位浮点数转换成 16 位有符号整数的代码。阿丽亚娜 5 的横向加速度比 4 号大得多,这个转换发生了溢出;溢出触发异常,异常导致主备两套惯导先后关机,火箭随即失控。这段代码在 4 号的多年服役中从未出过问题——它不是一个 bug,它是一个在新环境里失效的旧假设。这次失败损失了两颗卫星,代价约 3.7 亿美元。

    2009 年前后,丰田在美国因"意外加速"发起大规模召回。调查持续了数年,结论并不统一:2011 年 NASA 受委托完成的工程分析,未发现电子节气门系统存在可复现的软件缺陷;而 2013 年俄克拉荷马州一起案件的陪审团,认定车辆的电子控制系统存在缺陷。同一套系统,同一批事实,专业机构之间给出了不同的判断。

    2.2 归因失效才是灾难的本质

    把三个案例排在一起,会看到一个清晰的梯度:

    事故

    能否定位到单一部件

    能否复现

    责任能否归属

    挑战者号(1986)

    能,O 形密封圈

    能

    能

    阿丽亚娜 5 号(1996)

    部分能,一段复用代码

    能(仿真)

    难,无人被追责

    丰田意外加速(2009–)

    不能

    不能

    不能

    第一起是工程失败:系统足够复杂,但边界清楚,所以能被分解、被定位。第二起已经开始变质:出问题的不是某个零件,而是"旧代码在新参数下依然成立"这个假设,而假设散落在系统的语义里,没有物理位置。第三起则完全进入了复杂性灾难的范畴:问题存在于软件系统与外部机电系统的大规模交互之中,任何一个单点看上去都没错,整体却出了人命。

    这正是复杂性灾难的定义性特征:它不是"某个地方坏了",而是"没有任何一个地方单独坏掉"。

    有一句话被反复引用:雪崩时,没有一片雪花是无辜的。它的反面同样成立——雪崩时,因为没有一片雪花是无辜的,所以也没有一片雪花是需要负责的。这句话的工程含义非常冷酷:当系统复杂到无法归因,你也就失去了通过追责来改进系统的能力。

    2.3 为什么软件比硬件更容易掉进去

    物理设备之间的边界是清晰的。一根轴的公差是 0.01 毫米,一个接口的扭矩上限是清晰的,这些都是可以测量、可以验收、可以在图纸上标注的。而代码与代码之间的"边界",往往只存在于写它的人脑子里。

    更麻烦的是,软件没有物理约束来兜底。机械系统过载会变形、会发热、会断,物理定律替你做了限制;软件过载只是慢一点,然后在一个你没预料到的地方超时、重试、放大,最后把上下游打垮。物理世界用磨损提醒你系统在老去,软件则倾向于在崩溃之前一直"看起来正常"。

    所以,软件工程师和机械时代的工程师,处境其实很不一样。后者画蓝图、按图施工、精确控制,造出一个系统,他就是这个系统的神。前者一行行写下系统,却远远不是神——总有一些控制不住的东西,比如一辈子都要打交道的 bug。这不是工程师不够优秀,是这类系统的性质决定的。

    顺带说一句移动端。移动开发长期被认为"复杂度可控",原因是它建立在相当成熟的框架之上,大量工作是 UI 构建和与服务端的信息交换,业务相似度高、重复度高。但这不是逃过了复杂性,只是把复杂性爆炸的时间点推后了:随着业务量增长,偶发崩溃、不可复现的问题一样会出现。

    三、量级不等于复杂度

    回到引子里的对比。三个数字放在一起看很有意思:

    对象

    组成单元数量

    时间

    可控性

    谷歌全部产品代码

    约 20 亿行

    2015

    中,靠工程体系维持

    阿里巴巴年新增代码

    约 12 亿行

    2018

    中

    麒麟 9000 晶体管

    约 153 亿个

    2020

    高,可设计可验证

    波音 747 零件

    约 600 万个,275 公里管线

    —

    高,可靠性以百万架次计

    波音 747 有六百万个零件、两百七十五公里长的管线,世界上没有任何一个人能彻底搞清楚它的完整构造。按演讲中引用的统计口径,它的致命事故率约为每百万架次 1.6 起,安全性最高的机型可以做到 0.33 起——这个水平比绝大多数 App 的"事故率"要低得多。

    原因不在于飞机比软件简单,而在于大型物理系统具备四个可复制的特征:

    1. 精准完备的设计:图纸先于制造,改动要走变更流程;

    2. 清晰的模块边界:发动机、液压、航电,物理上就是分开的;

    3. 明确的、有限的相互关联:接口是标准件,连接是 enumerated 的;

    4. 可控的变更:改一个部件,需要重新验证的清单是已知的。

    软件很难做到第一条——需求在变,技术在变,很少有系统能在开工前把设计做完备。但后三条是可以努力靠近的,而且不需要等待任何新技术:清晰化模块边界,减少相互关联以降低级联效应,把变更关进笼子里。

    这才是本文真正的落点。下面的内容,基本都是这三句话的展开。

    四、模块化:一个可以写成公式的直觉

    4.1 两个不等式

    "分层和模块化是解决复杂问题的基本方案"——这句话大家都听过,但很少有人追问为什么。其实它可以被写得很朴素。

    设 c 表示问题的复杂度(包含问题现状及其可能的发展变化),w 表示解决它所需的工作量。那么:

    if c(k) > c(p) then w(k) > w(p)

    翻译成人话:复杂问题花的时间比简单问题多。这几乎不证自明。

    关键在第二步。当两个不同的问题被放在一起解决时,其复杂度通常高于分别解决之和:

    c(k + p) > c(k) + c(p)

    因为放在一起,就多出了"两者之间如何相互影响"这一层,而这一层本身是有成本的。代入第一个不等式,得到:

    if c(k + p) > c(k) + c(p) then w(k + p) > w(k) + w(p)

    两个问题合起来做,工作量大于分开做。这就是模块化的全部理由:它把一个大问题切成若干小问题,让工作量从"大于和"回到"接近和"。顺带还带来一个社会性收益——切开的块可以并行,多人协作因此成为可能。大规模软件之所以存在,前提就在这里。

    4.2 但模块不能无限拆

    既然拆分能降低成本,为什么不拆到最细?

    因为上面那个不等式只算了一侧。拆分本身有成本:模块越多,接口越多,集成就越贵。集成成本大致随模块数量超线性上升,而单个模块的开发成本随模块数量下降。两条曲线相加,总成本是一个 U 形曲线。

    模块数量

    单模块成本

    集成成本

    总成本

    很少

    高(问题未被分解)

    低

    高

    适中

    中

    中

    最低(最小成本区间)

    很多

    低

    高(接口爆炸)

    高

    日常开发中我们其实一直在描这条曲线:既不会把整个系统写成一个文件,也不会把一个函数拆成十个服务。所谓"架构能力",很大程度上就是对这条曲线最低点的判断力。

    那么问题来了:最低点在哪里?依据什么下刀?

    这就是 1972 年那篇论文要回答的事。


    五、1972 年:分解的准则

    5.1 一位容易被忽略的作者

    David Lorge Parnas,1941 年生,电气工程博士,是最早把传统工程原理系统性地引入软件设计的人之一。他是首届图灵奖得主 Alan Perlis 的博士生,也是"信息隐藏"(information hiding)这个概念真正的提出者。

    值得一提的是,我们今天熟悉的"高内聚、低耦合",帕纳斯本人几乎不用。他用的是另一个词:信息隐藏。这两个提法描述的是同一件事的不同侧面,但帕纳斯的版本更可操作——它告诉你该怎么下刀,而不只是告诉你刀口应该漂亮。

    他还是"星球大战"计划(SDI)的早期参与者,也是它最著名的公开批评者之一。1985 年,他发表文章论证:用于作战管理的软件不可能达到可以被信任去阻止核攻击的质量水平。这个判断的方法论基础,和他 1972 年那篇论文是同一套。

    5.2 那篇论文和它的问题

    1972 年 12 月,Parnas 在《Communications of the ACM》上发表《On the Criteria To Be Used in Decomposing Systems into Modules》。这篇论文讨论的问题极其具体:把系统拆成模块时,到底应该按什么标准拆?

    论文用了一个贯穿全文的例子:KWIC(Key Word In Context)索引系统。需求是这样的:

    系统接受若干行文本,每行由若干词组成,每个词由若干字符组成。每一行要做循环移位——反复把第一个词移到行末;然后把所有行、所有移位结果按字母顺序排列输出。

    举例来说,输入两行:

    Clouds are white 

    Ottawa is beautiful

    输出要长这样,每个关键词都被它所在的上下文包围:

    are white Clouds 

    beautiful Ottawa is 

    Clouds are white 

    is beautiful Ottawa 

    Ottawa is beautiful 

    white Clouds are

    这个问题简单,但包含了一个完整系统的所有要素:输入、数据结构、变换、排序、输出。用它来比较两种分解方式,非常干净。

    5.3 方案一:跟着流程图走

    第一种分解是最符合直觉的,也是几乎所有工程师默认会做的那一种:先画流程图,然后把每个处理步骤变成一个模块。

    于是得到五个模块:

    模块

    职责

    Input

    读入数据行,存进 core;存储格式为每机器字 4 个字符,并维护一个指向各行起始位置的指针数组

    Circular Shift

    在 Input 完成后调用;读行存储,生成一个"对"的数组(每个循环移位的首字符下标、原行号)

    Alphabetize

    在 Circular Shift 完成后调用;读上述两个数组,生成新的索引

    Output

    在排序完成后调用;读模块 1 和模块 3 产出的数组,漂亮地打印出来

    Master Control

    负责前四个模块的时序与错误处理

    这套设计能跑,功能正确。请注意:模块之间不是通过接口通信的,而是通过共享存储。Characters、Index、Alphabetised Index 三块数据结构是公共的,每个模块都直接读写它们。Output 模块的实现,必须知道 Index 里存的是"指向 Characters 的地址",也必须知道 Alphabetize 把结果按什么顺序摆好。

    在那个内存只有几 KB 的年代,这样的设计不仅是合理的,甚至是必要的——你必须精心设计字节排列和打包方式,才能把数据塞进去。这些关于存储格式的决策,本身就是设计的主体。

    5.4 方案二:跟着变化走

    第二种分解放弃了流程图。它给出的模块是这样的:

    模块

    职责

    Line Storage

    一组函数:CHAR(r,w,c) 返回第 r 行第 w 个词的第 c 个字符;SETCHAR 设置它;WORDS(r) 返回词数……

    Input

    从输入介质读原始行,调用 Line Storage 存起来

    Circular Shifter

    提供与模块 1 同构的一组函数:CSCHAR、CSWORDS、CSLINES、CSCHARS,外加上电时调用的 CSSETUP

    Alphabetizing

    ITH(i) 返回按字母序排第 i 位的循环移位下标;使用前必须先调 SORT()

    Output

    打印行或循环移位的集合

    表面上看,模块名字差不多,甚至数量都还是五个。但结构完全不同,关键差异只有一条:底层数据不再共享,所有访问都必须经过模块自己的接口。

    除了 Line Storage 自己,没有任何模块知道行是怎么存的、是不是每机器字打包四个字符、循环移位到底是真存了一份还是每次现算。Alphabetizing 甚至被设计成让调用方无法察觉排序究竟有没有真的做完——它可以在 SORT() 里全部算完,也可以在每次 ITH(i) 调用时临时算一点。

    这就是信息隐藏。模块不再是"一个处理步骤",而是"一组被藏起来的设计决策"。

    5.5 三把尺子

    两种方案都能正确实现功能,也都在一定程度上拆解了复杂性。论文用三把尺子来比较它们。

    第一把:可变性。论文列了五条在真实演进中很可能发生的变更:

    变更

    方案一的影响面

    方案二的影响面

    输入格式变更

    限于 Input 模块

    限于 Input 模块

    全部行常驻内存改为不常驻

    每个模块都要改

    限于 Line Storage

    字符打包方式变更

    所有模块都要改,因为都依赖 core 的存储格式

    只有 Line Storage 知道

    循环移位从"建索引"改为"实存"

    字母排序器和输出例程都要改

    限于 Circular Shifter

    排序时机从"预先全排"改为"按需计算"

    很麻烦,Output 假定索引已经就绪

    限于 Alphabetizing,外部无感

    除了第一条,其余四条在方案一里都会穿透到多个模块,在方案二里都被关在一个模块内。差异的来源很清楚:方案一把"存储格式怎么办、排序什么时候做"这些决策暴露在了接口上;方案二把它们藏在了接口后面。

    第二把:并行独立开发。方案一的模块接口是"复杂的格式和表组织结构",这些格式本身就是不能轻视的设计决策,必须由几个小组共同商定,而且要仔细设计——接口定不下来,谁也不能开工。方案二的接口更抽象,主要是函数名加上参数的数量和类型,都是相对简单的决策,独立的模块开发可以更早开始。

    第三把:可理解性。要理解方案一的 Output 模块,你必须先了解 Circular Shifter、Alphabetizer 和 Input 在做什么——只有在其他模块以特定方式工作的前提下,输出所用的表结构里某些字段才有意义。这个系统只能作为一个整体被理解。而在方案二里,Output 只需要调用一个简单接口。

    一句话总结:方案一是"按时间顺序切",方案二是"按知识的边界切"。

    5.6 Parnas的结论

    论文的结论说得很不客气:从流程图入手把系统分解为模块,几乎总是不妥的。

    正确的起手式不是画流程,而是先列出"一系列困难的设计决策,或者可能变化的设计决策",然后让每个模块去隐藏其中的一部分。模块的接口设计原则也随之确定:尽可能少地暴露内部工作原理。

    这里有一个常被忽略的判断:流程图对五千到一万条指令规模的系统是个有用的抽象,但超过这个量级,它就不够用了。这不是流程图本身的错,而是因为流程图表达的是"控制流",而大规模系统的麻烦几乎都长在"数据与知识的依赖"上。


    六、布鲁克斯的认错

    这套理论靠不靠谱?有一个旁证非常有说服力。《人月神话》的作者 Fred Brooks,在书里说过一句被引用得极多的话:给我看你的流程图而藏起你的数据表,我仍然会迷惑;给我看数据表,我通常就不需要流程图了,程序结构会变得很明显。

    这句话常被用来支持"数据结构优先",但它其实也埋下了对信息隐藏的怀疑:如果数据表才是理解系统的钥匙,那把数据藏起来,别人还怎么理解?所以在《人月神话》第一版里,Brooks 批评了信息隐藏,他推崇的是公开共享代码。

    二十年后的 1995 年,在 20 周年纪念版里,他专门用一小节更正了这个判断。原话是:

    Parnas was right, and I was wrong about information hiding. (…) I am now convinced that information hiding, today often embodied in object-oriented programming, is the only way of raising the level of software design.

    (……)[传统的]技术确保程序员可以通过知道另一边是什么,来知道他们所用接口的详细语义。隐藏这些语义会导致系统错误。另一方面,Parnas 的技术在变化面前是健壮的,在设计换变化的哲学中更合适。

    这段话值得逐句读。Brooks 承认的不是一个细节,而是一个方向:让接口的语义保持未知,短期看会增加误解,长期看是唯一能扛住变化的结构。

    顺带说,Parnas本人后来对这个问题的表述更硬。他不用"经验证明"这种说法,而是给出一个可以证明的命题:假设有两个模块 A 和 B;如果你可以只依据 B 的接口证明 A 是正确的;那么当你修改 B 而不改接口时,A 不需要任何改动。

    这个链条一旦成立,"信息隐藏"就不再是一种风格偏好,而是一个关于变更成本的定理。它也是后面所有关于"服务契约"的数学底子。


    七、微服务:把复杂性从空间上搬出去

    7.1 复杂性守恒

    Michael Feathers 有一句话,我认为是理解微服务最关键的一句:

    我坚信软件中存在一条复杂性守恒定律。当我们把大事分解成小块时,我们总是把复杂性推到它们的相互作用上。

    这句话解释了为什么微服务既让人兴奋又让人痛苦。

    单体架构里,复杂性集中在代码内部:一个类依赖三十个类,一次改动的爆炸半径无法预估。拆成微服务之后,单个服务内部的代码量确实显著下降,很多服务只有几千行——这正是"代码占用面积减少"的说法。但代价同步发生:代码里的函数调用,变成了服务间的网络调用。每个请求的状态必须从一个服务传到另一个服务,才能拼出响应。原来一个栈就能解决的事,现在需要序列化、传输、超时、重试、幂等、补偿。

    于是复杂性搬家了。从"代码内部"搬到了"交互之间",从"开发阶段"搬到了"运行阶段",从"程序员的可视范围"搬到了"运维和 SRE 的监控面板"。

    7.2 三种复杂性

    如果只记住一个区分,记住这个:把软件复杂性分成三层。

    类型

    含义

    微服务能否降低

    必备复杂性

    问题本身固有、无法消除的部分

    不能

    表面复杂性

    实现方式带来的额外纠缠,如杂乱的连线

    能,且这是主要收益

    设计复杂度

    设计不当、重复建设、为预研而引入的复杂性

    看治理水平,可能反增

    微服务做的事情,本质上是把"杂乱的连线"收成"一条总线":表面复杂性下降了,必备复杂性一点没变。那些以为上了微服务就能"消除"复杂性的项目,基本都在这条上栽了跟头。

    再往前一步,还有一层判断:系统的实际复杂性一定会超过它的必备复杂性,超出的部分就是设计复杂性。设计复杂性本身没有好坏——它可能来自设计不当,也可能来自有意的技术投入(比如做预研)。关键在于,这是一笔投入,你要问清楚它换回了什么。

    微服务就是一次复杂性投入。你多花了分布式事务、服务治理、链路追踪、灰度发布的成本,换回来的是独立部署、技术异构、故障隔离和团队自治。这笔账划不划算,取决于业务的变化速度——变化越快,买"独立演进"这个期权就越值。

    7.3 债还不掉,只能加速淘汰

    还有一个更根本的视角:软件的复杂性总是增加的。

    软件像熵,很难掌握,也无法直接测量,而且它遵守热力学第二定律。任何一个长期运行的系统,都会经历这样的过程:很多不同的人在上面工作,每个人都有自己的风格;功能不断被添加、修改、移除;系统还要和越来越多的外部系统集成,长出大量接口。结果是架构越来越不稳定,新功能上线越来越慢,创新被拖住。

    所以"微服务能消除技术债"这个说法要打个折。准确的说法是:债是还不掉的。你确定你重构代码、偿还债务的这份工作,本身没有在制造新的债务?存量即债,只要你开动代码生产机器,你就在高筑债台。

    微服务真正提供的,是一种加速淘汰的机制。服务粒度小、边界清楚、可以独立部署,意味着单个服务可以被更便宜地重写、替换、丢弃。从宠物变成牲畜,随时可以宰杀。降低单次淘汰的成本,比试图一次性还清债务,要现实得多。

    7.4 代价清单

    把微服务的收益与代价并列,会更容易做决策:

    维度

    单体

    微服务

    净效果

    单服务代码量

    大

    小

    改善

    改动爆炸半径

    大,靠编译期发现

    小,但错误后移到运行期

    双向

    调用成本

    函数调用,纳秒级

    网络调用,毫秒级

    恶化

    状态一致性

    本地事务

    分布式一致性

    显著恶化

    故障模式

    全挂或全活

    部分失败、级联失败

    恶化,需新能力

    独立部署

    不能

    能

    改善

    组织自治

    弱

    强

    改善

    可观测性要求

    低

    极高

    新增硬门槛

    注意最后一行,它不是一个"最好有"的加分项,而是前置条件。


    八、组织也是耦合

    技术之外还有一层常被低估的复杂性来源:组织本身。

    康威定律说,系统的结构会不可避免地复制组织的沟通结构。这条定律在微服务时代几乎是自我实现的:你按团队拆服务,服务边界就会长成组织边界的样子;反过来,如果你先画了一张理想的服务蓝图,却按另一套组织去落地,最终跑起来的架构会向组织妥协。

    邓巴数给了组织规模一个生物学的上限:人类能维持稳定社交关系的人数大约在 150 人。超过这个规模,靠"大家都认识"来协调就失效了,必须依赖流程和文档——而流程和文档正是复杂性的新来源。

    两个披萨的原则是这条规律在工程上的操作:如果两个披萨喂不饱一个团队,这个团队就太大了。人一多,会议效率下降,与会者倾向于附和而不是表达独立判断,扯皮和推诿随之出现。小团队更容易达成共识,也更容易让"服务边界"和"责任边界"重合。

    这三条放在一起,说明一件事:微服务不是纯粹的技术重构,它是组织重构的技术投影。只改代码不改组织,通常会得到"分布式的单体"——服务拆开了,发布还得一起发,数据库还共用一套。


    九、把准则落到服务边界上

    前面讲的都是判断依据,到底该怎么用呢?Parnas的准则要到服务级别,需要做一次翻译。

    9.1 划分前先问四个问题

    把"隐藏困难或易变的设计决策"翻译成服务设计语言,可以拆成四个可操作的问题:

    问题

    想验证什么

    不合格的信号

    这个边界两侧,变化的原因相同吗?

    是否按变化源切分

    改一个业务规则,要同时改三个服务

    这个服务对外暴露的,是契约还是实现?

    是否真的隐藏了决策

    上游要了解下游的表结构才能工作

    去掉这个服务,上游还能编译和测试吗?

    依赖是否收敛到接口

    上游必须起全套环境才能跑单测

    它挂了,会不会拖着别人一起挂?

    级联风险

    一个非核心服务超时,主链路雪崩

    第三问特别值得展开。方案一和方案二最本质的差别,其实就体现在"能不能只凭接口把上游测通"。如果一个服务的存在,使得上游必须启动它、连上它的数据库、造出符合它内部格式的数据才能测试,那么这个边界是假的——你只是把一张大表拆成了若干张互相认识的小表。

    9.2 接口只暴露契约

    Parnas方案二的接口长这样:CHAR(r,w,c)、WORDS(r)、ITH(i)、SORT()。它们有几个共同特征:

    • 参数是语义坐标(第几行、第几个词、第几个字符),不是内存地址或内部偏移;

    • 不暴露数据是"存着的"还是"算出来的";

    • 调用顺序的约束被显式声明(SORT() 必须先调),而实现自由度被保留。

    映射到 HTTP / RPC 上,就是几条很朴素的规矩:

    • 接口用业务语义命名而不是用表名;

    • 响应体不泄露内部主键与存储细节;

    • 对"何时可见""是否幂等""失败后能否重试"给出明确承诺;

    • 版本策略写在契约里而不是靠口头约定。

    反过来,下面这些做法都在把决策重新暴露出去:

    • 上游直接连下游的库;

    • 共享一张"公共表"当集成方式;

    • 接口返回原始 ORM 实体;

    • 用 status 字段的魔法值传递业务状态,而这些值的含义散落在三个仓库的注释里。

    9.3 把"互相影响"限流

    复杂性的放大器是级联。工程上对付级联的手段已经很成熟,但常常被当成"运维配置"而不是"架构约束":

    手段

    对应的问题

    注意事项

    超时

    无限等待导致的资源堆积

    超时必须小于上游的超时,逐层收敛

    重试 + 退避 + 抖动

    瞬时故障

    重试会放大流量,必须配合幂等

    熔断

    故障服务拖垮调用方

    半开策略要按业务调,不要抄默认值

    舱壁隔离

    单一依赖占满线程池

    按依赖分组,核心与非核心分开

    背压 / 限流

    上游过载传导

    限流点应靠近入口,且可观测

    降级

    非核心能力故障

    降级路径必须被真实演练过

    这里有一条容易忽视的原则:每一个跨服务调用,都必须有明确的失败语义。是快速失败、是降级返回、还是排队重试,这个决定必须在设计时做出,而不是等线上出事时由框架的默认值替你决定。默认值往往是最坏的那种:重试三次,每次超时三十秒。

    9.4 可观测性不是运维的事

    方案二之所以"可理解",是因为一个模块只需要知道它依赖的接口。微服务把这条链路打散了:一个请求穿过七个服务,任何一个人看到的都只是片段。

    于是"可理解性"这个准则在分布式系统里必须换一种实现方式——它从"读代码就能懂"变成了"看链路就能懂"。

    具体来说,需要三样东西同时成立:

    1. 统一的 trace id 贯穿全链路;

    2. 每个服务的关键决策点有结构化日志(不是 print("here"));

    3. 服务之间的依赖关系可以被自动发现并画出来,而不是靠一份三个月前更新的架构图。

    有一句话说得很好:如果没有实时地图显示微服务如何与数据库以及外部服务交互,那么 DevOps 就是盲目的。而盲目的运维,只能靠加人来弥补——这恰恰是《人件》批评过的那种做法。

    9.5 反模式清单

    反模式

    表面症状

    根源的问题

    分布式单体

    服务拆了,发布还得一起发

    边界按组织画,没按变化画

    共享数据库

    改表要开五个团队的会

    数据存储决策没有被隐藏

    贫血接口

    上游拿一堆字段自己拼业务逻辑

    业务决策暴露到了边界之外

    按技术分层拆服务

    Controller 服务、DAO 服务

    按处理步骤切,正是方案一

    按实体拆到最细

    一个表一个服务

    只算了拆分收益,没算集成成本

    无契约演进

    下游半夜被告知字段改了

    缺少显式的接口承诺

    全链路强一致

    一个下单要协调六个服务

    把本地事务的思维搬到分布式

    这些反模式的共同点,都能回到同一句话:它们把"变化的原因"和"部署的单位"搞混了。


    十、小结

    回到开头的问题:为什么芯片能被控制,软件不能?

    因为芯片的每一个部件之间的关系,在流片之前就被穷举过、验证过、写进了设计规则;而软件部件之间的关系,是在几百个人的日常改动中缓慢长出来的,没有人完整地看过那张图。芯片的复杂性是被设计出来的,软件的复杂性是被积累出来的。

    这决定了应对方式的不同。前者靠验证,后者只能靠结构。

    而结构这件事,1972 年那篇论文已经说得足够清楚了:不要从流程图开始,从"哪些决策是困难的、哪些决策是会变的"开始;让每个模块藏起一组决策;接口只承诺最少的东西。

    微服务没有发明新原理,它只是把这条原理的作用范围从函数扩大到了进程——收益被放大,代价也被同比例放大。所以它既不是银弹,也不是骗局,它是一次复杂性交易:用运行期的分布复杂性,换开发期的演进自由度。

    这笔交易划不划算,取决于你的业务变化有多快,也取决于你有没有能力把新增的那部分复杂性管住。管不住的时候,分布式系统不会退回单体,它只会变成一个更难归因的单体。

    最后留一个问题给自己:每次决定"这里拆一个服务"的时候,你藏起来的是哪一组决策?如果答不上来,那可能只是把一个函数搬到了另一台机器上。

    PS,在AI时代,架构的复杂性又是怎样的呢?

    【关联阅读】

    跳转微信打开

    •  

    角色设定图提示词合集分享!码住随时用。

    原创 阿真 2026-10-22 19:24 广东

    一篇文章狠狠拿下角色设定图提示词。

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-01.png

    嗨大家好!我是阿真!

    最近感觉缺乏灵感啊,决定整理点简单但是方便的东西,顺便晾一晾我这好像进水的大脑袋。

    之前一直有朋友问我,角色设定图的提示词怎么写?今天阿真总结一套比较全的,朋友们可以存存以后指不定能用。

    这些都是可直接拿去用的提示词,只需要给到一张图和角色设定就可以直出详细的不同复杂程度、不同场景使用的角色设定图。

    还有转面、表情、动作、道具和综合角色资料与制作总表等等,也有一些是 AI 角色协作与建模中的常用资料。

    我最常用的图是 03 号白底四视图,简单项目来说足够了。复杂一点的我会使用 47 号综合角色设定总表。

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-02.png

    基础造型、转面与身份比例

    01|白底正面标准立绘

    适合先建立角色的基础外观,也方便作为后续生成表情、动作和换装图的身份参考。做科普口播、简单动画或单角色视频时,可以从这张图开始。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-03.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9角色标准立绘。中央展示一个完整正面角色,从头顶到足底全部入镜,双臂自然下垂,手部放松,双脚自然站立,头部端正,视线平视。下方标注“正面全身”,用一句小字说明姿态与取景。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    02|白底三视图

    适合日常角色视频、漫画和基础建模参考。正面、侧面、背面放在一起,便于确认角色转身时的轮廓、发型体积与服装遮挡关系。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-04.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9角色三视图。横排严格正面、九十度侧面、严格背面三个完整视图,等高等比例,头顶与脚底基线对应,姿态中性。分别标注“正面”“侧面”“背面”,说明三个方向的身份与比例保持一致。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    03|白底四视图

    这是我使用频率最高的角色参考图。

    适合既要保留面部识别度,又需要全身造型的参考流程。将面部特写与正面、侧面、背面结合,便于分别为视频近景和全身镜头提供素材。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-05.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9角色四视图。左侧约30%宽度为正面头肩特写,右侧横排正面、九十度侧面、背面三个完整全身,三个全身等高等比例、脚底对齐。四幅取景独立,标签为“正面特写”“全身正面”“全身侧面”“全身背面”,说明面部与全身造型的对应关系。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    04|分开制作的角色转面表

    将转面单独制作,减少一张图中的信息竞争,方便独立上传给视频模型。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-06.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9角色转面表。横排正面、严格左侧、背面、严格右侧四个等高完整视图,姿态中性,脚底对齐。左右非对称部件按实际位置对应。每个视图下标出方向,底部说明各方向的身体比例与设计保持一致。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    05|全身八方向转面图

    适合需要频繁转身、环绕拍摄或连续切换机位的 AI 动画和短剧。八个方向能更细致地检查发型、配件和服装在旋转过程中的衔接。

    但是要注意,像这一类转方向的,在生成参考图时可能会出现细节变化的问题。

    也可以考虑使用 MiniMax H3 或者是 Seedance 2.5 直接做一个环绕旋转的视频,然后使用 AI agent 工具,让它截出这八方向转面的图。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-07.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9全身八方向转面。两行四列依次为正面、右前侧、右侧面、右后侧、背面、左后侧、左侧面、左前侧,连续每次转动四十五度。八个角色完整入镜、等高、姿态一致,每格标注方向。底部说明各方向的体积与遮挡关系连续一致。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    06|头部五角度转面图

    这个适合对话、口播和人物近景镜头,尤其是侧脸、回头及头部转动较多的画面。用连续角度统一五官位置、耳饰和头发的体积关系。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-08.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9头部五角度转面。横排正面、四分之三正面、严格侧面、四分之三后侧、背面五个等比例头肩像,头部高度与取景范围一致,完整展示头部外轮廓与头部附属结构。分别标注角度,说明转动过程中的结构衔接。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    07|角色身份与双侧档案

    将面部身份与正面、左右侧面、背面对应,适合非对称造型和多机位角色参考。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-09.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9角色身份档案。左侧约30%宽度展示正面头肩大特写,右侧依次排列正面、严格左侧、严格右侧、背面四个完整全身。四个全身视图等高,姿态和地面基线一致。左右非对称特征分别对应。标注面部近景与四个视角,并说明关键识别特征的对应关系。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    08|面部与身体分离参考

    将面部与身体分开记录,适合需要分别控制脸部身份、服装和体型的参考流程。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-10.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9面部与身体分离参考。左栏约40%宽度展示完整头部、脸和肩部大特写;中栏约30%展示脖颈下方至脚底的严格正面身体;右栏约30%展示脖颈下方至脚底的严格背面身体。正背身体等比例,服装长度、肢体与配件位置互相对应。标注“面部身份参考”“正面身体参考”“背面身体参考”,说明身体尺度及服装连接位置。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    09|头身比例与轮廓图

    适合检查角色在不同视图、姿态和生成批次中的身形一致性。以头高与角色总高作相对对照,配合轮廓和手脚大小,及时发现身体被拉长或缩短的问题。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-11.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9头身比例与轮廓。左侧为完整正面角色及相对比例尺,中间为严格侧面,右侧为相同正面轮廓的实心剪影,并附头部轮廓、手部与足部小对照。以头部最高点至下巴的高度为一个相对单位,用短括号标记一个头高,用长括号标记角色总高,两者依据参考中的实际比例绘制。所有视图共享同一比例,短说明指出测量与轮廓关系。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    10|角色转面与头身单位比例尺

    以一个头高与角色总高作相对比例参照,四个视图保持相同尺度。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-12.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9角色比例参考。左侧为正面面部近景,右侧依次为正面、严格左侧、背面、严格右侧四个等高完整视图。以参考角色自身的头高为相对单位,在正面图旁用短括号标记一个头高,用长括号标记角色总高,保留参考中的实际头身关系。标注各视角及“一个头高”“角色总高”,说明各视图共用同一比例。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    11|白底 A 字姿态图

    适合需要看清肩部、手臂与身体连接关系的建模和造型检查。双臂斜下展开,便于观察袖口、腋下和腰侧,也方便核对服装的穿戴关系。在使用 AI 3D 工具建模的时候,优先考虑使用 T 字和 A 字姿态图。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-13.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9角色A字姿态参考。中央展示一个完整正面角色,双臂向身体两侧斜下展开约三十度,手掌自然朝内,双腿微分,肩部放松,轮廓形成清晰A字。下方标注“A字姿态”,说明双臂角度与站立关系。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    12|白底 T 字姿态图

    适合角色建模、骨架绑定前的姿态参考,以及左右结构、手臂长度和肩线的检查。双臂水平展开,能更直观地比较身体两侧。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-14.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9角色T字姿态参考。中央展示一个完整正面角色,双臂水平展开与肩同高,手掌朝下,双腿略分,头部端正。下方标注“T字姿态”,说明肩臂保持水平。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    外观细节、服装与制作规范

    13|五官局部细节图

    适合多面部特写、角色身份校对和多人协作的场景。将眼睛、眉毛、鼻口及耳饰等容易变化的细节放大,便于核对不同镜头中的细节。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-15.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9五官局部细节。中央约45%宽度展示正面头肩像,两侧各三处局部放大,依次说明眼睛与高光、眉毛、鼻口关系、耳部与配饰、肤色层次、发际线或头部边缘。部件按参考实际存在的结构选择,局部与中央图清晰分离,图旁用简短中文解释形状与连接关系。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    14|发型结构拆解图

    适合用于约束长发、卷发、复杂发束或头部配件较多的角色,尤其是转身与侧后方镜头。通过整体视图与局部拆解,确认发型长度、层次及前后覆盖关系。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-16.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9发型结构拆解。左侧约60%宽度展示正面、侧面、背面三个等比例完整角色,右侧纵排五处局部:前部发束分区、侧部层次、后部体积、发梢方向、基础色与高光层。参考中对应的头部覆盖物可沿相同结构拆解。每处保留短说明,明确体积、层次与覆盖关系。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    15|服装结构与材质总表

    将全身造型、服装单品和关键材质放在同一张图中,适合检查服装连续性及制作近景镜头。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-17.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9服装结构与材质总表。左侧约三分之一展示正面、背面两个等高完整全身。右侧根据参考中的实际穿戴关系分成上身、下身、足部与配饰三个层级,独立平铺各层已有单品,每组配一个连接位置近景;底部展示三处代表性材质微距。部件名称、连接方式、纹样、扣件与缝线均从参考图读取。说明每层单品如何穿戴或连接。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    16|配饰与连接结构

    结合转面与连接局部,适合检查配饰位置及服装穿戴关系。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-18.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9配饰与连接结构板。上排为正面、四分之三、严格侧面、背面四个等高全身。下排从参考已有结构中选取四个最能说明安装关系的局部,分别展示固定位置、部件接口、层叠关系和活动连接。四个局部的名称与说明根据角色实际设计填写,左右位置跨视角对应。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    17|角色配色规范图

    适合跨镜头、跨画面风格的角色配色校对,也方便交给其他创作者协作。将主要颜色与使用部位放在一起,减少发色、服装色和配件色的漂移。这个必要的时候还可以识别并标注色号,可以让色调准度更高。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-19.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9角色配色规范。左侧为正面完整角色,右侧从参考准确提取六个核心色块,按对应部位标注用途,底部展示主色、辅色、点缀色的相对面积比例条。实际颜色由参考决定。用中文说明色块与角色部位的对应关系,区分基础色与明暗层次。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    18|结构线稿参考

    用柔和细线核对轮廓、服装层次和连接位置,适合造型一致性检查。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-20.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9结构线稿参考。将角色转换为自然细灰线结构稿,保留外轮廓、比例、可见部件与配件位置。左侧排列正面、侧面、背面三个等比例完整视图;右侧选取头部外形、上身结构、腰部连接、足部结构四处局部线稿,具体部件依据参考角色调整。用短句说明轮廓分组、层叠、接缝和连接关系。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    19|动画制作细节板

    把近景最容易变化的眼睛、耳饰、卷发、领口、裙褶和鞋履放大,便于镜头之间保持一致。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-21.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9动画制作细节板。左侧约三分之一分为上下两个独立区域:上区约40%高度展示头肩特写,下区约55%高度展示完整正面立绘,中间保留清晰留白。两张图各自居中、独立取景,所有发梢和轮廓位于各自区域内;右侧以两行三列展示六处关键局部,覆盖面部识别、头部外形、配饰连接、上身层叠、下身结构和足部细节。局部对象取自角色实际设计,底部按穿戴或装配顺序平铺已有单品。每处说明对应的形状、材质或连接方式,便于导出作为视频近景参考。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    表情、情绪与发音口型

    20|表情六宫格

    适合多对话、讲解和有情绪变化的角色视频。先确认常用表情的眉眼与嘴形,再与转面表配套使用,便于控制表演幅度并保持角色识别度。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-22.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9表情六宫格。两行三列展示平静、开心、思考、惊讶、委屈、生气六个等尺寸头肩像,保持相同机位和面部身份,只调整表情及轻微头部姿态。每格保留情绪名称和一句关于眉、眼、嘴变化的中文说明。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    21|表情与手势九宫格

    将表情与上半身手势组合,适合口播、讲解和对话表演。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-23.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9半身表演九宫格。三行三列依次展示开心招手、自信抱臂、开怀大笑、惊讶举掌、生气握拳、托腮思考、困惑摊手、困倦掩口、认真点头。每格从头顶至腰部,头肩尺度与机位一致,手势完整可见。动作按参考角色的肢体结构自然适配。各格下方写表演名称,并简述面部、视线和手势的配合。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    22|情绪强度对照

    固定机位和尺度,对比同一种情绪的轻微与明显状态,适合控制表演幅度。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-24.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9情绪强度对照。两行三列头肩近景,三列分别为开心、惊讶、生气,上行为轻微状态,下行为明显状态。固定头部尺度、肩线、视线基准和光线,用角色自身的表情机制表现两档强度。列下标情绪名,行侧标“轻微”“明显”,各格解释变化的主要部位。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    23|双参考九宫格表情卡

    图一提供角色身份,图二提供网格布局;同一公式可用于不同人物、动物或其他角色的九种情绪表。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-25.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。竖向3:4双参考九宫格表情卡。图一为【角色参考图】,决定身份、造型和质感;图二为【版式参考图】,决定网格、留白和文字位置。三行三列展示开心、大笑、惊讶、困惑、生气、悲伤、困倦、害怕、坚定九种情绪。九格使用相同取景范围与角色尺度,表情通过角色原有面部及肢体结构表达。每格标明情绪名称,并用一句话解释对应变化。底部说明“身份来自图一,布局来自图二”“外观与材质跨表情一致”。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    24|基础发音四口型

    固定面部位置,比较闭口及三种基础发音口型,适合简单说话动画参考。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-26.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9基础四口型参考。两行两列等大的正面头肩近景,依次为自然闭口、张口发“啊”、横向展开发“衣”、圆唇发“乌”。固定头部、眼线、鼻部、肩线、机位和光线,嘴部、牙齿及下巴沿用角色原有造型与表现方式。每格标注口型名称,并简述嘴部开合方向。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    25|细分发音九口型

    扩展到九种发音形态,适合更细致地控制嘴唇、牙齿和舌头。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-27.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9细分发音九口型。三行三列正面头肩近景,依次为静止、啊、衣、哦、乌、闭唇、咬唇、齿音、舌音。固定头部尺度、眼线、肩线与光线,保持平静表情,通过嘴唇、牙齿、舌头与下巴的必要变化表达发音。每格标明口型名称并解释关键接触或开合位置,各格保留独立裁切空间。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    道具、随身物与手脚接触

    26|手脚与手势设定图

    适合中景特写讲解场景占主要内容的,规范了指向、挥手、握笔、递物等手部动作,以及手脚特写。将常用手势与掌背、鞋面、鞋底结构对应,便于检查关节姿态和道具接触。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-28.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9手脚与手势参考。左侧两行三列展示指向、挥手、点赞、握笔、托举、握拳六种半身动作,右侧独立展示手掌、手背、足部正面、足部侧面与足底五个局部结构。身体和肢体结构沿用参考,手势接触自然。每格以中文标注动作或视图,并简短说明关节、握持或结构关系。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    27|核心道具多视图

    单独记录核心道具的不同角度和开合状态,适合道具特写及跨镜头复用。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-29.png
    ≡

    提示词

    none

    横向16:9核心道具多视图。上传【道具参考图】,以该物件的轮廓、比例、配色、材质和功能结构为依据。上排等尺度展示正面、严格侧面、背面、顶视四个角度;下排展示两个关键结构近景和两个代表性功能状态。状态名称依据物件实际用途确定。标注各角度、结构与状态,说明连接位置及功能变化。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    28|角色专属道具设定图

    适合经常携带或使用固定物品的角色,也方便制作道具特写和递物镜头。将角色握持状态与独立物件放在一起,统一道具的外观、尺度和用途。要注意,这里的道具需要自己填写。如果有准备好的道具图片,可以把道具图片也作为参考图一起上传。 👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-30.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9角色专属道具。左侧为角色持【核心道具】的完整全身,右侧两行三列独立展示【六件道具清单】,配色、尺度和材质与角色及补充道具参考对应。关键物品附必要的侧面或使用细节。每件保留中文名称与一句用途或结构说明。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    29|随身物与使用关系

    同时记录随身物件与使用姿态,适合建立角色经常出现的物品集合。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-31.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。裙装参考的动作版本统一换成与原造型协调的中长短裤,裤脚位于膝盖上方,腰头、裆缝及两条独立裤管清晰可辨,裤装随姿态自然弯折并保持完整覆盖。横向16:9随身物与使用关系板。上传【道具参考图或道具清单】。中央上半部放角色完整立绘,周围独立陈列六件与角色用途相符的物件;数量不足时按实际清单排布。底部选取三种与这些物件对应的典型使用姿态。每件物品保持统一外观与相对尺度,标出名称、携带位置及实际使用关系。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    30|手与道具接触参考

    集中展示手指、掌心和道具的接触关系,适合记录、翻书、递物等动作。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-32.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9手与道具接触参考。上传【道具参考图】,固定道具外观、尺寸与使用方式。左侧约25%放一个完整使用姿态,右侧两行三列展示六个手部大特写,覆盖握持、托举、操作、指向、递出、收回六种接触关系;具体动作根据道具功能适配。清楚呈现手指、掌心、支撑点与道具朝向,保留角色实际手部结构及袖口配件。标注动作名称,解释各接触点的受力或操作关系。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    角色动作与连续关键帧

    31|基础动作姿态图

    适合日常叙事、科普动画和分镜前期的动作选择。用站立、行走、奔跑、坐姿、下蹲和转身,检查角色重心及头发、衣物随动作的变化。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-33.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。裙装参考的动作版本统一换成与原造型协调的中长短裤,裤脚位于膝盖上方,腰头、裆缝及两条独立裤管清晰可辨,裤装随姿态自然弯折并保持完整覆盖。横向16:9基础动作姿态。两行三列展示自然站立、轻快行走、小步奔跑、端正坐姿、下蹲观察、回头转身六种完整全身姿态。各格独立,角色比例一致,重心与落脚合理,外部覆盖物、头发与衣物随动作自然变化。每格标注动作及一句姿态说明。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    32|分开制作的角色动作表

    将完整动作单独制作,与身份图和表情图分别使用。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-34.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9独立动作表。两行三列展示【六个动作清单】中的六种完整全身姿态。六格采用相同角色尺度、机位与地面基线,各动作完整可辨。涉及物件时沿用【道具参考图】的外观与尺寸。每格标明动作名,并说明姿态重点;格间保留独立裁切空间。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    33|性格与职业姿态图

    适合需要长期出镜的主持人、讲解员和具有明确职业身份的角色。将性格转化为典型行为,便于为口播、工作和互动镜头选择合适的姿态与道具。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-35.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9性格与职业姿态。根据【角色身份与性格】及【六项典型行为】生成两行三列六个完整全身姿态。动作与道具关系匹配,重心稳定,角色外观保持一致。每格写明行为名称并用一句中文说明动作意图或与道具的接触关系。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    34|单一动作连续八帧

    将一个完整动作拆成八个阶段,用于检查动作顺序、左右手分工和道具位置。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-36.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9单一动作连续八帧。将【目标动作】拆成起始、准备、接触或启动、主要变化、持续推进、关键完成、停留确认、收势八个连贯阶段,具体阶段名称按动作改写。采用两行四列,固定机位、取景距离、角色尺度与地面基线。所有格展示完整角色,肢体路径与物件接触前后连续;道具沿用【道具参考图】。每格标序号和阶段名,并简述动作衔接重点。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    35|七阶段跳跃动画分解

    用七个时间阶段记录准备、蓄力、起跳、上升、最高点、下降与落地。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-37.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。裙装参考的动作版本统一换成与原造型协调的中长短裤,裤脚位于膝盖上方,腰头、裆缝及两条独立裤管清晰可辨,裤装随姿态自然弯折并保持完整覆盖。横向16:9七阶段跳跃分解。上排四格、下排三格,依次展示准备、屈身蓄力、蹬地起跳、上升、最高点、下降、稳定落地。动作按照参考角色自身的身体结构与支撑方式展开。固定侧面机位、身体尺度与地面高度;腾空阶段保留对应离地空间,附属结构随运动自然跟随。逐格标序号和阶段名称,解释蓄力、离地与落地缓冲。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    镜头角度与透视姿态

    36|镜头角度与姿态参考

    提供六种机位和姿态组合,适合在分镜阶段比较画面方向。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-38.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。裙装参考的动作版本统一换成与原造型协调的中长短裤,裤脚位于膝盖上方,腰头、裆缝及两条独立裤管清晰可辨,裤装随姿态自然弯折并保持完整覆盖。横向16:9镜头与姿态参考。两行三列独立画面,依次为平视全身、略高机位俯拍、低机位全身、严格侧面中景、背面回头、近景向前伸出主要肢体。按参考角色的结构与用途选择自然姿态,透视体现距离变化,身份跨机位一致。各格标注机位、景别与动作,并解释观察角度或近大远小关系。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    37|六格极端机位与透视姿态

    以长裤运动造型呈现地面机位、虫视与广角透视,供运动镜头参考。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-39.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9六格极端机位与透视姿态。六个等宽竖格依次表现地面仰拍坐姿、高位俯拍伸展、低位广角前倾、虫视跨步、脚踝高度低姿态、低位斜仰拍近景伸展。动作按角色的实际身体结构适配,前景肢体与远处身体形成合理透视,面部识别清楚。服装按【角色参考图】或额外提供的【服装参考图】呈现。逐格标序号与机位名,说明前景肢体和身体的空间关系。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    综合角色资料与制作总表

    38|无框贴纸式设定

    通过留白排列转面、表情和物件,适合快速裁出独立参考图。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-40.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9悬浮贴纸式设定。上排为正面、严格侧面、背面三个等高完整视图;下排为平静、开心、思考三个头肩表情,以及【道具参考图或道具清单】中的三件代表性物品。人物、头像与物件以留白分开,间距均匀,四周安全边距充足。标注视角、表情和物品名称,说明三视图共用比例与设计,各对象可独立裁切。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    39|中心环绕细节设定

    主角色居中,服装、表情、局部和道具分布在四周,方便从一张图提取多种视频参考。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-41.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9中心环绕细节设定。中央为完整主立绘,约占画面高度70%。四周分组:左上平铺已有服装或外部构件,右上展示平静、开心、思考三个表情,右下展示【道具参考图或道具清单】中的核心物件及使用位置,左下展示三个主要识别局部。局部和单品依参考角色实际设计选择,名称与说明对应其形状、材质和连接方式。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    40|侧栏式细节档案

    主立绘放在一侧,细节沿另一侧展开,适合信息较多、需要逐项检查的设定。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-42.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9侧栏式细节档案。左侧约40%宽度并排展示正面、背面两个等高完整全身,分别依据参考锁定头高、躯干长度、腿长及整体头身关系;两个视图的头顶与脚底分别对齐,保持一致的身体纵横比例。人物按原比例完整排入可用区域,四周保留充足留白。右侧约60%按四行分组呈现头部与表情、服装或外部结构、配件连接、随身道具。每组展示两至三个重点对象,关键部件配局部近景。道具来自【道具参考图或道具清单】,底部色块直接提取角色主色与点缀色。说明各对象名称及实际连接或使用关系。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    41|中央立绘制作板:五表情+发型正背+服装分层+五官附件

    横向 16:9 中央完整立绘,左侧记录五种表情与发型正背,右侧展示四件服装单品及四处五官配饰微距,适合动画美术制作。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-43.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9中央立绘制作板。左列约30%宽,上方以第一排三个、第二排两个的方式展示平静、开心、惊讶、思考、生气五个同尺度头像;左下并排展示头发或头部外形的正面与背面结构。中列约24%宽,放一张完整中性站姿主立绘,保持参考头身比例。右列约42%宽,上方两行两列独立展示四件主要服装、外部构件或配饰单品,下方两行两列展示四处关键微距,覆盖面部识别、配件连接、表面层叠和主要接缝。所有局部与单品依据角色实际设计选择并命名。各图下用短句说明前后轮廓对应、穿戴或装配层级、局部材质及连接方式。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    42|服装与装备总表:三转面+大头像+四表情+单品拆解

    三方向全身、大头像、四种表情、服装与配饰拆件、材质和色卡放在同一张总表,适合统一检查整套角色设计。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-44.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9服装与装备综合总表。上半部依次为正面、严格侧面、背面三个同高完整全身,以及一个完整头部大特写。下半部左侧为平静、生气、悲伤、开心四个同尺度表情;中部按实际穿戴或装配顺序平铺参考中的主要单品与配件;右侧为三个关键连接或材质近景,旁边放五枚参考取色色块。标出视角、表情、单品与材质名称,解释三视图的结构对应和拆件的实际连接关系。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    43|职业动作与道具档案

    把职业姿态、随身道具和握持方式放在一起,适合需要频繁使用道具的角色。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-45.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9职业动作与道具档案。根据【角色职业或用途】选择一个最具代表性的完整主动作放在左侧;右上展示中性站姿、移动、典型工作三种小比例全身姿态。右下分两栏展示【核心道具】的携带或佩戴位置,以及正面、侧面近照。底部放三个典型表情与五枚从参考中提取的色块。标明动作和物件名称,解释握持、固定及尺寸对应关系。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    44|主动作大图+转面+表情+装备说明

    单独保留竖向版式,大主动作、底部转面和侧栏装备各自有清楚位置。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-46.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。竖向9:16综合角色档案。根据【角色职业或用途】确定主动作与【四个辅助动作】,道具以【道具参考图或道具清单】为依据。上半部左侧大面积放完整主动作,右侧排列平静、思考、开心三个头像及四个辅助动作。中部独立陈列核心装备和握持、固定、连接处的细节。下半部横排正面、严格侧面、背面三个等高完整视图,底部放六枚参考取色色块。标注各视角、表情、动作、装备及连接说明。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。全图文字统一使用黑色常规中文黑体;对象名称采用统一字号与中等字重,解释采用略小字号与常规字重,统一行距及图文间距,文字清晰端正。

    45|角色表演与镜头总览

    一张图同时查看角色转面、表情、常用动作和光向,适合在视频制作前快速确认角色。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-47.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9表演与镜头总览。上行左侧为头部大特写,右侧为正面、严格侧面、背面三个完整全身。中行展示【四个典型动作】;下行左侧展示平静、开心、思考、惊讶四个同尺度头像,右侧展示三个与动作或身份相关的结构近景,并放同一半身在正面柔光、侧向柔光中的对照。动作道具来自【道具参考图】。光照对照保持相同配色与材质。标明各视图、动作、表情和光向,解释局部结构与跨机位对应关系。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    46|双套服装电影角色资料板

    双套服装各配四个转面,结合六种表情、六个动作与三种光向,形成高密度电影角色资料板。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-48.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9双套服装电影角色资料板。上传同一角色的【服装方案A】与【服装方案B】。上半部两行,每行分别展示一套服装的正面、四分之三、侧面、背面四个等高完整视图。脸部身份、身体比例及共同配件跨套装一致。下半部左侧为平静、开心、惊讶、思考、认真、困倦六个表情;中部为【六个典型动作】;右侧选取头部外形、操作接触、代表性材质三个近照,并展示正面光、侧向光、逆向轮廓光下的同一半身。标明服装方案、视角、表演和光向,说明两套服装的层叠与身份对应关系。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    47|综合角色设定总表

    适合项目立项、角色美术交接和视频制作前的整体确认。把转面、特写、表情、动作、道具、配色与单品汇总,先检查整套设计,再按镜头需要拆出独立参考图。 👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-49.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9综合角色设定总表。横向模块化布局,以留白分组。左上为正面、四分之三、侧面、背面四个等高完整视图;中上为头肩特写;右上为平静、开心、思考、惊讶四个表情;中部依次展示四处关键局部、四项【典型行为】及【随身道具清单】;底部为六个参考配色色块、实际服装与配件的单品拆解,以及【四个性格关键词】。每个视图与部件保留中文名称及简短说明,模块内尺度统一,人物、特写与部件相互独立。纯白背景,以留白组织内容。各取景区域相互独立,完整展示指定景别。沿用参考中的实际层叠与遮挡关系,保持各视角的结构、长度和体积一致。图中文字使用常规小号中文名称与简短说明,紧邻对应图像。

    动物角色与特殊生物

    48|动物角色完整档案

    从动物参考图读取体型、识别特征和材质,以四转面、三表情、四处局部、配色及轮廓组成完整档案。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-50.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9动物角色完整档案。上半部排列正面、四分之三、严格侧面、背面四个等比例完整视图,沿用参考中的站立、坐姿或四足结构。下半部左侧展示平静、好奇、开心三个头部表情;中部根据动物实际识别特征选择四个局部近景,覆盖面部、感知器官、肢端与体表或尾部结构。右侧放四枚参考取色色块,以及正面、侧面、背面三个简洁轮廓示意。标明视角与情绪,并说明该动物实际的斑纹边界、表面材质和连接特征。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    49|写实动物五视图与五处微距常态

    写实动物的正面、侧面、背面、面部与俯视,配合五处微距;常态和湿毛两张完整资料板保持对应布局。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-51.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9写实动物常态资料板。以参考中的动物个体为依据,保持自然身体结构与摄影质感。上排依次为正面全身、严格侧面全身、背面全身、面部近照、俯视全身;下排依次为眼部、口鼻、躯干体表、肢端、耳部或对应感知器官五处微距。具体部位按动物实际结构适配,旁边放五枚真实取色色块。所有完整视图身体尺度相同,体表处于参考常态。标出角度、部位及主要识别特征。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    50|动物多角度与状态对照

    在相同视角与尺度下对比干毛和湿毛,适合天气变化与涉水情节。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-52.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9动物状态对照。指定同一动物的【常态】与【目标状态】,以上下两行对应展示。每行从左至右为侧面全身、面部近照、肢端近照、代表性体表近照。上下对应视角、尺度、机位和光线一致,变化集中在指定状态,保留同一身体结构、识别特征和色块分布。两行侧边标状态名,各局部说明状态对体表形态与材质的影响。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    51|特殊生物结构图鉴

    记录特殊生物的肢体数量、耳鳍、尾部连接和表皮纹理,适合制作多角度生物镜头。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-53.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9特殊生物结构图鉴。左侧为完整主视图,右上为正面、侧面、背面三个等比例视图。右下从该生物实际已有结构中选择四处近景,覆盖头部、肢端、附属结构连接、体表纹理;底部展示静止、移动、休息三种姿态,并用同一生物的小轮廓辅助比较。物种、肢体数量、关节方向及识别纹样均沿用参考。标注真实部位名称,并说明连接、运动或体表排列方式。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    52|生物完整结构与人类尺度对照

    保留完整结构、动作、表皮细节与成年人形的相对尺度参照。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-54.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向3:2生物结构与人类尺度对照。左上放完整主立绘,右上为正面、侧面、背面三个等比例视图;下方从参考生物中选取四处关键结构近景,并展示静止、移动、休息三种小姿态。右下将中性成年人人形轮廓与同一生物的侧面轮廓放在同一地面基线上,按提供的【相对尺度关系】确定大小。标注实际部位和相对尺度关系,解释各结构的连接方向与体表特征。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    机械角色、装甲与装备

    53|机械角色与机构设定

    记录机械角色的整体转面、传感器、转轴和关节连接,适合机械动作及局部特写。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-55.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9机械角色机构设定。左侧为完整四分之三主视图,右上为正面、严格侧面、背面三个等比例全身;右下从参考已有机械结构中选取感知、躯干接口、末端操作、承重关节四处近景,底部用待机与【核心功能动作】两个姿态说明活动关系。部件形状、安装位置、连接数量、材质与配色跨视角对应。标出实际部件名称,解释装配接口和关节活动关系。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    54|分层装甲技术概念板

    用装甲转面、机械局部、板件拆解及功能说明记录同一套机械设计。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-56.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向3:2分层装甲技术概念板。上排依次为正面、背面、严格侧面三个完整视图;下排从参考已有设计中选取四处关键机构近景,并独立陈列三个代表性外壳或装甲单品。保留参考中的部件厚度、材质、层叠、关节与连接方式。采用浅灰细技术线结合参考取色,功能引导线对应可见部件。用短句解释覆盖关系、转轴、活动间隙、末端结构及装配接口。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    55|无脸人台八格装备文档

    无脸人台承载同一套装备,上排四角度,下排四处不重复的局部。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-57.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9无脸人台八格装备文档。提取【服装或装备参考图】中的外部穿戴设计,装配在与原角色等比例的中性哑光无脸人台上,人台支撑完整肢体与穿戴关系。两行四列,上排为正面、四分之三、严格侧面、背面四个等高全身;下排为头肩、胸腰、臂手、腿脚四处大局部。按参考读取实际服装或部件名称,标注层叠、接口、固定位置及活动间隙。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    56|白底蓝图概念板:三视图+机械微距+训练剑说明

    三视图结合三个机构近景,以及核心道具的外观与接触说明;机体与道具均可更换。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-58.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向3:2白底技术概念板。以上传的【机械角色参考图】与【核心道具参考图】确定机体及道具设计。上排依次为正面、背面、严格侧面三个等高完整视图;下排左侧为头部、感知部件、末端执行部件三个大局部,右侧展示核心道具的完整侧视及角色与道具接触的近景。机体部件、涂装与连接方式沿用参考,采用细灰技术线结合原有配色。标出实际部件及道具名称,说明接口、接触位置、尺寸比例和使用关系。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    57|机械角色装备与工具使用状态

    记录原创探测工具的外观、握持、收纳与使用姿态。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-59.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9机械角色工具使用状态板。上传【工具参考图或工具功能说明】,保持同一工具的外形、尺寸、材质与操作方式。左侧放完整角色立绘;右上为收纳、单侧握持或连接、双侧稳定、执行功能四个完整使用姿态,具体动作按机械角色的末端结构与工具用途适配。右下放接触点、活动间隙、功能端、固定位置四处近景;另独立展示工具正面、侧面及收纳状态。解释支撑、朝向、连接和收纳关系。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    58|机甲武器资料板:三视图+机构细节+待机与使用姿态

    将同一机体的三视图、四处机构近照、训练道具待机与使用姿态和配色放在一张板内,适合动作镜头参考。👇

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-60.png
    ≡

    提示词

    none

    以参考图为身份与造型依据,保留角色的外观、身体结构、比例、配色、材质、服装、配件及画面风格。横向16:9机甲与装备资料板。图一为【机甲参考图】,决定机体、装甲、结构与材质;图二为【装备或武器参考图】,决定外形、尺寸与操作方式。左侧约60%宽度放正面、严格侧面、背面三个等比例完整机体视图,装备保持对应携带位置。中间选取四处关键近景,覆盖感知、躯干接口、末端与装备接触、承重关节。右侧纵向展示待机及【目标使用动作】两个完整姿态,底部放三枚参考取色色块。标注视图、实际部件和状态,说明装备固定、握持或连接、关节方向及跨视角对应关系。纯白背景,留白分组;同组视图尺度统一,按指定景别完整呈现。图旁保留对应的中文名称和简短说明,内容根据参考中的实际结构生成。

    推荐模型

    上面每组都是可以独立使用的完整提示词。使用方式的话,可以先看上面的效果图,以及建议的适用场景,找到想要的效果,上传同一张清晰角色参考图,再复制图片下方的可复用提示词,就可以做类似版本的设定图了。

    模型推荐使用 image 2.5,其他图片模型的最新版本也可以尝试看看。

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-61.png

    上面的模板默认使用纯白底,需要保留原图场景时,可以把提示词中的白底要求改成“保留参考图背景”或者指定的背景颜色(比如角色本身很多白色元素的情况,就可以使用深色背景)。

    连续生成整套时,建议始终使用同一张参考图,以稳定人物身份、实际头身比、画风、字体、字体颜色、背景色和版式。

    00 📋 待办事项/附件/角色设定图提示词合集分享!码住随时用。/img-62.png

    另外,上面的提示词是要求图片中的文字使用常规小号中文名称和简短说明。大家如果不需要中文名称和简短说明的话,可以把最后一句提示词去掉。

    小结

    好了,这个详细的图版总结就到这里了,大家常规会用到的这里应该基本涵盖了。

    如果你也在做漫画、短剧、动画或游戏等等,可以选择自己常用的几种设定图尝试。

    如果觉得内容有趣、有用,欢迎猛猛三连鼓励阿真,这对阿真真的很重要!非常感谢~

    下期见~

    跳转微信打开

    •  

    上海交大00后团队融资数千万,让Agent做定制的自进化推理引擎|智能涌现首发

    原创 王欣逸 2026-10-22 18:56 江苏

    把推理引擎做成一条定制化管线,让任意的“模型、芯片、场景”组合,都能跑出更优性能。

    文|王欣逸

    编辑|张雨忻

    《智能涌现》独家获悉,近日,由上海交大00后团队创办的公司芯生代已完成数千万元种子轮融资,启高资本、交大菡源母基金、元生创投联合投资。此前,他们还完成了由交大AI未来基金参与的Pre-Seed轮融资。

    AI写算子的正确率,正在以肉眼可见的速度提升。

    算子,简单来说,就是跑在芯片上的底层代码,是模型计算过程中的核心组件,算子的代码实现及其优化,直接影响模型能否高效利用芯片算力。九月中旬,DeepSeek工程师刘胜与的一篇长文在各个平台上爆火。他预测,半年至一年内,AI写的算子质量大概率会追上乃至超越他自己。

    不过,这件事目前主要发生在英伟达的CUDA上。在国产芯片上,AI写算子的准确率却不尽如人意。

    两位上海交通大学的硕博连读生,也把目光投向了这个问题。今年3月,他们交出了一篇名为EvoKernel的论文,后被ICML 2026录用。这是一项面向昇腾算子生成的工作,他们提出了一种名为价值驱动记忆(Value-Driven Memory)的框架,让模型优先调用最有价值的经验,无需重新训练模型或者标注新数据,用记忆的方式解决国产平台上算子生成正确率低的问题。

    优化前,AI在昇腾上写算子只有4%的正确率;在李卓团队的探索中,他们让模型把一次次试错的经验沉淀成记忆,使AI在国产卡的算子生成正确率升至83%。

    订单来得很快,在公司还没有正式成立的时候,他们就凭借着EvoKernel论文的相关工作,和多家芯片厂商达成了合作。这也让他们看到了创业的机会。

    随着研究的逐步深入,在算子之上,他们看到了一个更大的空白——算力消耗的主战场正在从训练转向推理,在推理侧还存在着大量的性能释放空间,而一套通用的推理引擎,很难为每一块芯片、每一个模型都调到最好。

    海外也已经出现了类似的探索:一家由前英伟达杰出工程师创办的、名为INT21的初创公司,正在用成群的智能体直接生成整套推理引擎,从算子一直做到服务层。它瞄准的也是同一个方向,让AI去优化推理。

    基于论文成果和在推理侧的思考,今年七月,他们正式开启了创业,要做的正是让AI自己迭代推理引擎。简单来看,就是针对每一个“某个模型、在某块卡上、按某种要求运行”的特定组合,让Agent自己去优化推理引擎,提高硬件利用率和Token生产效率。

    作为独立于芯片厂商的第三方公司,芯生代在做的是将模型能力适配到各种硬件上,为客户提供标准化的产品和服务,能以用户需求为输入,输出一个能自我进化的推理引擎。

    “这就像《流浪地球》里的550W(也就是MOSS),电脑自己更新自己的部件,自己写自己的操作系统。”李卓说。

    据介绍,芯生代是上海交通大学人工智能学院第一个由学生牵头的创业团队。CEO李卓是上海交通大学人工智能学院的在读硕博生,本科毕业于北京大学计算机系,曾在华为负责过大模型推理仿真系统的搭建;CTO郑雨杰是李卓的课题组同学,同为上海交通大学人工智能学院的在读硕博生。

    加入到团队当中的,还有他们的两位导师,上海交通大学人工智能学院长聘教轨副教授、博士生导师温颖,以及上海交通大学人工智能学院助理研究员温睦宁。

    上个月,智谱创始人唐杰在X发布了一篇长文,官宣智谱RSI的首个工程化结果:由GLM-5.3驱动的Infra Agent在10万+张国产AI加速卡集群上,参与搭建并持续优化了GLM-5.3-Flash的生产级推理系统。不到两周,其端到端吞吐提升到基线约3倍。

    这给了李卓和郑雨杰很大的信心,他们和智谱这项工作所聚焦的都是AI自我驱动基础设施的开发与进化。

    常见的推理引擎大多以英伟达作为最初的设计场景,各家国产卡的算子库、图编译器、推理框架又都不一样,换个平台就要重学一遍,靠人工去维护,难度大、成本高。因此,用AI改进推理引擎的做法在英伟达卡和国产卡上又有不同,后者的主要矛盾是让不同模型能在不同芯片上跑通跑好。

    推理软件的效率,最终会体现在成本上。芯生代想做的,就是用定制的推理管线把芯片的能力充分发挥出来,降低每个Token的生产成本。“通用与性能一般难以兼顾。”在芯生代看来,同一个模型换一块芯片,同一块芯片换一个模型,甚至同一对模型和芯片在不同的场景,最优的推理管线都不一样,定制本身就是性能的来源。

    具体来看,他们要做的事可以这样简单概括:给定一个模型、一块芯片和对应的运行场景,由Agent为这个具体组合生成一条专用的推理管线,并在真实硬件上验证它既算得对、又跑得更快。

    难点又回到了开头那个问题:在这些平台上,Agent几乎没有可学的东西。

    既然公开的语料不够,那就让Agent自己攒经验,他们的做法是,用记忆配合强化学习补充上缺失的语料。EvoKernel论文最初基于强化学习的价值迭代思想驱动记忆的进化解决了国产硬件的算子问题,在此之上,还可以用同一方式来优化整条推理管线:先在真实硬件上探索,再把验证过的结果记下来,下一次基于探索的结果得到更好的优化。

    记忆之外,这个闭环还要能自己转起来。因此,他们引入了AI for AI的范式,让推理引擎实现自我迭代。李卓认为,推理引擎正是反馈信号最诚实的场景,“它可以用客观的指标来评定”——优化前后的性能提升速度往往肉眼可见,可以用Token/秒作为衡量标准。正因为好坏可以由机器判定,Agent才能自己提出改法、自己跑、自己判断要不要留下。在这一套闭环下,人类专家除了需要提前把环境配置好,几乎不需要再给优化建议。

    再往后是广度。芯生代手握多个平台的国产卡,不同组合上的经验和记忆可以相互复用,适配过的组合越多,新组合的成本就越低。

    过去Infra层面存在两条路线之争:为软件设计硬件,以及为硬件设计软件。前者是英伟达式的赢家通吃,后者是国产芯片厂商试图走通的路线。这两条路线的胜负还没有分晓,而让Agent用AI for AI的方式自我迭代软件,正是第二条路线最有可能弯道超车的变量。

    图片来源|Pexels

    跳转微信打开

    •  

    1024 A!“I” 在呢|致敬永远在线的 Qunar 技术人

    Qunar技术沙龙 2026-10-22 18:55 北京

    1024 A!“I”在呢

    不分前后端

    今天都通关

    HAPPY  PROGRAMMER'S  DAY

    各位旅客朋友们,大家好!

    欢迎搭乘Qunar 1024专属列车。

    本次列车始发站为节日预热,

    沿途经停趣味闯关四大站点,

    终点站为领取好礼。

    列车即将发车,全程趣味相伴、福利满载。

    预祝各位旅客旅途愉快!

    始

    发

    站

    节日预热

    旅途启程,暖意先行!

    本次1024之旅,

    从趣味满满的预热活动开始。

    我的AI搭子

    节日前夕,驼圈上线专属话题!

    小驼踊跃分享与AI的协作日常。

    提前解锁节日氛围感,

    诠释人机协同的全新工作方式。

    左右滑动查看

    代码送祝福

    工区预热点位同步开启!

    141名程序员写下专属祝福。 

    以代码寄情,用程序员的浪漫

    为本次旅途暖心预热。

    左右滑动查看

    众多小驼积极参与到本次预热活动中,

    线上分享经验、线下书写祝福,

    以创意与热忱,吹响Qunar 1024列车出发的号角。

    途

    经

    站

    趣味闯关

    驶过温馨的节日预热站,

    列车正式进入本次1024旅途的核心路段。

    本次行程依次途经四大闯关站点,

    智力挑战、体力考验络绎不绝。

    快来跟随列车节奏,

    逐站解锁专属旅途精彩!

    AI?你知道

    本站为AI知识试炼站。

    限时趣味答题,

    检验大家的AI知识储备。

    骑迹能量站

    本站为能量补给站。

    单车蓄力制美食,

    为旅途补足满满活力。

    BUG一锅端

    本站为BUG清剿站。

    精准遮住BUG,

    需要程序员手稳眼准。

    全栈大闯关

    本站为保龄球闯关站。

    投球击中目标,

    赢取程序员节高光时刻。

    终

    点

    站

    领取好礼

    前方到站是终点站——领取好礼。

    本次1024设置双重福利,

    为每一位坚守岗位的技术人送上节日嘉奖。

    1024 大红包

    本次1024准备了惊喜红包。

    现场抽选1名留言锦鲤驼,

    送出1024元大大大红包。

    同时抽选10名留言幸运驼,

    送出102.4元幸运红包。

    以实打实的心意致谢坚守。

    游戏摊位礼物

    预热&现场闯关均设置兑奖区,

    参与即可获得对应摊位精美礼品。

    集章还可解锁1024限定卫衣。

    步步有惊喜,关关有回馈,

    沉浸式解锁节日专属暖意。

    结语

    各位旅客朋友们,

    本次QUNAR 1024列车已抵达终点。

    再次祝全体程序员节日快乐!

    我们明年再会!

    未完待续……

    跳转微信打开

    •  

    世行博客 | 创造就业的资本

    原创 欢迎关注👀👉 2026-10-22 18:14 北京

    创造就业的资本

    三年前,我们的股东和客户赋予我们一项明确使命:加快行动、简化运作,更好地为新兴市场动员私人资本。这一使命贯穿于我们此后开展的各项工作。

    这一使命的核心是创造就业。未来十年,大批年轻人将进入劳动力市场。新兴市场能否以足够的规模和速度为他们创造机会,将对全球发展产生深远影响。世界银行集团的整体战略始终着眼于帮助各国完善企业发展所需的基础设施和人力资本条件,为私人投资创造更加有利的环境,推动强劲、包容并能够大规模创造就业的经济增长。

    我们已经取得了显著进展。2026财年,世界银行集团动员了创纪录的1120亿美元私人资本,是2022财年350亿美元的三倍多。

    成果背后的驱动力

    这些成果源于我们对工作方式的持续改进。要推动更多资本流向新兴市场,我们首先需要改变自身的运作方式。

    我们简化了流程,缩短了项目周期,并整合了此前分散在世界银行集团各机构的产品。设在多边投资担保机构的世界银行集团担保平台就是一个很好的例子。通过为各类担保产品提供统一入口,我们扩大了担保业务规模。2026财年,我们提供了超过250亿美元的担保,包括政治风险保险和信用担保,提前四年超过了原定于2030年实现的年度目标。

    但简化运作只是其中一部分。我们也在根据客户和投资者的需求调整融资方式。目前,IFC约三分之一的自有账户融资以当地货币计价,有助于降低客户面临的汇率风险,同时深化当地资本市场。资本动员同样遵循这一思路。通过“交易拓源到分销”(originate-to-distribute)模式,我们将更多投资者引入由IFC发起的资产,从而扩大资产负债表的带动效应。2026财年,新兴市场证券化项目(Emerging Markets Securitization Program)和贸易融资合成证券化项目(Trade Finance Synthetic Securitization)合计发行规模超过15亿美元,为寻求规模化、标准化投资产品的投资者开辟了新渠道。

    所有这些努力都服务于一个更宏大的目标:推动更多资本流向能够促进增长、创造就业的企业、基础设施和创业者。

    俾斯麦海运有限公司的集装箱码头位于巴布亚新几内亚莱城主港附近,坐落在壮丽的阿策拉山脉脚下。图片来源:俾斯麦海运有限公司

    实践中的具体体现

    以佛得角为例。旅游业是该国经济的重要支柱,而旅游业的发展离不开与世界各地稳定、可靠的连接。佛得角机场股份有限公司是VINCI Airports的子公司,运营该国由七座机场组成的航空网络。IFC向该公司提供融资,支持开通数十条新航线。四年来,其客运量增长了60%,同时减少了机场运营对环境的影响。通过基础设施投资、职业培训和监管框架建设,我们帮助完善了支持交通、农业和服务业企业发展及创造就业的生态体系。

    在巴布亚新几内亚,IFC向家族经营的航运企业俾斯麦海运有限公司提供贷款,帮助加强首都莫尔兹比港与商业中心莱城之间的运输连接。这是该国最重要的供应线路之一,对来自肥沃高地地区、需要将农产品及时运往市场的农民尤为重要。对农民而言,可靠的运输有助于更高效地将农产品送达市场;对城市消费者而言,这意味着更加稳定的食品供应;对供应链沿线企业而言,这也带来了发展壮大和创造更多就业的机会。

    这些案例各不相同,但背后的原则是一致的:当资本能够帮助消除制约企业和个人释放潜力的障碍时,就能产生最大的发展效益。

    携手合作,共创成果

    这些成果离不开合作伙伴的共同努力。

    私营部门投资实验室(Private Sector Investment Lab)是我们与全球领先企业共同建立的合作机制。该实验室帮助识别私人投资进入发展中国家所需的政策、监管和市场条件,并支持我们创新产品,吸引更多机构资本流向新兴市场。客户国政府积极推进改革,为更多投资落地创造条件;金融机构则在审慎评估风险的基础上,与IFC携手进入此前较少涉足的市场。

    改革、创新与资本相结合,使我们能够从支持单个项目,进一步迈向培育可持续发展、能够不断壮大的市场。

    发挥超越资产负债表的带动作用

    我们的资产负债表只是提供支持的起点。我们将其作为催化剂,用于培育市场、动员投资者,并使每一美元自有资本发挥更大的带动作用。我们正与各国政府和投资者合作,共同识别和开发市场机遇。同时,我们也与合作伙伴围绕重大目标携手行动,例如到2030年为非洲3亿人提供电力,以此帮助夯实企业投资、扩张和创造就业所需的基础。

    我们的工作,是推动资本在将影响全球未来数十年增长的市场中发挥作用。因此,1120亿美元是一个重要里程碑。但最终真正重要的,不只是我们动员了多少资本,更是这些资本能够带来什么:不断发展壮大的企业、连接人与机遇的基础设施,以及让新一代能够参与并共享未来的就业机会。

    本文作者

    马克塔·迪奥普

    国际金融公司(IFC)董事总经理

    关注世界银行微信公众号

    点击阅读原文查看英文

    阅读原文

    跳转微信打开

    •  

    经济时报深度对话吴恩达:在 AI 的泡沫与现实之间,找寻人类智能的锚点 |附视频

    原创 Web3天空之城 2026-10-22 18:06 北京

    WebSkyCity

    经济时报深度对话吴恩达

    在硅谷的科技版图中,吴恩达(Andrew Ng)是一个无法绕过的名字。作为 Google Brain 的发起人、百度前首席科学家以及 Coursera 的联合创始人,他不仅是深度学习浪潮的奠基者之一,更是全球 AI 教育的领路人。在最新的经济时报深度访谈中,吴恩达对当前 AI 产业的浮躁情绪进行了冷峻的拆解。他直言不讳地指出,虽然 AI 展现了惊人的魔力,但智能的不均衡性依然是其无法逾越的鸿沟,而那些关于“人类灭绝”或“就业末日”的宏大叙事,背后往往隐藏着复杂的商业博弈。

    目录

    全局摘要和核心观点

    欢迎 Neural Guide:AI 的潜力与局限

    加速与治理:风险是否被过度炒作?

    生产力革命与教育的阴影

    AGI 定义与市场泡沫

    主权 AI 与开放权重生态

    硅谷、人才与签证政策

    快问快答:2030 与 AI 的未来

    全局摘要

    本次访谈邀请了人工智能领域的领军人物 Andrew Ng(吴恩达),深入探讨了 AI 的技术边界、社会影响及未来走向。对话涵盖了 AI 在可验证任务中的优势与判断型任务中的局限,反驳了“就业末日”的炒作叙事,并讨论了 AI 在教育中的双刃剑作用。此外,吴恩达还分享了对主权 AI、开放权重模型、硅谷人才政策以及印度 AI 潜力的见解。

    核心观点

    • 智能的不均衡性

      :AI 擅长有客观答案的“可验证任务”,但在缺乏唯一正确答案的“判断型任务”上进步缓慢。

    • 反驳“风险炒作”

      :部分关于 AI 导致人类灭绝或大规模失业的极端言论背后的动机包含商业竞争与融资需求,应更关注实际的工程安全。

    • 教育中的认知卸载

      :AI 虽能提升工作效率,但在教育中过度使用聊天机器人可能导致学生学到的知识减少,需区分“完成工作”与“辅助学习”。

    • 开放权重的重要性

      :支持开放权重模型是确保各国拥有“主权 AI 访问权限”且不被外部切断的最经济方式。

    • 人才与生产力

      :AI 不会取代软件工程师,但会淘汰不使用 AI 代理的低效开发者。

    01

    智能的鸿沟:可验证任务与判断的局限

    在吴恩达看来,大众对 AI 能力的认知存在一种错觉,认为智能是全面且均衡的。然而现实情况是,AI 在不同领域的表现呈现出极大的反差。“AI 的一个棘手之处在于智能是不均衡的”,他解释道。在那些有客观标准、可被验证的任务——比如复杂的数学题或代码调试中,AI 的表现足以令人惊叹;但在需要深层商业战略思考、面试提问技巧等“不可验证任务”或判断型任务上,AI 的进步却显得异常迟缓。

    这种智能的不对称性直接反驳了所谓的“就业末日论”。吴恩达认为,虽然 AI 可以接管工作中 30% 到 40% 的任务,但剩下的 60% 到 70% 依然高度依赖人类的判断力。“如果你认为有关就业威胁和失业的担忧言过其实,那么你也是‘AI 降温’的支持者”,他强调,不应因为极少数的负面案例而全面放缓技术发展,真正的工程安全应当是在实践中不断识别并消除缺陷。

    02

    风险的操纵:被“武器化”的恐惧叙事

    谈及业界关于 AGI(通用人工智能)可能导致人类灭绝的预警,吴恩达的观点异常犀利。他认为,过去几年中出现的“AI 威胁论”游说活动,其核心驱动力并非技术伦理,而是商业利益。“为了煽动对 AI 的担忧,出现了一些强烈的游说活动,试图促使监管机构通过封锁性法律,以关停那些开源、开放权重、可自由访问的 AI 模型”,吴恩达指出,这种叙事方式旨在提高专有模型的投资价值。

    他进一步抨击了将 AI 比作核武器的说法,认为这是一种极其不负责任的类比。核武器唯一的用途是摧毁,而 AI 则是智能的延伸。尽管此前发生了 OpenAI 的智能体入侵 Hugging Face 服务的工程失误,但这恰恰证明了安全应当通过不断的工程优化和监控流程来解决,而非通过制造恐慌。“与其将此事定义为‘应归咎于 AI’,不如通过工程手段消除这些问题。AI 的发展也应当如此”。

    03

    教育的阴影:认知卸载与学习的退化

    作为全球在线教育的先驱,吴恩达对 AI 在教育领域的应用持有一种审慎的担忧。他提出了一个极具争议但值得深思的观点:“聊天机器人对学习而言是极其糟糕的”。

    吴恩达观察到,当学生使用 AI 来代劳家庭作业时,虽然任务完成了,但闭卷考试的表现却在下降。这种现象被称为“认知卸载”——即让 AI 代替大脑思考。“AI 的设计初衷是为了完成工作,而非帮助人们学习”,他警告说,这种学习能力的退化不仅发生在学生身上,也正在成年人和职场专业人士中蔓延。为了应对这一挑战,他的团队正致力于开发新一代可扩展的学习体验,旨在利用 AI 辅助学习而非取代思考。

    04

    主权 AI:开放权重是打破垄断的唯一途径

    随着全球地缘政治格局的变化,各国对“主权 AI”的关注达到了前所未有的高度。吴恩达认为,确保一个国家拥有不可被切断的 AI 访问权限至关重要。他以美国白宫曾实施出口管制、迫使相关公司切断领先模型访问权限为例,强调了自主权的重要性。

    “确保拥有 AI 访问权限最经济的方式之一,是支持开放权重模型生态系统”,他分析道。对于大多数国家而言,并非非要从零开始构建每一个组件,而是要确保技术资产不被外部势力掌控。开放权重模型就像互联网初期的协议一样,由全球社区共同资助并发布,这能确保每个人都拥有平等的访问权限,且任何人无法将其剥夺。

    05

    未来人才观:不再手动写代码的工程师

    对于软件工程师这一受 AI 影响最深的群体,吴恩达给出的建议并非转行,而是进化。他坦言自己已经不再手动编写代码,而是通过语音和文字提示与 AI 代理协同。“我一点也不怀念手动编写代码的日子”,他笑言。

    在他看来,2030 年的软件工程师职位不会消失,但职位的内涵将发生剧变。“今天,我不会雇佣那些不知道如何使用编程代理的人,他们的生产力实在太低了”。这种变革同样适用于下一代。吴恩达分享了他教七岁女儿打字的经历,目的是让她能利用 AI 构建网站。他强调,现在的年轻人绝对不应静观其变,而应在波浪的起始阶段就投身其中。

    吴恩达最后指出,AI 仍处于演进的早期阶段,最大的未知不在于技术本身,而在于人类如何将这项技术落实到每一个需要它的角落。“它可能会导致一些工作岗位流失,但我们会创造出更多的工作岗位”。 

    完整访谈整理

    经济时报深度对话 Andrew Ng

    AI 的潜力与局限

    主持人

    欢迎收看 ETII 播客的特别节目。今天我们邀请到了一位来自 Silicon Valley 的男士,一位几乎毕生都在从事人工智能研究的教授。他对 AI 不仅仅是略知一二,而是有着极其深厚的造诣。NG。今天我们请到了 Neural Guide 莅临现场。

    他曾与 Sam Altman 共事,也曾与 Dario 合作。未来他或许能促成他们与我们进行交流。但今天,我们要向他请教该如何使用 AI,如何聆听并与 AI 对话,即便 AI 并不想听你说话。

    今天我们请到了 Andrew Ng。如果我可以这样称呼,Neural Guide。因为您正身处神经突触之中,解码着智能的奥秘,并向世界传授正确且最恰当的 AI 使用之道。非常感谢您,Andrew,能在印度清晨抽出时间参与节目。

    吴恩达

    很高兴来到这里。我很高兴能来到印度,因为我认为这个国家应用 AI 的潜力非常巨大。我渴望找到一种方式,尽可能多地为印度的民众和机构提供帮助。

    主持人

    是的。AI 代表人工智能(artificial intelligence),但如果能将这个缩写延伸到国家层面,我们已经准备好在全印度推广应用它。让我从第一个问题开始。你说过 AI 很神奇,但它也有局限性。请让我对这两者都有所了解。它好在哪里,又有哪些局限性?

    吴恩达

    AI 的一个棘手之处在于智能是不均衡的。这意味着有些任务,比如解决数学问题,它做得非常出色,尽管这对人类来说非常困难。但可能存在一些略有不同的任务,比如面试时向他人提问的方式,或是如何思考商业战略,这些在人们看来似乎并不那么困难,但 AI 可能在这些方面表现得极其糟糕。

    事实证明,区分 AI 擅长与不擅长领域的一条界限在于所谓的“可验证任务”,即那些有客观对错答案的任务,因为我们拥有非常先进的技术来帮助 AI 在这些任务上表现出色。然而,还有许多被称为判断型任务或不可验证任务的工作,它们并没有唯一的正确答案。尽管 AI 正在取得进步,但这种进步要缓慢得多。

    这与就业问题有关。我认为 AI 非常擅长客观的可验证任务,但仍有许多判断型任务需要人类去完成,这就是为什么我认为关于“就业末日”的说法被过度炒作了。

    主持人

    如果你认为有关就业威胁和失业的担忧言过其实,那么你也是“AI 降温”的支持者。你为什么认为我们需要让 AI 降温,而不是任其高速发展?

    吴恩达

    我不确定你所说的“让 AI 降温”具体指什么。

    加速与治理:风险是否被过度炒作?

    主持人

    你是说关于“减速”的整套叙事吗?Dario 本人也说过,我们需要暂停,不能操之过急。

    吴恩达

    我其实并不支持减缓 AI 技术的发展。AI 技术拥有大量有益的使用案例,正在医疗保健领域发挥作用,我们也将找到帮助人们更好地学习的方法,但我们尚未达到那一阶段。但也存在一些有害的使用案例。例如,我见过的最令人作呕的事情之一,就是利用 AI 生成非自愿的私密影像。这极其糟糕,必须予以杜绝。因此我认为,我们应该加速发展这种对诸多领域大有裨益的基础性通用 AI 技术,同时也要遏制那些存在问题的用途。

    主持人

    但是,仅在一个孤立的领域放缓速度是否可能?

    吴恩达

    像电力、蒸汽机、电动机或互联网这类通用技术所面临的挑战之一,就是它们都受人类支配。我认为在很大程度上,当我们通过提供互联网或 AI 等强大工具来增强人类能力时,人们会将它们用于极其有益的目的。但确实,也存在极小一部分有问题的使用案例。

    我认为,因为这极小一部分不良用途而全面放缓技术发展,绝非明智之举。但我们确实还有艰巨的工作要做,即识别那些存在问题的应用场景——其中许多实际上已经属于违法行为——并确保在必要时完善法律,执行现有法规,从而确保我们在遏制这些问题应用的同时,尽可能地加速许多有益应用的发展。

    主持人

    但这到底是谁的责任呢?是像 OpenAI 和 Claude 这样的 AI 创造者和创新者,还是 AI 的使用者?

    吴恩达

    这是一个极好的问题。我认为,如果有人拿着锤子去钉钉子,却钉错了墙,那是谁的错?是我的错,还是制造这把锤子的人的错?在我钉钉子的案例中,如果我操作不当,那就是使用者的错。唯一需要注意的是,工具的制造应当达到基本的安全水平;所以,如果我挥动锤子时锤头飞出去砸坏了别的东西,那就是一把非常危险的锤子。

    但事实证明,大多数国家最终都会找到实施责任认定的最有效方式。对于许多工具(如 AI)而言,让使用工具的人承担责任,要比强迫工具开发者去杜绝任何滥用可能更为容易。杜绝以任何有害方式使用锤子的可能,那是不可能的,那种技术就是知识本身。

    主持人

    你用锤子来打比方,这让我想到了两个类比。有枪械制造商,但他们必须遵守规则和法规,有时是政府强制要求的,有时是行业自律的。围绕这些有许可证和各种规定。也有刀具制造商,这具有两面性,你可以用它切苹果,也可以用它杀人,这取决于你正在发明什么样的技术和产品。

    当谈到 AI 时,遗憾的是,如今发布的一些模型本身正在走向失控,而其背后的创新者或公司也承认这出了问题。因此,这场竞赛任其加速发展,却未先暂停以规避其可能带来的所有错误,毕竟这是一项尚不成熟且具有危险性的技术。

    吴恩达

    这就是为什么需要为其设置护栏,而政府对这项技术并没有太多了解。

    主持人

    人们该如何去理解那些处于技术前沿的创新者,或是像你这样的研究人员呢?你和其他许多精通 AI 的专家是否能参与并协助构建这些护栏?因为你深耕于此,你对其有深刻的理解,你同时也针对其影响开展了足够多的研究。

    吴恩达

    AI 的确存在有害的应用。但我想要反驳那种认为它极其危险的观点。坦率地说,AI 的风险被过度炒作了。让我来谈谈这种炒作背后的动机,以及我所认为风险被夸大的具体领域。

    大约从三四年前开始,我感到惊讶的是,少数几家企业游说的力度竟然如此之大,它们当时正在投入巨额资金,训练专有的 AI 模型。事实证明,如果你花费十亿美元去训练一个专有的 AI 模型,而其他人选择训练一个类似的模型并将其免费发布在互联网上供任何人使用,这会让你感到非常不便,这确实抬高了投资的价值。

    因此,为了煽动对 AI 的担忧,出现了一些强烈的游说活动,试图促使监管机构通过封锁性法律,以关停那些开源、开放权重、可自由访问的 AI 模型。事实证明,这种恐惧叙事也被一些公司用于融资目的,因为如果你能让人相信——几年前就有人在 AI 和核武器之间做了一个不负责任的类比。核武器只擅长一件事,那就是摧毁城市,我看不出这与作为智能的 AI 有任何关联。但那个不负责任的类比被提了出来,且至今仍让人对 AI 感到恐惧,但这确实让一些人相信这项技术可能非常强大且价值巨大,从而有助于融资。

    主持人

    没错。所以你的意思是,所有的负面宣传,或者至少其中的某些部分,都是为了制造关注并筹集资金而人为设计的。

    吴恩达

    宣传工作的一个重要部分是服务于这些商业和公关目标。现在,我认为在过去几个月里人们对 AI 的担忧激增,原因其实与一个案例有关。该案例被广泛报道,即当时 OpenAI 的一个团队正在运行一组智能体,而这组智能体入侵了 Hugging Face 的服务。因此,OpenAI 的沙盒技术存在一些漏洞,且其监控基础设施也比较薄弱,导致了这次非常不幸的入侵事件。

    好消息是,现在这件事已经广为人知,世界各地的团队,包括我的团队以及许多其他团队,都在更加认真地对待沙盒防护,并部署了更好的监控流程。因此,这种特定的工程缺陷或工程失误在其他地方出现的可能性已大大降低。当我们建造工程产品时,无论是汽车、飞机还是各种机器,确保其安全的最优方法就是不断识别问题,然后通过工程手段消除这些问题,AI 的发展也应当如此。

    所以,与其将此事定义为“我没有责任,是我的 AI 智能体出了问题,应归咎于 AI”(我认为这种思考方式是不对的),我倒认为 OpenAI 值得赞扬的一点在于他们保持了透明,并吸取了教训,从而制定了更好的准则和监控措施,使得这一特定问题现在比过去安全多了。我将继续致力于此。

    生产力革命与教育的阴影

    主持人

    你承认散布恐惧在一定程度上是为了获取资金,这很有意思,看来这两者之间确实存在关联。不要总是被散布的恐惧所困扰,因为这背后可能别有目的。有道理,谢谢。我进入下一个问题。

    吴恩达

    关于散布恐惧的话题,我能再多说几句吗?这是一个值得探讨的方面。散布恐惧的一个维度——同时也让一些公司显得很有影响力——就是所谓的“AI 导致就业末日”这一观点,即认为 AI 太强大了,可能会取代人类,比如认为 50% 的人会失业之类的言论。这种情况不会发生。

    以我朋友对就业的分析为例,我的斯坦福大学教授朋友 Eric Brynjolfsson,他开展了许多研究,将工作拆解为具体任务,以探究 AI 究竟能做什么以及不能做什么。许多研究表明,AI 或许能够胜任许多工作中 30% 到 40% 的任务,这非常了不起,但这也意味着我们仍然需要人类去完成剩下的 60% 到 70%。然而,AI 能够完成这些工作这一事实意味着,能够使用 AI 的人将比不使用 AI 的人具有高得多的生产力。好消息是,从长期的历史趋势来看,随着个人生产力的提高,薪资水平也随之上升。因此,我在 Silicon Valley 看到的,就是当人们拥抱 AI 并利用它去完成更多工作时,他们自己以及他们的企业都会发展得更好。

    主持人

    但是,对于那些工作被 AI 完成得更好,以及因部分工作被 AI 取代而受到裁减的人们,又该怎么办呢?除了学习 AI 技能之外,他们需要做些什么来争取下一份工作?因为尽管你认为工作不会被大规模取代,但现实情况是,从 Harvard 和 Stanford 毕业的计算机工程师也正面临就业困难。你认为现在应该如何培养人才?在这个时代做好准备,他们应该装备并武装自己,去掌握什么样的技能组合,以及什么样的 AI 模型或技术?

    吴恩达

    你本质上提到了软件工程师。AI 影响最深的领域或职位类别可能就是软件工程,因为它在编写代码方面表现极其出色。但事实证明,软件工程职位的招聘需求反而上升了,因为当软件工程师或 AI 工程师的生产力大幅提升时,企业更愿意雇佣他们。从经济学角度来看,这合乎逻辑。

    主持人

    但这些是能够利用 AI 编写核心代码的软件工程师,而这就是差距所在。

    吴恩达

    遗憾的是,许多大学在培养学生时,依然没有让他们接受足够的 AI 操作培训。我认为非常令人遗憾的是,在许多学校里,学生竟然可以在从未接触过 AI 的情况下获得计算机科学学士学位。使用 AI 编程代理,以及调用尖端 AI 模型的 API,这些如今已是基础的计算机科学技能。

    例如,对于我的团队,我很乐意雇佣更多优秀的软件工程师和 AI 工程师。但今天,我不会雇佣那些不知道如何使用编程代理的人,他们的生产力实在太低了。那么我们该如何提升人们的技能以掌握这些本领呢?这是我们当前面临的最大挑战之一。因此,在 LearnVector、DeepLearning.AI 和 Coursera,我们正在努力尝试进行调整。

    主持人

    大学普遍担忧学生使用 AI 编写代码会导致他们无法掌握基础知识。这会重塑他们的大脑,甚至导致他们无法学习基础的学习集,因为前沿部署工程师需要先知道编写什么代码、如何编写,然后再进行检查。在进入审查阶段之前,你需要先了解如何共同完成这项工作。这是否是大学所担忧的考虑不周的步骤?

    吴恩达

    我想我也持有同样的担忧。我要说的话听起来可能具有争议性,但实际上它得到了越来越多非常扎实的数据支持:聊天机器人对学习而言是极其糟糕的。大学对此早已知晓。如果学生使用 AI 代替他们完成家庭作业,他们的作业成绩会更高,但学到的东西却更少,在闭卷期末考试中的表现也更差。

    之所以这让我如此担忧,是因为如果你将这种学习流失在学生 10 年、12 年或 15 年的学习旅程中进行复合计算,那么最终培养出来的学生所掌握的知识将远低于预期。事实是,当有人使用 AI 时,AI 在完成工作方面确实非常出色。但 AI 的设计初衷是为了完成工作,而非帮助人们学习。

    我们深知,认知卸载——即让 AI 代替你思考——对于完成工作非常有帮助,所以我们应当加以利用。但这会导致人们学到的东西变少。我认为目前仍被低估的一点是,越来越多的研究正从小学、中学到大学各级正式教育中涌现出来。这种学习能力的退化同样发生在成年人以及职场专业人士身上。

    主持人

    所以,我们的聊天机器人对学校、学院乃至工作场所是有害的吗?

    吴恩达

    我认为它们在完成工作方面表现出色,我很喜欢它们,它们能帮助我完成工作。让我们利用它来完成工作,但我们不要自欺欺人,认为这些聊天机器人能够很好地帮助我们学习。在 LearnVector,这是一个由 Coursera 资助并由我领导的实际团队,我们非常专注于如何利用 AI 真正帮助人们学习,并创造新一代可扩展的学习体验。

    AGI 定义与市场泡沫

    主持人

    谈到 AGI,像 Jensen 这样的人声称 AGI 已经到来,我们已经生活在其中了。你有不同的看法,为什么会这样?

    吴恩达

    这取决于你如何定义 AGI。我认为大多数人所理解的 AGI,是指那种能够完成人类所能胜任的任何智力任务的 AI。如果采用这个定义,那么要实现这样的 AI,它就应该能够通过大约 20 小时的练习学会开车,甚至能穿过森林。我们目前还做不到这一点。因此,有很多人类可以完成的任务,AI 尚无法实现。所以我认为我们尚未达到那种人类水平的 AI。

    但如果我们采用 AI 的其他定义,比如能够完成 50% 具有经济价值任务的 AI,但在 100 年前,许多国家的经济主要依赖农业,当超过 50% 的农业实现自动化时,如果我们把标准降得足够低,那么我们是否在 30 年前就已经实现了 AGI?但对于大多数人心目中那种与人类一样智能的 AI 定义而言,我们依然至少还有数十年的路要走。

    主持人

    没错。目前,几家支持人工智能的公司,无论是 Anthropic 还是 OpenAI,它们都准备进行首次公开募股(IPO),筹集大量资金。人们正在对它们进行投资,但同时也存在一种担忧,即这一切是否仅仅是炒作,这是否正在形成泡沫。你对此持什么立场?

    吴恩达

    我确信 AI 技术将会非常有价值。我在 OpenAI 和 Anthropic 都有很多朋友,我想我可能是地球上唯一一个同时被 Sam 和 Dario 效力过的人,所以我当然祝愿我在 OpenAI 和 Anthropic 的所有朋友在业务上一切顺利。至于它们的股价表现,我不想对此做出预测。

    关于 AI 的炒作和泡沫,也许让我分享一下我确信的部分,即我认为哪里不存在泡沫。AI 模型非常有价值,我们仍然需要建设更多的数据中心来为 AI 模型提供服务,因为经济体其余部分在这些模型之上构建应用的工作还有很大一部分尚未完成。在 AI Aspire,我和我的商业伙伴正在与印度及全球的许多企业探讨如何应用 AI。我们将着眼于金融、医疗、交通等众多不同领域中大量的有价值用例。

    我有信心我们几乎可以利用任何数量的 AI 推理能力和任何数量的数据处理能力。一旦建成,我认为它们就会被使用。这并不意味着过度建设是不可能的,也许有些人会亏损,但我非常有信心任何被建造出来的算力设施最终都会被充分利用。

    主持人

    如果泡沫破裂,谁来承担责任?

    吴恩达

    我并非那方面的专家,但我的工作重点是培养人才,让每个人都能利用 AI,同时我也致力于支持许多优秀的 AI 企业,因为我认为拥有大量优秀的 AI 企业也将加速全球的进步。

    主持人

    所以你的意思是买方自负,而不是去指责 Anthropic 或 OpenAI,因为他们是在发布技术、设立基金、进行 IPO,各人自有各人的考量。OpenAI 和 Anthropic 一直都是非常出色的技术创新者。

    吴恩达

    我希望他们发展得好。我认为股市中发生的事情终究会发生在股市里。

    主权 AI 与开放权重生态

    主持人

    既然你两边都熟,也许下次你去印度的时候,可以把他们叫到一起,至少让他们握个手,因为上次他们在印度时我们没能做到这一点。所以,如果你能为我们在印度促成此事,我们就把这个任务交给你了。但这就让我想到了印度,以及当今那些心存顾虑的国家,正如当初的本地部署和主权云一样,如今讨论的焦点是主权 AI。各国才刚刚开始涉足构建生态系统和基础设施,或者大规模采用 AI。对此你有何看法?他们应该如何着手推进?

    吴恩达

    我认为我们正处于这样一个时代:确保拥有主权 AI 访问权限,以保证没有人能切断国家对 AI 的使用,这是一个重要的步骤。例如当美国白宫实施出口管制时,曾强迫 Anthropic 关闭了其领先模型之一的访问权限。因此,如果印度政府或我们的企业希望确保能够持续访问 AI 且不被切断,拥有主权 AI 访问权限就显得至关重要。

    我对印度 AI 模型生态系统的增长感到鼓舞,同时,事实证明,确保拥有 AI 访问权限最经济的方式之一是支持开放权重模型生态系统,因为大多数国家需要的并非拥有 AI 的每一个组成部分,而是确保没有人能够拒绝他们对其的访问。

    如今,软件非常丰富,例如支撑互联网的网络协议 TCPIP 是由世界各地的许多人编写的,但关键在于它们是以开源软件的形式发布的,所以一旦你拥有了它,就再也没有人能阻止你使用它。这就是支持开放权重模型的力量所在。当全球社区共同资助这些开放模型的研究与开发时,它能确保每个人都拥有平等的访问权限,且任何人无法将其剥夺。

    主持人

    但人们对免费的开放权重 LLM 存在担忧,主要涉及安全和网络威胁风险。该如何确保这种风险不会发生?

    吴恩达

    AI 模型正在以有时令人兴奋、有时又令人担忧的方式开辟网络安全的新阵线。是否有人可能发布一个被触发后会执行违规操作的开放权重模型,这确实是一个问题。从理论上讲,实现这一点的技术是存在的。我目前还未听说此类事件发生,但这正是安全研究人员正努力防范的领域。

    主持人

    你会在什么场景下使用开放权重模型来实现你的目标?

    吴恩达

    关于网络安全,我们需要关注的一点是,尽管人们对 AI 充满忧虑,但有一个方面值得重视,那就是网络进攻和网络防御能力都已经有了显著提升。

    主持人

    归功于 AI 吗?

    吴恩达

    正是归功于 AI。如今,无论是攻击者还是防御者,要组织一群 AI agents 来尝试发现漏洞或进行防御,都比以往任何时候更加容易。因此,我一直很关注的一件事是,我的朋友 Rohit Prasad 社交圈一直致力于开源框架的建设,许多网络安全防御者一直在使用这些框架来构建更强大的防御体系。

    令人遗憾的是,许多专有模型目前以所谓的安全理由,拒绝在许多企业遭受攻击时提供防御协助。因此在美国,许多网络安全研究人员正在使用开放权重模型而非专有模型来执行网络防御。所以我很期待我们如何能够打造更好的工具,来实现这类网络防御。

    主持人

    那么回到印度,你认为印度应该意识到哪些类型的解决方案?无论是在风险方面还是在收益方面,因为没有人愿意失去技术上的优势。

    吴恩达

    我认为印度可以大有作为。但坦率地说,如果让我优先考虑一件事,那就是通过培训让人们掌握构建、使用和理解 AI 的技能。因为人们对 AI 的许多担忧并非源于流氓代理,实际上它们是需要解决的工程问题,即如何约束代理并引导它们按我们期望的方式行事。

    事实证明,有很多技术我们无法做到完美控制。我坐飞机去印度,我们并不能完美地控制飞机,风也会吹动飞机,但随着时间的推移,我们已经学会了足够好地控制它们,使其变得非常安全。所以我认为我们永远无法完美地控制 AI,但我们可以通过工程工作使其变得非常安全。对印度而言,关键在于提供这些技能,以确保拥有足够多的技术与非技术人员,能够理解这些工具并懂得如何引导它们。

    主持人

    印度正在推广使用其本土的 Sarvam AI。你认为其他国家是否也在发生同样的情况?在印度,我们称之为“印度制造”和“自力更生”。你是否看到这种情况正在其他国家中发生?

    吴恩达

    我对 Sarvam 的进展感到非常鼓舞,这是一项伟大的事业。我看到许多其他国家在模型训练方面进行了一定程度的研究,拥有这种专业知识是一件好事。但对于那些资源不如印度的国家来说,很可能会更多地依赖于开放模型。最重要的是确保没有人能切断你对它的访问权限,而开放权重模型是一种确保后者的非常廉价的方式。

    硅谷、人才与签证政策

    主持人

    没错。现在美国出现了一些移民和签证方面的问题。美国和 Silicon Valley 一直是吸引全球顶尖人才的地方,你就是其中的一个例子。在 Silicon Valley,这类似于人才流失,如果最顶尖的人才无法来到美国,他们就会回到自己的祖国。这会对那些人才输送国产生重大影响吗?

    吴恩达

    我认为美国几十年来受益于许多非常有才华的人渴望来到美国工作,而实施不太友好的签证政策是一个巨大的、非强制性的错误。我的团队努力支持移民,并会不遗余力地照顾所有团队成员的福利,包括有签证需求的移民。

    关于技术开发,有一点很重要,那就是希望拥有几个将大量人才聚集在一起共同工作的枢纽。很多来到 Silicon Valley 工作的人,让全世界都从 Silicon Valley 的许多创新中受益。如果 Silicon Valley 不存在,而人才均匀分布在世界各地,世界未必会变得更好,因为世界需要创新中心。但由于美国的签证政策,这为其他国家创造并加强自身创新中心提供了更多机会。

    主持人

    印度能否吸引你偶尔过来授课?

    吴恩达

    我有幸来过印度几次。我当然希望能在这里花更多时间,并寻找支持印度的方式。

    主持人

    太棒了。

    快问快答:2030 与 AI 的未来

    主持人

    那么,我们进入最后一轮,即快问快答环节。问题要简短有力,2030 年前实现 AGI,是还是否?

    吴恩达

    就我最熟悉的 AGI 定义而言,答案是否定的;但如果是其他宽泛定义,当然可以。

    主持人

    你的财务数据在使用 AI 时安全吗?是还是否?

    吴恩达

    我对财务数据非常谨慎,我不会把它们上传到任何其他归属方那里。

    主持人

    编程作为一种职业是已经消亡、正在消亡,还是说依然前景良好?

    吴恩达

    它会蓬勃发展的。我认为我们需要更多的 AI 工程师,但你不只是在编写代码,我们也必须做出其他决策。

    主持人

    在周日的下午,手动编写代码还是向 AI Agent 发送提示词,哪种方式让你觉得更满足?

    吴恩达

    我已经不再手动编写代码了,而且我一点也不怀念它。

    主持人

    语音提示?

    吴恩达

    我使用语音提示和文字提示相结合的方式。

    主持人

    没错。如果参加过最初那门 Coursera ML 课程的那个过去的你今天走进来,关于 2026 年的 AI,你会对他说的第一件事是什么?

    吴恩达

    我可能会说,在那个时候,我当时押注于扩展 AI(这也是我启动 Google Brain 项目的原因),基于这样一个简单论点:如果我们建造非常庞大的计算机,并向其中投入海量数据,那么扩展 AI 将使我们取得进展。结果证明我是对的。如果能回到过去,让年轻时的自己确信这一切会非常顺利,那该多好。

    主持人

    Geoffrey Hinton 还是 Yann LeCun,你更赞同谁?

    吴恩达

    我在许多不同的事情上都赞同他们两人,但在其他事情上则持不同意见。我非常尊重 Yann 对开源和开放权重的支持。

    主持人

    你认为哪种工作会先消失?是编程还是 2030 年的其他工作?今天看起来是编程,但在四到五年后呢?

    吴恩达

    软件工程不会消失,但软件工程师的工作岗位已经发生了巨大的变化。在 Silicon Valley,软件及相关职位的招聘需求正在上升,我们无法找到足够的技能型 AI 工程师。

    主持人

    既然你已经看到了全球各地的 AI 模型和技术进展,那么,U.S. 还是 China?谁会在 AI 竞赛中胜出?

    吴恩达

    谁会在电力竞赛中胜出?两者都没有,但我认为所有国家都有空间从这样一种通用技术中获得巨大收益。

    主持人

    今天的 10 岁孩子应该在做家庭作业时使用 AI 吗?你会告诉家长什么?

    吴恩达

    我认为这是一个非常棘手但也非常好的问题。我有一个七岁的孩子,我正试着教她打字,这样她就能利用 AI 来构建网站并完成一些特定任务。

    主持人

    你为此开发了一款应用程序吗?是为了帮她练习打字吗?

    吴恩达

    我实际上开发了多款应用。我女儿非常喜欢猫,所以我做了一款游戏,通过打字她可以收集更多的数字猫,这极大地激发了她学习打字的动力。那么对于家庭作业中使用 AI 怎么看?我认为在很大程度上,让孩子们在做家庭作业时使用 AI 是一件糟糕的事情,且会损害学习过程。

    主持人

    没错,但我们需要提出更好的解决方案。最被低估的 AI 技能,我们可以之后再讨论。你想尝试一下被高估的 AI 技能吗?还是关于它的炒作?

    吴恩达

    此时此刻,许多事物似乎都被过度炒作了。但可以肯定的是,三年前作为职业的 prompt engineering,并没有真正实现。

    主持人

    ChatGPT、Gemini 还是 Claude?你日常使用更多的是哪一个?

    吴恩达

    我其实都在用,还有一些开源的。

    主持人

    比例是多少?各占多少比例?

    吴恩达

    我不知道具体的百分比,但我认为养成定期将相同的查询提交给多个不同模型并观察返回结果的习惯是一种良好的行为准则,这能不断维持我对哪些模型表现更佳的直觉。而且表现更好的模型每隔几个月就会发生变化。

    主持人

    没错。你来自 Silicon Valley。Bengaluru 想要提升自身并超越它,你认为它有机会吗?

    吴恩达

    要取代 Silicon Valley 非常困难,但绝对值得尝试。不过这并非零和博弈,我认为 Silicon Valley 有很大的发展空间,其他城市也同样有空间。

    主持人

    猫还是狗?你曾经主持过一个 2012 年 Google Brain 的猫咪识别实验。

    吴恩达

    我真的很喜欢猫和狗。我女儿非常喜欢猫,我这辈子养过宠物狗,所以两者都喜欢。

    主持人

    好的。如果给 22 岁的年轻人一个建议,是去学习、去创造,还是静观其变?

    吴恩达

    绝对不要静观其变,要持续学习并不断创造。这波 AI 新浪潮仍处于早期阶段。现在绝对不晚,现在是投身其中的绝佳时机。

    主持人

    最后一个问题。关于 AI,我们还有哪些未知之处?

    吴恩达

    我觉得这项技术仍在不断演进,因此它最终会走向何方,依然是一个悬而未决的问题。但更大的未知在于,我们该如何运用这项美妙的技术,将其落实到所有需要我们去发掘和应用的地方,从而让每个人都能从中获得广泛的益处。

    主持人

    好的。非常感谢 Andrew 今天抽出时间接受访谈,很高兴能了解你对 AI 的看法。你从事这一领域已经很多年了,但你对它依然充满希望。

    吴恩达

    AI 可能会导致一些工作岗位流失,但我们会创造出更多的工作岗位。

    主持人

    没错。但我们必须照顾到每个人,包括那些受到影响的极少数群体。非常感谢,Andrew。很高兴能有这次交流的机会。

    吴恩达

    谢谢。

    跳转微信打开

    •  

    高瓴种子|观复芯完成种子轮融资,以AI智能体提升芯片研发效率

    高瓴创投 2026-10-22 18:04 北京

    近日,南京观复芯软件有限公司(以下简称“观复芯”)完成种子轮融资,本轮融资由高瓴创投、力合算芯联合领投。

    观复芯是一家专注于芯片研发全链路智能体的垂类AI科技公司。依托半导体领域知识库、自研及第三方EDA工具,公司打造面向芯片研发流程的专业IC智能体矩阵,帮助工程师减少重复工作,提升研发效率与芯片的性能、功耗和面积表现(PPA)。

    Aseed+ 

    From A Seed To A Cosmos

    高瓴种子

    正在寻找浪潮中率先出发的人

    我们能够从最早开始

    支持一切真正有方向感、有创造力的想法和行动

    如果你正在酝酿什么——

    还没长成、不够确定

    都没关系

    来找我们

    让AI参与芯片研发的具体任务

    芯片研发是一项高投入、长周期的复杂系统工程。从设计方案到验证结果,工程师需要在多个环节之间反复分析、调整与优化。如何将专业知识、工具操作和工程反馈连接起来,是AI在这一场景中落地的重要课题。

    围绕这些需求,观复芯已推出多款面向专业工程任务的IC智能体产品,辅助工程师完成项目解析、方案决策、故障定位、PPA优化、自动迭代与流程管控。智能体能够结合项目上下文,联动自研与第三方EDA工具,编排并执行多阶段工程任务,再根据过程数据与执行结果进行分析和迭代。

    从理解任务、调用工具到分析反馈,观复芯希望让智能体参与实际研发流程,帮助工程师将更多精力投入关键设计与研发决策。针对成熟IP子系统场景,公司还可基于客户外购IP,实现由智能体驱动的子系统交付。

    在部署方面,观复芯提供企业本地部署方案,使客户能够在核心设计数据不出域的条件下调用AI能力,兼顾研发资产安全、使用成本与工程需求。

    从真实工程场景出发,打磨产品能力

    目前,观复芯多款智能体产品已在网络通信、云端算力、GPU、安防监控等领域的龙头企业实现规模导入。公司同时与南京大学院士团队建立深度产学研合作,推动微纳电子学研究与大模型智能体技术相结合。

    这一路径背后,是团队对芯片研发与工程交付的长期积累。创始人兼CEO徐子敬毕业于南京大学,拥有十五年以上芯片研发与大型项目管理经验。他曾担任芯耀辉SerDes与UCIe产品线负责人,主导多款高速接口IP商业化落地;后在东方算芯担任3D AI大算力芯片项目经理,参与项目全流程研发及量产导入。

    从IP产品化到复杂芯片项目管理,这些经历为团队理解研发需求、衔接工具与流程、打磨专业智能体产品提供了基础。

    持续拓展从Spec到GDS的研发链路

    立足现有产品矩阵,观复芯将持续拓展智能体在芯片研发各环节中的应用,目标是打造覆盖从设计规格(Spec)到版图交付(GDS)完整链路的工业级芯片研发智能体,与产业伙伴共同探索AI与芯片工程深度融合的研发方式。

    高瓴创投表示:

    芯片研发是一个需要反复验证、持续优化的复杂过程,AI的应用价值在于将专业知识、设计工具与验证反馈连接起来,帮助工程师更高效地解决具体问题。观复芯开发的芯片研发智能体,从故障定位、设计优化等任务切入,调用现有工具完成操作,并根据结果迭代,为减少重复工作、缩短研发周期提供了新的路径。团队在芯片研发、IP产品化和大型项目管理方面的经验,为理解工程需求、打磨产品提供了扎实基础。期待观复芯持续深入客户场景,将AI能力转化为可验证的效率提升和可靠的工程交付。

    跳转微信打开

    •  

    大模型如何胜任职场?WorkForge让大模型进入真实职场工作流

    腾讯混元 2026-10-22 17:05 广东

    大模型离真正走进职场,还有多远?

    AI 智能体正在成为劳动力,改变企业的产出。越来越多的大模型正从对话助手,转变为能在数字工作区中执行任务的“数字员工”,这使得优质环境的产出变得更加紧迫。

    要真正实现这样的目标,工作智能体在回答问题之外,更需要有能力完成专业工作流。在真实的工作场景中,员工可能需要翻阅大量文件、交叉核对证据、处理缺失和混乱的数据,最终交付报告、表格或演示文稿。专业能力不只体现在语言回答中,也体现在探索、取证和交付的过程中。

    正是在这一背景下,腾讯混元与复旦大学的研究团队共同提出WorkForge,一个从真实世界资源出发、规模化构建可验证智能体工作环境的框架。

    WorkForge:为工作智能体搭建真实可验证的工作环境

    WorkForge 的出发点很朴素:一道工作任务怎么出、做得好不好怎么判,都取决于工作区里实际有什么。所以它先把工作区搭起来、摸清楚,再从里面出题、定标准,整个过程分四步。

    首先,请专家把经验写成“场景蓝图”。专家把熟悉的一类工作梳理清楚:交付什么、需要哪些材料、要做哪些关键判断。比如老师可以写下“测验后归类错题、再针对性讲解”的流程,换一套试卷和教材,就是一个新的工作区和新的任务。

    其次,去真实世界找材料,搭出工作区。一个获取智能体按蓝图去搜索、下载代码仓库、数据集和网页资料,确认用得上后放进工作区,并保留原有的目录结构。坚持用真实材料,是因为工作中的线索从来不整齐:一个软件项目里,源码、文档、测试和配置散落在各个目录;合成环境往往只有一份 README、一个脚本和一份示例数据,答案几乎摆在眼前。

    再次,先给工作区“体检”,再出题、定标准。WorkForge 会先摸清每个文件是做什么的,并记下一批能直接核对的具体事实,作为“事实支撑”。任务、参考解法以及核验标准都从这些“支撑”推出来,参考解法里的关键事实还会回到工作区复核。验收分两种:数值对不对、文件有没有生成,交给程序化检查自动核对;分析是否到位,由 LLM 评委按评分细则打分,也就是语义评分。

    最后,让智能体完整做一遍任务。它只能看到工作区和任务说明,要自己探索、交互,直到给出最终成果。打完分后,整段操作过程连同分数一起保存下来,成为训练数据。

    这样一来,题目出自工作区里真实存在的内容,评分也有据可查。智能体想完成任务,就得自己翻目录、理清文件关系,把散落的证据拼成一份经得起核查的交付物。

    图:WorkForge 总体框架,对应上文四步:写蓝图、搭工作区、出题定标准、执行并打分。

    WorkForge-16K:1.67 万个来自真实世界的工作环境

    框架搭建完毕后,下一个待探究的是:这条管线生产出的环境,究竟有多真实、多复杂?

    WorkForge-16K 正是这条管线的产出。它包含 16,665 个可验证的工作环境,横跨 40 个专业领域、60 种文件类型。这些工作环境真正要求智能体在复杂环境中持续不断的探索,以此来处理长距离任务。

    为了刻画数据的复杂度,论文从任务、工作区和轨迹三个维度进行了统计。

    任务层面,每个任务平均包含 21.9 条验证标准,既有精确的数值检查,也调用大模型进行语义评估。

    工作区层面,每个工作区平均包含 42.3 个文件、约 279 KB,线索分散在多级目录中。

    轨迹层面,智能体完成一个任务平均需要 31.8 步、33.8 次工具调用,单条轨迹平均约 7.6 万 tokens,是典型的长程任务。

    此外,文件类型十分多样:表格数据占 53.3%,图像占 18.7%,结构化文本、代码乃至音频均有涉及。这也很贴近真实工作场景:员工往往需要同时理解表格、图片、文档和代码。

    图:WorkForge-16K 数据分布,依次为专业领域、文件类型、任务得分和工具调用。

    那么真实资源合成和 LLM 合成工作区究竟有多大差别?研究团队用同一批蓝图,分别以真实资源和 LLM 合成资源搭建工作区。结果显示,真实工作区的文件数是合成工作区的5.4 倍,文件类型是2.4 倍,平均体积从 21.5 KB 增至 279 KB。合成工作区经过“过度整理”,关键信息集中在少数文件里;真实工作区的证据则分布在整个目录树中,智能体必须先探索、再判断。

    图:合成工作区与真实工作区对比。真实工作区文件更多、类型更丰富,证据分散在目录各处。

    论文还给出了一个金融领域的例子:智能体扮演量化策略师,基于因子数据库评估各地区的因子溢价,交付 PPT 简报、Excel 分析表和清洗后的 CSV。工作区的 297 个 CSV 文件分布在 16 个目录中,其中隐藏着不少“坑”:月度与年度数据混排、缺失值以 −99.99 标记、同一因子在不同文件中命名不一致,充分模拟了真实工作环境中的复杂工作条件。

    模型:让智能体从真实工作环境中学习

    在构建出大规模真实环境之后,论文进一步用这些轨迹训练模型,检验数据能否转化为工作智能体的能力。

    WorkForge 的基本思路是,工作智能体需要学习的不只是最终交付物,还包括完成工作的全过程:浏览目录、定位关键文件、交叉核对证据、处理异常数据,并在出错时重新规划。

    围绕这一点,研究团队让智能体在不同 Agent Harness下执行任务,分别训练得到 WorkForge-A3B 与 WorkForge-27B。

    评测覆盖五个主流基准:WildClawBench 和 Claw-Eval 侧重长程执行与多文件交互;GDPval 和 APEX-Agents 关注专业交付物与职场工具编排;Agents' Last Exam(ALE)考察长时间自主解决问题的能力。

    图:在五个工作智能体基准下的测试结果。

    实验结果显示,WorkForge 数据带来了显著提升。以 A3B 模型为例,训练后其 GDPval 得分从 45.5 提升到 73.6,APEX 从 5.0 提升到 21.3。与 ClawGym、EnvScaler 等 100B 以下的专用智能体模型相比,WorkForge-A3B 在五个基准上全面领先,GDPval 比此前最优的 ClawGym 高出 38.6 分;在更严格的 ALE 通过率上,二者分别为 12.4% 和 2.9%。

    但更值得注意的是,WorkForge 数据在已经过后训练的强模型上依然有效。WorkForge-27B 在五个基准上全部提升,其中 WildClaw 提高 8.0 分。在 GDPval 上,它达到82.4分,超过总参数量约为其 15 倍的 397B-A17B(79.7),与 Claude Opus 4.8(89.1)、GPT-5.6 Sol(90.1)等前沿模型的差距进一步缩小。

    这说明,真实工作区中的长程轨迹能够有效迁移到不同的评测场景。WorkForge 的每个任务都要求智能体在复杂文件结构中探索,并把分散的证据整合进交付物,而这正是专业工作的核心能力。

    论文还考察了规模效应。训练轨迹从 1K 增加到 16K,模型在 ALE 和 WildClaw 上分别提高 13.0 和 8.4 分,并在 ALE 上超过了 DeepSeek-V3.2 和 MiniMax-M2.7。轨迹长度同样重要:同样使用 1K 条数据,用 41 至 60 轮长轨迹训练的模型,比用 20 轮以内短轨迹训练的模型在 ALE 和 WildClaw 上分别高出 4.2 和 5.0 分。

    图:WorkForge 规模化分析。左侧为训练数据量的影响,右侧为轨迹长度的影响。数据越多、轨迹越长,模型表现越好。

    在验证机制上,研究团队对比了三种轨迹筛选方式:只看程序化得分、只看语义得分,以及两者结合。结果显示,混合筛选的效果最好,ALE 得分达到22.11,明显高于单用语义评分的 15.62 和单用程序化检查的 14.89。两类验证信号相互补充,才能提供更可靠的监督。

    论文还观察到一个很有意思的现象:经过训练后,模型的工作方式发生了明显变化。

    以 WorkForge-27B 为例,它在 GDPval 的每个任务中平均访问 6.52 个外部网站域名,是基座模型的 5.3 倍;工作区内定向检索证据的调用占比也从 5.9%提升到16.2%。更重要的是,工具调用失败后,模型的推理长度从144个字符增加到 614 个字符。它不再急于重复尝试,而是先诊断问题、再重新规划。

    图:GDPval 上的执行行为与评分细项分析。左侧为训练前后的外部探索与工作区取证变化,右侧为五类评分标准的通过率。

    这些变化最终体现在交付质量上。在 GDPval 的五类评分标准中,WorkForge-27B 的通过率提升了 4.5 至 13 个百分点,其中视觉排版和数值准确性分别提高 13 和 8.2 个百分点,而这两项恰恰最依赖充分的调查与细致的核对。

    这一结果说明,对于工作智能体而言,真实工作区中的过程数据非常重要。长程轨迹为模型提供了探索目录、追踪依赖、整合证据和核对结果的完整经验,使模型能够在训练中接触更接近真实职场的任务结构。

    展望:AI 同事

    真正进入职场后,智能体面对的不再是精心整理的考题,而是杂乱的文件、分散的证据和需要负责的交付物。

    面向真实的知识工作,让智能体先在可验证的真实工作区中学会探索、核查与交付,再逐步承担更复杂、更开放的专业任务,可能是一条很有潜力的路径。我们期许未来的 AI 同事能在这种交互中逐渐成形。

    跳转微信打开

    •  
    ❌