使用AI轻松搞定UI设计；a16z：快速高效使用LLM构建应用程序；AI时代99%软件都会消失；豆瓣9.3的经典Python入门书

👀日报&周刊合集 | 🎡生产力工具与行业应用大全 | 🧡 点赞关注评论拜托啦！

🤖 Indeed：美国5月份生成式AI职位发布量增长 20%

Indeed 是美国就业门户网站，根据其最新发布的数据显示，5月份美国与生成式AI相关的职位发布量增长了约20%，其中「数据科学家」「软件工程师」「机器学习工程师」「数据工程师」等职位最受欢迎。

虽然从整体上来看，美国科技岗位相比去年6月份减少了 43.6%，但 ChatGPT 的火爆给AI行业的招聘与求职带来了新的活力，生成式AI岗位的搜索量自2023年1月起逐步攀升。

目前招聘发布方主要是 Meta、Apple、TikTok、Pinterest、Amazon 等头部科技公司，并且岗位需求远位满足求职者的热情，行业爆发力仍然巨大 ⋙ @Reuters News Agency

🤖 AWS 拟投资1亿美元，设立生成式AI创新中心

亚马逊云科技 (AWS) 正在构建一个项目， 投资1亿美元建立 AWS 生成式AI创新中心，为客户提供人工智能、机器学习方面的专家支持，帮助客户开发和部署新型人工智能产品。

从彭博社的报道来看，目前 AWS 瞄准了医疗健康、金融服务、制造等行业的客户，早期用户包含 Highspot、Twilio、Ryanair、Lonely Planet 等企业，加速客户在AI领域的努力。

亚马逊希望借此提升云服务的竞争力，并与微软、谷歌一较高下 ⋙ @Bloomberg News

🤖 Stability AI发布了最新版 Stable Diffusion：SDXL 0.9

左图由SDXL Beta生成，右图由 SDXL 0.9 生成

6月22日，Stability AI 宣布推出了 Stable Diffusion 最先进的文生图模型 SDXL 0.9，大幅改进了构图和图像细节，并且可以在消费级GPU上运行，并实现了创意飞跃。

SDXL 0.9 将两个基础模型 (参数分别为35亿和66亿) 集成 pipeline，并基于第一阶段的输出增加了更多细节。相较于 beta 版本的3.1亿参数/一个模型，SDXL 0.9 作为所有开源图像模型中参数数量最多的模型之一，处理能力和生成能力再上一个台阶。

官方博客表示，API很快发布，SDXL 1.0预计于7月中旬开源，并将发表一篇博客阐述模型原理和细节，感兴趣可以持续关注 ⋙ @Stability AI

🤖 Midjourney 新一轮升级：V5.2版本、修改画幅、精简提示词……

6月23日，Midjourney 宣布了新一轮的更新，主要内如下：

▢ V 5.2 ：增加图片清晰度、审美和多样性，可以使用 – stylize 参数了，再次提高对于语义的理解能力，上图即使用 V5.2 绘制

▢ Variation：提高了变化幅度，生成图片后点击 V ，可以获得变化更多的4张图像

▢ Zoom Out：类似 Outpainting，默认可以将图像 Zoom Out 1.5 或 2 倍，也可以指定图片 outpainting 到需要的画幅比

▢ 提示词修改功能：通过 /shorten 输入提示词，MJ 将精简提示词，帮助获得更短、更有用的指令 ⋙ @Midjourney | 即刻@海辛

🤖 AI创作技巧分享：帮你轻松搞定UI设计

本文将介绍如何将AI技术应用于UI设计的全流程中，以及这种结合对业务和团队的价值。

无论你是一名经验丰富的UI设计师，还是一名对UI设计感兴趣的新手，你都可以从本文中学习到一些有用的知识和技巧，让你的UI设计更上一层楼。

使用 Bing 辅助设计调研流程：明确用户人群划分 → 分析用户真实需求 → 提取用户审美偏好 → 精细化设

Prompt 通用公式：【主题内容】+【环境、背景】+【构图、镜头】+【风格化】+【参考方向】+【渲染方式】+【图像设定】

AI绘画对设计团队有着巨大的帮助：创意辅助、效率提升、素材丰富、内容优化、方法沉淀 ⋙ @58UXD

🤖 A16z：如何快速高效的使用 LLM 构建应用程序？

Emerging Architectures for LLM Applications ** 是 a16z 最新一篇文章，作者 Matt Bornstein和Rajko Radovanovic 分享了使用 LLM 构建应用程序的一种新的参考架构，并对每个部分进行了详细的解释。

如图所示，Emerging LLM App Stack 是基于情景学习的设计模式，包含以下三个阶段，适用于大部分的人工智能创业公司或前沿科技公司。

数据预处理/嵌入〖Data preprocessing / embedding〗： 这个阶段涉及存储私有数据以供稍后检索

提示构造/检索〖Prompt construction / retrieval〗：当用户提交一个查询时，应用程序构造一系列提交给语言模型的提示

提示执行/推理〖Prompt execution / inference〗：经过编译的提示被提交给一个预训练的LLM进行推理——包括专有的模型API和开源或自训练的模型 ⋙ @a16z | 中文版阅读

推特博主 @agishaun 基于上方内容，分享了他自己的在千余小开发实践中的经验和收获，帮助你少走弯路：

1. 每个人都可以学会提示词

学习使用 LLM 进行开发，可以节约节省大量时间。因此，尽可能将LLM整合到你的开发流程中，建议从 Microsoft Copilot 开始。

2. 数据，数据，还是数据！

数据质量是LLM开发中被低估的因素。记住！「Garbage in Garbage out (输入是垃圾，输出也是垃圾)」适用于任何软件系统，而LLM仍然是软件系统。

3. 向量数据库不能解决一切问题

一个好的向量数据库，也不能解决所有的数据质量问题。使用 LLAMA 或者 LangChain 框架帮助清理数据并正确地导入数据更为重要。

4. 通过艰难的方式学习 LLM

框架会加速你的开发过程，但它会把实现的细节隐藏起来。如果你刚开始LLM的开发旅程，可以尝试在没有任何框架的情况下开发，或者使用像 Microsoft Guidance 这样的轻框架。

5. 如何正确使用LLM？

一般工程师面对大模型开发时，一般是先准备数据，然后试图存储，再放入LLM 中编排。而 @agishaun认为，更优化的流程可以降低 50% 的开发时间，减少 90% 的错误率，是因为这样开发离LLM 更近，且可以充分利用LLM 的能力 ⋙ Twitter @agishaun

🤖 99%的软件都会消失！真正的 AI 原生产品要怎么设计？

这是 @任鑫分享的一篇深度思考，探索在AI震荡期的产品出路，看得更远一点，想得更深一点，才能找到 1% 的真正生存机会！

时代变了，之前「靠谱」的产品设计方法会将团队带向死路。因为大厂拥有更「靠谱」的市场、打法和资源，从而碾压路上的所有竞争者。因此，不能满足于「把AI塞到产品里」这个一阶机会。而要更多思考「如果 AI 成了所有产品的基座，二阶的变化/挑战/机会是什么，新的设计范式是什么」。以下是文章要点，推荐阅读原文：

1. 如果 99% 的软件会消失，要不要提前认命做个 API？

▢ GUI (Graphical User Interface，图形交互界面) 转化成 LUI (Language User Interface，语言交互界面)

▢ 解耦「意愿解读」和「功能实现」，让能力颗粒化以及更容易被充分表达，也就是功能API化

▢ 很多的软件和 SaaS 会消失，同时浮现一堆的 API 被 Copilot 调用 (可能还会分钱)

▢ 新时代的软件会更像是工厂，供应链协同几百个其他工厂 (从别的工厂进货、自己加工、然后出货)，大规模 agent 协作，相互调用标准化的能力，协同创造

2. 未来每一天，都会有 10 亿个新软件生成

▢ 前台自适应创建大量一次性的、最适合完成这次单次任务 & 最适合这个用户的 GUI 方便用户使用；后台是一堆能力的乐高积木块，可以自由拼装，而且可以去网络上选择合适的第三方模块拼装进来

▢ 如果 GUI 交互界面可以快速生成、组装，那么理论上需要的软件或 SaaS 数量会大幅度减少

▢ 对于设计者其实提出了更高要求： 交互模式、能力设计、意图规范、数据提取、用户赋能

3. AI 原生，不意味着一个空白对话框

▢ 对话式 UI 给我们提供的是灵活性，我们可以在其之上，用其他的 UI 来提高直觉性和易用性，不要用一个对话框解决所有问题

▢ 一次交互过程应该拆解成 4 个部分：意图 (intent)、上下文(context)、解读(rollout)、行动(action)

▢ 一个好的对话式界面应该：① 能感知上下文，② 充分利用丰富的共有上下文，③ 有一个让人愉悦的路径引导，④ 搞不定了有对话框可以兜底，⑤ 把交互闭环掉来加快迭代进化 ⋙ @AI炼金术