刚刚，Claude替我“雇佣”了一位超级“助理”，叫做Sonnet3.5

过去一段时间更新减少，一是受工作影响，二是在即将迈入2024年下半年之际，我觉得把各种模型纳入工作、重新调整流程与工具的时机已经成熟。因此，大量时间都花在“头脑风暴”和试验上（又测试了不下几十种工具与方案，有时间可以逐项分享）。

经过这一过程，大致可以确认三件事：1、模型将越来越强，我们要做的是等待；2、自己对业务的认识和数据（知识库），才是最珍贵的资源；3、我们所需要的工具，或许都要从一张白板（whiteboard）起步。

因此，当我进入“案头工作”阶段后，便尝试从白板开始搭积木。一个最新的weekend project是：把屏幕控制权交给模型，并下达“在白板上画出叫做'test'的框”的指令，由模型操控鼠标，在名为tldraw的白板工具中完成操作。

实际呈现的效果，就是下面这段简短动图。

没错，人也能完成这种简单操作。然而，如果着眼于下一个时代的工作方式，希望突破当前“时间消耗在低水平重复工作”这一严重瓶颈，那么这样的起点，正是我在过去一年多持续思考和推演后，最终“说服”自己采用的方式。

白板代表一切从零开始搭建，但在这个“零”背后，既有掌握难以想象之知识的大模型，也有自己多年沉淀的数据和知识库。

因此，一旦着手构建，便可能在极短时间内达到甚至越过原有天花板；这里所说的“短”，可能按‘天’计算，甚至按‘小时’计算。

以模型为基础，构建方式大致分为两类：一类模拟人的操作，另一类则生成大量代码。

第一类与我上面的简单尝试相似。巧合的是，第二类方式在前天Claude发布的Sonnet3.5模型中出现了一个远比此前所有代码生成方案更完整的解决方案，它叫Artifacts。

如果微软反复宣传的‘Copilot’仍有许多‘不友好’的交互，那么不论是模拟人的操作，还是Claude提供的Artifacts功能，都带来了完全友好、自然且可见即可得的体验。

就像当初许多人喜欢ChatGPT那样，我们一定也会喜欢它。

对我来说，这相当于Claude替我雇来了一位超级‘助理’。

这篇文章要展示的是，我如何用大约十分钟完成一份设想中的‘原油供求分析’路演PPT（不好意思，我刚刚已经退订微软的Copilot+服务，因为被秒了）。

Sonnet3.5前天发布后迅速刷屏，几乎所有声音都在说“秒杀GPT-4o”，甚至有人直接喊出“AGI”。的确，它具备足够强的思考能力和足够稳定、准确的代码生成能力，再加上可见即可得的Artifacts，上述评论并不算过分。

现在开始。我会把交互过程拆成四个步骤，并录制四段视频；总时长九分钟，全程没有加速。这意味着从开始操作到生成最终结果，我用时不到十分钟。

1、先进行常规操作，生成一幅思维导图。

其实在此之前，Kimi已经支持基于mermaid.js的思维导图可见即可得功能，只不过：1、受模型能力差距影响，分析点明显更少；2、在现有技术框架中，渲染功能的通用性仍有差距。

上面只是常规操作。正如前文分析，几乎所有主流模型都能支持“无中生有”地生成思维导图，kimi还可以实时显示图形（因此，若说Claude的Artifacts‘抄袭’了kimi，似乎也说得通）。

2、但分析必须建立在数据之上，所以我们希望它能够加入数据。

第一次生成时，代码存在错漏，页面因而无法正常显示；重新检查并再次生成后，结果便正确了。这样的交互反倒让人觉得模型更像‘人’。

当然，它没有搜索最新数据，所以其中许多数据放在当前时点来看是‘错误’的。

因此，我又提出了一项新的要求：修改其中一项数据，例如美国的原油产量数据。

它准确理解并完成了要求，这种理解能力和代码生成的稳定性源自模型的原生能力。也许时代确实如先前预期，在2024年夏天发生了变化。

3、思维导图完成后，我希望它生成一个ppt，并绘制相应图表。

第一次生成的成果更像文档，尽管已经画出图表，但我需要的是能够分页的ppt，于是让它再次修改，它也如实完成。字体、图表样式和数据均未变化，再度体现出足够稳定的代码能力。

4、不过效果仍不充分：配色不够专业，字体也不规范，同时还需要加入一些结论。

它再次准确理解意图，完成了配色调整、字体修改和结论补充。只是首次生成时，返回的token数量受限，页面未能正常显示；第二次让它精简后，结果十分顺利。

最终得到的成果，是下面这几页PPT。

我的结论：

• 尽管自媒体已经铺天盖地展示各种基于Sonnet3.5的Artifacts玩法，其中最多的是生成小游戏，但我当然不认为我们需要做小游戏供自己消遣。我相信，直接生成与生产力相关的内容才是妥妥的刚需（我还尝试制作了一些便于解释的动画效果，受时间和篇幅限制，这里不再给出）；
  

• 虽然‘雇佣了超级助理’这种说法略显夸张，但只要自己愿意投入时间磨合，效果一定还会远远超过现在；
  

• 我们已经看到，模型正在迅速变得更好，而且速度远超个人进步的速度。那么个人价值在哪里？我想，答案可能是深度思考和知识库积累；
  

• 它能取代我的团队同事吗？显然不能。原因只在于，过去三四年里，我们借助各种模型与技术支撑，已经大幅拓宽每个人的能力边界和输出水平；对于工具的理解，以及基于知识库的产出，目前还不是模型能够挑战的。但到了两三年甚至三五年后呢？
  

• 我们还需要这些条件：基于工具与模型的新工作流、私有化部署解决方案，以及数据与知识库的无缝对接。
  

• 我相信，我们现在遇到的这些问题，也是各种AI生成端在落地时面对的问题。