关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AIGC 领域的最新工具、开源项目以及行业大事件
https://mp.weixin.qq.com/s/X9n-dO6eg68RLj2dNwNJNQ
为了证明看球是为了学习工作，写了这篇文章。
6月15日那天的2026世界杯F组小组赛第一轮，瑞典对突尼斯，第84分钟替补刚上场的斯万贝里18秒光速进球，边裁举旗，示意越位，进球无效。可几秒钟后，这球又被改判有效——肉眼根本看不清的一次极轻触球，被藏在球里的传感器捕捉到了，证实确实好球。
就这一个瞬间，职业病犯了的我，脑子里跑过的居然是这么多年看过的无数技术炒作和伪需求。但毕竟看球是件愉快的事，还是写篇合家欢的文章更应景吧
@aigc1024
最近很多人在问：
前端 UI 设计到底哪个模型最强？
但我感觉，问不只是模型，而是流程。
我现在一般是：
1、先用 Google Stitch / OpenDesign 做 UI 原型
2、再丢进 Gemini AI Studio 生成可交互 Demo
3、拉代码给 Claude Code / Codex 补后端、去硬编码
4、后续用 impeccable skill初始化 product.md / design.md，让迭代持续遵循设计规范
核心就是：
先定审美，再写代码。
这样做出来的东西，基本不太有“一眼 AI 感”。
@aigc1024
前端 UI 设计到底哪个模型最强？
但我感觉，问不只是模型，而是流程。
我现在一般是：
1、先用 Google Stitch / OpenDesign 做 UI 原型
2、再丢进 Gemini AI Studio 生成可交互 Demo
3、拉代码给 Claude Code / Codex 补后端、去硬编码
4、后续用 impeccable skill初始化 product.md / design.md，让迭代持续遵循设计规范
核心就是：
先定审美，再写代码。
这样做出来的东西，基本不太有“一眼 AI 感”。
@aigc1024
制造业可能会向半导体学习，但不会完全复制半导体。
这件事的关键，不是“AI 会不会设计东西”，而是一个行业有没有把自己的工艺、约束、成本、良率和责任，压缩成机器可读、可验证、可调用的接口。
半导体行业已经高度接近这个状态。
芯片设计之所以更容易被 AI 介入，不只是因为 Verilog、GDS、PDK 这些格式更“文本化”或更数字化，而是因为整个行业已经形成了一套前置检查和签核体系：制造约束、时序约束、功耗约束、版图规则、良率风险，都尽可能在设计阶段被模型化、检查化、接口化。
这背后有一个很特殊的产业结构：极高的资本强度，极高的失败成本，极高的工艺复杂度，以及高度集中的头部玩家。
ASML、应用材料、台积电、新思科技、Cadence 这类公司处在各自链条的关键节点。它们之间可以协调出可计算、可解耦的接口，因为前沿实践中的隐性知识高度集中，协作关系也足够稳定。
但建筑、机械、通用制造业不一样。
这些行业的约束大量存在于现场、工人经验、供应商能力、材料替代、地方监管、安装误差、天气、物流、临时变更和责任划分里。它们不是不能被 AI 改造，而是还没有形成足够成熟的“机器可读约束网络”。
所以未来制造业向半导体学习，不会简单变成“所有行业都有自己的台积电”。
更可能出现三种形态。
第一种，是开放式制造网络。
工厂像发布 PDK 一样发布自己的制造能力边界：能做什么材料、什么精度、什么尺寸、什么后处理、什么检测、什么交期、什么良率。设计软件和 AI 系统可以直接调用这些能力，自动完成 DfM 检查、报价、派单和质量追踪。
这不是简单的找供应商，而是把制造能力 API 化。
第二种，是封闭式工艺栈。
某些设备商或工艺公司会在一个相对封闭的场景里做端到端控制，比如金属 3D 打印、自动化餐饮、机器人加工单元。它们不一定拥有所有门店或本地运营资产，但会通过云控系统、认证耗材、工艺参数、远程运维，把利润和知识集中在总部，把场地、人力、地方合规和运营风险分散到本地节点。
这有点像制造业里的“奶茶店模式”：总部掌握配方、设备、供应链和控制系统，本地节点负责供水供电、清洁维护和异常处理。
第三种，是制造感知型产品公司。
它既不是传统 Fabless，也不是 Foundry。它不一定拥有工厂，但会拥有足够深的制造抽象层：零件标准库、供应商能力图谱、自动 DfM、成本和交期模型、质量反馈闭环，以及 AI 设计生成系统。
这类公司不是把设计画完再丢给工厂，而是在设计还没生成时，就把供应商能力、工艺限制和质量风险放进设计空间里。
它拥有的不是实体工厂，而是“虚拟工厂”——一个可计算、可调度、可反馈的制造后端。
建筑行业可能还会出现更特殊的版本：建筑版美团。
我们很难想象一家总包公司长期持有所有地区、所有工序需要的施工机器人和机械。建筑现场太分散，项目太非标，地方约束太强，资产利用率也太不稳定。
所以建筑行业更可能出现的，不是“超级总包”，而是一个掌握施工任务分解、资源调度、现场状态、质量验收和信用结算的平台。
它不拥有所有设备、劳务队和机器人，就像美团不拥有所有餐厅、骑手和电动车。但它控制订单入口、履约规则、调度系统、评分机制和异常处理。
未来的关键问可能不再是：谁拥有工厂？
而是：
谁拥有工艺参数？
谁拥有控制序列？
谁拥有现场数据？
谁拥有质量反馈？
谁拥有调度权和结算权？
半导体给制造业的真正启发，不是所有行业都要变成晶圆厂，而是：当一个行业把隐性知识变成显性接口，把现场经验变成可计算约束，把制造能力变成可调用服务，AI 才能真正进入工程闭环。
所以，制造业会向半导体学习。
但它不会完全复制半导体。
它会长出自己的形态：制造 PDK、工艺控制平面、虚拟工厂、建筑美团，以及一批真正 AI-native 的硬件公司。
@aigc1024
这件事的关键，不是“AI 会不会设计东西”，而是一个行业有没有把自己的工艺、约束、成本、良率和责任，压缩成机器可读、可验证、可调用的接口。
半导体行业已经高度接近这个状态。
芯片设计之所以更容易被 AI 介入，不只是因为 Verilog、GDS、PDK 这些格式更“文本化”或更数字化，而是因为整个行业已经形成了一套前置检查和签核体系：制造约束、时序约束、功耗约束、版图规则、良率风险，都尽可能在设计阶段被模型化、检查化、接口化。
这背后有一个很特殊的产业结构：极高的资本强度，极高的失败成本，极高的工艺复杂度，以及高度集中的头部玩家。
ASML、应用材料、台积电、新思科技、Cadence 这类公司处在各自链条的关键节点。它们之间可以协调出可计算、可解耦的接口，因为前沿实践中的隐性知识高度集中，协作关系也足够稳定。
但建筑、机械、通用制造业不一样。
这些行业的约束大量存在于现场、工人经验、供应商能力、材料替代、地方监管、安装误差、天气、物流、临时变更和责任划分里。它们不是不能被 AI 改造，而是还没有形成足够成熟的“机器可读约束网络”。
所以未来制造业向半导体学习，不会简单变成“所有行业都有自己的台积电”。
更可能出现三种形态。
第一种，是开放式制造网络。
工厂像发布 PDK 一样发布自己的制造能力边界：能做什么材料、什么精度、什么尺寸、什么后处理、什么检测、什么交期、什么良率。设计软件和 AI 系统可以直接调用这些能力，自动完成 DfM 检查、报价、派单和质量追踪。
这不是简单的找供应商，而是把制造能力 API 化。
第二种，是封闭式工艺栈。
某些设备商或工艺公司会在一个相对封闭的场景里做端到端控制，比如金属 3D 打印、自动化餐饮、机器人加工单元。它们不一定拥有所有门店或本地运营资产，但会通过云控系统、认证耗材、工艺参数、远程运维，把利润和知识集中在总部，把场地、人力、地方合规和运营风险分散到本地节点。
这有点像制造业里的“奶茶店模式”：总部掌握配方、设备、供应链和控制系统，本地节点负责供水供电、清洁维护和异常处理。
第三种，是制造感知型产品公司。
它既不是传统 Fabless，也不是 Foundry。它不一定拥有工厂，但会拥有足够深的制造抽象层：零件标准库、供应商能力图谱、自动 DfM、成本和交期模型、质量反馈闭环，以及 AI 设计生成系统。
这类公司不是把设计画完再丢给工厂，而是在设计还没生成时，就把供应商能力、工艺限制和质量风险放进设计空间里。
它拥有的不是实体工厂，而是“虚拟工厂”——一个可计算、可调度、可反馈的制造后端。
建筑行业可能还会出现更特殊的版本：建筑版美团。
我们很难想象一家总包公司长期持有所有地区、所有工序需要的施工机器人和机械。建筑现场太分散，项目太非标，地方约束太强，资产利用率也太不稳定。
所以建筑行业更可能出现的，不是“超级总包”，而是一个掌握施工任务分解、资源调度、现场状态、质量验收和信用结算的平台。
它不拥有所有设备、劳务队和机器人，就像美团不拥有所有餐厅、骑手和电动车。但它控制订单入口、履约规则、调度系统、评分机制和异常处理。
未来的关键问可能不再是：谁拥有工厂？
而是：
谁拥有工艺参数？
谁拥有控制序列？
谁拥有现场数据？
谁拥有质量反馈？
谁拥有调度权和结算权？
半导体给制造业的真正启发，不是所有行业都要变成晶圆厂，而是：当一个行业把隐性知识变成显性接口，把现场经验变成可计算约束，把制造能力变成可调用服务，AI 才能真正进入工程闭环。
所以，制造业会向半导体学习。
但它不会完全复制半导体。
它会长出自己的形态：制造 PDK、工艺控制平面、虚拟工厂、建筑美团，以及一批真正 AI-native 的硬件公司。
@aigc1024
发现一个很适合 AI 编程玩家收藏的仓库：agency-agents。
它不是 App 而是一套“AI 专家团队角色库”，里面把前端、后端、产品、设计、测试、安全、营销、客服等岗位都写成了可调用的 Agent。
重点是它支持 Claude Code、Cursor、Codex、Gemini CLI、Copilot 等工具。
以前你是让 AI 泛泛地“写代码”，现在可以让不同专家分工：产品定需求、设计定风格、前端写页面、测试查问、安全做审查。https://github.com/msitarzewski/agency-agents
@aigc1024
它不是 App 而是一套“AI 专家团队角色库”，里面把前端、后端、产品、设计、测试、安全、营销、客服等岗位都写成了可调用的 Agent。
重点是它支持 Claude Code、Cursor、Codex、Gemini CLI、Copilot 等工具。
以前你是让 AI 泛泛地“写代码”，现在可以让不同专家分工：产品定需求、设计定风格、前端写页面、测试查问、安全做审查。https://github.com/msitarzewski/agency-agents
@aigc1024
