DeepSeek設計，即夢AI繪圖，剪映成片。

DeepSeek的熱度還在高開瘋走。

用戶對于各個場景下DS應用的探索也還在持續，各種DS+的模式被挖掘出來，超級個體們開始給手下的大模型團隊進行分工，實踐出各種場景下最佳的排列組合方式。

很多網友調侃：當領導排兵布陣也是件頭疼的事。

在過去的一段時間里，個人也在嘗試DS+模式的使用，最多的就是DS輸出文本，再把信息提交給其它大模型，去解決對應的場景需求。

常用的案例：小紅書爆款筆記生成，制作圖片和視頻的提示詞工程，基于效果圖編寫產品頁面的代碼。

幾句簡單的提示詞工程，可以非常輕松且高效的拿到基本符合預期效果，這就是當下人工智能賽道的魅力所在。

【1】小紅書筆記，在DS模型內即可完成，耗時1分鐘/篇。

以3:4的比例，使用HTML寫一個web頁面，制作小紅書爆款筆記的背景圖，參考XX風格，并提供頁面導出為圖片的按鈕。

下面兩個場景，都是由DeepSeek寫文，即夢AI完成繪圖，最后剪映制作成短片。

【2】寫給打工人的詩，耗時1小時左右。

1、給春節回歸職場，身心俱疲的打工人寫一首詩，既要理解牛馬的難處，又要鼓勵牛馬們再接再厲。

2、為上面這首詩的每句話寫一個圖片生成的提示詞，盡量契合這首詩的主題，圖片要求使用相同的風格。

【3】短片打工人的一天，耗時30分鐘左右。

1、假設你是一個短片導演，現在要為打工人制作一個短片，記錄忙碌的一天，請你給出12個值得記錄的場景。

2、為每一個場景選出一張經典的畫面，并為每一個畫面寫一段AI繪圖的提示詞，適當考慮12組畫面之間的連貫性。

相關成品已發布在視頻號中，網友可以自行查看點評。

這三個場景的提示詞工程，個人覺得都平白直敘比較簡單，而對于像繪圖和短片場景描述，則直接讓DS模型代寫，不考慮成品效果上的瑕疵，在熟悉各種工具用法的前提下，效率出奇的高。

在體驗的過程中，自己一直在思考個問題。

假設AI足夠了解用戶，并且能力迭代到足夠商用的情況下，再去針對性的為個體量身定制信息化的內容，比如文本圖片和視頻等，會產生一種怎樣震撼的效果？

這個思考的來源，是出自廣告營銷的產品場景。

廣告這個行業，過去這些年有個熱門的詞叫數字營銷，就是基于廣告和用戶的各自特征進行匹配，根據曝光和轉化的效果，再去分析營銷鏈路是否合理。

上網時刷到廣告不是迎面相撞，是處心積慮的制造偶遇。

進一步解釋就是，廣告的內容可以使用多維度標簽來描述，比較常見的就是行業和內容本身，以及廣告想要推送的用戶群體，同樣一套標簽也可以標記在用戶身上。

標簽是廣告和用戶間，匹配度的計算依據。

在進行廣告投放時，會先通過幾次小規模的人群測試，驗證廣告和人群之間的匹配度是否契合，效果好則具備大面積推廣的價值，效果差則需要重新考慮廣告設計或者目標人群的設定。

這種手段和策略，在推薦流媒體和廣告行業十分常見。

反復的分析用戶和廣告之間的轉化效果，從而不斷的發現和總結客觀的規律，然后持續迭代算法和營銷策略，這也就是過去幾年常說的算法模式。

不少用戶感慨：自己訓練的算法，反過來會壓榨更多的時間。

這種先匹配再營銷的手段，雖然策略五花八門但是原理并不復雜，在具備足夠數據樣本的前提下，也稱得上是有理有據，非常客觀的營銷邏輯。

不過模式缺點也很明顯，標簽的方式雖然可以洞察人群的宏觀特征，從而計算和廣告的匹配度，但是標簽體系是相對固定的，也會在無形之中約束著人群和廣告。

對于標簽來說，明確的喜歡和討厭都是有價值的數據。

推薦用戶不感興趣的內容，未必是算法不懂你，可能是做必要的內容分發，或者是對用戶的喜好做試探性的猜測，再根據效果分析，迭代用戶的標簽庫。

復雜鮮活的個體，善變才是永恒的標簽。

傳統的標簽匹配算法，是無法精準洞察和預測這種變化的，在信息爆炸的當下，算法能薅出來20%的內容或廣告，未必就符合用戶的心血來潮，這也導致很多用戶懂得反向訓練算法。

這種個性化推薦機制，在人工智能的趨勢下極有可能會被重構。

在個性化推薦中，有幾個常用的策略。

第一種基于算法做內容篩選。

以內容行業來說，用戶瀏覽、點擊、查看，或是標記喜歡和收藏，正向流程就是告訴算法喜歡的內容，反向流程推導就是告訴算法不感興趣的內容。

反復分析用戶行為，不斷提煉內容的標簽，這樣可以把用戶和標簽進行深度綁定。

第二種相似人群洞察。

分析少量目標用戶的共同標簽，根據這些特征再去找其它相同標簽的人群，通過標簽的精細化檢索，可以實現用戶群體的放大或縮小。

比如用戶1具備ABC三個標簽，用戶2具備BC兩個標簽，可以推測用戶2可能也具備A標簽，基于這個策略做驗證，自然可能會事半功倍。

畢竟物以類聚，人以群分。

第三種是混合策略，會基于上面兩種邏輯做設計。

比如空白用戶需要用復雜全面的標簽內容做興趣試探，從而不斷完善用戶自身的標簽庫，如果用戶興趣標簽已經固定，反而會在推薦算法中加入少量的新標簽內容，不斷的挖掘和豐富標簽體系。

傳統推薦算法受限于標簽，不過AI技術已然具備重構的能力。

廣告還是那個廣告，用戶還是那個用戶，交易還是那個交易。

雖然營銷的內容可能還是那些內容，比如常見的文本和圖片以及視頻和音頻，但是多模態信息的底層存儲邏輯是一致的，對于大模型來說是機器理解的通用語言。

那么大模型對于廣告和用戶的理解，可以更加的細膩和靈活，假設模型在具備足夠的能力之后，甚至可以為用戶量身定制即時的廣告信息。

這不止是千人千面了，效率上更是朝夕太久只爭當下。

電商平臺的推薦算法中，當發現用戶有明顯的購買意向時，動作上可能是采集到多次搜索、加購物車、點擊喜歡和收藏等行為。

特定或類似的商品，就會在多個應用的顯眼位置多次展示，這不是偶遇。

但是在AI加持的推薦業務中，大模型可以更加細致的理解多模態的信息，對于廣告和用戶能做到更加的知根知底，自然可以給廣告定位精準的用戶群體，也可以給用戶推薦更及時準確的內容。

有句老話叫做：知己知彼百戰百勝。

不過這需要更加詳細的數據采集機制，在標簽模式下，只需要分析用戶行為并加工為標簽體系即可，從而粗略的完成用戶畫像分析。

如果希望AI更加準確的理解用戶，則需要盡可能詳細的采集用戶多模態信息。既包括用戶的行為，也需要行為所涉及的內容，比如文本圖片和視頻等，這就不是畫像能描清楚的事了。

傳統的標簽算法在當下略顯粗糙了，AI加持下的推薦必然更加精準和高效。

大模型的能力，可不止理解信息這么單調，完全不要忽視它的創意能力。

DeepSeek爆火的真正意義，在算力成本上的突破并不是最重要的，其核心還是在于文本信息的處理，模型出色的語言能力，才讓低成本的算力更加有價值。

在DS給打工人寫詩的交互中，來看一下模型的思考推理能力。

春節后回歸職場、身心疲憊的打工人。需要既理解他們的難處，又要鼓勵他們繼續努力。首先，我得確定這首詩的基調，不能太消極，也不能太雞湯。要真實，有共鳴。

接下來，考慮打工人的日常。他們常自嘲為“牛馬”，所以用這個比喻比較貼切。春節剛過，可能還在懷念家的溫暖，突然回到忙碌的工作中，這種反差需要表現出來...

然后，身心俱疲的狀態怎么體現？螺絲釘、齒輪這些意象不錯，能表現機械重復的工作，以及個體在系統中的渺小...

鼓勵的部分，不能只是空洞的打氣。要找到工作中的小確幸...

... 寫詩的基本手法 ...（成品見蝴蝶號）

完整嚴密的思維鏈路，加上DS出色的語言能力，其最終成品的效果也非常不錯，這只是對于DS語言的簡單體驗。

如果在提示詞中添加更多精確的描述，那么DS輸出的文本內容，可能會更加的高級有質感。

然后讓DS為每一句詩，寫一段圖片生成的提示詞，交給即夢AI進行繪圖，從繪圖中選出符合審美習慣的圖片高清處理，再將圖片轉換為視頻，最后剪映加工做成短片。

當然也可以由文本直接轉視頻，只是效果會略微差一些。

前后不過1小時，如果交給人工處理，成本投入和耗時都會高許多。

受限于AI在圖片和視頻方面的能力水平，整個流程還是有多次人工介入，這里也可以考慮智能體和程序處理，只是自動化流程的策略需要設計。

簡單的流程，已然展現出AI在內容和創意方面的多模態能力。

在傳統的營銷模式中，大部分的廣告內容，都是預先制作好的模板信息或者成片，自然無法應對善變的市場和用戶。

AI能力的加持下，理論上可以重構數字營銷。

通過對廣告和用戶的細致理解，不僅能提高兩者間的匹配精準度，甚至可能實現推理預測維度的提升，自然也能提高轉化效率。

媒體內容已經有大量AI創作的聲明，在很多內容中都直接或間接的植入廣告導向。

如果AI的多模態能力持續突破和迭代，再結合前幾年熱了一陣的元宇宙技術，不排除有一天能實現所想即所見的能力。