DeepSeek设计，即梦AI绘图，剪映成片。

DeepSeek的热度还在高开疯走。

用户对于各个场景下DS应用的探索也还在持续，各种DS+的模式被挖掘出来，超级个体们开始给手下的大模型团队进行分工，实践出各种场景下最佳的排列组合方式。

很多网友调侃：当领导排兵布阵也是件头疼的事。

在过去的一段时间里，个人也在尝试DS+模式的使用，最多的就是DS输出文本，再把信息提交给其它大模型，去解决对应的场景需求。

常用的案例：小红书爆款笔记生成，制作图片和视频的提示词工程，基于效果图编写产品页面的代码。

几句简单的提示词工程，可以非常轻松且高效的拿到基本符合预期效果，这就是当下人工智能赛道的魅力所在。

【1】小红书笔记，在DS模型内即可完成，耗时1分钟/篇。

以3:4的比例，使用HTML写一个web页面，制作小红书爆款笔记的背景图，参考XX风格，并提供页面导出为图片的按钮。

下面两个场景，都是由DeepSeek写文，即梦AI完成绘图，最后剪映制作成短片。

【2】写给打工人的诗，耗时1小时左右。

1、给春节回归职场，身心俱疲的打工人写一首诗，既要理解牛马的难处，又要鼓励牛马们再接再厉。

2、为上面这首诗的每句话写一个图片生成的提示词，尽量契合这首诗的主题，图片要求使用相同的风格。

【3】短片打工人的一天，耗时30分钟左右。

1、假设你是一个短片导演，现在要为打工人制作一个短片，记录忙碌的一天，请你给出12个值得记录的场景。

2、为每一个场景选出一张经典的画面，并为每一个画面写一段AI绘图的提示词，适当考虑12组画面之间的连贯性。

相关成品已发布在视频号中，网友可以自行查看点评。

这三个场景的提示词工程，个人觉得都平白直叙比较简单，而对于像绘图和短片场景描述，则直接让DS模型代写，不考虑成品效果上的瑕疵，在熟悉各种工具用法的前提下，效率出奇的高。

在体验的过程中，自己一直在思考个问题。

假设AI足够了解用户，并且能力迭代到足够商用的情况下，再去针对性的为个体量身定制信息化的内容，比如文本图片和视频等，会产生一种怎样震撼的效果？

这个思考的来源，是出自广告营销的产品场景。

广告这个行业，过去这些年有个热门的词叫数字营销，就是基于广告和用户的各自特征进行匹配，根据曝光和转化的效果，再去分析营销链路是否合理。

上网时刷到广告不是迎面相撞，是处心积虑的制造偶遇。

进一步解释就是，广告的内容可以使用多维度标签来描述，比较常见的就是行业和内容本身，以及广告想要推送的用户群体，同样一套标签也可以标记在用户身上。

标签是广告和用户间，匹配度的计算依据。

在进行广告投放时，会先通过几次小规模的人群测试，验证广告和人群之间的匹配度是否契合，效果好则具备大面积推广的价值，效果差则需要重新考虑广告设计或者目标人群的设定。

这种手段和策略，在推荐流媒体和广告行业十分常见。

反复的分析用户和广告之间的转化效果，从而不断的发现和总结客观的规律，然后持续迭代算法和营销策略，这也就是过去几年常说的算法模式。

不少用户感慨：自己训练的算法，反过来会压榨更多的时间。

这种先匹配再营销的手段，虽然策略五花八门但是原理并不复杂，在具备足够数据样本的前提下，也称得上是有理有据，非常客观的营销逻辑。

不过模式缺点也很明显，标签的方式虽然可以洞察人群的宏观特征，从而计算和广告的匹配度，但是标签体系是相对固定的，也会在无形之中约束着人群和广告。

对于标签来说，明确的喜欢和讨厌都是有价值的数据。

推荐用户不感兴趣的内容，未必是算法不懂你，可能是做必要的内容分发，或者是对用户的喜好做试探性的猜测，再根据效果分析，迭代用户的标签库。

复杂鲜活的个体，善变才是永恒的标签。

传统的标签匹配算法，是无法精准洞察和预测这种变化的，在信息爆炸的当下，算法能薅出来20%的内容或广告，未必就符合用户的心血来潮，这也导致很多用户懂得反向训练算法。

这种个性化推荐机制，在人工智能的趋势下极有可能会被重构。

在个性化推荐中，有几个常用的策略。

第一种基于算法做内容筛选。

以内容行业来说，用户浏览、点击、查看，或是标记喜欢和收藏，正向流程就是告诉算法喜欢的内容，反向流程推导就是告诉算法不感兴趣的内容。

反复分析用户行为，不断提炼内容的标签，这样可以把用户和标签进行深度绑定。

第二种相似人群洞察。

分析少量目标用户的共同标签，根据这些特征再去找其它相同标签的人群，通过标签的精细化检索，可以实现用户群体的放大或缩小。

比如用户1具备ABC三个标签，用户2具备BC两个标签，可以推测用户2可能也具备A标签，基于这个策略做验证，自然可能会事半功倍。

毕竟物以类聚，人以群分。

第三种是混合策略，会基于上面两种逻辑做设计。

比如空白用户需要用复杂全面的标签内容做兴趣试探，从而不断完善用户自身的标签库，如果用户兴趣标签已经固定，反而会在推荐算法中加入少量的新标签内容，不断的挖掘和丰富标签体系。

传统推荐算法受限于标签，不过AI技术已然具备重构的能力。

广告还是那个广告，用户还是那个用户，交易还是那个交易。

虽然营销的内容可能还是那些内容，比如常见的文本和图片以及视频和音频，但是多模态信息的底层存储逻辑是一致的，对于大模型来说是机器理解的通用语言。

那么大模型对于广告和用户的理解，可以更加的细腻和灵活，假设模型在具备足够的能力之后，甚至可以为用户量身定制即时的广告信息。

这不止是千人千面了，效率上更是朝夕太久只争当下。

电商平台的推荐算法中，当发现用户有明显的购买意向时，动作上可能是采集到多次搜索、加购物车、点击喜欢和收藏等行为。

特定或类似的商品，就会在多个应用的显眼位置多次展示，这不是偶遇。

但是在AI加持的推荐业务中，大模型可以更加细致的理解多模态的信息，对于广告和用户能做到更加的知根知底，自然可以给广告定位精准的用户群体，也可以给用户推荐更及时准确的内容。

有句老话叫做：知己知彼百战百胜。

不过这需要更加详细的数据采集机制，在标签模式下，只需要分析用户行为并加工为标签体系即可，从而粗略的完成用户画像分析。

如果希望AI更加准确的理解用户，则需要尽可能详细的采集用户多模态信息。既包括用户的行为，也需要行为所涉及的内容，比如文本图片和视频等，这就不是画像能描清楚的事了。

传统的标签算法在当下略显粗糙了，AI加持下的推荐必然更加精准和高效。

大模型的能力，可不止理解信息这么单调，完全不要忽视它的创意能力。

DeepSeek爆火的真正意义，在算力成本上的突破并不是最重要的，其核心还是在于文本信息的处理，模型出色的语言能力，才让低成本的算力更加有价值。

在DS给打工人写诗的交互中，来看一下模型的思考推理能力。

春节后回归职场、身心疲惫的打工人。需要既理解他们的难处，又要鼓励他们继续努力。首先，我得确定这首诗的基调，不能太消极，也不能太鸡汤。要真实，有共鸣。

接下来，考虑打工人的日常。他们常自嘲为“牛马”，所以用这个比喻比较贴切。春节刚过，可能还在怀念家的温暖，突然回到忙碌的工作中，这种反差需要表现出来...

然后，身心俱疲的状态怎么体现？螺丝钉、齿轮这些意象不错，能表现机械重复的工作，以及个体在系统中的渺小...

鼓励的部分，不能只是空洞的打气。要找到工作中的小确幸...

... 写诗的基本手法 ...（成品见蝴蝶号）

完整严密的思维链路，加上DS出色的语言能力，其最终成品的效果也非常不错，这只是对于DS语言的简单体验。

如果在提示词中添加更多精确的描述，那么DS输出的文本内容，可能会更加的高级有质感。

然后让DS为每一句诗，写一段图片生成的提示词，交给即梦AI进行绘图，从绘图中选出符合审美习惯的图片高清处理，再将图片转换为视频，最后剪映加工做成短片。

当然也可以由文本直接转视频，只是效果会略微差一些。

前后不过1小时，如果交给人工处理，成本投入和耗时都会高许多。

受限于AI在图片和视频方面的能力水平，整个流程还是有多次人工介入，这里也可以考虑智能体和程序处理，只是自动化流程的策略需要设计。

简单的流程，已然展现出AI在内容和创意方面的多模态能力。

在传统的营销模式中，大部分的广告内容，都是预先制作好的模板信息或者成片，自然无法应对善变的市场和用户。

AI能力的加持下，理论上可以重构数字营销。

通过对广告和用户的细致理解，不仅能提高两者间的匹配精准度，甚至可能实现推理预测维度的提升，自然也能提高转化效率。

媒体内容已经有大量AI创作的声明，在很多内容中都直接或间接的植入广告导向。

如果AI的多模态能力持续突破和迭代，再结合前几年热了一阵的元宇宙技术，不排除有一天能实现所想即所见的能力。