AI 工具 on EricChung的程式勇者村

OpenAI 最新圖片生成功能整理：現在不只是生圖，還能改圖、修字、做透明背景

Wed, 22 Apr 2026 00:30:00 +0800

如果你對 OpenAI 圖片功能的印象還停在「輸入一句 prompt，AI 幫你畫一張圖」，那現在已經不太一樣了。

截至 2026 年 4 月 22 日，OpenAI 官方文件已經把圖片能力往「生成 + 編修 + 多輪修改 + 可整合進產品」這條路推得很完整。

而且重點不是只有「畫得更漂亮」，而是它開始更像一個真的可以工作的圖片工具。

先講結論：現在 OpenAI 的圖片功能強在哪？

如果用最白話的方式講，最新一代方向有 4 個重點：

不只是生圖，還很強調改圖
對文字的理解和輸出更穩
可以把圖片當輸入，做參考、重製、局部修改
不只給人手動玩，也很適合接進 App 或工作流程

這是它跟早期圖片模型最大的差別。

以前很多 AI 生圖工具的體驗是：

第一次很驚豔，第二次開始就發現它常常「知道你想幹嘛，但做不準」。

現在 OpenAI 官方主推的 GPT Image 路線，明顯是在解這個問題。

如果你只記得 DALL·E 3，現在要更新一下印象

很多人一提到 OpenAI 生圖，腦中第一個名字還是 DALL·E 3。

但如果看官方現在的 API 文件，主力方向已經不是「DALL·E 系列是主角」了，而是 GPT Image 系列。

官方文件目前已經列出：

gpt-image-2
gpt-image-1.5
gpt-image-1
gpt-image-1-mini

其中 gpt-image-1 在模型頁已經被標成 previous image generation model，意思很明確：

現在的新方向不是回到舊的 DALL·E 命名，而是把圖片能力整合進 GPT 系列能力裡。

這個變化很重要，因為它代表 OpenAI 不再把圖片當成一個獨立、孤立的模型功能，而是把它變成整體多模態能力的一部分。

不是只會「畫圖」，而是會「照你的要求修改」

這大概是一般使用者最有感的進步。

以前很多 AI 生圖工具的問題是：

第一次生成還不錯
但你一改需求，它就整張重來
你想保留某個元素，它常常保不住
你要它只改一小塊，它卻順手把別的地方也改掉

現在 OpenAI 官方文件很明確強調的能力包括：

generate images：從文字直接生成圖片
edit images：修改既有圖片
image inputs：可以把圖片本身當成輸入
multi-turn editing：可以一輪一輪慢慢修

這代表你比較像是在跟一個設計工具合作，而不是每次都在抽卡。

例如你原本有一張商品圖，你可以要求它：

把背景改成純白
把杯子顏色改成霧黑
保留 logo 不要變
幫我加上透明背景版本
把海報上的標題字改正

這些需求的價值，不在於「炫」，而在於真的有工作用途。

為什麼大家會特別在意「文字能不能畫對」？

因為這是早期 AI 圖片模型最容易翻車的地方之一。

以前你叫它做一張海報、價目表、封面圖、社群貼文，常常畫面很漂亮，但字一放上去就變成亂碼。

OpenAI 在官方介紹 API 圖片模型時，特別強調了幾件事：

better instruction following
accurately render text
use world knowledge

翻成白話就是：

你叫它做什麼，它比較聽得懂
圖裡的文字比較有機會真的寫對
它對現實世界物件、情境、風格的理解更強

這對一般人來說，意義非常直接。

因為圖片 AI 真正有商業價值的場景，很多都不是純藝術創作，而是：

社群貼文圖
活動宣傳圖
商品示意圖
App mockup
簡報封面
教學圖卡

這些東西幾乎都跟「字要對、版面要穩」有關。

它現在比較像 Photoshop + AI，不只是 Midjourney 式的靈感機器

這句話不是在做產品比較，而是在講使用心智。

很多人以前對 AI 生圖工具的期待是：

幫我畫一張很酷的圖。

但 OpenAI 現在這條路更像是：

幫我把這張圖做成我真的能用的版本。

差別很大。

前者偏創意發想，後者偏工作流。

所以 OpenAI 這套圖片能力特別適合下面這些人：

要快速做視覺素材的內容創作者
要產商品圖、行銷圖的電商團隊
要做封面、插圖、概念圖的自媒體或設計師
想把生圖功能整合進產品的開發者

開發者視角：現在可以怎麼接進產品？

如果你是工程師，這一段比較重要。

OpenAI 目前把圖片能力放在兩種主要用法裡：

1. Image API

適合這種需求：

單次生成一張圖
單次改一張圖
後端明確控制輸入與輸出

這種模式比較像：

我知道我要做什麼，直接呼叫 API 執行。

2. Responses API + `image_generation` tool

適合這種需求：

對話中順手生成圖片
讓模型自己判斷現在該不該出圖
在多輪流程中反覆改圖
做聊天型產品、助理型產品、創作工具

這種模式比較像：

我不是只做一次生圖，而是要把圖片能力放進整個互動流程裡。

這也是現在 OpenAI 很明顯在推的方向：圖片不是單獨功能，而是 Agent / Assistant / Workflow 的一部分。

具體可控制哪些東西？

根據官方文件，現在圖片輸出可以控制的面向包含：

尺寸：例如方圖、直式圖、橫式圖
品質：低、中、高
格式：不同輸出格式
壓縮：JPEG / WebP 可調整壓縮程度
背景：透明或不透明
動作：自動判斷、直接生成、或編輯圖片

這代表它不是只有「給你一張圖」，而是可以更接近實際產品需求。

例如：

電商商品卡需要透明背景
部落格首圖要橫式比例
App 內縮圖要控制檔案大小
編輯器產品需要保留原圖細節再微調

這些都比「能不能畫出一隻貓」更接近真實世界。

一般人現在最適合怎麼用？

如果你不是開發者，最實際的使用方式其實不是追求最複雜 prompt，而是先從「明確任務」開始。

比方說：

1. 做社群圖

不要只寫：

幫我畫一張科技感圖片

比較好的寫法是：

幫我做一張 16:9 的科技風社群首圖，主題是 AI 自動化，背景乾淨，標題預留空間在左上角。

2. 改現有圖片

如果你已經有圖，通常比從零開始生更穩。

例如：

保留人物與構圖，把背景改成簡潔辦公室風格，顏色改冷色調。

3. 做有字的圖

請把文字內容直接寫清楚，並拆成層次。

例如：

做一張活動海報。主標題是「React 前端讀書會」，副標題是「週三晚上 7:30」，底部加上「台北市大安區」。

這種寫法通常會比只丟一個模糊句子好很多。

這一波更新真正代表什麼？

我覺得重點不是「OpenAI 也能生圖了」。

那早就不是新聞。

真正重要的是：

OpenAI 正在把圖片能力從展示型功能，推進到可工作的基礎能力。

也就是說，它不是只拿來玩，而是越來越像：

可接進產品的 API
可放進團隊流程的工具
可反覆修改的視覺工作台

如果你是一般使用者，感受到的會是：

它比較不再像一次性玩具，而比較像真的能幫你省時間。

如果你是開發者，感受到的會是：

圖片生成不再只是附加功能，而是可以變成產品功能本身。

最後整理

如果用一句話總結：

OpenAI 最新圖片生成功能的重點，不只是更會畫，而是更會照要求生成、修改，並且更容易接進真實工作流程。

所以如果你最近才重新注意到 OpenAI 的圖片能力，可以先更新三個印象：

主力已經是 GPT Image 系列，不只是 DALL·E
重點能力是生成 + 編修 + 多輪修改
它的價值正在從「好玩」轉向「好用」

如果你後面想看，我也可以再補一篇：

OpenAI 圖片 API 怎麼串？前端工程師快速上手版
ChatGPT 生圖 prompt 怎麼寫，成功率比較高？
OpenAI 生圖 vs Midjourney vs Flux，差別到底在哪？

參考資料

Manus 是什麼？那個被稱為「第一個真正能做事」的 AI Agent

Tue, 21 Apr 2026 00:00:00 +0800

2025 年 3 月，一個叫 Manus 的網站突然在全網爆紅。

不是因為它是「又一個 ChatGPT」，而是因為它展示了一件以前只存在 demo 影片裡的事：

你丟一個任務，它真的會自己去完成，然後把結果交給你。

不是給你一段建議、不是給你一個 outline——是直接把做好的東西丟到你面前。

Manus 是什麼？

Manus 是一個「通用型 AI Agent」。

跟純對話型 AI 最大的差別：

類型	你給它什麼	它給你什麼
ChatGPT（對話模式）	問題	回答（文字）
Claude（對話模式）	問題	回答（文字）
Claude（Agent 模式）	任務	成品（有工具呼叫、可執行動作）
Manus	任務	成品（檔案、網站、報告、腳本）

補充： Claude 現在也有 Agent 能力了——Claude Computer Use 可以操控瀏覽器和桌面，Claude.ai 內建的工具模式可以搜尋網路、執行程式碼、讀寫檔案。兩者的主要差異在於 Manus 有獨立的雲端 VM 和完整的任務交付流程，Claude Agent 則更強調與對話的整合。

你可以想像成：

「你雇了一個遠端助理，他有電腦、有瀏覽器、會寫 code、會上網查資料，然後他真的會把事情做完。」

它到底怎麼運作？

Manus 的核心機制是：

接收任務 — 你用自然語言描述目標
拆解步驟 — 自動規劃要做哪些事
開虛擬電腦 — 它在雲端會有一台自己的電腦
執行 — 開瀏覽器、寫 code、跑程式、下載資料、查資料
回報 & 交付 — 完成後把檔案或成果丟給你

重點是中間的過程你都看得到。

Manus 有一個「即時操作畫面」，像直播一樣看它：

滑鼠移到哪
開了哪些分頁
打了什麼 code
搜尋了什麼

這個透明度讓人用起來很安心——它不是黑盒子。

實際可以做什麼？

網路上流傳的經典案例：

案例 1：履歷分析

丟一份 PDF 履歷，說：「分析這個人適不適合我們公司的 senior engineer 職缺。」

Manus 會：

讀完履歷
上網查這個人的 GitHub、LinkedIn
分析技能匹配度
產出一份完整的評估報告（含建議面試問題）

案例 2：出差行程規劃

「我下週要去東京三天，預算 5 萬台幣，想看動漫相關景點。」

Manus 會：

查機票、訂機票流程（提供連結給你確認）
排三天行程（含交通時間）
列出動漫景點、餐廳
輸出一份完整的行程表（Excel / PDF）

案例 3：股票研究

「分析 NVIDIA 最近三個月的走勢，做一份投資建議報告。」

Manus 會：

抓股價資料
查最新新聞
跑分析腳本、畫圖
產出一份帶圖表的研究報告

案例 4：網站建置

「幫我做一個寵物領養平台的 prototype。」

Manus 會：

設計資料結構
寫 HTML / CSS / JavaScript
做出能點擊互動的 demo
部署到可以公開訪問的網址

跟其他 AI Agent 有什麼不同？

現在宣稱「AI Agent」的工具一堆，但 Manus 出來的時候引爆討論，有幾個原因：

1. 真的「做完」，不是「建議怎麼做」

很多 AI Agent 會告訴你：「你可以這樣做、那樣做……」

Manus 是直接做完，給你交付品。

這個差別在工作流程裡面是天與地。

2. 多工具協作

它不是只會寫 code 的 AI，也不是只會查資料的 AI——該用什麼工具就用什麼工具。

寫 Excel、做 PDF、寫 Python、開瀏覽器截圖、部署網站，全部都在同一個 agent 裡面。

3. 執行過程透明

看得到它在做什麼，出錯可以中途介入。

這比「丟進去等結果」的黑盒 agent 好用太多。

4. 非同步工作

Manus 在雲端跑，你可以關掉瀏覽器去吃飯。

它自己會繼續做，完成後通知你。

它適合誰用？

非常適合：

PM / 分析師 — 要做研究報告、競品分析
行銷 / 內容 — 要做主題研究、素材整理
工程師 — 做快速原型、腳本自動化
獨立工作者 — 一個人要處理很多雜事

比較不適合：

只需要簡單問答 — 用 ChatGPT 或 Claude 對話模式就好
需要 Agent 但想整合對話 — Claude Agent 模式可能更順手
需要高度精確的專業領域（醫療、法律）— 還是要專家審核
大量重複性工作 — 直接寫自動化腳本更穩定

限制與問題

用一陣子會發現幾個實際問題：

1. 慢

一個任務常常要跑 15–60 分鐘。

雖然可以非同步，但急件不適合。

2. 會迷路

複雜任務有時候它會卡住、重複、做到偏掉。

需要你中途給提示把它拉回來。

3. 貴

不是免費服務，用得多要付訂閱或買點數。

4. 資料安全

任務會在它的雲端 VM 跑，敏感資料、公司機密不要丟進去。

5. 還不夠穩定

畢竟是新一代產品，會有 bug、會有錯誤，不能 100% 依賴。

怎麼開始用？

1. 去 manus.im 註冊

早期要 waitlist，現在已經開放註冊（但可能有排隊或點數限制）。

2. 從小任務開始

不要一開始就丟「幫我做一個完整的 SaaS 產品」。

先從單一、清晰的任務試手感：

「分析這份 PDF 的重點」
「查一下 XX 工具和 YY 工具的差異」
「把這段 CSV 轉成圖表」

3. 學會給好指令

Manus 吃得懂自然語言，但越清楚越好：

告訴它最終產出物是什麼格式
給它限制條件（預算、時間、風格）
給參考範例

4. 善用「中斷」和「修正」

任務跑一半發現不對，直接打斷它、給新指令。

不要從頭等它做完才發現白做一場。

它會取代工程師 / 分析師嗎？

這是 Manus 剛推出時最熱門的討論。

我的觀察：

短期內不會。Manus 能做的事，有能力判斷好壞的人才用得好
會改變分工。以後一個人能做以前十個人做的雜事
基礎工作會被吃掉。整理資料、寫簡單腳本、做 PPT 模板——這類工作會縮水
高階判斷更珍貴。「要不要做」、「做到什麼程度」、「怎麼跟商業結合」這些還是要人

簡單講：它不是取代你，是讓會用它的人比不會用的人多做十倍事情。

小結

Manus 是 AI 工具進化的一個分水嶺——從「回答問題」變成「交付成果」。

雖然還有很多不穩定、還有很多做不到的事，但方向很清楚：

未來的 AI 工具，會越來越像「數位員工」，而不是「搜尋引擎」。

如果你想感受一下這個改變：

👉 manus.im

挑一個你平常會自己做的小任務，丟給它試試看。體感可能會超過你的預期。

NotebookLM 是什麼？Google 的 AI 筆記助手，幫你把一堆資料變成可問答的知識庫

Mon, 20 Apr 2026 00:40:00 +0800

你一定遇過這種情境：

手上一堆 PDF、會議記錄、研究報告，要整理成摘要
讀了十篇文章，要比較它們對同一個主題的觀點
YouTube 有一場 3 小時的演講，只想知道「他在第幾分鐘講了 XX」
準備考試或簡報，想把筆記變成可以互相問答的對象

以前這種事很花時間。

直到 Google 推出 NotebookLM，整個遊戲規則變了。

NotebookLM 是什麼？

簡單一句話：

「把你自己的資料丟進去，它就變成一個只會根據這些資料回答的 AI 助手。」

跟 ChatGPT、Claude 最大的差別是：

ChatGPT 會用它全網路的訓練資料回答你
NotebookLM 只會用你上傳的那些文件回答你

這個差別超級關鍵。

因為它表示：AI 不會亂掰（或至少亂掰的機率大幅降低）。

你讀的資料、它讀的資料，是同一份。

可以放什麼進去？

支援的來源類型越來越多，目前包含：

PDF
Google Docs / Slides
網頁 URL
YouTube 影片（會自動抓字幕）
音訊檔（會自動轉文字）
純文字貼上
Markdown

一個 notebook 可以放最多 50 個來源（免費版）、300 個（Plus 版）。

每個來源的大小限制也不小（PDF 上限 500,000 字），對大部分情境夠用了。

最強的三個功能

1. 基於來源的問答

這是核心。

把資料丟進去後，你可以直接問：

「這幾篇文章對於 XX 議題，立場分別是什麼？」
「第 3 頁講的那個實驗，結論是什麼？」
「這本書的核心論點用三句話總結」

每個回答都會附上「引用來源」，點進去就能看到原文在哪一段。

這個 source citation 功能是 NotebookLM 最讓人安心的地方——你可以驗證 AI 有沒有亂掰。

2. 自動 Podcast（Audio Overview）

這個功能剛推出的時候全網都在驚呼。

你丟一份資料進去，點一下「Generate Audio Overview」，它會自動生成一集兩個 AI 主持人對話的 Podcast，就像真人在討論你的資料一樣。

聽起來像真人節目，而且內容是根據你的資料做的。

用途：

通勤聽自己的論文摘要
讀書會前快速掌握一本書
把枯燥的技術文件轉成好吸收的對話形式

現在還支援多國語言（包含中文）。

3. Mind Map（心智圖）

上傳資料後，NotebookLM 可以自動生成一張心智圖，把主要概念、子概念、彼此的關係視覺化。

對要做簡報、寫文章、理清思路的人，超級有用。

實際使用情境

我自己常用的幾種情境：

情境 1：讀論文 / 研究報告

丟 5 篇相關主題的論文進去，問：「這些研究在方法論上有什麼差異？」

比自己一篇一篇讀快十倍。

情境 2：工作文件彙整

把會議記錄、產品規格、使用者回饋全部丟進去。

需要某個決策背景時，直接問：「關於 XX 功能，之前做了什麼決定？為什麼？」

情境 3：技術文件學習

丟一份新工具的完整官方文件進去，問：「我要做 XX 的話，大概的流程是什麼？」

不用從頭讀 200 頁文件。

情境 4：寫作素材整理

把相關文章、筆記、訪談稿丟進去。

寫作時問：「這個主題我之前有沒有寫過類似的觀點？」

情境 5：面試準備

把公司官網、產品文件、新聞報導丟進去。

問：「這家公司最近的策略方向是什麼？」「他們最大的競爭對手是誰？」

跟 ChatGPT / Claude 比起來呢？

功能	NotebookLM	ChatGPT / Claude
基於自己資料	✅ 核心功能	有但要貼上
引用來源	✅ 每句都有	大部分沒有
來源數量	50 份（免費）	受 context 限制
自動 Podcast	✅	❌
通用對話	弱	強
程式碼生成	弱	強

結論：NotebookLM 不是要取代 ChatGPT，是另一個用途。

需要「基於特定資料做深度理解」時，用 NotebookLM；要「寫 code、寫文案、泛用對話」時，還是用 ChatGPT / Claude。

幾個使用小技巧

把相關資料放同一個 notebook

NotebookLM 的回答品質，跟你給的來源品質高度相關。

不要把無關的資料塞在一起，會互相干擾。建議一個主題開一個 notebook。

先問「總結」再問細節

新開一個 notebook，先丟資料問：「這些資料的主要內容是什麼？」

這樣你會對它「看到什麼」有個概念，後續問細節才知道怎麼問。

善用「Notes」功能

NotebookLM 裡面可以記 notes。

把自己的想法、問答結果存成 note，之後可以把這些 note 也變成新的來源。

等於你的思考會跟資料一起累積。

定期清理來源

資料放太多會稀釋重點。

做完一個專案後，可以把這個 notebook 封存，開新的。

需要付費嗎？

目前有兩個版本：

版本	價格	特色
免費版	$0	每個 notebook 50 個來源、基本功能都有
Plus	併入 Google AI Plus / Pro 方案	更多來源、更長使用時間、進階功能

免費版已經夠用，如果你只是想試試看，不用急著付費。

資料安全？

這是 Google，大家關心的問題：「我的資料會被拿去訓練嗎？」

官方說明是：

個人免費版的資料不會被用來訓練模型
企業/教育版（Workspace）的資料完全隔離

但還是有幾個原則：

機密資料、公司機密不要上傳
客戶個資不要上傳
如果不確定敏感程度，請遵守公司的資料政策

對個人學習、公開資料研究，NotebookLM 幾乎沒有安全疑慮。

小結

如果你是：

學生：NotebookLM 可以把整學期的教材變成問答助手
研究者：可以快速整合多篇文獻
工程師：可以把技術文件變成隨時可查的 AI
寫作者：可以把素材庫變成靈感來源
一般上班族：可以把工作文件變成「問問題就有答案」的系統

這個工具都值得試試看。

👉 notebooklm.google.com

用 Google 帳號就能登入，免費先玩一輪再說。

AI 工具 on EricChung的程式勇者村

OpenAI 最新圖片生成功能整理：現在不只是生圖，還能改圖、修字、做透明背景

先講結論：現在 OpenAI 的圖片功能強在哪？

如果你只記得 DALL·E 3，現在要更新一下印象

不是只會「畫圖」，而是會「照你的要求修改」

為什麼大家會特別在意「文字能不能畫對」？

它現在比較像 Photoshop + AI，不只是 Midjourney 式的靈感機器

開發者視角：現在可以怎麼接進產品？

1. Image API

2. Responses API + image_generation tool

具體可控制哪些東西？

一般人現在最適合怎麼用？

1. 做社群圖

2. 改現有圖片

3. 做有字的圖

這一波更新真正代表什麼？

最後整理

參考資料

Manus 是什麼？那個被稱為「第一個真正能做事」的 AI Agent

Manus 是什麼？

它到底怎麼運作？

實際可以做什麼？

案例 1：履歷分析

案例 2：出差行程規劃

案例 3：股票研究

案例 4：網站建置

跟其他 AI Agent 有什麼不同？

1. 真的「做完」，不是「建議怎麼做」

2. 多工具協作

3. 執行過程透明

4. 非同步工作

它適合誰用？

非常適合：

比較不適合：

限制與問題

1. 慢

2. 會迷路

3. 貴

4. 資料安全

5. 還不夠穩定

怎麼開始用？

1. 去 manus.im 註冊

2. 從小任務開始

3. 學會給好指令

4. 善用「中斷」和「修正」

它會取代工程師 / 分析師嗎？

小結

NotebookLM 是什麼？Google 的 AI 筆記助手，幫你把一堆資料變成可問答的知識庫

NotebookLM 是什麼？

可以放什麼進去？

最強的三個功能

1. 基於來源的問答

2. 自動 Podcast（Audio Overview）

3. Mind Map（心智圖）

實際使用情境

情境 1：讀論文 / 研究報告

情境 2：工作文件彙整

情境 3：技術文件學習

情境 4：寫作素材整理

情境 5：面試準備

跟 ChatGPT / Claude 比起來呢？

幾個使用小技巧

把相關資料放同一個 notebook

先問「總結」再問細節

善用「Notes」功能

定期清理來源

需要付費嗎？

資料安全？

小結

2. Responses API + `image_generation` tool