由Hugging Face机器学习增长负责人Ahsen Khaliq(@_akhaliq)开发的开源Web应用开发环境AnyCoder已在Hugging Face Spaces正式发布。
该工具现已面向AI代码共享平台Hugging Face的所有用户开放,集成了实时预览、多模态输入和一键部署功能。在托管环境中,无论是缺乏技术专业知识的独立创作者,还是为客户或大型企业工作的开发人员,都可以借助Hugging Face托管的AI模型快速开始"直觉式编程"Web应用。
AnyCoder也因此成为Lovable等服务的替代方案,这些服务同样允许用户用纯英文描述来开始编写应用程序,无需正式的编程知识。
免费直觉式编程,Kimi K2驱动
Khaliq将AnyCoder作为Hugging Face生态系统内的个人项目开发,并将其定位为"首批支持Moonshot强大而小巧高效的Kimi K2模型的直觉式编程应用之一",该模型于上周发布。
AnyCoder的主要功能允许用户输入纯文本描述来生成HTML、CSS和JavaScript代码。这些代码会在实时预览窗格中显示,可以进行编辑或直接部署。工具还包含待办事项应用、仪表板、计算器等示例模板。
AnyCoder完全基于Hugging Face的开源Python开发环境Gradio构建,允许用户用纯英文描述应用程序或上传图像,即时生成可运行的前端代码。
Khaliq在与VentureBeat记者的私信对话中将其描述为"免费开源的直觉式编程应用"。
他还指出,该工具支持多个开源模型,用户可以通过左侧控制面板的下拉菜单在不同模型间切换,包括:
Moonshot Kimi-K2、DeepSeek V3、DeepSeek R1、百度的ERNIE-4.5-VL、MiniMax M1、阿里巴巴的Qwen3-235B-A22B、SmolLM3-3B和GLM-4.1V-9B-Thinking。
从UI图像生成代码、网络搜索集成和OCR支持
使用ERNIE-4.5-VL模型,AnyCoder支持多模态生成。用户可以上传UI设计截图或原型图,并从中生成功能性前端代码,这对设计师或视觉化工作团队非常有用。
AnyCoder包含网站重新设计工具,能够从任何公开网站提取内容并以更现代的布局重新渲染。它使用抓取的内容如页面结构、元信息和图像来构建新版本,可选择性地根据用户指令如"让它更简约"或"添加深色模式"进行调整。
为支持最新的设计趋势和实现模式,AnyCoder通过Tavily提供网络搜索集成。启用API密钥后,平台会在生成代码前搜索当前技术和最佳实践。
用户可以上传包含嵌入文本的图像(如截图或手写笔记),AnyCoder使用Tesseract OCR提取其中的内容。提取的文本随后可以整合到代码提示或应用内容中。
一键部署到Hugging Face Spaces
AnyCoder允许将生成的应用即时部署到Hugging Face Spaces。在通过OAuth认证并授予所需权限后,用户可以在自己的Hugging Face账户命名空间下部署应用。部署功能包括:
移动友好的响应式设计、品牌化页眉/页脚和README、实时可共享URL以及完整的所有权和编辑权限。
该部署功能现已支持使用Gradio构建的完整Python应用程序,将工具的使用场景扩展到静态网站之外。对Streamlit的支持也正在开发中。
对于新手开发者或希望快速启动新项目的技术专家来说,AnyCoder似乎是一个优秀且引人注目的起点。
好文章,需要你的鼓励
本文探讨如何使用生成式AI和大语言模型作为倾听者,帮助用户表达内心想法。许多主流AI如ChatGPT、Claude等被设计成用户的"最佳伙伴",或试图提供心理健康建议,但有时用户只想要一个尊重的倾听者。文章提供了有效的提示词技巧,指导AI保持中性、尊重的态度,专注于倾听和理解,而非给出建议或判断。同时提醒用户注意隐私保护和AI的局限性。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
人工通用智能和超级人工智能的出现,可能会创造出一种全新的外星智能形态。传统AI基于人类智能模式构建,但AGI和ASI一旦存在,可能会选择创造完全不同于人类认知方式的新型智能。这种外星人工智能既可能带来突破性进展,如找到癌症治愈方法,也可能存在未知风险。目前尚不确定这种新智能形态是否会超越人类智能,以及我们是否应该追求这一可能改变人类命运的技术突破。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。