我們想為小型電商團隊建立一個 AI 助手,把產品照片轉成活動素材。
問題假設:小型電商團隊在把原始產品照片轉成可投放於各渠道的活動素材時,會耗費大量時間。 最高風險假設:照片品質足夠、團隊信任 AI 素材變體,而且審閱時間才是真正瓶頸。 研究問題:誰負責活動素材製作、修訂在哪裡卡住,以及什麼品質門檻會阻止發布。 驗證計畫:訪談 5 位營運人員,測試 3 條提示詞驅動的素材流程,並比較首個核准素材所需時間。 決策門檻:只有當團隊能比目前工作流更快取得可發布草稿時,才繼續推進。
使用 Claude Sonnet 5 將現有需求整理成範圍明確的實作簡報,列出相依關係、驗收檢查和待決問題。
範例輸出
最適合早期產品想法、研究規劃與創辦人策略會議。
對話
範例輸出
最適合早期產品想法、研究規劃與創辦人策略會議。
把這些需求轉換成範圍明確的實作簡報,包含相依關係、驗收檢查、風險和待決問題。
對話策略工作流中的結構化研究簡報預覽。
輸出
最適合早期產品想法、研究規劃與創辦人策略會議。
最適合
支援
線上試用
輸入設定
對話控制
選擇 Rivya 何時可以搜尋網頁、應使用多高的推理強度,以及所選模型支援時是否包含模型思考內容。
思考內容
交由模型預設決定,或在提供方支援時明確包含或隱藏思考軌跡。
開始一段對話,把規劃、提示詞和創意方向整理成一條可重用的脈絡。
提示詞起步
不想從空白提示開始時,可使用已映射到 Claude Sonnet 5 的模板,讓第一次執行更穩。
模型證明
先使用上方線上試用,再對照這些範例結果判斷完成度、節奏和任務適配度,之後再決定是否在 Studio 消耗更多點數。
把這些需求轉換成範圍明確的實作簡報,包含相依關係、驗收檢查、風險和待決問題。
對話策略工作流中的結構化研究簡報預覽。
輸出
最適合早期產品想法、研究規劃與創辦人策略會議。
主要範例
對話策略工作流中的結構化研究簡報預覽。
輸入
僅提示詞
觀察重點
對話策略工作流中的結構化研究簡報預覽。
每次使用點數
per_million_tokens · input=170 · output=855 · cache_read_multiplier=0.1 · cache_write_5m_multiplier=1.25 · cache_write_1h_multiplier=2 · ⌈total⌉
為什麼這個模型有效
面向實作的結構
需求與相依關係審閱
支援一般回應與串流對話
最適合的任務
模型證明
決策適配
決策適配
最適合的任務
任務接近這些情境時使用
Claude Sonnet 5 常見問題
你可以進行以文字為主的實作簡報起草、需求分析和技術交接。Rivya 對此模型同時支援一般回應和 SSE 串流回應。
Rivya 按上報的實際用量結算。目前合約單價為每百萬輸入 Token 170 點、每百萬輸出 Token 855 點。
不接受。Rivya 目前的 Claude Sonnet 5 合約只支援文字;請將需求和證據以獲准處理的文字形式提供。
可以。Rivya 在同一個有界輸出合約下同時支援一般回應與 SSE 串流回應。
不能。它用於呈現範圍、相依關係、測試和待決事項,之後仍需完成正常的產品、安全和工程審查。
應包含目前行為、期望結果、限制條件、相依關係、受影響使用者、驗收檢查和仍待決定的事項。
可以。登入後提供目前狀態、期望結果、限制條件和驗收標準。
不要放入密鑰、生產環境憑證或未經核准處理的機密資料。
核對範圍、相依關係、資料處理方式、測試覆蓋、回滾訊號和每個尚未解決的決策。
當需要保存上下文、修訂需求和持續規劃時,可進入完整的 Chat Studio。
比較替代模型
Anthropic 在 Rivya 上的旗艦 Claude 聊天模型,適合深度推理、謹慎整合、主管寫作和高影響力文字工作。
為什麼考慮它
如果點數說明適合下一次執行,可以考慮它:per_million_tokens · input=285 · output=1430 · cache_read_multiplier=0.1 · cache_write_5m_multiplier=1.25 · cache_write_1h_multiplier=2 · ⌈total⌉。
Anthropic 在 Rivya 上的均衡型 Claude AI 聊天模型。它保留強大的長文推理和謹慎分析,適合內容、研究和程式設計專案,同時不必直接跳到 Opus 層級的花費。
為什麼考慮它
如果任務適配度接近這個方向,可以考慮它:審查長簡報、PRD 和策略文件。
Anthropic 在 Rivya 上的均衡型 Claude AI 聊天模型。它擅長細膩寫作、謹慎分析和注重安全的回應,是內容創作和研究中很穩的 Claude 選項。
為什麼考慮它
如果任務適配度接近這個方向,可以考慮它:編輯式改寫和語氣敏感的寫作。