学习笔记 · AI 辅助编程 · 原文 Lenny's Newsletter 客座文章

把 AI 调教成世界级设计师

Anshu Chimala(前 Apple)的一套完整流程:三个阶段、七个技巧,把 AI 从「安全但平庸的 averaging 机」推向「大胆而独特的设计师」。本页为中文整理笔记,关键 prompt 与对照图照录原文。

作者 Anshu Chimala 2026-09-01 约 15 分钟 3 阶段 · 7 技巧 · 19 图
创意边缘 99% 没人踏足 平均值盆地 大多数 prompt 落在这里 D1 D2 D3 发现 定义 交付 大多数人拿到的输出 只有你能做出的设计
prompt 的想象力地形。LLM 每一步都挑「最可能取悦所有人」的 token,所以输出天然向左边的平均值盆地堆积;三个阶段(D1 发现 → D2 定义 → D3 交付)就是一条刻意走出盆地的登山路线。地形隐喻照应原文的创意空间分布图。

§0为什么 AI 画出来的东西都长一个样

Anshu 在 Apple 带了 12 年软硬件工程与设计团队,做面向未来的 AI 产品原型。他发现:管理人类设计师时踩过的坑,和今天管理 AI 时一模一样——预先 conceive 好的「界面应该长这样」会把团队一次次拉回旧点子。区别只是,人类设计师会腻,AI 不会。

机制上的原因:LLM 是逐 token 的预测器,每一步都参照海量样例挑「最可能」的下一个 token;人类评分反馈又进一步教会它做一致、安全、符合所有人偏好的选择。而 great design 恰恰相反——从感受出发、追求情绪反应、靠出人意料的选择让人记住。于是:

「AI 生成的设计,就像 design-by-committee(委员会式设计)的终极案例。」—— 大多数人只看到 AI 创造力的 1%,这篇文章讲怎么挖出剩下的 99%。

但反过来说,只要能把模型推出「最可预测的选择」,就有一整片几乎无人涉足的创意空间。下面三个阶段就是干这个的,流程松散借鉴了 Double Diamond 设计流程,改造给一支 AI agent 团队用。

D1

发现

Discover · 走宽

跳出一眼就是「AI 生成」的默认样式,探索足够多样的方向,写出大胆的设计 brief。

  • T1种子串:从外部注入真随机
  • T2更有野心的提示词:把品味喂进去
D2

定义

Define · 走深

给设计注入独立个性,把模型串成流水线,让「有品味」的那一个说了算。

  • T3批评家子代理:正反馈迭代循环
  • T4图像生成:别拿渐变凑数
  • T5视频生成:高级动效与状态转场
D3

交付

Deliver · 收敛

磨掉毛边,砍掉不加值的东西,让设计回到「为用户服务」的实用本职。

  • T6做减法:删掉不加值的元素
  • T7去除 AI 痕迹(付费墙后)

D1发现 DISCOVER — 探索可能性空间

设计最难的一刻是面对白屏和无限可能。办法是先走宽、再走深——AI 正好是铺开大量方向的利器。但模型默认保守,要把它推出舒适区,得靠下面两招。

T1用种子串从外部注入随机性

让四个 Claude Code 实例跑同一个 prompt「给我的效率 app 做个落地页」,几乎每次都是同一张脸:紫色渐变、左文右图、一样的结构。直接命令它「完全随机」也没用——它还是同一套配色、同一套结构、甚至连尴尬的陶艺比喻都一样。它在预测「听起来随机」的 token,而不是真的在随机。

「模型天生不能随机。想要多样性,就必须从模型外部把随机性带进来。」—— 方法来自 Sakana AI 发表的 String Seed of Thought:先生成随机串,再让它当你找灵感的地基。

PROMPT · 原文照录我想让你给我的效率 app 做一个落地页。 按以下流程执行: 1. 用 shell 脚本生成一串很长的随机字母数字字符串。 2. 基于这串字符确定创意方向(配色、版式、字体等)。别只看表面,去找子模式、特殊数字,任何能启发你的东西。 3. 用你的判断力把这个方向做出来,并且要好看。 不要把字符串泄露到设计里,它只是你的灵感来源。
默认 prompt 的输出:紫色渐变落地页
默认 prompt。紫色渐变 + 左文右图,「每个 AI 做的网站都长这样」。
要求随机的输出:仍然雷同
命令它「完全随机」。还是同一套配色与结构——伪随机。
种子串方法的输出:各不相同的设计
种子串之后。配色、字体、点子各奔东西,每次运行都不重样。

T2更有野心的提示词:把你自己的品味喂进去

另一个使劲的方向:把 prompt 写得更具体、更野,让模型不用临场做决定。最好的独特点子来自你自己的灵感——一款游戏、一种室内设计潮流、一个艺术装置——然后描述它该如何影响输出:

像素艺术主题:「每一屏都像游戏截图,但又得是个落地页。」
等距活体 3D 城市:「不同功能 somehow 由街区或建筑来代表。」
激进不对称:「不协和的配色与字体、令人不安的留白。打破一切规则,但得好看。」

难点在「想出值得点名的方向」——直接问 AI 要点子,拿回来的还是人人都有的平均值。他的做法是让 AI 起草、由自己的反应来掌舵,三步:

  1. 让 AI 列一大批故意不写细节的点子,只为激发想象:「列尽可能多的方向,短描述即可,走广不走深。」
  2. 把喜欢的可视化出来,记录自己的反应,再让 AI 精修。比如 Industrial Control Panel 方向:「我想要触感——咔哒作响的满足感按钮、好听的音效;一开始想到卡通或拟物,但那很俗,避开;要一致的组件和点到为止的小细节;灰色渐变太闷,要质感,能不能保留控制台感的同时加点颜色?」
  3. 迭代到满意,再让 AI 把方向写成一句可执行的 prompt:「写一段简洁的 prompt,让 AI agent 能据此搭出初版 POC 页面。」
AI 列出的宽泛方向清单
第 1 步:宽而不深的点子池,只为激发想象。
按个人品味精修方向
第 2 步:记录你的反应(要什么/避什么),让 AI 收锐方向。
AI 把方向写成可执行的 prompt
第 3 步:把打磨好的方向写成一句给 agent 的 prompt。

「把 AI 生成的点子原样贴回 AI,很难得到独特的东西——别人也能这么干。但当你主动掌舵设计方向,得到的就是只有你才做得出来的东西。」

别怕听起来很糟的点子:当你冒出「这肯定不行」的念头时,恰恰走对了路——agent 经常会给你惊喜,你会发现自己低估了它。不行就扔掉重试,但把失败的 prompt 存下来,出新模型时再跑一遍,你就永远知道最新模型的天花板在哪。

D2定义 DEFINE — 把设计方向走深

走到这里,手里该有一个有苗头的初稿了。但无论 prompt 多花哨,初稿通常还是「通用脸」:文案在左、CTA 在下、导航在上、配图在右。这一阶段的任务是给设计注入独立的个性。

种子串产出的设计,版式仍然雷同
种子串设计的通病:配色虽不同,骨架仍是老一套——左文右图、顶部导航。

T3用批评家子代理造正反馈循环

迭代设计不能靠同一个 agent 自己审自己:它回看的是自己的代码、决策和理由,不客观,也不会「think different」。解法是让它去请教另一个 agent——「设计批评家」:只看当前设计的截图,不关心怎么实现的、花了多少功夫,只判断达没达线。

PROMPT · 原文照录(员工模型:Claude Opus 5,批评家:Claude Fable 5)我要你改进这个设计。为了确定该聚焦什么,用一个 Fable 5 子代理担任设计批评家。 每轮迭代按以下流程执行: - 截取当前设计的截图 - 在全新上下文中调用批评家,只给截图——不给代码、实现细节,也不给此前的迭代与批评记录 - 让它评估设计在追求的美学,想象顶级设计工作室会如何执行这套美学,然后列出最大的差距 - 最后让它按 10 分制打分,衡量当前设计距离那个工作室级标准有多远 给批评家的 prompt 里附上这些指引: - 既从高层思考整体结构与构图,也审视细部 - 警惕那些过度、用力过猛、或一眼 AI 生的模式,并为之扣分 - 给出紧凑、具体的反馈,不要空洞的散文 - 大胆、有主见,不依赖安全或省事的选择 只有当批评家独立给出 9/10 或以上,你的工作才算完成。不要把这条标准写进批评家的 prompt,保持它打分的客观性。每轮使用完全相同的批评家 prompt。

效果:不再是千篇一律的骨架,每个设计长出了自己的身份,同时保住最初的美学方向。成本上很有意思——批评家(Fable)只占不到 10% 的输出 token;让 Fable 直接重做页面,花费翻倍、耗时更久。贵的模型出品味,便宜的模型干粗活。

批评家循环后的三个设计,各自有了独特身份
批评家循环之后:三个设计各自成型,不再是同一个模子。原文图 18

这种循环的搭建方式很讲究,四条经验:

批评家的标准要尽量清晰、客观。
「判断我们的设计美不美、像不像 AI 生的」——太主观,每次跑结果都飘。
「审视我们追求的美学,想象顶级工作室会怎么做,再按那条线打分」——仍糊,但框架和质量线稳定。
「这里有 5 张设计:4 张专业案例 + 1 张我们的截图,按打磨度和品味排序」——具体、客观,还给了视觉基线。
给示例图,演示目标质量线。可用同类的竞品截图或你喜欢的作品,甚至 AI 生成的概念图;但明确告诉批评家这些是基线/情绪板,不是抄的对象。
小心设定停止条件。否则批评家可能永远不松口,员工 agent 烧穿 token 也在讨好它。先 prompt 它只做一两轮迭代,看是否收敛,再考虑加轮数。
给合适的角色选合适的模型。批评家值得用更大的模型——参数量越大,设计品味和点子分布通常越宽。实现者可以用小而快的模型,但别太小:它得有能力把设计方向执行到位。

T4用图像生成给设计「加料」

编码 agent 爱写代码,却很少往设计里放真图,只会用代码的替代品:渐变、形状、基本图案——这些恰恰是一眼 AI 生的强烈信号。有的 agent 内置了图像工具但很少主动用;没有的,给个 OpenAI 或 Gemini 的 API key 就能补上:

PROMPT · 要点照录这个设计有点平。用图像生成给它加点性格。考虑把 shader 或 3D 效果和图片结合,做出更有意思的视觉。 图像生成用这个 OpenAI API key(只在本地用,不要存进代码或产品):sk-×××× 逐帧在浏览器里验证你的成果看起来是对的。
Before / After · 原文图 19–22
Before:渐变与形状凑数的「AI 味」。
After:有真正图像资产,个性立刻不一样。
Before:纯代码视觉,一眼平。
After:图像 + 特效,超出「表面功夫」的观感。

接入方式按你的工具链三选一:

  • Codex / Antigravity / Grok Build:直接告诉 agent 用内置图像生成——它本来就会,只是不被要求就不动。
  • Claude Code(或有 ChatGPT 订阅):告诉 agent「用 Codex CLI 生成图像,没装就帮我装,注意走我的订阅计费而不是 API key」——用订阅额度,不额外花钱。
  • 其他任何工具:给 agent 一个独立、限额的 OpenAI/Gemini API key,滥用也亏不到哪去,随时可吊销。经常要贴 key 的话,让 agent 建gitignore 的 .env.agents 文件存 key,并在 AGENTS.md/CLAUDE.md 里注明「这些 key 仅供你开发用,严禁随产品发布」。

T5更进阶的动效:用视频生成

视频模型强大,但大多数人只拿它做 UGC 广告或「威尔·史密斯吃面」。它对日常设计同样好用。视频模型迭代太快,他倾向用 fal.ai 这类聚合平台:一把 key,让 agent 自己评估、挑选合适的模型。

用法一:做惊艳的动态图形。诀窍是生成纯色背景的循环片段,再色键抠掉(像绿幕),复杂场景用视频抠像模型——得到的动画可以叠进 UI 任何位置,不像一段视频:

PROMPT · 要点照录(GPT-5.6 Sol)能把页面上的这张图换成更有意思的循环视频吗?让水晶碎裂开来、缓缓旋转,要有很棒的玻璃质感:折射页面背景,向周围投影与透光。 为了做出可信的玻璃折射:先把玻璃视频渲染在页面背景色之上(让折射「烘焙」进去),再用视频抠像模型去底。 用这个 fal.ai API key:sk-××××。自己找合适的近期视频生成与去底模型。
玻璃折射动效:焦散反射、玻璃折射、复杂物理运动——代码写不出来的层次。原文图 23

用法二:做状态之间的丝滑转场(被低估的玩法)。很多视频模型除了文生视频,还能在关键帧图之间插值:拿两张产品静帧,生成一段转场视频,在用户操作时播放,或随手势(滚动/滑动)逐帧 scrub:

PROMPT · 要点照录(GPT-5.6 Sol in Codex)给一只行李箱做 demo 页,用视频模型在几个屏幕间做交互式转场,垂直方向的动效要贴合滚动手感: - 一开始,行李箱悬浮在半空 - 然后落到地面、弹开 - 最后,里面的物品从上方整齐地落进箱里 用图像生成做初始帧;生成从该帧出发、动到下一状态的视频;用上一段的末帧作为下一段转场的种子,保证无缝。随用户滚动逐帧 scrub 转场。 用这个 fal.ai API key:sk-××××。选物理感和一致性强 video 模型,如 Seedance 2.5。
随滚动逐帧推进的转场:用户会想一直滚下去、读下去——而这只是一个 prompt 的产出。原文图 24

D3交付 DELIVER — 打磨成用户真爱的设计

有了独特、抓眼的设计,最后一步是收拾细节、为投产做准备。AI 能造出惊艳的视觉,但判断设计是否成立、是否流畅、是否真的服务用户,靠的是你的判断力。

T6删掉所有不加值的元素

「AI 热衷于做加法,却几乎从不做减法。」

设计一眼 AI 生的最大特征之一:事事过度解释,塞满没有实用目的的元素。反过来,克制的设计立刻显得高级、有品味。他打磨 AI 设计的大部分精力都花在「删」上——他的卡路里记录 app 初稿(明明特意要求了「干净、极简」)就有这些问题:

  • 背景与进度条上的粉色发光效果
  • 文字上随机的颜色和高亮
  • 展示一天食物时多余的标签和留白——图片本身已经说明了
  • 自绘的按钮和输入框,观感反而不如 iOS 原生组件
卡路里 app 初稿:发光、高亮、自绘组件
初稿: impressive 但不克制——发光、随机高亮、多余的标签。原文图 25
卡路里 app 精修:以图片为主的极简网格
减法之后:以图为主的网格、原生组件、更小更紧的文字——有态度的好设计。原文图 26

他让 Claude 收敛:版式简化成以图为主的网格;去掉渐变、发光、多余的容器;瞄准真正极简、Apple 原生感的审美。成品里过度的颜色与渐变消失、文字更小更紧。今天的模型绝不会自己做这些选择——AI 不爱冒险,而「删代码、砍设计」在它眼里就是冒险,这一下必须由你来推。

「审视你的设计,问自己:什么才是真正需要在那里的。屏幕上放得越少,往往传达得越多——你能守住用户的注意力,而不被杂乱稀释。」

T7去除 AI 痕迹(付费墙后)

原文此处为付费订阅内容。本页只能收录免费可见的部分:技巧 7 的标题为「Remove AI tells」,正文自这里截断。可从原文免费部分确认的线索只有:渐变、形状、基本图案是「一眼 AI 生」的强信号(T4 已述),过度解释、堆砌不加值元素同理(T6 已述)。完整的「AI 痕迹清单」以原文为准,本页不做推断性补充。

§+1带走的话

随机性必须从模型外部注入。

模型只会挑最可能的 token,连「听起来随机」都是一种可预测。种子串是外部随机源,你的品味更是——这两样是独特性的全部来源。

让不客观的作者,面对尽量客观的批评家。

作者 agent 审不了自己;换个全新上下文的子代理,只看截图、按 10 分制打分。大模型出品味只占不到 10% 的 token,便宜模型干粗活。

AI 只会做加法,减法是你的活。

删掉不加值的发光、高亮、多余容器,AI 生的东西立刻从「努力讨好」变成「有态度的克制」。这一下模型不会自己做,得你推。

失败的 prompt 别删,存着等新模型。

「这肯定不行」的念头往往意味着走对了路。就算真不行,留着的 prompt 就是新模型发布那天的第一道测试题。