兰亭妙微UI设计公司分享：聚焦搜索团队“一定橙”IP设计案例，深入剖析其从传统IP制作流程向AI驱动制作流程转型的核心动因与实践路径，结合真实案例拆解AI赋能IP设计的核心价值。
同时，立足AI技术深度渗透的行业发展趋势，抛出设计师如何维系自身不可替代性的深层思考，为行业同类IP转型及设计师职业发展提供参考。
大事件运营与长线激励活动是撬动业务指标增长的关键。
IP 作为视觉符号，不仅是活动强化产品辨识度、打造专属的记忆点，更是沉淀资产、降本增效的核心利器，能为长线运营持续赋能。
传统 IP 生产工序多、高度依赖 3D 人员、长周期等痛点，已难以匹配业务的快速迭代需求。
从2025高考项目出发，搜索设计团队借助AI工具在25年以全年为目标重构 IP 生产，既是为了满足运营物料的质与量，更是为了突破场景限制、降低资源依赖，实现团队产能的跃迁。
AI 工具的普及不是设计行业的 “终局”，而是认知重构的 “开端”。
当 AI 成为设计流程的标配，如何让技术服务于核心需求而非束缚创意，如何在效率提升的同时，守护 IP 设计的原创性与情感温度，这不仅是设计师的个人命题，更是整个行业在 AI 时代的生存之道。
那么，以2025年高考的IP“一定橙”案例分析，看看我们在2025年全年做了什么？
流程创新： “多工种线性生产” 到 “任务模块化协同”
过去，IP 设计是一条 “2D 立绘→三视图→2D 转 3D→静态转动态→多端适配” 的线性流水线，每个环节都靠单一设计师扛，跨团队协作难、效率低，还容易出现风格 “断层”。
我们的流程创新主要走了两条路：
一是把设计任务模块化拆解，用 AI 实现多环节并行生产，打破时序限制的同时，保证风格全程统一；
二是靠 AI 一键转换 + 批量生成的能力，实现 “一次设计，全域适配”，不仅优化了团队的技能配置、降低了人力成本，更把跨场景适配的时间和成本压到了最低。
技术创新：“手工绘制” 到 “多模态 AI 生成”
传统 IP 创作的核心是 “手绘 + 基础软件”，设计师的手绘能力和软件水平直接决定了作品的上限，不仅效率低、创意容易被个人能力束缚，还很难批量产出。
而 AI 赋能下的技术创新，核心是用多模态生成技术替代手工创作，打造一条从 “文本描述” 到 “视觉呈现”，再到 “3D 建模、动态效果、衍生物料” 的全链路自动化生成通道。
从 “有限试错” 到 “无限可能性”
运用AI在前期创意探索周期可压缩 90% 以上，可通过文生图、风格迁移、元素融合等能力，在分钟级生成数千张不同风格、形态概念图和动画Demo，快速筛选出高潜力方案，验证创意可行性。
从 “重复劳动” 到 “精准高效”
传统 IP 制作里，2D 转 3D 是个大工程，又费时间又费人；而 AI 能一键实现 2D 转 3D、静态转动态、图文转视频，直接省掉大量成本。
到了后期做衍生内容，三视图、表情包、海报这些标准化物料，传统模式下又累又容易走形。
但只要用 LoRA 训练专属模型，再用 ControlNet 锁定 IP 的核心比例、色彩和质感，AI 就能批量生成完全符合规范的内容，效率直接提升 10 倍以上。
通过AI生成-抽帧-后期流程形成优质 IP 样本（如 30 张核心形象图）训练专属 LoRA 模型，锁定 IP 的核心比例、五官、色彩、质感。在后续的概念生成、多媒介适配、系列化创作中，调用 LoRA 模型即可快速生成符合特征的 IP 内容，确保一致性。
通过 LoRA+ControlNet 控制技术，误差≤2%，导入 IP 核心形象图，选择控制类型（如骨骼、深度、姿态、表情），即可精准控制 IP 的比例、姿态、角度。
首帧+标准化提示词可以稳定控制IP形象输出灵动细腻的动画。
通过 AI 风格迁移模型，输入 IP 核心形象图与目标风格参考图，即可一键将 IP 形象迁移至多种风格（如 3D 转简笔插画）。
在转换过程中严格保留 IP 核心特征，确保风格统一、输出稳定，满足业务素材与物料的快速迭代需求。
一定橙 IP 形象贯穿 2025 年多项核心活动，包括高考及渠道推广物料、暑期走路赚钱、组队赚钱、开学季等场景。
通过 AI 实现全链路 IP 渗透，在保障视觉质量的前提下，整体效率提升 50% 以上。
AI 技术与设计创意的深度共融，本质是技术为创意赋力、人文为技术锚向的双向奔赴，而非单向度的工具替代。
它正在重构设计产业的全链路流程：既彻底解放了设计师的基础生产力，更打破了创意表达的固有边界，最终让设计真正回归 “以人为本” 的核心本质。
长期以来，设计师近 80% 的精力，都被消耗在机械重复的执行落地、素材拼接、参数调整等低价值事务中，创意的火花往往被繁琐的执行磨平。而 AI 的规模化介入，彻底消解了这一行业痛点，让设计师的核心精力得以真正回归到用户洞察、创意构思与价值创造本身。
随着 AI 在设计领域的深度渗透，行业内也涌现出诸多悲观论调：
有人说 AI 终将彻底取代设计师，商业设计的全流程都可由 AI 独立完成；
有人担忧设计行业将迎来大规模裁员，普通设计师会彻底失去市场立足之地；
更有人断言，AI 的零门槛创作会抹平专业设计的壁垒，设计师的个人创意与审美表达将不再具备商业价值。
但在我看来，AI 能替代的，永远只是「术」层面的标准化执行与重复性劳作，永远替代不了「道」层面的用户洞察、创意思考、审美决策与人文价值创造。
对设计师而言，真正的核心命题从来不是对抗技术浪潮，而是在 AI 时代锚定自身的不可替代性 —— 以人文为内核，以创意为核心，以技术为工具，在时代的洪流中始终保有前行的底气与主动权。
转载：人人都是产品经理
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
兰亭妙微UI设计公司分享：很多产品经理认为，给产品塞进一个对话框就是“AI 化”了。但在 AI Center 的实践中，我们发现 LUI（对话交互）往往是产品设计的“懒惰表现”。
真正的 AI 原生交互，应该是让界面消失，让用户意图透明。
本人经过多年研究 AI 产品的交互，结合近期看到一篇 CHI 2026 最佳论文提名，推荐给做 AI 产品的小伙伴。
微软亚洲研究院 + 港科大提了个 IAI（Interaction-Augmented Instruction）模型。
核心一句话：AI 时代的交互不该只有“写 prompt”，而是“prompt + 各种交互形态”的混合体。
其实他们就做了三件事：
1、把 AI 时代的人机对话方式拆成了 6 个实体：人、文字、交互、增强指令(Aug)、AI、产物。
他们最关键的创新是把“增强指令 Aug”独立出来，作为 AI 真正消费的东西。
2、分析了 66 个 AI 工具，归纳出 12 种原子交互范式：点击改 prompt、画草图作指令、AI 给你做滑块挂在结果上随便调……每种都有对应的信息流图。
3、用模型推导出全新范式：比如“AI 主动发起 + 情境感知”（走进食堂，AR 眼镜直接问你吃肉还是菜并给个滑块）。
简单总结就是：专家技能正在从“Prompt Engineering”转向“Instruction Design”。前者是教用户写作文，后者是设计“工具+情境+控件”，让用户哪怕只点几下,也能合成出比 prompt 更精准的指令。
链接：https://www.microsoft.com/en-us/research/publication/interaction-augmented-instruction-modeling-the-synergy-of-prompts-and-interactions-in-human-genai-collaboration/
打开现在的 AI 应用，映入眼帘的几乎全是类似微信的聊天界面。
这种 LUI（Language User Interface）确实降低了开发门槛，但对用户来说，它存在两个致命的痛点：
1、“空白页恐惧症”：用户面对闪烁的光标，往往不知道该问什么。
2、高认知负荷：输入文字（或组织语言）本身就是一种高成本的体力与脑力活。
对话框只是 AI 交互的婴儿期。如果一个操作点击两次就能完成，强迫用户输入一句话就是设计的倒退。
传统 GUI（图形界面）的逻辑是：用户寻找功能。你想听歌，要先找音乐 App，再找搜索框，再打字。
AI 时代 UX 的底层逻辑是：系统识别意图。
未来的交互不再是等用户下指令，而是通过环境上下文（Context）捕捉意图。
案例：在智能座舱中，你视线看向窗外某个地标并问“那是什么？”，系统结合视线追踪（眼动）和高精地图，直接给出答案。这里没有复杂的菜单，只有自然发生的意图捕捉。
这是目前最前沿的方向。界面不再是预设好的死板组件，而是根据 AI 预测的意图实时生成的。
如果你在聊出差行程，界面自动弹出的不是聊天文字，而是一个包含航班、酒店和天气对比的定制化表格。
最好的交互是“不交互”。这就是我们正在卷的 “主动交付” 逻辑。
PM 的实战准则：判断一个 AI UX 好不好的标准，是看它减少了用户多少次不必要的决策。
1. 保留“逃生舱”：无论 AI 多么智能，其意图识别永远存在概率性的错误。界面上必须永远有一个显眼的、确定性的“手动干预”按钮，防止 AI 陷入逻辑闭环。
2. 拒绝“黑盒式”等待：AI 处理复杂任务需要时间。不要只给一个 Loading 转圈，要通过交互展现 AI 的“思考过程”（如逐步显示推理步骤），这能极大地缓解用户的焦虑感。
3. 不要为了 AI 而 AI：传统的进度条、开关掣、单选框，在特定场景下依然比对话更高效。顶级 PM 的功力，在于知道何时该给用户一个对话框，何时该给用户一个简单的物理按钮。
在大模型时代，我们对 UI 的理解正在经历一场从“人适应机器”到“机器适应人”的革命。
下一代 AI 产品的竞争，不在于谁的对话框更好看，而在于谁能让用户感知不到界面的存在，却能精准地交付结果。
从 LUI 走向 Intent-Centric（以意图为中心），这才是产品经理和研发人员真正该卷的战场。
转载：人人都是产品经理
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
今天兰亭妙微UI设计公司分享的内容依然是关于“排版微调”的续集啦。这次内容主要是把纯文字信息转换编排为具有图形化的设计表现。特别是在电商类的海报设计中，单纯的文字往往缺乏吸引力，而将文字图形化，则是提升信息传达力和视觉表现力的重要手法之一。
所谓“图形化”，并不是让文字失去可读性，而是通过形式语言的转化，让文字具备图像特性，例如通过图标式、盖章式、对话框、爆炸等视觉图形化的形式进行编排，让文字自己“说话”。这样做不仅能提高阅读体验，还能强化设计的细节质感，避免一堆单纯文字堆叠带来的视觉疲劳。
所以，别忽略文字的可视化，把关键信息进行图形视觉化，能够让受众在一眼看过去，就可以快速读懂、记住促销的卖点，从而产生认同和购买的冲动。
那么，关于“排版微调”的系列案例，我会不定时更新这系列。希望今天的内容能给你带来灵感～
转载：优设
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
适用场景：活动海报、公众号长图、短视频封面、节日营销物料
转载：优设
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
claude plugin install figma@claude-plugins-official
npx skills add https://github.com/op7418/guizang-ppt-skill --skill guizang-ppt-skill
转载：优设
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
转载：优设
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
花3个月上了BI系统，BI大屏每天都跑，老板手机能看实时数据了——然后呢？
发现：看板只是让数据”看得见”，并没有让数据”说人话”。
去年豆芽君参与了一个航运企业的成本分析系统建设。上线后，大屏展示着船舶运营费用、航线成本对比、港口费用构成——数据很全，老板们看得很满意。
但过了几天，老板问了一句：“为什么上个月运费涨了15%？”
运营主管愣了5秒，然后说：“我回去查一下。”
这一查，就是半天。
从4个系统里导出数据，人工清洗，找口径差异，逐条核对……等他把结论整理出来，老板已经忘了问过这件事。
这不是BI的问题。是**”数据到洞察”之间，永远差着一层**——那一层，是人的判断。
所以豆芽君花了点时间，把BI和AI接在了一起。现在再有人问”为什么涨了”，我只需要1-2分钟。
下面说说，豆芽君是怎么做的。
先说说数据分析的发展历史。
Excel时代是多数企业的第一阶段。数据散在各个业务系统里，靠人工定时导出、清洗、汇总。我见过最夸张的团队，每周五下午花3小时手工整理，周会用的数据和业务系统里的真实数据已经差了2天。
BI时代解决了整理的问题。统一口径、实时同步、手机随时看、权限分部门。大概在2020年前后，很多中型以上的企业陆续上了帆软或者Power BI。老板们终于不用等到周五下午了，数据随时可以查。
但新的问题随之而来：看板越来越多，看到异常指标，不知道原因在哪？
一张大屏上几十个指标，看的人其实只扫自己关心的那几个。真正有价值的信号——比如某个航线成本突然偏离历史均值——看板不会告诉你，原因到底是油价上涨？还是船舶运营效率差？
这就是为什么，BI之后还需要一层AI。
以航运成本分析为例。BI大屏展示的核心指标通常是这样：
本月船舶运营总费用：¥2,380,000 环比上月：+12%
老板看到这里，下一步就是问你”为什么涨了”。
以前的流程：业务人员拉明细Excel，数据分析师清洗口径，产品经理对比历史数据，写成分析报告，提交给老板——通常需要1到2个工作日。
现在的流程：打开BI看板，底部已经嵌着AI的解读结论：
AI洞察摘要（2026年Q1） 本月费用环比上涨12%，主因：
①油料成本上升贡献+68%的涨幅；
②3号航线港口使费异常增加¥86,000，建议核查；
③整体费用在正常波动范围内，无需过度关注。
这不是科幻，这是BI+AI API对接，跑通之后的标准输出。
整体方案分为三步，数据从BI流出，经AI解读，再回到BI展示，全流程不需要数据离开企业内网。
第一步：BI开放数据接口
多数BI软件支持通过API接口输出看板数据。你可以选择需要分析的指标，通过接口导出为结构化的JSON数据。
第二步：用WorkBuddy企业版AI解读
把JSON数据发给内部部署的WorkBuddy（数据不出企业网络）。这是关键：不用公有云AI，企业敏感数据不需要外传。
Prompt模板可以直接用：
你是一个资深航运成本分析师。基于以下数据，给出分析结论： [粘贴JSON数据]
请按以下格式输出：
核心异常：环比变化最大的指标TOP3，说明可能原因
趋势判断：过去3个月的变化方向（上升/下降/波动）
行动建议：建议优先关注哪个指标、排查什么数据
质量提示：如果发现口径不一致或数据缺失，请标注
这里有个经验：Prompt要具体，不要泛泛说”分析一下”。 你问得越清楚，AI的结论越可用。“按航线拆解费用变化”和”分析一下”，输出质量差一个量级。
注：涉及数据隐私，图片仅为效果参考
第三步：洞察结果嵌回BI看板
用BI工具的”插入HTML”组件，把WorkBuddy返回的分析结论以文字形式展示在大屏底部，与原始数据同步更新。
这一步的好处是：用户不需要切换工具，在看数据的同时就能看到AI的解读。
注：涉及数据隐私，图片仅为效果参考
纯BI阶段BI+AI阶段老板看到费用上涨开始问原因，安排人查AI已标注主因和关联因素分析师回复细节1-2个工作日后AI当场给出初步结论月度分析报告手动写初稿，人工润色AI生成初稿，人工审核数据异常发现靠人工盯着，或者客户先发现系统自动标注
上面的方法跑通2到3个月之后，你会发现有些分析模式是固定重复的——每周一早上，各航线成本对比每月费用异常预警（环比超过某个阈值）特定船型超过预算时的提醒
这些场景触发条件明确，分析逻辑固化，每次都是同一套结论。那就不需要人去找AI了，让AI主动来找人。
这就是AI定时任务，主动推送洞察。每天早上 9:00 → WorkBuddy读取BI关键指标 → 发现异常（环比变化超过阈值） → 通过企业微信/邮件推送洞察报告
这一步做起来也简单，因为分析规则已经固化了——上一步的产出，就是这一步的规则来源。
建议的顺序：先跑通BI+AI API对接，等积累了足够的分析案例，再上AI定时任务，主动推送洞察。
不要一上来就做主动推送，那样分析规则不成熟，推出来的内容质量不可控。
经过这个项目的验证，我总结了一套”三段论”：
第一阶段：BI打通数据 统一数据口径、实时监控、权限管控。这是大多数企业已经完成的事情。
第二阶段：AI解读数据 用企业在用的WorkBuddy等AI智能体对BI导出的JSON做分析，输出可读的洞察结论。这是现在最值得投入的环节。
第三阶段：AI主动推送 固化分析规则，用定时任务替代人工触发，从”人找数据”变成”数据找人”。这是下一阶段的目标。
两个注意点：
1. 数据安全是底线 企业内数据不要上传公有云AI。WorkBuddy企业版是内部部署，数据不出域，这是基本前提。你可能会觉得”只是一些费用数据”，但对于贸易型企业，一条成本数据就是谈判筹码。
2. AI结论需要人确认 AI做分析辅助，但最终结论需要业务负责人确认后再使用。六、写在最后
写这篇文章的时候，我回想了一下过去十年做数据分析的历程。
Excel时代，我们学会了”怎么把数据整理干净”。 BI时代，我们学会了”怎么让数据被看见”。 AI时代，我们才开始思考”数据背后的业务问题是什么”。
工具变了，但有一件事没变：数据本身不会说话，说服人的永远是数据背后的分析和洞察。AI做的，是帮我们发现背后隐藏的信息，人再做综合判断。
转载：人人都是产品经理
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
最近不少设计师朋友打开Gmail的时候，是不是总觉得哪里怪怪的？甚至有不少人吐槽，翻了半天都找不到自己天天用的谷歌应用了。
这是因为谷歌刚刚对Gmail、文档、云端硬盘等10多款核心Workspace应用的图标，进行了一次全面的大改版。
作为产品“脸面”的图标集体换新，自然引来了用户和行业的两极评价。有人觉得新图标颜值更高，不同应用之间终于能一眼分清了；但也有批评声认为，这次改版丢掉了谷歌品牌独有的凝聚力和辨识度，更像是为了变而变，没有清晰的战略方向。
我觉得这次改版，其实是谷歌对“品牌一致性”和“可用性”长期矛盾的一次深刻反思，同时也藏着AI时代谷歌全新的品牌战略。
一起来看看新图标到底长什么样？谷歌这次的设计又藏着哪些小心思～
01 渐变色全面登场
四色原则曾是谷歌自2015年Material Design以来的强制规范，要求所有官方应用图标都需要包含品牌标志性的蓝 (#4285F4)、红 (#EA4335)、黄 (#FBBC05)、绿 (#34A853)，以强化统一品牌识别。
这次改版最直观的变化，就是谷歌坚持了多年的标志性“四色原则”被彻底抛弃，每一款应用都拥有了自己专属的主色调。这也是绝大多数用户认为可用性得到显著提升的核心原因。
之前的Workspace图标全都用同一套四色调色板，导致大家根本分不清谁是谁。而现在，Gmail有了专属的红色，谷歌日历回归经典蓝色，谷歌Meet则用上了明亮的黄色，每款产品终于找回了自己的个性。
在造型上，图标外围包裹的白色“背景容器”也全部被移除了。原来的白色背景容器限制了核心符号的尺寸，让所有图标都长得千篇一律。去掉容器之后，每个图标都得到了舒展，形成了更清晰的轮廓，不再是同一个框里的小元素，而是一个个独立可识别的视觉符号。
这次改版另一个贯穿始终的设计语言，就是渐变色的全面应用。所有新图标都采用了各自独特的渐变配色，这是谷歌为AI时代量身打造的视觉战略。例如下图就是重新设计的谷歌Gmail渐变图标效果。
也许谷歌正是通过这种分层渐变的视觉效果，向外界传递一个强烈的品牌信号：谷歌已经正式进入Gemini时代！
02 解决图标辨识度问题
那么谷歌为什么要在这个时间点，进行如此大规模的图标改版？核心原因是旧设计的可用性已经走到了瓶颈期——简单来说，就是用户根本分不清哪个图标对应哪个应用服务。
这次改版的核心背景，正是谷歌过去为了强行统一图标设计，导致不同应用之间难以区分。过去谷歌为了追求品牌美学，不惜牺牲可读性的做法一直饱受诟病，这次的更新可以说是一次迟来的、但绝对必要的可用性升级。
谷歌也在官方公告中明确表示：希望在保持整个产品家族一致性和凝聚力的同时，确保每一款独立应用在屏幕上都能保持现代感，并且被用户清晰、快速地识别。
这也说明提升视觉辨识度是这次改版的重点。
03 品牌一致性让位于可用性
谷歌这次的图标改版，也许给整个设计行业都上了一课：任何时候，可用性都应该优先于品牌一致性。
谷歌过去几年过于执着于“一致性”，结果反而导致用户无法区分不同的应用服务。“让产品看起来像一个系列”和“让所有产品长得一模一样”是完全两回事，在设计过程中我们也要避免这个认知误区。
这次改版也让我们重新思考了图标的本质和核心价值。图标本质上是导航工具，它的任务是让用户在大脑过载、同时开着20个标签页的情况下，也能下意识地立刻找到它。
所以哪怕新版图标在视觉和谐度差了一点，但只要它能解决问题，那它就是一个优秀的设计！
转载：微信公众号Clip设计夹
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
今天的主题是关于 AI 扫盲的，因为近期相关问题实在太多了，很多同学对它的理解非常的有限，导致走向不是过于吹捧就是完全抵制的两极分化。为了防止我们成为盲目（且天真）的二极管，就有必要具体认识 AI 的应用逻辑，以及在行业中的相关使用场景。
兰亭妙微UI设计公司：分享是入门扫盲，目标是以清晰简洁的方式来概述 AI 的行业应用框架，会使用尽量简单易懂的方式解释相关概念，不会涉及太多深奥的术语和理论。
所以不用担心看不懂，一起开始下面的阅读吧。
谈论 AI 就绕不开大模型，它是 AI 技术应用的核心。
简单解释 AI 大模型，就是一个通过特定方法和大量数据训练出来的 “自主化程序”，这个程序可以根据用户输入的指令自己做出 “判断和思考” 后再进行回复。
传统程序虽然也可以执行用户的指令，但回复的内容和方式不会超出一开始预设的范围，非常有限。
而 AI 大模型则大大拓展了这个边界，我们不用提前预设各种条件和逻辑，它就会自己去理解问题再决定给出什么结果。
当然，这个边界只是放大了但不是无限的。任何大模型都不是全知全能的，都有自己的局限性。所以针对不同的应用领域，就开发了不同的模型类型。
最基础的模型分类包含两种，一种是大语言模型 LLM，能实现文字的对话或文案、代码、数据的整理和输出。另一种则是多模态大模型，能在处理文字的基础上还处理图片、音频、视频等特殊对象。
比如深度求索开发的 DeepSeek 模型就是大语言模型，只能处理文字但不能生成图片(截止到2026年初)。而 Google 开发的 Gemini 大模型则是多模态模型，可以生成图片和视频等内容。
不同模型会有不同的表现和优劣，但因为大模型的开发需要尖端的技术和庞大的规模（训练），门槛极高，所以市面上主流的大模型数量并不多，可以简单分为国内和国外两个阵营。
国外的主流大模型包括 OpenAi 开发的 ChatGPT，Google 开发的 Gemini，Anthropic 开发的 Claude，xAI 的 Grok 等。
国内的主流大模型则包括字节开发的豆包，阿里开发的千问 Qwen，深度求索开发的 Deepseek，月之暗面开发的 Kimi 等。
因为前面说过大模型的局限性，所以为了应对不同的应用场景，团队就会将它们裂变出不同的版本。比如千问既有 Max 语言大模型，还有 Omni 全模态（文字、图片、音频、视频）大模型，针对处理问题的难易度又分成了 Max、Plus、Flash、Lite 等版本。
完整的大模型体积和参数都非常庞大，需要部署到专属的算力中心，并通过云服务来实现用户的访问和使用。也就是需要联网使用，但因为国内网络服务的限制（不可抗力），我们无法通过国内电信访问国外的主流大模型。
虽然说国内大模型的水平在这几年突飞猛进，但离国外的大模型还有一定的差距，在实际工作场景中多数应用的也是国外大模型，所以访问它们就需要大家自己发挥主观能动性解决了。
顺便再解释一个基础的问题，大模型除了远程访问以外，也可以在本地进行安装。部分团队（如千问）会在网上开源自己的大模型供其它人下载和使用，当我们下载到本地后就可以用 GPU 来运行它。但因为大模型对性能的要求极高（旗舰显卡起步），所以本地运行的效果要大打折扣。
而一些企业内部或行业专属的大模型，往往都是使用这些开源大模型进行二次训练和调试后的结果。还有一些针对特定硬件（如手机、眼镜）和特殊应用场景开发的小模型，就暂时不在我们的讨论范围之内。
前面讲过大模型可以类比成一种 “程序”，且它还是后端服务器上运行的程序。想要对这个程序实现命令的输入并返回它处理的结果，就需要应用前端的工具来实现。
比如我们打开豆包的官网，就可以使用这个网页对豆包大模型提出问题和要求，然后网页上就会返回它处理后的结果。这个网页就是使用大模型的工具，而这只是 AI 工具的其中一种形式，还可以是本地应用程序、手机 APP、小程序、硬件定制系统等等。
我们大多数人开始接触 AI 大模型，都是从这些官方的工具开始，它们最基本的功能就是根据指令返回文字或图片信息，我们会把它们当成是一种可以对话的人工智能客服。
但实际上它们可以发挥的作用远不止于此，比如帮你整理本地的文件夹清理重复的文件，帮你自动修图并完成动态相片的剪辑，帮你编写程序并自己运行和检测等等。想要实现对话以外的其它功能，就需要借助特定的工具才能实现。
所以除了最基础的对话工具外，行业还衍生出了很多激发大模型潜力的 AI 工具。它们可以借助大模型完成程序开发、视频剪辑、操作托管、热点整理、消息推送等等。
到这里我们就要清楚，AI 大模型是大模型，工具是工具，大模型是基座，而工具是大模型的具体表现和应用形式。
我们更进一步认识 AI 工具，就可以把AI工具分成官方工具和第三方工具两个种类。
官方工具就是 OpenAI、Google 等大模型企业自己开发并绑定自家大模型的产品，而第三方工具则是其它团队开发，再接入到大模型进行使用的工具。
比如本地聊天机器人 Cherry Studio，它本身只是个简单的聊天对话工具，可以自己创建对话角色/助手，但需要接入大模型以后才能进行对话。还有著名的AI编程工具 Cusror，只有接入大模型以后，它才可以实现 AI 编程和代码管理。还有前阵子火遍全球的龙虾 Openclaw，也只是个本地工具，需要接入大模型后才能识别本地的文件和执行命令。
官方能提供的 AI 工具与服务往往很有限，所以在真实项目流程中，我们就会混合使用多种工具来完成工作。就像以前做一套项目除了用 Figma以外，还要结合使用 Adobe PS、AI、C4D、AE 等软件。
而第三方工具和官方不同的是，官方工具默认连接自家的大模型，用户直接登录就能使用。而第三方工具要接入大模型，就需要进行额外的配置，也就是添加大模型的 —— API。
API 就是接口，是前端工具连接后端服务器的通道，而这个通道默认是上锁的，还需要提供对应的密钥（API Key）才能正常访问。
部分工具会自己接入各大模型的 API，用户只能选择它提供的模型，并只需要对这个工具进行付费即可。
另一部分工具则需要用户自己选择模型和配置 API，需要我们访问大模型的 API 开放平台进行申请，然后再将它们生成的 API Key 填入到工具中完成连接。
API Key 就像是一个电话号码，当我们申请完并进行使用，就会产生一定的 “流量”，而 AI 产生的流量用专业术语形容叫词元 Token。
使用 API 完成的任意 AI 服务，都会消耗 Token，且因为 AI 的计算成本极高，所以主流大模型都会针对 Token 消耗量进行收费。就像电信运营商一样，既有包月服务附带一部分流量，超出部分还要按量计费。
在实际的 AI 工具使用过程中，Token 的消耗是极其巨大的，往往会造成沉重的成本，而这个市场也遵循一分钱一分货的真理，越好的大模型价格就越贵。以最适合编程的大模型 Claude Opus 为例， 一个程序员高频使用消耗的 Token 账单可以从数千到数万元不等。所以我们也会从性价比的角度出发，来搭配不同的模型进行使用。
总结我们应用 AI 的本质，就是通过工具来操作大模型。而工具的作用不同，大模型本身的特性和价格也不同，就导致我们在面对一个复杂的任务时，需要选择多种 AI 工具和不同大模型来实现。
学习使用 AI，和传统的单一软件教学不同，不是只学会某个工具的功能和操作方法，而是了解不同的 AI 工具以及大模型的特性，通过组合它们来实现自己目标的方式。这不是设计或产品思维，而是工程思维的具体应用。
时间关系只更新了上半部分，和 UI 有关的内容我会放到下篇再输出。同时我们现在有准备录制一套入门的课程，应该周末到下周就会上线，大家有什么疑问和工作中遇到的需求都可以在评论区或社群里发给我们。
转载：优设酸梅干超人
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
在产品外观、界面与工业设计全流程中，用户研究是贯穿全程的核心标尺，能让设计脱离设计师主观臆断，扎根真实人群、真实场景，产出具备落地价值的解决方案。兰亭妙微结合多年政企、消费类产品设计项目经验，系统拆解标准化用户研究流程，讲解调研方法、数据梳理工具与洞察转化思路，理清从用户需求到设计落地的完整链路。
蓝蓝设计的小编 http://www.lanlanwork.com