简要想法
- 本文探讨了人工智能设计工具如何在不破坏既定团队流程的情况下加速线框图和原型设计等早期工作流程。
- 它强调了将人工智能巧妙地融入协作环境的重要性,并以 Lovable 和 Figma Make 等工具作为案例研究。
- 文章认为,团队应该从小处着手,培养提示技能,并将人工智能视为动力助推器,而不是完全的设计替代品。
AI 不再只是设计中的未来附加组件,它正成为现代团队工作方式的重要组成部分。本文探讨了如何将 AI 引入结构化设计环境,在这种环境中,协作、系统和代码质量至关重要。从快速跟踪线框图和原型,到引导用户选择 Lovable 和 Figma Make 等工具,本文清晰地展现了 AI 在当今真正增值的地方,以及如何为未来构建流畅性。
AI 设计已不再新鲜——它正迅速成为现代设计师工作方式的关键组成部分。在本文中,我将探讨当今的工具如何提供真正的价值,它们如何融入现有的工作流程,以及如何开始构建 AI 增强型实践。
重点不仅仅在于单独的工作流程或华丽的演示——而在于如何将人工智能巧妙地引入结构化环境,特别是在更广泛的组织中已经存在协作、设计系统和开发流程的地方。
快速通道:人工智能已实现的功能
言归正传:目前最明显的优势在于原型设计和布局生成。得益于全新的 AI 工具,设计成果不再需要从零开始构建。您可以在几分钟内生成可用的布局,从而加速“畅想”阶段,并使团队能够快速探索、沟通和完善创意。
虽然手绘草图和灰度线框图仍然有其用武之地,尤其是在头脑风暴或高度定制的概念设计中,但如今的人工智能工具能够提供可点击、可测试的输出,让它们感觉就像数字产品的真实原型一样。我经常用我的草图来引导新的人工智能线程来实现目标。这些输出高度可定制,并支持快速迭代,使其成为早期探索、反馈和团队协调的宝贵工具。
话虽如此,对于需要托管平台的企业来说,当今 AI 工具的输出本身还无法直接投入生产。它们为进一步的改进和开发提供了坚实的基础,但仍需要具备可访问性并与业务系统保持一致。我将在本文中逐一阐述这些问题,并提出如何从当今的 AI 设计技术中获取价值,以及在不久的将来可以期待什么。
了解人工智能设计格局
随着越来越多的 AI 设计工具进入市场,评估它们的差异至关重要,这不仅体现在输出结果上,还体现在它们如何与实际工作流程集成。下面的比较重点介绍了这些工具在不同团队(从个人设计师到规模化产品组织)中的可用性关键特性。
人工智能辅助设计工具:从早期测试到发现商业价值
今年早些时候,我和我的团队测试了几款新兴的AI设计工具——UX Pilot、Vercel v0和Lovable——以了解它们在结构化设计环境中的实际价值。我们发现它们出奇地容易上手,界面直观,设计师可以在几小时内上手。然而,我们的测试揭示了两种截然不同的方法,以及一个关键的行业差距。
- UX Pilot专注于通过 Figma 集成进行基于提示的 UI 生成,输出设计人员可以在熟悉的工作流程中进行迭代的 HTML/CSS。
- Vercel v0采用代码优先的方法,可以直接生成 React/Tailwind,但以设计为中心的团队需要在 Figma 中手动重新创建。Lovable 则提供了一个强大的中间地带,可以将提示转换为完整的 React 应用程序,同时保留了导出功能以便进行设计交接。
- v0 和 Lovable 都展现了快速原型设计的价值,但我们的测试也印证了对比图表的结论:与现有设计工作流程的集成仍然是关键挑战。这些工具擅长生成起点,但需要大量的手动工作才能与我们的生产系统保持一致,因此我们主要测试了概念验证,并将其搁置一旁。
59% 的开发者使用 AI 完成代码生成等核心开发任务,而只有 31% 的设计师在素材生成等核心设计工作中使用 AI。AI 的代码生成能力也很可能正在发挥作用——68% 的开发者表示他们使用提示来生成代码,82% 的开发者表示他们对最终结果感到满意。简而言之,开发者越来越普遍地发现 AI 在日常工作中发挥着重要作用,而设计师仍在努力确定这些工具如何以及是否最适合他们的流程。
— Figma(4 月)2025 年 AI 报告:来自设计师和开发人员的观点。
然后 Figma 改变了一切。
2025 年 5 月,Figma 推出了Make,这项原生 AI 功能可以绕过我们之前发现的集成障碍。与我们之前测试的第三方工具不同,Figma 的方法直接利用现有模式和团队工作流程。Make 可以在您现有的 Figma 环境中将提示转换为功能原型。
这一转变验证了我们的测试结果:最成功的人工智能应用不是来自最复杂的独立工具,而是来自在现有设计操作中发挥作用的解决方案。
对于设计师来说,自然而然的选择似乎是留在 Figma 中,由 Anthropic 提供支持。我之所以喜欢 Anthropic,是因为它的商业敏锐度使其成为一种创意资源——它能够在关键之处创造价值:早期创意的生成,快速地在布局中表达,用于概念验证/问题解决。
在我的工作流程中,我发现它可以成为一种非常顺畅的加速器——只需在平台上操作,易于学习。虽然这项技术还很新,我还没有完善我的提示技巧,但早期测试对我来说非常有希望。我估计设计师们会持续采用它,而 Figma 可能是扭转设计师不再使用 AI 工具这一趋势的关键。
对于评估这些工具的企业团队来说,区分独立功能和运营集成至关重要。虽然 UX Pilot 和 v0 等早期工具对于特定用例仍然很有价值,但围绕设计系统进行的平台整合表明,架构成熟度(而非工具复杂度)将决定 AI 应用的成功。
当前的限制:仍然存在摩擦
尽管 AI 设计工具优势显著,但它们仍然需要大量的人工投入才能与实际产品工作流程保持一致。对于在结构化设计系统、标记化库或受管控的组件集内运作的团队而言,AI 输出可能需要重建或重构,才能在生产环境中进行扩展。
常见问题可能包括:
- 与您的设计系统不一致的视觉风格。
- 过多的内联样式和不必要的嵌套。
- 需要更换的通用占位符组件。
- 生成相关屏幕或流程时不一致。
- 无障碍设施实施不足。
- 将输出与现有代码库集成的挑战。
虽然 Figma 的 AI 功能等平台原生工具通过在现有设计系统内工作减少了一些集成摩擦,但细化、可访问性和生产准备的基本挑战仍然存在。
此外,要获得最佳结果,需要开发有效的提示技能,并使其可重复使用——本质上是学习每个人工智能工具响应最佳的“语言”。
底线:人工智能可以完成初步布局,但精细化、合理的结构和紧密的集成仍然需要人类的专业知识。即使集成路径有所改进,设计判断和系统性思维仍然不可替代。
重新思考人工智能在设计生命周期中的作用
与其指望 AI 工具能够提供完美、可立即投入生产的成果(尤其是在企业级领域),不如将其视为动力的加速器——能够开启思考、布局和协作的早期阶段。无论是通过第三方集成还是平台原生功能,其核心价值始终如一。
当前的局限性并不会使人工智能失效——除非我们重新定义它目前最有价值的地方。如果在现有的设计实践中运用得当,它的价值将会成倍增长。
从小处着手,低风险
在结构化系统和冲刺周期内工作的设计团队可以在不中断核心流程的情况下开始集成 AI。一个切实可行的切入点是先在早期交付成果(例如线框图、布局基础或初始原型)上进行低风险试点。
通过这种方式,AI 并非取代设计师,而是增强了他们的能力。通过加速基础结构的创建,AI 可以腾出时间进行更高层次的思考。更少的设计周期意味着更少的流失,从而带来更完善的测试和更具弹性的产品。关键在于结合传统工作流程来评估结果,并利用这些洞察来指导更智能、更广泛的应用。
补充:提示如何发挥作用(以及为什么它是一项技能)
提示 AI 布局工具并不意味着要写出一句完美的句子——而是一个迭代的设计对话。你可以从广泛的内容入手,然后通过一系列提示逐步完善布局,就像指导初级设计师一样。
你可能会说:
→“创建一个包含英雄页面和产品卡片的营销主页。”
→“使英雄页面全宽。”
→“添加推荐部分。”
→“尝试侧边栏布局。”
人工智能在创意自由或轻松有序的指导下表现最佳。过多的详细、一体化的指令会干扰结果。相反,应该将请求分解成更小、可操作的步骤,直到达到预期结果。
现在许多工具都支持多模式输入,扩展了您可以输入到 AI 中的内容:
- URL:“使其类似于 example.com”。
- Figma:参考您已建立的设计。
- 上传参考图像:使用草图或线框。
- 图像资产:提供您可能想要包含的 PNG 或 SVG。
- 结构化文本:为其提供降价、产品描述或 UI 副本。
平台优势:像 Figma Make 这样的平台原生工具操作方式有所不同——它们可以直接从 Figma 文件中读取你现有的视觉样式和模式。这意味着提示功能更多地是在你既定的视觉环境中完善设计决策,而不是从零开始。
无论您使用的是独立工具还是平台原生功能,提示仍然是一项核心设计能力。与任何技能一样,它随着实践而提升——并且它已经塑造了我们与这些新工具的协作方式。将提示融入到团队的工作流程中,将有助于他们提升技能,迎接下一波 AI 辅助设计技术浪潮。
清单:如何评估用于设计的人工智能工具
如果您正在尝试使用 AI 工具,以下实用标准可以帮助您构建评估:
- 从提示到布局的速度有多快?
- 它与您的设计系统(标记、间距、组件)的映射程度如何?
- 生成的代码是否可供工程使用?
- 它是否遵循可访问性最佳实践?
- 提示能否通过迭代改进获得一致的结果?
- 它是否接受有用的外部上下文(URL、Figma、markdown)?
- 它可以在真正的冲刺或故事中进行测试而不需要很大的开销吗?
未来 6-24 个月我们可能会看到什么
2025 年,形势的变化速度远超我们许多人的预期,一些预测已经成为现实。与其试图预测确切的时间线,不如看看实际正在发生的事情,以及这些事情对当今决策团队可能意味着什么。
多种集成方法正在涌现
我们看到人工智能工具与设计工作流程连接的方式多种多样,每种方式都有其优缺点:
Figma 的 Make 原生支持其平台生态系统。像 Figma 的 MCP 服务器这样的基于协议的连接则提供了一种不同的方法——你的编码工具可以通过标准化接口与你的设计文件进行交互。
团队最终可能会混合使用多种方法,而不是只选择一种方法。问题在于哪种方法更适合您的特定限制和工作流程需求。
这对规划意味着什么
如果您正在评估 AI 设计工具,那么技术能力可能不如它们与您现有运营的契合度更重要。我的感觉是,拥有组织良好的设计基础的团队可能具有优势,但最实用的方法仍然是从小处着手,并建立组织流畅性,正如我在本文前面所建议的那样。
总体情况
- 原生平台 AI(如 Figma Make)和基于协议的集成(如 MCP)代表不同的方法。
- 对于工作流集成,每种方法都有不同的权衡。
- 无论出现什么工具,从小处着手仍然切实可行。
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。
