兰亭妙微ui设计公司分享：百度优选作为百度在 2023 年 5 月全新推出的电商业务，提出“百度优选，超会选”品牌主张，目标为广大消费者提供高效、精准、专业的消费决策参考。新品牌起步阶段，想要快速建立用户认知，设计团队借由大促营销、行业生态活动等关键事件持续输出品牌内容，层层夯实用户心智，逐步加深大众对百度优选的品牌印象。
LOGO 是品牌对外的一面镜子，承载品牌内核。本次设计围绕购物、亲和、优选三大核心关键词发散创意，提取购物袋、笑脸表情、代表 “优” 的字母 U&YOU、百度 “度” 首字母 D 作为视觉原型，传递轻松愉悦的购物体验感。
历经 5 轮迭代，产出 70 余套设计方案，最终确定整合 D 字母、笑脸、购物袋、U 元素的 LOGO 形态。品牌主色选用优选红，借暖色调的情绪感染力，调动消费者购物欲望，同时建立信任感。
配套完成整套品牌视觉规范：定制专属字体「百度综艺体」，输出横排、竖排多套 LOGO 组合版式，统一品牌视觉输出标准。后续依托 11.11、12.12、3.8、8.18 等核心电商大促，反复曝光品牌形象，持续强化用户认同感。
伴随夜经济兴起，夜间消费需求持续释放。百度优选在 2023 双十一落地数字人直播 “日不落计划”，依靠 7×24 小时不间断数字人直播服务 C 端用户；搭配搜索端 AI 购物助手智能导购，为用户提供专业商品推荐，提升选购效率，催生全新消费业态。
基于 AI 驱动的新消费模式，设计团队确立四大心智建设方向：造场景‑节日化、造趋势‑智能化、造品质‑营销化、造记忆‑品牌化，为整个双十一大促视觉搭建顶层逻辑。
围绕四大心智方向提炼视觉关键词与设计元素，融合 3C 数码、食品酒水、服饰穿搭、美妆个护等主流品类，完成整套主视觉设计输出。
主视觉以 “夜生活” 为核心场景，还原电商 24 小时不间断经营的新业态。夜空礼花、环绕堆叠的商品渲染狂欢的大促氛围；数字人带货、智能推荐的视觉符号体现智能电商的行业新趋势；品牌 IP、超级符号反复露出加深用户记忆；高精度 3D 视觉表现，充分展示各品类商品，传递电商营销氛围感，本次双十一主题定为AI 购物狂欢节，狂欢日不落・24 小时嗨购不停。
双十一期间要上线九大品类会场，面临两大现实难题：
AIGC 恰好成为破局关键。团队先从 LOGO 中拆解提炼出微笑曲线超级符号，把微笑服务的品牌内核植入视觉，强化品牌记忆点。
工作流升级为：超级符号 + AIGC 生成品类素材 + 人工二次创作，产出最终页面。对比传统纯人工设计，单活动页面设计效率得到显著提升，高效化解素材多、人力不足的困境。
团队为九大品类会场规划五套差异化配色，在保证整体风格统一前提下，利用 AIGC 批量生成成套视觉物料。项目沉淀 80 + 可复用的品类设计组件，形成设计资产库，能够持续赋能后续运营活动，实现长期复用复利。
完成物料生产之后，将统一的主视觉风格完整覆盖搜索、商城、直播三大业务场域，落地 11 类营销玩法与全部重点资源位，保障全渠道活动视觉表达高度统一。
百度优选通过多轮大促实践，持续输出品牌内容，不断扩大品牌曝光。未来，团队将继续围绕新一代智能电商平台的品牌定位持续迭代设计方案，进一步提升百度优选的用户感知与市场口碑。
兰亭妙微ui设计公司分享：每年 WWDC 大会落幕，除了新功能与交互逻辑，系统 App 图标总是设计师群体最先捕捉到的变化点。图标虽只是方寸之间的视觉载体，却完整折射出整套系统的设计语言走向 —— 色彩倾向、玻璃质感强弱、边缘锐利度、图层层级，每一处细节，都在重塑用户对系统整体气质的感知。
随着 WWDC26 召开，iOS 27 与 macOS Golden Gate Beta 版本上线，共计 36 款苹果原生应用图标完成迭代。新版图标依旧延续Liquid Glass 液态玻璃设计体系，但在视觉表达上做出明显转向：色彩饱和度更高、画面对比更强；厚重的玻璃折射效果被削弱，整体趋向轻盈扁平；图标边缘轮廓更加利落，图层层级关系清晰分明，全平台视觉一致性进一步提升。
需要注意，当前仅为 Beta 测试版本，部分图标细节仍有调整空间，锐利边缘、弱化玻璃光晕等特征，既可能是苹果确定的设计方向，也属于测试阶段的过渡效果。下文将结合新旧版本对比，拆解各款 App 图标的具体改动。
图标内部文字缩写由 California 调整为 CA，原先粗重的轮廓线条优化为细线条，整体更干净利落。
定位底座与建筑元素改为玻璃透视材质，原本粗犷的白色轮廓线条做细化处理，符号精致度提升。
花瓣图案采用玻璃扭曲堆叠的视觉处理，去掉厚重的实感，整体视觉重量变得更加轻盈通透。
镜头反光效果重新绘制，渲染效果更强烈，不少网友调侃新版镜头看起来酷似滚筒洗衣机。
圆点配色进一步加深，移除内部投影效果，图标一体化、扁平化特征更加突出。
弱化朦胧模糊的玻璃高光，圆环结构边界变得干脆利落，从柔和半透明过渡为锐利干净的液态玻璃质感。
强化齿轮外轮廓，优化齿轮内外层级，机械结构的辨识度进一步提高。
iOS27 中 Siri 获得独立 App 图标，抛弃旧版多彩渐变底色，采用白底搭配渐变金属环，视觉风格彻底革新。
气泡造型做简化处理，去除多余柔和渐变，图标与背景对比度更高，观感直接干净。
听筒符号高度简化，去掉多余过渡渐变，轮廓干净，内部冗余细节大幅删减。
放弃柔和朦胧的透明分层，改用色块分区设计，雷达环与中心定位点一眼即可识别。
人脸图标鼻子造型更加圆润，隐隐复刻早期 macOS 访达的经典设计气质。
蓝色底色加深，渐变效果减弱，图标通透度提升，整体质感更轻量化。
书页细节做删减，书本主体居中对齐，图标识别更加干脆，但丢失了旧版柔和的层次氛围感。
还有大量应用（时钟、音乐、天气、备忘录、Safari 浏览器、FaceTime 等）改动幅度较小，大多仅微调刻度、明暗层次、边缘过渡，保留原本核心造型。
这套全新图标设计，留给我们两个值得思考的命题：一是在真实手机桌面场景下，新版图标能否拥有更高的辨识度；二是这套 Liquid Glass 迭代后的视觉语言，能不能在 iOS、macOS 等多系统之间，维持高度统一的表现。
从评论区反馈也能看到两极分化的评价：有用户认为玻璃质感不断轻量化是有趣的演进方向；也有不少用户觉得新版图标显得生硬，过度扁平化削弱拟物质感，部分旧版的温润氛围感不复存在。
究竟你更偏爱旧版温润厚重的玻璃质感，还是新版锐利、轻盈的设计风格？
兰亭妙微ui设计公司分享：AI 体验设计的边界正在被重塑，从亚马逊 Go 的无感支付到自动驾驶的责任博弈，传统的交互逻辑已难以为继。本文基于人机交互与服务设计理论，提炼出五大维度设计原则，深度解析如何在黑箱算法与用户信任之间构建透明的桥梁。
当我和罗伯塔·塔西（Roberta Tassi）开始思考有助于指导 AI 体验设计的原则时，我们从唐·诺曼（Don Norman）的人机交互原则，以及埃琳娜·帕琴蒂（Elena Pacenti）在米兰理工大学攻读博士学位期间所制定的服务设计准则中汲取了灵感。
这些内容一直是我们工作的基本准则。例如，透明性原则几乎已成为每个服务提供商的必备要素，它对于让用户能够理解自身选择至关重要。但在 AI 的新环境下，这意味着什么呢？
我们开始探索这些原则，并确定影响基于 AI 的服务与体验设计的最关键变量。
有些变量是功能性的，用以界定人与技术组件及底层服务之间的交互。另一些变量则更多与审美价值相关。我们着重去理解那些能引发有意义问题、进而催生有趣设计的变量。
首先要考虑的一组原则，通常与可供性以及它们在基于 AI 的服务中如何变化相关：
1.可见性：这对于零交互/自动化服务尤为重要。我们需要设计 “负可供性”，向用户表明在新服务中，他们原有的一些交互模式可以摒弃，并指出新的交互模式是什么，即便我们希望新交互模式直观且无形。这有助于避免类似自动水龙头带来的那种困惑，因为传统交互方式在自动水龙头场景中被取消了。
2.心智模型：我们必须处理好用户针对像亚马逊 Go（Amazon Go）这类自动化服务所形成的心智模型。在这类服务中，我们要求用户摒弃旧有的服务使用模式。用户必须学会在进入时签到，而无需在离开时签出，这意味着一种全新的服务流程。我们必须考虑这一过程中的学习曲线以及所需的所有沟通环节。
3.透明性：鉴于机器学习的技术复杂性和黑箱问题，这或许是最具挑战性的原则。传统上，透明性意味着明确预期，或者让用户在等待时知晓正在发生什么（比如包裹追踪）。然而，我们现在必须考虑两个层面的透明性：其一，我们需要向用户更清晰地呈现技术限制。例如，用户需要明白 Echo 设备要么说话要么倾听，如果在 Alexa 还在说话时他们就开始发言，其询问可能无法被正确解读。其二，我们需要追踪 AI 可能代表用户采取的行动，并明确是哪些具体的用户输入或 AI 对其行为的解读导致了该行动。（例如，如果我的 AI 助手一直给我买巧克力，我想知道这是基于我的习惯、它对我心理状态的解读，还是供应商推送的促销活动。这就是所谓可解释 AI 应用的一个场景。）
4.可解释性：AI 的出现催生了一个重要的新原则。这既涉及用户理解系统中正在发生之事的能力，也关乎AI所采取行动的可问责性。它与 “让用户深入了解系统运作机制” 的理念相关。目前有朝着可解释 AI（XAI）方向的尝试，这应该遵循这一原则。
第二组原则涉及用户应如何在不同方面保持对系统的控制权：
1.退出自由：在传统系统中，这指的是随时停止交互的能力，比如我改变主意时能从 ATM 机取回银行卡。然而，随着谷歌、亚马逊这类更复杂系统的出现，理解用户的退出自由究竟意味着什么变得至关重要，特别是在如何安全取回他们的数据方面。
2.容错友好性：在传统系统中，容错友好性意味着允许人工操作者犯错而不引发严重问题。但对于智能代理而言，我们可能需要设计这样的系统：确保用户能接受一定程度的系统故障，并明确用户与 AI 代理之间责任如何划分。最近，自动驾驶汽车中多起涉及自动驾驶仪的事故使得这一原则问题尤为突出。
3.持续参与：关键在于考虑如何让用户知晓情况，并赋予他们干预和重新引导系统的能力，还要设计出能提供清晰及时反馈以实现这一点的系统。用户必须明白何时可能需要重新接管控制权，并且应为他们有效执行这一操作创造条件（例如，在自动驾驶汽车场景中，由于机器在控制，用户常常会感到无聊和分心）。这不仅对控制 AI 很重要，对人类保持自身技能和知识水平、以便在技术故障时仍能手动执行操作也很关键。
第三组原则与适应性以及这些服务如何应对不同情况相关：
1.学习能力：从用户反馈中学习并随时间不断改进的 AI 服务，是这项技术的自然产物。它们能够实现个性化体验，适配用户的需求和偏好。这一特性是许多成功的基于 AI 服务的关键要素。
2.灵活性：这是设计 AI 服务的一项关键原则，它使系统能够随时间推移进行适应和演变。这包括整合新数据和用户反馈的能力，以及响应不断变化的用户需求和偏好的能力。一个灵活的 AI 系统还能更好地处理意外情况和异常状况，提供更流畅、直观的用户体验。总体而言，以灵活性为导向进行设计，能让 AI 服务持续改进，在不断变化的环境中保持相关性。
3.多模态交互：该原则指的是为用户提供多种交互方式，如语音、文本和手势识别，还包括结合不同交互方式以实现更流畅的体验。通过提供多种交互方式，AI 服务能更好地满足用户偏好，并适应不同的使用场景，使整体体验更具灵活性和易用性。
4.情境感知：对于设计能有效适应不同情境的 AI 服务而言，这是一项至关重要的新原则。例如，用户在工作或从事其他专注活动时，可能不希望被打扰。AI 服务应设计为能够检测并响应这些情境，提供适应特定情况的差异化体验，而非采用一刀切的方式。挑战在于打造能够识别并适应用户情境的服务，提供流畅且个性化的体验。
···
接下来谈谈与美学相关的原则，我们可以思考能提升体验的元素。
一致性：
第四组原则更多涉及服务在美学和情感方面，也与品牌体验和认知相关。
1.共享且一致的语言：这既体现在服务与用户之间共享的语言，也包括契合情境的语言（不能是用户听不懂的官僚或技术语言的 AI ）。服务语言在用户访问的各种平台和情境中也应保持共享且一致。
2.共享价值观：这对用户与服务的匹配至关重要。此前我们在一定程度上看到过例子，比如当前的地图应用重视效率和速度，而用户可能更看重路线体验。我们需要找到传达这些价值观或适配用户的方式。
3.可及性：AI 服务看似可及性问题较少，因为自然语言界面可能克服操作按钮和触摸屏的一些限制。然而，我们已经看到不同语言的服务在可及性方面存在显著差异。另一个方面是对不断增加的带宽和处理能力的需求，这可能在有能力使用高质量 AI 服务和无力承担的人群之间造成新的数字鸿沟。
4.伦理道德：这是一个宽泛的范畴，不止涉及单一原则，目前在技术和设计背景下都有讨论。设计师应考虑将道德准则融入 AI 服务的功能中，并评估该技术潜在的伦理影响。他们必须留意服务对社会的潜在影响，确保其符合伦理价值观和原则。然而，在某些情况下，这些伦理方面可能与一致性原则相悖，因为一些伦理考量可能高度基于具体情境，需要兼顾多样性和差异。
第五组原则旨在帮助人们在使用 AI 服务时感到自在，并且感受到被尊重，从而营造舒适的 AI 体验。
1.外观、特性与氛围：这些元素通过品牌形象视觉化、色彩和声音等接触点来传达服务的核心。对于常常超越屏幕交互的 AI 体验而言，理解如何持续传递品牌价值，以及像语气或特性等其他方面怎样用于打造不同且独特的体验，这一点至关重要。
2.个性化：这是将智能融入服务所带来的最大优势之一，但它引发了关于个性化程度的疑问。传统上，服务和品牌的创建会考虑特定价值观和目标受众，但个性化可能会挑战这一模式，使服务适配每个特定用户的偏好。例如，是否仍需要多种打车服务，还是一个统一整合的平台就能提供足够的个性化服务以满足每个人的个体需求？品牌及其价值观的概念会被每个用户的价值观和需求所取代吗？
3.谨慎性：虽然 AI 利用用户行为数据实现个性化体验有益处，但谨慎行事很重要，不能让用户感到尴尬或不适。AI 应融入用户偏好的做事方式，避免造成尴尬局面。例如，如果 AI 收集了大量用户数据，它应利用这些信息提升用户体验，同时尊重用户隐私。设计师在利用数据支持服务行动时，应思考如何融入惊喜元素和自然交互，不让用户感到不适或隐私被侵犯。
总之，AI 体验的设计原则复杂且多面，融合了传统服务设计、伦理道德和美学等方面的元素。随着 AI 越来越融入我们的日常生活，设计师必须考虑这些原则，打造不仅功能实用、高效，而且能让用户享受其中，并尊重用户价值观和偏好的服务。
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。
转载：站酷
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：站酷
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。
北京兰亭妙微 UI 设计公司，成立 16 年来，始终保持着对国内外优秀设计作品的学习与研究。我们持续追踪全球前沿的 UI/UX 设计趋势，从中提炼可落地的设计方法论，分享给同样热爱设计的你。
QuestMobile 的数据显示，国内 AI 原生 App 月活已经到 4.99 亿，同比涨了 85.4%。
支付宝「碰一下」的用户规模过了 4 亿，千问的月活涨幅接近 58 倍。
这些数字这半年被反复引用，几乎成了「AI 产品在爆发」的标准论据。
这类报道通常只披露一件事，规模涨了多少。使用时长、复访比例、有没有留存下来，这些同样能拿到的数据，很少被放进同一篇报道里，也很少被追问。
但很少有报道会往下多问一句，这些涨起来的用户，有多少留下来了，有多少只是来试了一次就走。用户规模和用户是不是被真正留住，是两件事，前一件被讲了太多次，后一件几乎没人认真拆过。
这半年被反复引用的规模数字，也让「要不要跟进做一个 AI 功能」这类决策，变得比以前更容易被数字本身带偏。
产品经理判断一个产品好不好，习惯性地看一条链路，获客、转化、留存。
这条链路背后有个默认假设，用户只要进来了、用起来了，价值就会自然沉淀，剩下的事交给时间。
这套假设在传统互联网产品上大体成立。做一个能用的产品需要门槛，门槛本身筛掉了一批凑热闹的用户，留下来的大多是真有需求的人。
AI 产品把这套逻辑打乱了。
调一个大模型 API，套一个现成的 RAG 框架，几天就能拼出一个看起来很能打的 Demo。门槛被拉到了历史最低，注册转化率、首页访问这些前端数字，因此也变得很容易做得好看。
举个例子，一个做 AI 写作工具的团队，两周就能上线一个输入主题就能生成一篇公众号文章的功能。用户点一下几乎零成本，注册转化率做得很漂亮并不难。真正难的是，用户拿到生成结果之后，愿不愿意把这篇文章真的发出去，这一步在老地图上是找不到的。
这套低门槛甚至体现在产品经理自己的判断习惯上。过去评估一个新功能值不值得做，往往先看它能不能带来注册量和访问量的短期上涨。AI 功能几乎都能满足这个标准，因为新鲜感本身就会带来一波点击，这也是为什么很多团队会在错误的方向上，做出一个看起来很成功的判断。
问题出在更深的地方。用户进来了，产品是不是真的把事情办成了，这件事和用户进来了完全是两回事。
传统产品里，进来和办成之间的距离很短。AI 产品里，这段距离被拉长了，而且大部分产品经理还在用老地图找这段新路。
这就是为什么同一套仪表盘，同一批产品经理，会在 AI 产品上判断失误。不是数据造假，是看的地方错了。
看的地方错在哪，QuestMobile 的另一组数据说得比较清楚。
AI 原生应用用户的月均使用次数是 92.7 次，同类预装应用只有 51.4 次，接近两倍的差距。
豆包、DeepSeek、Kimi 三家，单次使用超过 10 分钟的重度用户占比都在 26%到 30%之间，而且这个比例还在往上涨。
这组数据指向同一件事，入口流量在 AI 产品里正在退位，使用深度顶了上来。使用深度不是一个笼统的说法，拆开看至少是三件事，用户来得勤不勤（使用频次）、每次待得久不久（单次时长）、一次任务有没有走完（任务完整度）。
这三个维度也不是随便拆的。使用频次要看的是一个固定周期内（比如 7 天或 30 天）用户主动打开产品的次数，不是被推送唤醒的次数。单次时长要排除挂机、开着不操作这类噪音，只算真正产生交互的时间。任务完整度要求先给「一次任务」下一个清晰的定义，一次面试、一次报告、一次生成，都算作一次完整任务，半途退出的不算。这三个维度定义不清楚，后面所有的判断都会跟着走偏。
传统产品看的是有多少人打开了 App。AI 产品要看的是打开之后，用户有没有真的把一次任务完整地做完，做完了愿不愿意再来一次。
北极星指标这个概念，本来就是用来提醒产品经理别盯着虚荣指标的。但现实是，很多团队在 AI 产品上依然把北极星定在注册量或者 DAU 这类入口指标上，等于用旧地图找新路的同一个错误又犯了一遍。
这背后还有一层现实原因。增长团队的考核指标、投资人熟悉的汇报框架，很多时候还是围着注册量和 DAU 转，这两个指标改起来最快，也最容易在一页 PPT 里讲出一个漂亮的故事。使用深度这类指标需要更长的观察窗口，也更难被一眼看懂，团队天然有动力去优化那个更容易被看见、也更容易被误读的数字。
市面上不少「套壳」AI 应用就是这么起来的，借一波热点把注册量做得很好看，用户进来点两下就再没回来，团队却还在为注册曲线开庆功会。
反过来看，一款真正解决问题的 AI 工具，早期注册量涨得可能没那么快，因为它依赖的是用户遇到具体问题时的搜索和推荐，不是一次性的流量爆发。但一旦有人开始用，复访和深度使用会持续爬升，这条曲线不好看，却更值钱。
我自己在做一款 AI 面试产品，叫 Lollipop。它后台的北极星指标定的不是注册量，是面试完成率，就是用户有没有走完一整轮模拟面试、拿到报告。
最近一个周期，首页访问、新增注册、开始面试这几个前端数字全都在大幅下滑，跌幅都在四成到七成之间。只看这几个数字，很容易得出产品在快速失血的结论。
但面试完成率这个北极星指标，同一个周期反而是往上走的。前端数字砸下去了，真正衡量产品有没有把事办成的指标却在变好，这组反差比任何单一数字都更能说明，入口流量不该排在第一位。
选面试完成率做北极星，也是因为这类产品的一次任务相对好定义。一场模拟面试有明确的起点和终点，用户走完全程、拿到一份报告，就算完整地体验了一次产品的核心价值。不是所有 AI 产品都有这么清晰的任务边界，判断使用深度之前，先想清楚自己的产品里，一次完整任务到底指的是什么，是能不能套用这套框架的前提。
权重排对了，接下来是怎么防止被数字骗。
第一个常见陷阱，是漏斗里某个环节的转化率超过了 100%，人数不减反增。
这种情况通常有三个来源。
统计口径没对齐，上一步按自然日去重统计新增用户，这一步却按一个更长的活跃窗口统计所有触发过这个动作的账号，两边的分母来自不同的时间尺度，下一步的人数比上一步多，是算法层面的必然，不是产品层面的奇迹。
采集标准不一致，前端埋点和后端日志各算各的，同一个动作在两套系统里可能被记成不同的数字，尤其是涉及 App、小程序、网页多端的产品，这种错位更常见。
用户行为本身有跳跃，用户离开又回来重新走了一遍这个环节，系统把这当成了两次独立事件，凭空多算了一次。这在允许用户中途退出再进入的 AI 产品里尤其常见，因为一次任务本身可能拆成好几轮交互。
遇到这种数字，正确的排查顺序是这样的。
先确认两个环节的统计窗口是不是完全对齐，再看这批用户里有没有掺进本不该算的老用户或回流用户，最后确认埋点逻辑会不会把同一个人的多次动作，算成了多次新增。三步查完，大概率能找到问题出在哪一环。
更具体一点，多数 BI 工具或者后台数据库里，可以直接把两个环节的用户 ID 拉出来做交叉比对，看下一环节里有多少用户 ID 没有出现在上一环节的名单里。如果这个数字不是零，说明确实有凭空出现的用户，顺着这批用户的行为记录往回查，通常能直接定位到问题出在统计口径、埋点还是回流。
这三步排查，靠翻埋点文档和拉后台原始数据就能做，不需要额外的工具。需要的是遇到反常数字时，先怀疑统计本身，再相信这是个好消息的习惯。
Lollipop 的后台就出现过更夸张的情况，注册转化的一个子环节里，「成功注册」的人数是「进入注册页」的十倍还多，转化率算出来超过了 1000%。
查下来是两个环节的统计时间窗口没对齐，「进入注册页」只挑了当日严格路径进来的用户，「成功注册」却把更宽时间窗口里所有完成注册的账号都算了进去，两边的分母压根不是同一批人。这类异常如果不查，很容易被当成一个值得庆祝的好消息，写进周报里。
第二个陷阱更隐蔽，一个 AI 功能上线了，不代表用户真的在用它。
微软自己披露的数据是一个很有分量的参照。
Microsoft 365 Copilot 上线三年后，付费企业里的实际采纳率不到 4.5%，每周还在用的用户比例只有 1%。
财富 500 强企业里七成拿到了 license，但每周真正被使用的付费席位只有两到三成。
一个全球最大的企业软件公司，尚且交出这样的采纳数据。说明这不是某个小团队的执行问题，是 AI 功能从上线到被真正采纳，中间天然有一道很宽的沟。
这道沟通常来自三个原因。
用户不信任 AI 给出的结果，宁可自己重做一遍，尤其是涉及需要担责的场景，比如财务数字、合同条款，用户会本能地想再核对一遍，AI 帮着做的这一步，等于白做。
功能藏得太深，不在用户原有的操作路径上。一个 AI 摘要功能如果放在三级菜单里，大多数用户根本不知道它存在，更不会主动去找。
功能确实存在，但比用户熟悉的手动方式并没有明显更好，缺乏切换的理由。如果 AI 自动填表的出错率比用户自己手动填还高，用户试过一次就会放弃，回到熟悉的老办法。
判断一个 AI 功能有没有真被采纳，可以拆成两层来算。第一层是尝试率，能接触到这个功能的用户里，有多大比例点开用过至少一次。第二层是复用率，用过一次的人里，有多少比例会用第二次、第三次。
尝试率高、复用率低，说明用户对这个功能有好奇心，但没有形成依赖，这正是大多数 AI 功能卡住的地方。用过一次约等于好奇，用过不止一次才约等于这个功能真的解决了问题。
微软的数据也印证了这一点。超过 1 亿月度 Copilot 用户，说明尝试的门槛已经很低，财富 500 强七成拿到 license，说明分发也做到位了，真正卡住的，是复用这一层。
我们 Lollipop 的简历漏斗里也有类似情况。用户确定简历之后，走到「Agent 对话」这一步的转化率只有个位数。功能是上线了的，但绝大多数用户走到这一步就停住了，没有再往前一步。
前两个陷阱都还只是排查具体数字，第三个陷阱要看的是一整条曲线，留存曲线的形状。
a16z 在一份关于 AI 消费应用的报告里提到一个说法，很多 AI 应用早期都会经历一波「AI 游客」。这批用户被新鲜感或者一次刷屏式的传播吸引进来，用几次就走，本身对产品没有真实需求。
AI 游客通常是被两种力量带进来的。一种是免费试用或者限时活动，用户抱着反正不要钱的心态点进来看一眼；另一种是社交媒体上的一次刷屏式安利，用户被大家都在讨论这件事本身吸引，而不是被产品要解决的问题吸引。这两类用户对产品本身没有真实需求，留存曲线注定要往下掉。
真正的分水岭在第三个月前后。如果留存曲线过了这个点还在持续往下掉，说明用户最初的新鲜感没有转化成长期愿意用的理由。具体到怎么看这条曲线的形状，可以连续观察三个月的环比降幅，如果降幅一个月比一个月收窄，说明曲线在走平，用户群体逐渐稳定下来；如果降幅稳定甚至扩大，说明流失还在加速，这是曲线持续下探的信号。
报告里也提到一个有意思的反例，头部产品比如 ChatGPT 呈现出一种回升式的留存曲线，用户在中途流失后，会因为产品能力持续提升、能处理的场景变多，重新回来使用。
回升式曲线不是靠运气出现的。头部产品做对的事情，通常是持续扩展产品能处理的场景，让一个因为某个具体需求流失的用户，后来因为另一个新场景被解决，重新想起这个产品，再加上恰当的触达（比如提醒、周报这类唤回机制），才能把回升曲线做出来。
看留存，不能只看前几天的数字，要看到第三个月这个节点之后曲线是往下探、走平，还是回升。前几天留存好看，只能说明第一次体验没让人失望，不能说明产品被真正需要。
Lollipop 的 30 日留存数字趋近于零，首页访问的流量并不小。
入口流量还在，但30天之后几乎查不到人回来，这组对比比任何一条好看的增长曲线都更能说明问题。
前面这三个陷阱，说的都是老指标怎么骗人。有一个容易被忽略的地方是，使用深度、功能采纳率这类新指标，同样可以被做出虚假的好看。
刷时长、机器人循环调用、把一个简单任务硬拆成好几轮交互凑次数，都能在不产生真实价值的情况下，把这几个新指标堆上去。看使用深度、看功能采纳率、看留存曲线，解决的是入口指标不够用的问题，不是给了一张可以不用再怀疑的新地图。遇到反常的深度数据，同样要用前面几节的排查方法再过一遍。
把前面几节收拢成一份清单。
先看使用深度，用户打开之后有没有走完一次完整任务，来得勤不勤，待得久不久。
再看功能采纳率，新功能有没有被反复使用，不是浅尝辄止用一次就再没打开过。
最后看长期留存曲线的形状，第三个月之后是探底、走平，还是回升，不要只盯着首周数字。
入口流量、首日转化率这类老指标不是不看，是不能再排在最前面。
如果这三项同时不达标，修复的优先级也有讲究。
先修留存，留存趋近于零，说明产品可能根本没有解决用户的真实问题，这时候去优化功能采纳率或者入口转化率，投入产出比很低，方向可能就错了。
再修功能采纳率，留存还过得去，但某个 AI 功能没人用，通常是设计或者信任问题，不是产品根本没用，值得针对性优化。
最后才轮到入口转化率，这一层最容易优化，也最容易带来虚假的安全感，前两层没达标之前，把力气花在这里性价比最低。
这套优先级说起来容易，落地时最大的阻力往往不是数据本身，是团队内部的认知。如果汇报框架、老板的直觉判断都还锚定在注册量和 DAU 上，突然把留存曲线摆到第一位，很容易被当成在唱反调。更现实的做法，是把这几个新指标和老指标并排放进同一张报表里，让入口流量继续涨，同时用具体数字展示留存和采纳率的差距，用事实说话，比正面辩论更容易推动认知转变。
拿这份清单去看一个陌生的 AI 产品，可以这样用。
先找它公开披露过的使用时长或使用频次，没有的话看应用商店评论里有没有人提到「用了一次就没再打开」这类反馈。
再看它有没有单独披露过某个核心功能的复用数据，一次性使用和反复使用是两回事。
最后如果能查到第三方的留存报告，重点看第三个月前后的曲线走向，而不是首周数字。
举个具体的应用场景。假设在看一款新出的 AI 笔记应用，官方通稿里只写了用户破千万。这时候先翻一下应用商店评论区，如果高频出现用了一次觉得挺新奇、后来就没再打开这类留言，基本可以判断留存是个问题。如果通稿里进一步披露了周活跃或者人均使用时长，可以拿来和同类产品做个粗略对比，时长明显偏短，说明用户可能只是把它当成一次性的新鲜工具，没有形成使用习惯。
三步做完，基本能判断出这个产品的增长，有多少是真的。
增长曲线好看，这件事本身不需要否定。
真正决定一个 AI 产品能走多远的，是曲线背后那些不那么好看、但更接近真实的数字，有多少人真的把一次任务办成了，办成之后，愿不愿意再来一次。
这三层判断标准不需要复杂的工具，大多数时候翻一下后台数据、看一眼应用商店评论，就能做完第一轮判断。
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。
北京兰亭妙微 UI 设计公司，成立 16 年来，始终保持着对国内外优秀设计作品的学习与研究。我们持续追踪全球前沿的 UI/UX 设计趋势，从中提炼可落地的设计方法论，分享给同样热爱设计的你。
软件开发与数字设计领域，眼下正在经历着一场深刻的重构。这场重构由 AI 和各大厂商的大模型所驱动，而 Figma 正好处于这个风暴中心，从 2024 年到现在，它正在经历一场彻底的颠覆，从一个云端协作设计工具，蜕变为「产品创建操作系统」。
转型的起点，源于 2023 年 12 月的监管干预。在英国 CMA 和欧盟委员会的重压之下，Adobe 斥资 200 亿美元收购 Figma 的世纪并购案宣告终止。凭借 10 亿美元的天价解约金，Figma CEO Dylan Field 开启了激进的技术与人才扩张。在这期间，Figma 员工人数翻倍，突破了 1500 人。同时，Figma 连续收购了 Diagram、Weavy、Modyfi 以及无头内容管理系统（Headless CMS）Payload 等关键初创企业 ，为接下来的 AI 战争做好储备。
Dylan 这一系列战略布局在 2025 年 7 月 31 日迎来了高潮。Figma 在纽交所成功敲钟上市（IPO，股票代码：FIG），发行价 33 美元，估值高达 150 亿美元 。Figma 交出的 2025 年答卷堪称惊艳：营业收入达 10.6 亿美元，同比增长 41%。
但是在 AI 加速的世界里，变革都是按月算的。尽管营收大涨，Figma 在 2025 年的净亏损却也显著扩大至 1.25 亿美元。进入 2026 年 4 月，市场格局再遭强烈冲击。Google 让对标 Figma 的 AI 设计工具 Google Stitch 免费。这导致 Figma 股价在短短数日内连续暴跌。目前，其股价较 IPO 后的最高点（142.92 美元）已狂泻近 80%。
在这个伴随高速扩张、生态重塑与突发危机的动荡期，Figma 的核心管理层、内部开发者、一线设计师及庞大的社区生态纷纷发声。针对 AI 如何重塑设计流程、设计方法及产业未来，他们提出了大量极具颠覆性与前瞻性的见解。本报告系统梳理了 2024 年至 2026 年间 Figma 生态内部的言论、产品发布、工程博客及行业数据。我们将深入解析 AI 时代设计工作流的底层逻辑演变，并全面提炼 Figma 团队对整个设计产业未来的终极预测。
面对 AI 浪潮，Figma 领导层并未采取传统的防御姿态。相反，他们主动拥抱破坏性创新，并从哲学与战略高度，重新定义了设计在现代软件工程生命周期中的核心坐标。
2026 年 2 月 17 日，Figma 首席执行官 Dylan Field 接受了 CNBC 专访。他在采访中抛出了一个震动行业的核心概念：「软件大清算」 。他指出，随着 Claude Code、Cursor 等智能体编程工具（Agentic Coding Tools）日益成熟，软件开发的门槛正经历断崖式下跌。过去将想法转化为代码需要耗费昂贵的开发资源，如今寥寥几句自然语言提示词，就能生成生产级别的 APP。
在这种高度自动化的语境下，业内普遍弥漫着「设计师即将消亡」的恐慌。但 Field 的论断却截然相反：
「当任何人都能轻易构建软件时，软件的执行和代码本身将彻底商品化；而深思熟虑的设计以及对人类真实需求的理解，将成为区分伟大产品与平庸数字垃圾的唯一护城河。」
他将生成式 AI 定位为设计师的「副驾驶」，专门用来处理调整组件大小、填充原型数据等枯燥的「设计苦差事」。
Field 极度强调「品味」和「文化同理心」不可替代。他以 2024 年风靡全球的「Brat summer」文化现象为例，犀利地指出：
「即使是再强大的超级人工智能（ASI），也无法凭空设计出与当下微妙流行文化、隐喻产生共鸣的视觉产品，因为 AI 缺乏在人类社会中生存的『灵魂』与文化感知力。」
2026 年 1 月，他在一次公开演讲中将这一哲学量化：
「在未来，一个事物完全由 AI 生成的概率，将与其预期的生命周期成反比。」
简言之，用完即废的瞬时产物交由 AI 处理，而具备长久生命力的核心产品系统，将永远离不开人类设计师的打磨。
Figma 产品副总裁 Sho Kuwamoto 从组织架构的角度，剖析了 AI 的深远影响。Kuwamoto 断言：
「孤立设计师的时代已经结束，设计正在跨越专业壁垒，成为每个人的业务。」
AI 工具打破了职能孤岛。如今，产品经理、营销人员甚至后端开发者，都能利用 AI 工具进行早期的视觉探索。
在这场权力去中心化的变革中，Kuwamoto 认为设计师的战略价值发生了转移：从「把东西做对」（偏重执行），转向了「做正确的东西」（偏重战略方向的把控） 。他特别强调要培养「产品感」。这是一种根植于深刻理解用户痛点、从而解决问题的能力 。在 Figma 内部，团队通过高强度的「吃狗粮」（Dogfooding，即重度使用自家开发的产品）来不断磨砺产品感。这确保了他们在极高速度的 AI 迭代中，依然能与用户保持共情 。
Figma 设计副总裁 Noah Levin 将 AI 对设计行业的冲击，提炼为一个双向动态模型。他认为，AI 同时在「抬高天花板」和「降低门槛」 。
抬高天花板与「更好的设计」：AI 打破了传统工具在复杂计算上的桎梏。这使得顶尖专业设计师能够放手探索以往因成本过高而望而却步的复杂系统与动态交互 。
降低门槛与「脆弱的设计」：AI 让未经严格训练的普通人也能迅速生成 UI 。然而，业界资深专家 Buzz Usborne 结合最新的交互研究发出了警告：「完全依赖自然语言生成界面，往往会导致脆弱的设计。」 绝大多数普通用户并不具备高超的「提示词能力」以及掌控力。
这也意味着未来的设计工具必须做出改变，不能再仅仅提供一个空白的输入框，而是要转向提供结构化的语境建议和约束条件。
2024 至 2026 年间，Figma 最大的技术突破在于彻底终结了陈旧的「线性设计交付」模式。过去，设计师在画板上绘制静态的 UI 界面，然后丢给前端开发。这个过程往往伴随着设计语境的丢失和妥协。而现在，以 MCP 协议为核心的双向工作流彻底颠覆了这一切。
在 Schema 2025 大会上，Figma 宣布其 MCP 服务器正式全面可用，Figma 将内部复杂的画布结构彻底开放。这包括组件库、设计令牌（Design Tokens）、变量层级，甚至是自动布局逻辑，这些结构被全部暴露给 Claude Code、Cursor 等智能体编程平台。
这意味着，当用户向 AI 下达开发指令时，AI 不再基于互联网数据胡乱猜测。相反，它会严格遵守企业的专属设计规范来输出代码。业界资深人士 Tommy Geoco 对此给出了极高评价，称这种结合了 Figma MCP 与 Claude Code 的底层基建，是目前「唯一能在生产环境中使用的 AI 工作流」 。
当然，2026 年此刻，Figma 早就不是唯一的选择了。
2026 年 2 月 17 日，Figma 与 Anthropic 强强联手，发布了震撼行业的「Code to Canvas」（代码到画布）功能。这补齐了设计与开发闭环的最后一块拼图 。它的核心操作流程如下：
1. AI 辅助构建：开发者利用 Claude Code 结合 MCP，快速生成前端 UI 代码，并在浏览器中运行验证 。
2. 状态捕捉：只需在 Claude Code 终端输入「Send this to Figma」指令，工具便会直接抓取浏览器中运行的真实 DOM 状态，并将其自动转换为 Figma JSON 结构。
3. 画布重构：被捕获的 UI 会瞬间在画布上重构。值得注意的是，这绝不是一张屏幕截图，而是一个真实的设计框架，包含可自由编辑的文本、独立分离的按钮图层，以及完整的 Auto Layout 响应式约束。
4. 视觉探索与决策：设计团队无需触碰任何代码，就能直接在这些由代码逆向生成的真实界面上进行批注，并对比各种极端状态。
这种全新的「状态评审」（State Review）的工作方式，将会彻底取代了传统的「设计评审」。值得注意的是，根据 2026 年初的独立测试数据显示，AI 从设计图到代码的「还原度」目前普遍徘徊在 65% 到 80% 之间 。这也印证了业内的精准评价：
「代码负责收敛逻辑，画布负责发散探索。在生成 UI 变得轻而易举的世界里，核心工作已经发生了转移——我们需要在无限的可能性空间中，去决定究竟应该交付哪一个版本。」
在继续审视 Figma 未来发展之前，我们先审视一下最近2年 Figma 的变化，从 Config 2024 到 Config 2025，Figma 的产品矩阵经历了大幅度的延展和重构：
Figma Make：这是搭载了 Claude 3.7 Sonnet 模型的「提示词到APP」的 AI 生成引擎。你可以用自然语言下达指令（例如「让XX元素响应滚动」），为静态框架注入动态交互。更强大的是，它能完美保留原文件的组件层级和元数据 。
Figma Sites：这是一个全栈式无代码可视化建站平台 。它引入了 CSS 级的网格系统。配合收购的 Payload CMS，实现了前端响应式 UI 与后端数据集合的无缝对接，彻底打破了设计与最终发布之间的壁垒 。
Figma Buzz：这是一个面向营销和销售团队的大规模内容共创平台。通过集成 OpenAI 的 gpt-image-1 和 Gemini 模型，支持从电子表格 批量导入数据，并自动生成多尺寸广告图。这标志着 Figma 正式向非设计岗位的企业级用户进行渗透 。
Figma Draw：这是一个内嵌的专业级矢量插画工具集。它引入了动态笔刷、可变宽度路径以及拟真噪点纹理，让插画师们彻底告别来回切换 Adobe Illustrator 的繁琐操作。
2024 年 7 月，Figma 发布了早期的「Make Designs」 AI 工具。由于引入了未经严格人工审查的第三方组件库，当用户输入「天气应用」时，系统直接生成了一个与苹果 iOS 原生天气应用近乎一模一样的界面 。此事件瞬间引爆了关于 AI 抄袭和数据伦理的巨大风暴 。
CEO Dylan Field 亲自出面澄清，强调模型并未在用户的私有文件上进行训练，并果断将该功能下线回炉重造 。这一惨痛的教训让 Figma 深刻意识到：泛用型的 AI 生成工具暗藏巨大的法律风险。AI 必须与企业自身的设计系统进行深度绑定。
在 2025 年的 Schema 设计系统大会上，Figma 的核心议题迎来了全面升维：重点探讨「如何为人工智能构建基础设施」 。会上，Figma 正式宣布了「智能体设计系统」的一系列底层基建更新：
在这次大会当中，系统设计专家 Cristian Morales Achiardi 分享过一个发人深省的案例。
他敏锐地察觉到警告色的对比度存在异常这件事情。在传统流程中，这往往会导致部门间互相推诿，或是开发者干脆写死色值。但在智能体生态中，开发者调用了「Token 审计智能体」（Token-auditor skill）来排查链路。最终，系统精准追溯到了源头：正是 Cristian 本人在底层定义的原始色阶出了错 。
Cristian 为此感慨道：
「开发者对系统产生了绝对信任。当错误发生时，环境机制能够精确追溯到决策层。」
在这套体系中，设计系统架构师扮演了「法律制定者」的角色。正如一位负责人发出的严重警告：
「如果开发者利用 AI 将产出效率提升了 3 到 4 倍，而你只是盲目增加开发者，那么你扩张的根本不是产出，而是技术债务。因为设计决策、实施审查、质量保证这些外围支撑，必将成为致命的瓶颈。」
2026 年初，Figma 发布了重量级的《State of the Designer 2026》报告。该报告对全球逾 900 名专业设计师进行了深度调研，勾勒出了一幅机遇与危机并存的产业图景。
数据呈现出压倒性的拥抱姿态：72% 的设计师正在使用生成式 AI，其中 98% 的人增加了使用频率。
在拥抱 AI 的群体中，91% 认为工作质量得到了提升，89% 认为工作速度明显加快，80% 认为协作得到了增强 。
更关键的数据在于：积极使用 AI 的设计师，其工作满意度比拒绝使用 AI 的同行高出了 25%。反之，在 AI 使用量停滞的群体中，有 40% 的人觉得自己的工作变得更糟 。
然而，认知的巨大裂谷依然存在。当被问及「AI 是否实质性地改善了最终产品质量」时，68% 的开发人员表示肯定，但只有 40% 的设计师认同 。Figma 尖锐地指出了设计师「手艺危机」的存在：由于互联网上高达 81% 的主页存在低对比度等体验缺陷，依赖这些海量平庸数据训练出的 AI，在自动化生成中必然会延续这种系统性的偏差与缺陷 。
在这个充满不确定性的变革期，结构感成了定心丸：高达 91% 的设计师坦言，「清晰的目标和期望」能帮助他们更好地完成工作 。此外，87% 的设计师表示拥有「决策权」能够显著提升他们的表现。这证明了一个观点：
「精确的设计愿景，才是区分专业设计师与随便使用 Figma 的产品经理的关键。」
报告揭示了一个残酷的真相：目前 Figma 中 60% 的新文件是由非设计师创建的 。纯 UI 岗位的生存空间受到了严重挤压。行业内催生出了两种新型职业路径：
对此，Wert & Co. 首席执行官 Daniel Wert 警告各大企业：
「不要陷入寻找全能创始设计师（Founding Designer Unicorn）的陷阱，而应利用魔球理论（Moneyball approach）来建立多元化团队。」
他同时指出，大幅削减初级人才招聘，正在严重损害行业的长远建设 。
预测1：对「设计产品」本身的预测——全领域覆盖的设计工具
设计工具将不再是一个绘图的画布，以 MCP 为代表的通信协议将成为底层标配，设计工具将全面演变为「双向连通的沙盒」，它既能向下直接生成生产级代码，更能向上解析和渲染实时运行的复杂代码架构 。平台将无缝集成战略规划、开发框架与下游 CMS，最终实现「全领域互联」的目标 。
预测2：对「设计产业」格局的预测——基于 Agent 的系统性治理
随着 2026 年 4 月 Google Stitch 走向免费，基础 UI 生成的边际成本已彻底归零。当绝大多数数字资产都由非技术人员通过提示词快速生成时，产业对「中介型」执行劳动的需求将彻底枯竭。设计组织的核心任务将发生不可逆转的转移，转向「质量控制与支撑层」。未来，企业需要构建严密的「智能体设计系统」，以类似于立法与司法机构的方式，来确保海量 AI 产物的合规性与品牌独特性 。
预测3：对「设计本身」的终极预测——品味成为护城河，「设计即代码」
「设计即代码」时代已全面降临。当你能在画布上直接渲染/编辑 React 代码的框架时，「设计」这一动作本身就是在进行系统架构决策。当技术手段变得无限充裕且极度廉价时，方向性决策就会变得最为昂贵。正如 Dylan Field 所言：
「AI 算法可以穷尽千万种视觉组合，但无法体会痛楚，也无法理解人类微妙的文化共鸣。」
因此，人类对卓越技艺的极致追求，以及在纷繁复杂中懂得取舍的高级「品味」，将成为永远无法被算法计算出的终极护城河。
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。
如果你用AI生成的图有一股AI味，那今天你有福了，我来给大家介绍几个方法，去掉你图片的AI感。
很多同学用AI生的图，质感过于平，尤其是白色，比如下面这个晴天娃娃的创意形象，白色就非常平：
主要原因就是缺少暗部重色，这个时候你只需要和AI说，加强质感，加重暗部：
然后你就可以得到一个质感饱满的效果
你可以对比下效果：
一下子就从一个纸片变成了饱满的立体效果！
有时候用AI生出来的图泛黄，导致AI感特别重，比如一片叶子：
这时候我们可以给他加一点色彩平衡，然后把颜色往蓝色调整，黄绿就会变成蓝绿色：
这样质感就舒服很多。
还有AI生出来的白色，也容易泛黄，我们也可以加入蓝色，比如下面这个图标，绿色和白色都进行加入蓝色的处理：
质感就舒服很多！
这一个点是最最最致命的，也是80%AI感的来源。
我们都知道，一个画面里有暗部和亮部，按照正常逻辑来讲，应该凸显亮部，弱化暗部，如果暗部过于抢眼，那这个画面就会非常的扎眼、油腻。
比如下面这个杯子，很明显，他的杯子暗部饱和度就有点高：
如果你觉得没看出来，那你再仔细看下杯子的投影部分，那个地方饱和度就更加的高，整个视觉焦点都被投影的高饱和给吸引了：
所以这个时候，我们就需要去给暗部加入灰色，比如杯子的暗面，以及杯子的投影部分，使其暗部颜色没有那么浓烈，这样你再对比下：
是不是AI感就消失了很多！
我总结下来，造成AI感的三个主要点就是：平、黄、油！
转载自优设网
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。
一、全文速览图
背后其实是同一件事：AI 时代，设计系统的使用者变了。
过去我们讲设计系统，主要是在服务设计师、研发和团队协作。
设计师通过它统一视觉语言，判断界面质量，维护设计一致性。
研发通过它复用组件，实现页面结构，保证代码可维护。
团队通过它建立共同语言，知道用什么、怎么用、怎么保持一致。
所以，传统设计系统里通常会有三类内容
这些内容对团队协作当然非常重要。 但 AI 进入工作流之后，设计系统多了一个新的使用者：AI Agent。
它不只是“看规范”，而是要进一步去 读规则、选组件、拼页面、辅助检查。 它需要知道：
所以，传统设计系统给人协作够用，但给 AI 执行还缺几层。
我现在会把这个缺口概括成四件事。
很多判断原本是设计师凭经验完成的。比如：
这些对人来说是经验，对 AI 来说却不是默认知识。
你不写出来，它就不知道。
有些规则在 Figma 里，有些在文档里，有些在组件说明里，还有一些藏在团队习惯里。
人可以靠上下文补齐，AI 很容易读漏、读散、读不完整。
最后看起来像“它知道一点，但又没完全知道”。
很多团队其实已经有组件库了，但 AI 不一定知道：
它可能知道“这里有 Button”，但不知道什么时候用 Primary，什么时候用 Danger，什么时候还要加二次确认。
AI 生成页面之后，如果没有统一的验收标准，它也不知道：
所以很多时候，AI 生成页面缺的不是灵感，也不是提示词不够好，而是缺少一套明确的执行依据。
它缺：
到这里，这件事其实可以拆成两个层面来看：
第一步：搭底座
先让 AI 有东西可读。
这里包括：
它们解决的是：AI 先理解这套系统的风格、命名、变量、组件和基础规则。
第二步：用底座
再让 AI 知道怎么调用这些资产。
这里包括：
它们解决的是：
AI 怎么找组件、怎么选组件、怎么组合页面、怎么检查结果。
所以前两个模块合在一起，其实是在补一套 AI 执行层。
这一层让设计系统变得：
说完背景，再回到大家最常来问我的几种情况。
很多设计师会说：
我已经有一套 Figma 组件库了，能不能让 AI 直接读取组件，然后帮我拼页面？
这个方向当然可以尝试。 但 Figma 组件更多描述的是 视觉结构、图层关系和基础状态，它不一定告诉 AI：
所以这种场景最容易出现的问题是：AI 看起来用了组件，但页面结构还是很散。
这时要补的往往不是更多单个组件说明，而是：
比如后台列表页，不只是 Button、Input、Table 的堆叠。
它还包括页面标题、筛选区、工具栏、表格、分页、批量操作、空状态和异常状态。
AI 需要知道这些区块怎样组成一个页面。
还有一些团队已经写了规范文档，甚至整理了 Design MD，但 AI 生成结果依旧发散。
这通常是因为：文档只有描述，没有连接到真实资产。
比如文档里写：
但 AI 并不知道：
所以 Design MD 不能只是说明书。
它还需要继续连接到：
否则 AI 只是“看过规范”，但没有办法稳定执行规范。
也有团队已经有前端组件库，但 AI 生成页面时还是会：
这通常不是因为组件库没用，而是 AI 不知道怎么调用。
它需要知道：
这种场景下，最重要的是：不要让 AI 一上来就直接生成页面。
一个比较稳定的顺序通常是：
只有这样，AI 才不是凭感觉写页面，而是在按照组件库规则生成页面。
这是最常见、也最容易混乱的一类。
团队手里有：
但它们之间没有明确关系。
比如：
如果这些关系没有整理出来，AI 会看到很多材料，但不知道该以哪个为准。
这时候不是继续堆更多文件，而是先建立连接：
AI 时代的设计系统，不只是多写几份规范。
它更像是在原有设计系统之上，补一层 AI 执行层。
当这些问题被补齐之后，设计系统才会真正从“给团队协作看的规范”，变成“AI 可以参与执行的工作流”。
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。
蓝蓝设计的小编 http://www.lanlanwork.com