设计不是输出速度,而是问题理解
基于 AI 简报 2026-04-18 中 @karrisaarinen 的文章 "Output isn’t design",该观点可作为 人机协作产品设计 的约束原则。
核心判断
AI 工具显著降低了界面产出的门槛,但生成 form 不等于解决 problem。真正的设计工作仍是处理上下文中的冲突:用户目标、技术约束、边界场景、维护成本与组织现实。
为什么这个观点在 2026 更重要
- 生成能力提升后,团队更容易把 "看起来完成" 误当成 "真正可用"
- 许多产品在 demo 阶段表现亮眼,但在连续使用中暴露 brittle 决策
- 视觉迭代和结构调整本身就是思考过程,不只是出图步骤
对项目流程的直接启发
- 在进入 UI 生成前,先写清问题定义与约束清单
- 评审时增加 "fit check":是否适配真实流程与边界条件
- 把 AI 定位为探索与原型加速器,而非最终判断者
AI 与设计的发散-收敛问题(2026-06-04)
来源:Every — Figma 产品总监 Matt Colyer 访谈
优秀的设计遵循「菱形流程」:先发散(生成大量想法),再收敛(筛选最有希望的选项)。文本聊天是线性交互,天然不擅长发散;它迫使你在每一步「选择一个选项」然后迭代。Agent 擅长「任务完成」工作流,但发散性、探索性的设计环节在整个行业都尚未解决。
Colyer 设想未来由专门化的 agent 负责发散(推动你扩展思路),另一组 agent 负责筛选收敛。Figma 已推出 MCP server,支持 code-to-design 和 design-to-code 双向工作流,但承认 agent 产出速度极快、质量判断仍是短板。
对工具设计的启示:不要让 AI 替代发散思考,而是用它加速收敛后的精修。在创意早期阶段,多个独立会话、不同提示词、甚至不同模型比单一对话更能制造真正的发散。
AI 生成的"平庸陷阱"与 taste-skill(2026-06-07)
xenit_v0 指出 AI 工具默认产出平庸设计,因为品味无法被规则化。taste-skill 尝试为 Claude Code 和 Codex 编码设计审美,提供设计多样性、动效密度和视觉密度的调节轴,并支持极简、粗野、柔和等风格变体。
这一现象不仅限于视觉设计:
- 界面层面:AI 生成界面趋于雷同——大留白、圆角、千篇一律的卡片
- 文本层面:AI 生成文案出现可预测的开头、稳妥的过渡、规避风险的语气
核心判断是:好设计是比例、节奏与对比之间的隐形平衡,而不仅仅是正确的 CSS。这呼应了本文的核心论点——生成 form 不等于解决 problem,审美判断仍需人类介入。
工程师用 AI 做产品设计的实践约束(2026-08-27)
当 AI 降低界面产出门槛后,真正决定设计质量的是约束管理与** taste 训练**,而不是生成速度。近期社区提供了三条可操作的约束框架:
1. 七条反“slop”原则(Matt Dailey / @reactiverobot)
- 从整体约束出发:先列出所有约束,再枚举方案;收到反馈时先判断它是否改变约束,而非 spot-fix。
- 主动删减:Agent 倾向加元素,工程师要反复问“我真的需要这个吗?”
- 在设计工具里迭代:不要在生产代码库中迭代视觉方案,用 Figma / Cursor Design Mode / Claude Design / HTML 原型生成 3–4 个变体再选。
- 复用组件库:分离视图与逻辑,维护可复用组件,并用
/showcase页面让 Agent 独立构建组件。 - 用 preview deploys 验证:前端变更必须在真实数据下人工验证。
- 借鉴成熟解法:收集同类产品的截图作为 Agent 上下文。
- 打磨 taste:品味是对自己反应的不断反思,通过大量试错和团队评审提升。
2. “乐高”式组件组装(@EXM7777)
工程师可以建立个人“组件乐高库”,做新页面时把资源链接发给 Agent,让它判断哪些组件最适合当前前端基础并给出集成方案。由于 Agent 编辑已有组件代码很容易,最终只需少量人工调整。这种方法把设计从“重新生成”变成“组合与判断”。
3. 资源地图与决策链路(@shao__meng)
真正稀缺的不是设计资源,而是判断“什么时候该看真实产品、什么时候查设计规范、什么时候复制组件、什么时候回到无障碍/性能/用户任务”的方法。推荐的链路:
真实产品案例 → 设计原则与模式 → Design Token → 组件实现 → 动效 → 验收(WCAG / Core Web Vitals)。
每条链路节点都应记录:用户任务、真实案例、约束原则、可复用实现。这让设计决策从“截图风格”升级为“可审计的推理过程”。
2026-09-10 补充:AI 时代文档排版服务理解而非炫技
来源:AI Briefing 2026-09-10 午间(@HiTw93,以 Kami 迭代为例)
AI 生成文档的排版应先确定读者是谁、要讲什么、希望对方理解什么,再选择视觉样式。字体、间距、圆角、节奏的一致性服务于内容层级,不应压过内容;图表和图片只在能揭示规律或降低解释成本时使用。生成文档的评审标准应包含清晰度与节奏,而非只看表面精致度;不为套模板裁掉真实内容。这是"设计是问题理解"观点在文档排版层的具体化。
2026-09-11 补充:文档排版应把删减写进验证
来源:AI Briefing 2026-09-11 Afternoon(@HiTw93,以 Kami 迭代为例)
今天的 Kami 讨论补充了一个更可执行的判断:AI 生成的文档排版不只需要美观原则,还需要删减验证。每条线、每个框、每块底色、每张图都应回答“帮助读者理解什么”。如果字号、间距、对齐和层级已经能表达关系,就不需要再叠加装饰。Kami 最近删除标题装饰线、提示块竖条、阴影和较重表格线,并用测试脚本检查 AI 生成后的排版问题。
这把本页的“设计是理解”从评审口号变成可执行流程:先确定读者、主体内容和预期理解,再逐项证明视觉元素有信息功能。不能证明的元素应删除。对 generated reports、briefings、PPT 和 dashboard 来说,排版验收应包含删减检查,而不是只检查是否看起来完整。
Counterpoints & Gaps
- 该论述偏原则层,缺少行业分场景量化证据。
- 对于低风险营销页面,生成优先可能仍具高性价比。
- 需要更多案例来定义何时应强调 "问题建模",何时可直接 "快速产出"。
Related
2026-11-06 补充:先走通用户任务,再打磨视觉
@HiTw93 给出的设计检查顺序强调先由普通用户身份走完主要任务,修复不清楚的步骤和断裂的衔接;随后检查文案、数据单位、反馈、无障碍和视觉一致性,并覆盖较长翻译与常见屏幕尺寸。如果反复调整没有进展,再让 Agent 给出多个备选方案。
可执行的起点是先测试完整任务路径,再核对数字、单位和响应式布局是否符合目标用户场景。该帖是一份作者实践清单,不能单独证明它适用于所有产品;它补充了本页“先理解问题”的原则,重点是把用户任务放到视觉润色之前。
Sources (2026-11-06 addendum)
Pending Jean review
- 选一个近期界面改动,用主任务路径、内容/单位、无障碍和常用屏幕尺寸四项检查,再判断这份清单是否漏掉项目特有约束。