2026
AI 驱动的设计新流程
从"减少试错"到"加速试错"——设计流程的核心目标转变
交互设计师 陈腾骥
AI辅助
效率
设计流程
人机协作
从"减少试错"到"加速试错"——设计流程的核心目标转变
交互设计师 陈腾骥
在传统设计流程中，设计决策高度依赖前期调研与数据分析，通过长周期迭代与多轮验证来降低不确定性。
然而，这类基于漏斗模型的数据分析本质上属于滞后指标，更多反映历史结果，难以有效解释用户行为动因，也难以支撑快速变化的产品环境。
AI 赋予了设计"快速试错"的能力。设计不再依赖"基于过去预测未来"，而是转向"基于真实反馈快速接近最优解"。
原型输出以 AI 生成为起点，Figma 界面为终点。
关键在于流程设计与人机协作方式，设计的重点在于如何将适合的 AI 有效整合进工作流。
设计稿不再是"从零画出来的理想图"，而是"从真实产品里抓出来的快照"。B 端产品的竞品界面相对稀缺，可通过使用通用规范类 Skill（如 ant-design），基于组件规则进行快速生成。同时也可以结合 Figma MCP 实时页面抓取能力，实现从网页到画布快速生成可编辑设计稿。
在足够的设计规范沉淀后也可以将各项目的组件内容制成设计系统，方便在生成中调用，让 AI 去判断依据规范生成的程度，也可以减少人为整理规范的意见摩擦。在涉及需登录的页面时，可借助 HTML to Figma 的插件读取方式完成结构还原，从而高效搭建页面基础框架并支持后续设计迭代。
可生成界面的 AI 产品有很多，我主要的评估方向在直接创意生成，草图生成，页面复刻生成以及与 Figma 的兼容上，任何生成内容都会以 Figma 的设计稿为终点，再区分不同的适用场景去做工具的选择。
| 特性 | Pencil | Paper | Stitch |
|---|---|---|---|
| 核心定位 | 本地原型与代码融合，支持嵌入 IDE 使用 | 设计、代码与 AI Agent 的融合 | AI 驱动的设计工具 |
| 优势 | 设计可直接落地为代码；可通过设计规范 Skill 生成；导出 Figma 方便 | 支持多人在线协同；可通过设计规范 Skill 生成；兼容较多 IDE 产品 | 自动生成设计规范；生成速度快；导出 Figma 方便 |
| 适用场景 | 有草稿或初步想法，快速进行本地原型实现 | 有草稿或初步想法；多人分享协作构建 | 快速方案发散；多端适配设计；多人分享协作构建 |
一旦发现值得尝试的方案，就可以将优选方案迁移至 Figma 进行系统化设计，进行细节编辑。利用 Trae 的多窗口模式，在细节阶段也可以进行 AI 的辅助协作，比如交互说明的书写。
可实现原型固然重要，但是交互说明还是需要的。我们需要可追溯的页面规则逻辑标准，除了用来定义内容，也用来让 AI 能读懂，让其他岗位的同事可以直接调用说明去进行 AI 化的流程。
以前交互说明仅服务于人，而现在也需要让 AI 能够读懂内容，减少实现偏差。所以会尝试用 AI 生成界面交互说明，再进行内容优化调整。
即便 AI 生成的交互说明与实际设计存在偏差，也可以直接在 IDE 内嵌的 Figma 画布中对照进行即时校正与迭代，无需在多工具之间频繁切换，从而降低操作成本并提升调整效率。
至此，AI 在工作流程上已经不再是只停留在方案发散辅助或是数据分析整理，而是能够直接产出可用的方案原型和交互说明，这些时间消耗比较多的环节，在工作流程的提速上具备很强的作用。设计产出的难度降低以后，设计思维和想法的要求确实需要提升。
在团队具备基本的工具能力后，
将重点转向团队层面的经验沉淀与能力共享，构建统一的 Skills 资产库。
