如何榨出 AI 設計的 99% 創造力：一套三階段工作流
原始來源與檔名：2026-09-15T094014+0800-如何榨出 AI 设计的 99% 创造力：一套三阶段工作流.md
SOURCE | 資訊源評估
- 準確性: 高 - 作者具備蘋果設計團隊背景，並提供了豐富的實機操作影片與對比圖。
- 易理解性: 高 - 透過具體的提示詞範例與前後對比，將抽象的設計心法具體化。
- 閱讀策略建議: 重點掌握「探索、確立、交付」三個階段的具體 Prompt 技巧，特別是引入挑刺官與生圖/影片 API 的工作流。
NAPKIN | 餐巾紙
餐巾紙公式
AI 頂尖設計 = (隨機種子 + 大膽提示詞) × 雙智能體挑刺 × 克制減法 打破模型的平庸預設，用苛刻的審視與克制的減法雕琢出高級感。
一句話
大語言模型天生追求平庸與安全，要榨出其 99% 的創造力，必須透過隨機種子激發靈感、引入獨立的「設計挑刺官」智能體進行嚴格審核，並在最後大刀闊斧地做減法以提升真實質感。
餐巾紙草圖
┌──────────────────────────
│ 1. 探索 (Discover): 注入隨機字串 -> 破除模型平庸定勢
│ 2. 確立 (Define): [開發 Agent] <--(反饋)-- [挑刺 Agent]
│ 3. 交付 (Deliver): 刪除多餘漸層/特效 -> 回歸原生克制美學
└──────────────────────────ROUND 1: SKELETON | 骨架掃描
“這本書在說什麼”
- 核心問題: 為什麼大多數人用 AI 做出來的設計都有一股濃濃的「廉價工業模板味」，該如何打破這個限制？
- 核心答案: 借鑒設計界的雙鑽模型，透過「探索、確立、交付」三階段工作流，逼迫 AI 逃離機率預設的舒適圈。
- 論證結構: 問題點出 -> 階段一 (打破定勢) -> 階段二 (迭代打磨) -> 階段三 (克制收斂)
章節骨架
- 問題本質: LLM 是下一個詞元預測器，天生傾向最保險、平庸的選擇。
- 階段一：探索 (Discover): 使用隨機「種子字串」與大膽具象的提示詞，強迫模型發散，探索邊界。
- 階段二：確立 (Define): 引入「設計挑刺官」智能體建立反饋閉環，並結合圖像/影片生成 API 提升質感。
- 階段三：交付 (Deliver): 強制做減法，剔除 AI 慣用的多餘修飾，還原高級克制的設計感。
ROUND 2: DISSECTION | 血肉解剖
“憑什麼這麼說”
論證鏈
┌──────────────────────────
│ LLM 預設產生高機率的平庸設計 --> 引入隨機熵與大模型挑刺官打破定勢 --> 結合外部生圖/影片能力補足 CSS 弱項 --> 最終人工介入做減法達成頂級質感
└──────────────────────────關鍵證據
- 對比實驗: 相同的提示詞給出四次相同的平庸設計，但加入「隨機字串」作為靈感源後，產生了完全不同的高質量視覺方向。
- 雙智能體協作: 使用昂貴的 Claude Fable 5 擔任只看截圖的挑刺官，低成本模型負責寫程式碼，成功迭代出具備靈魂的設計，且節省了 90% 的高階模型 Token 成本。
- 影片轉場實證: 透過 fal.ai 呼叫影片模型生成物理質感的轉場（如行李箱掉落），並綁定滾動事件，實現了純 CSS 無法做出的高級動效。
隱形假設與邊界
- 隱形假設:
- 使用者具備基本的審美判斷能力，能夠在「探索」與「交付」階段進行有效的方向篩選與減法決策。
- 邊界條件:
- 需要支援截圖與多 Agent 呼叫的開發環境，且需串接外部生圖與影片 API 才能達到最佳效果。
ROUND 3: SOUL | 靈魂提取
“還能怎麼用”
- 作者盲點: 過度依賴最新的 API 與模型能力，對於缺乏 API 預算或使用開源模型的開發者，門檻較高。
- 知識連接: 生成式對抗網路 (GAN) 的概念，挑刺官 (Discriminator) 與開發者 (Generator) 的動態博弈。
- 行動觸發: 建立一個自用的
Design_Critic_Prompt.md，下次讓 AI 寫 UI 時直接掛載這個挑刺官流程。
留白提問 (Guided Reflection)
- 提問：在企業級產品中，如何平衡這種極致的探索創意與既有設計系統 (Design System) 的規範？
- 架構師視角 (引導思路)：可以將 Design System 設為挑刺官的硬性基線，允許在此基線上進行材質與動效的微創新，而不是完全顛覆版式。
- 提問：為何 AI 天生喜歡做加法（增加光暈、漸層），而不是做減法？
- 架構師視角 (引導思路)：因為在訓練資料中，複雜的 CSS 往往被標記為「豐富、努力」的特徵。這提醒我們，對齊 (Alignment) 時的偏好會導致模型產生特定的審美偏差。
跨域映射
- 在 機器學習，這叫 生成與對抗 (Generator & Discriminator in GANs)
- 在 藝術創作，這叫 破壞性創新與極簡主義
DEEP READ | 精讀指引 (Must-Read Segments)
[!IMPORTANT] 學習的本質需要「認知阻力」。請親自回到原文閱讀以下核心段落，感受原始論述的阻力，不要只依賴 AI 的總結。
- 技法 1：注入隨機“種子字符串”，打亂模型的思維定勢
- 「本質上，大模型根本不具備真正的隨機能力，它只是在挑選那些“聽起來像隨機”的高機率詞元而已。」
- 推薦理由: 深刻揭示了 LLM 創造力受限的底層邏輯，並給出了簡單優雅的解法（引入外部字串作為錨點）。
- 技法 6：大刀闊斧做減法，把多餘的無用修飾砍光
- 「AI 天生喜歡貪婪地做加法，卻極少主動做減法。… 在很多時候，螢幕上留下的越少，傳遞出的力量反而越充沛。」
- 推薦理由: 點出 AI 設計最常見的「廉價感」來源，強調人類在最終交付環節無可替代的品味把關作用。
STRUCTURE MAP | 全書結構圖
┌──────────────────────────
│ AI 設計三階段工作流
│ ├── Discover (探索)
│ │ ├── 注入隨機字串破除定勢
│ │ └── 三步發散法 (抽象腦洞 -> 代入直覺 -> 反向生成 Prompt)
│ ├── Define (確立)
│ │ ├── 引入高階模型作為「設計挑刺官」(只看截圖)
│ │ ├── 引入生圖 API 取代純 CSS 漸層
│ │ └── 引入影片模型製作物理質感轉場
│ └── Deliver (交付)
│ └── 克制做減法，剔除 AI 感的冗餘修飾
└──────────────────────────如何榨出 AI 設計的 99% 創造力：一套三階段工作流 (Architectural Deep Dive)
前言/背景
大語言模型在生成程式碼與基礎 UI 時非常高效，但產出的設計往往帶有濃厚的「平庸工業模板味」。這是因為 LLM 基於機率預測，天生傾向於最安全、最大眾化的選擇。本文借鑒蘋果設計團隊的經驗與雙鑽模型，提出一套打破 AI 思維定勢的三階段工作流，協助開發者打造具備頂尖質感的設計。
章節詳細總結
階段一：探索（Discover）打破機率限制
要讓模型跳出舒適圈，單純提示「發揮創意」是無效的，因為模型本質上不具備真正的隨機性。作者提出了「思考種子字串（String Seed of Thought）」技巧：先用 Shell 腳本生成一串隨機字串，要求模型將這串字串作為靈感錨點，推導出核心視覺方向。這種做法有效引入了外部隨機熵，迫使模型切斷對訓練預設的依賴。 此外，作者建議使用「三步發散法」：先讓 AI 鋪開海量抽象概念，接著人工挑選並注入直覺回饋（例如要求機械觸感、避開廉價擬物），最後讓 AI 反向生成精確的執行提示詞，確保設計方向具有強烈的個人風格。
階段二：確立（Define）雙智能體挑刺與多模態整合
初版設計通常骨子裡仍殘留模板套路。作者引入了「雙智能體協同」架構：負責寫程式的輕量模型，配上一個獨立的「設計挑刺官」（使用最高階模型如 Claude Fable 5）。挑刺官不看程式碼，只看頁面渲染截圖，並以頂級工作室標準進行 10 分制的嚴苛打分。這種機制避免了程式碼 Agent 陷入自我辯護，且大幅降低了呼叫大模型的 Token 成本。 除了純程式碼，作者強烈建議整合多模態 API。例如，利用 OpenAI 或 Gemini 的 API 取代廉價的 CSS 漸層；更進階的做法是透過 fal.ai 呼叫影片模型，生成帶有物理質感的微動效或根據滾動進度逐幀控制的轉場動畫。
- 初始狀態：箱子高高懸浮在空中。
- 第二狀態：穩穩墜落在地面，箱蓋自動彈開。
- 最終狀態：箱內收納物從空中整齊劃一地下落歸位。
(將這些轉場片段與用戶的縱向滾動進度做逐幀綁定控制)階段三：交付（Deliver）克制的減法美學
AI 設計最大的問題在於「貪婪地做加法」，喜歡濫用發光特效、多餘的標籤與裝飾色塊，導致介面充滿視覺噪音與廉價感。真正的高級感來自於克制。 在這個階段，開發者必須親自接手「做減法」的工作，無情地剔除所有非必要的修飾，回歸原生系統的克制規範（如 iOS 介面準則）。作者強調，AI 目前無法主動做出這種刪減決策，人類的品味把關在此階段是決定作品成敗的關鍵。
架構權衡 (Trade-offs)
引入雙智能體挑刺與多模態 API 大幅提升了設計品質，但也顯著增加了工作流的複雜度與延遲。特別是在自動化流程中，截圖渲染與多模型傳遞可能導致開發週期變長。此外，過度依賴外部 API 意味著專案需要妥善管理這些服務的穩定性與成本。然而，相對於聘請專業設計團隊所耗費的時間與金錢，這套工作流的性價比依然極高。
總結與結論
- LLM 的創造力瓶頸不在於能力，而在於其預設的機率機制；引入外部隨機種子是打破定勢的有效手段。
- 「開發者 + 挑刺官」的雙 Agent 架構能實現高效的設計迭代，並將昂貴的大模型算力用在刀口上。
- 純 CSS 難以達到頂級質感，適時結合生圖與影片轉場 API，最後以人類的克制品味進行減法，是打造驚豔作品的必經之路。
Source URL: https://x.com/CarsonYangk8s/status/2095768840005439592