同一句提示词，四个实例给出同一套结构
2026 年 9 月 1 日，Lenny's Newsletter 刊出客座文章《How to turn your AI into a world-class designer》，作者是 Anshu Chimala。他每次在 X 上贴出 AI 做的设计演示，评论区几乎都会出现同一句质问：为什么模型愿意为你生成这些漂亮东西，我照着做却只拿到通用货色，你是不是偷偷换了模型。他的回答只有一句：模型没换，换的是他给模型的外部输入。他还给了一个比例：多数人只看到 AI 创造力的 1%，其余 99% 藏在用法里。这个比例是修辞，没有测量口径。
对比实验的第一组做得很朴素：他把同一句提示词「Build me a landing page for my productivity app」（给我搭一个生产力应用的落地页）交给四个 Claude Code 实例。四次输出几乎都是紫色渐变背景、左边文字右边图形、顶部导航栏，结构如出一辙。提示词里没有要求独特或变化，模型就退回它最熟悉的模式。他贴出的演示并不复杂：对话式卡路里记录应用用三条提示词做成，太空探索游戏用两条，动态落地页用三条。他还称这类智能体能在几小时里完成他团队过去要花几周的工作。
他的另一半底气来自履历：在 Apple（苹果）带队做设计与工程十二年，做未来 AI 产品的研究和原型。他把人类设计师身上见过的毛病直接套到了模型上——团队早期总是回到舒服的旧方案，是流程和纪律逼他们去边缘找新东西。迁移到 AI 之后，他的判断是：做好 AI 设计的关键不在于找一个更强的模型，而在于把模型自己不会带的东西从流程外部加进去。他把流程分成三段，松散地借用了设计行业常见的 Double Diamond（双钻模型）框架：探索方向、确立设计身份、打磨收尾。
同一批模型、同一句提示词，结果为什么差这么远？答案藏在它怎么挑下一个字里。
模型不是不会设计，是每一步都挑最稳妥的答案
作者把设计平庸归到模型机制上：大语言模型是下一 token预测器，训练中的人类偏好反馈让它倾向做出一致、安全、迎合所有人偏好的选择，因此不擅长设计。写代码时它预测下一个最可能的 token 是优点，做设计时这变成缺陷。配色、排版、元素怎么摆，模型填进去的都是它认为最能让所有人满意的那一个 token；训练中的人类评分又把这种倾向固化下来，被反复挑中的是一致、安全、迎合普遍偏好的选择。设计于是层层叠加，越来越像一份设计委员会的产物。
好设计的路数正好相反：它从感受出发，目标是制造情绪反应，经常要打破规则，拿出人意料之外的东西。这正是模型天然最不擅长的部分。所谓的设计委员会，就像一份被所有部门各改一遍的稿子——没有人会反对，也没有人会记住。
所以口头要求「完全独特、每个设计决策完全随机」救不了场。模型能生成听起来随机的 token，但它并不是真的随机。那一轮输出里，配色、结构甚至同一个陶艺比喻仍在重复。随机性必须在模型之外产生，再喂进去。这套解释是作者对训练机制的概括，没有引用具体论文或实验。
类比设计委员会式的输出像一份被所有部门各改一遍的稿子，没人反对，也没人记住。
让模型先掷一次骰子：随机字符串怎么做
具体的做法是让模型先生成一个真正的随机字符串，再按这串字符决定设计方向。作者把这种方法称作 String Seed of Thought，说它由 Sakana AI 发布。这条归属没有独立材料可以核对，他给出的出处链接也无法查证。
他在提示词里写明三步：用 shell 脚本生成一长串随机字母数字；根据这串字符定义创意方向，包括配色、布局、字体，而且要透过表面去找子模式、特殊数字这类能激发灵感的东西；然后用自己的判断把它做成好看的东西。最后一句同样关键——不要把这串字符显示在设计里，它只作为灵感来源。
换成这个做法之后，输出的配色、字体和新想法明显分化。他的说法是，之前那批设计任何 Claude 用户都能拿到，这批则每次运行都不会重复。多样性仍由他肉眼判断，没有量化指标，也没有说明每种条件各跑了几次。
同一句提示词，三种要求的输出差别
| 提示条件 | 看到的输出 | 多样性判断 |
|---|---|---|
| 基础提示词，不提变化要求 | 4 个实例跑出的落地页几乎都是紫色渐变、左文右图、顶部导航，结构基本相同 | 几乎没有变化 |
| 追加「完全独特、决策完全随机」 | 与基础版不同，但配色、结构、陶艺比喻仍在重复 | 仍不具备多样性 |
| 先生成随机字符串，再据其定义配色、布局、字体方向 | 配色、字体与新想法明显分化，作者称每次运行都不同 | 明显提升 |
同一句提示词跑三种条件，只有外部随机串打破了雷同
用外部随机性（随机字符串种子）能否让同一句提示词下的设计输出摆脱重复的默认套路？
- 实验设置
- 对同一句落地页构建提示词测试三种条件：一、基础提示词；二、追加「完全独特、每个设计决策完全随机」；三、先用 shell 脚本生成随机字母数字串，据此确定配色、布局、字体方向，且不得把字符串暴露在设计里。判断由作者本人看输出完成。
- 样本与轮次
- 四个 Claude Code 实例运行同一提示词；材料未给出第二、三种条件的运行次数
- 模型
- Claude Code、Claude Opus 5
- 判定指标
- 输出视觉多样性的定性比较；没有量化指标或评分口径
- 对照或基线
- 以条件一（不提变化要求）作为默认行为基线，条件二作为「口头要求随机」的对照
结果：条件一几乎总是紫色渐变、左文右图、相同结构；条件二输出虽与之前不同但仍不具多样性，配色、结构与陶艺比喻重复；条件三的配色、字体与新想法明显更多样，作者称每次运行结果都不同。
边界：样本仅四个实例、无重复次数与统计口径；多样性由作者主观判断、无盲评；模型版本与运行日期未披露；产物无法在材料中复核
换了随机种子，输出确实不再千篇一律，但它并不负责好看。那品味又从哪里来？
把只有你有的品味写进需求里
随机种子解决的是「每次都一样」，它不负责好看。第二样模型自己没有的东西，是你的品味。做法是把需求写得更具体、更大胆：先自己想到一个外部灵感，一款电子游戏、一种室内设计趋势、一件装置艺术，再描述希望它怎么影响输出。作者给的三个例子是：整体像素艺术主题、每一屏都像游戏截图的落地页；等距 3D 城市、用街区和建筑代表功能的落地页；布局极端不对称、配色与字体刻意不和谐、留白让人不适，但依然好看。
难点是这些点子从哪来。直接问 AI 要创意，拿到的还是所有人都会拿到的那批平均答案。他用一个三步法绕过去：先让 AI 一口气列出许多只有高层描述、故意缺细节的方向，目的只是刺激自己的想象；再把喜欢的几个可视化出来，观察自己对不同方向的实际反应，他举的例子是工业控制面板——「我想要有触感、咔哒作响、有声音的按钮；第一反应是卡通或拟物，但那样显得廉价；要一致的组件和恰到好处的细节；灰色渐变太无聊，需要更多质感和一些颜色」；最后让 AI 把收敛后的方向写成一串给智能体用的构建提示词。
这里的判断值得记下来：把 AI 生成的点子原样粘回 AI，很难得到独特结果，因为别人也能做同样的事；只有在中间主动转向，结果才只属于你。他也建议不要回避听起来很糟的点子——如果心里冒出「这肯定不行」，往往正是该试的方向，试完不行就丢掉，但把失败的提示词存起来，等新模型出来再跑一遍。这些是经验性建议，没有对照实验支撑。
自己给自己打分不算数，要换一个只看截图的模型
让写代码的智能体自己看自己的设计再改进，效果有限，因为它会参考自己的代码、过去的决定和当时的理由，很难退后一步看整体。作者的办法是另找一个模型当设计评审。流程是每轮截一张当前设计的图，把它交给一个全新上下文里的评审子智能体，除了截图什么都不给——不给代码、不给实现细节、也不给之前的迭代和评审记录。
评审要做四件事：判断这个设计想达到的美学是什么，设想一家顶级设计工作室会怎么执行它，指出当前最大的差距，再给一个 10 分制的分数。作者还规定评审要同时看整体结构和细节，对过度、冗余、一眼 AI 的模式扣分，反馈要具体，要有主见。完成的判定是评审独立给出 9 分或以上，而这个阈值不能写进评审提示词，否则它就会迎合；评审提示词每一轮保持一致。
在他的演示里，评审由 Claude Fable 5 担任，实现由 Claude Opus 5 完成，Fable 约占输出 token 的不到 10%。他估算，如果直接让 Fable 重做页面，成本会是两倍、耗时更长。这两个数字都没有说明统计工具、范围与运行次数，也无法换算成具体费用。
评审标准越客观越好。他给了三级示范：让评审「判断设计是否漂亮、是否像 AI 做的」太主观，每次结果都会飘；让评审「理解我们追求的美学、设想顶级工作室会怎么做、再对照打分」提供了一个稳定框架；最好的是给出五张图——四张专业设计样例加一张自家产品截图——让它按完成度和品味排序。参考图要说明是基线和情绪板，不是照抄对象。停止条件也要小心，先跑一到两轮看评分是否在收敛，再决定加不加，否则评审可能永远不满意、持续消耗 token。模型分工上，评审用大模型，因为参数越多设计感越好、想法分布越宽；执行可以用小模型，但别太小。
设计评审子智能体的一轮流程
截取当前设计
每一轮先给当前页面截一张图，作为评审的唯一材料。
交给全新上下文的评审
只给截图，不给代码、实现细节，也不给过往的评审记录。
评估美学并给出 10 分制评分
评审要设想顶级设计工作室会怎么执行这个美学，列出最大差距，再打分，并对明显 AI 感的模式扣分。
评审独立给出 9 分以上才收工
这个阈值只写在执行智能体的指令里，不写进评审提示词；评审提示词每轮保持一致。
流程依据作者自述的 Claude Opus 5 执行、Claude Fable 5 评审的实践：评审模型只占输出 token 不到 10%，直接让它重做页面的成本约为两倍。迭代轮数未披露，评分属同类模型自评。
让独立评审子智能体把关，9 分才收工
让只看截图的设计评审子智能体介入迭代，能否把通用感强的设计提升为有个体识别度的设计？
- 实验设置
- 编码智能体每轮截取当前设计截图，把截图（不含代码、实现细节与历史评审）交给全新上下文中的评审；评审需评估设计追求的美学、设想顶级设计工作室会如何执行、列出最大差距并给出 10 分制评分。人工条件：评审关注整体结构与细节、惩罚过度或明显 AI 感的模式、反馈要具体、要有主见；停止条件为评审独立给出 9/10 或以上，且该阈值不写入评审提示词；同一套评审提示词每轮复用。
- 样本与轮次
- 未披露迭代轮数、设计数量与运行次数（未知）
- 模型
- Claude Opus 5、Claude Fable 5
- 判定指标
- 评审子智能体的 10 分制评分（≥9/10 为完成）；辅助观测为评审模型占输出 token 的比例与成本对比
- 对照或基线
- 无明确对照，比较对象是引入评审循环之前的同一批设计
结果：作者称每个设计获得了自身识别度并保留原有高层美学；评审模型占输出 token 不足 10%；若直接让评审模型重做页面，成本为两倍且耗时更长。
边界：评分为同源模型自评，无人类盲评与第三方验证；token 占比与成本倍数无统计口径与样本量；停止阈值可能诱导调参；未披露迭代轮数
评审能治掉一部分通用感，治不掉另一部分——整页的渐变和几何图形，因为写代码的智能体默认根本不碰图片。
图像的活交给图像模型，视频还能做页面过渡
写代码的智能体偏爱渐变、形状和基础图案，因为这些东西在代码里就能做出来，而它们恰恰是一眼看出 AI 生成的最大线索。接入图像生成有三条路。用 Codex、Antigravity 或 Grok Build 的人，可以直接让智能体使用内置的图像生成，它本来就会，只是不主动用。用 Claude Code 之类但手里有 ChatGPT 订阅的人，可以让智能体走 Codex CLI（命令行工具）生成图片，把费用记在订阅上而不是 API key 上。只有 Claude 或别的工具的人，最简单的办法是给智能体一个 OpenAI 或 Gemini 的 key。作者建议单独建一个带严格消费上限的 key 专门给智能体用，即使泄露或被滥用也能控制损失、随时吊销。如果经常往对话里粘 key，就把 key 放进一个被 gitignore 的 .env.agents 文件，并在 AGENTS.md 或 CLAUDE.md 里注明这是开发时用的、不能随产品发布。
视频模型有两个被低估的用法。第一种是把它当动画素材：生成一段纯色背景的循环片段，再用色键或视频抠像模型去掉背景，就能叠到界面任意位置而不像一段视频。要做出可信的玻璃折射，得先把玻璃视频渲染在页面背景色之上，把折射效果烘焙进去，再抠掉背景。第二种是把它当状态之间的过渡：许多视频模型可以在关键帧图像之间插值，两张产品静帧就能生成一段过渡片段，用户操作时播放，或者在滚动、滑动时逐帧擦除。他展示的行李箱演示页只用了一条提示词，页面依次呈现箱子悬在空中、落地弹开、内容物从上方落入三种状态，每一段过渡用上一段的末帧做种子保持连贯，滚动时逐段擦除；挑选模型时他建议选物理和一致性强的，比如 Seedance 2.5。
Claude Fable 5、Claude Opus 5、GPT-5.6 Sol、Seedance 2.5 这些名字目前没有可以核对的官方规格，演示也没有可运行的产物链接。实际效果与可用性无法验证。
视频模型在界面里的两种用法
切换方案，查看它分别改变哪一层问题。
循环动画素材
作用对象 · 需要动态质感的页面元素，例如玻璃、水晶、光效
- 它怎样起作用
- 生成纯色背景的循环片段，用色键或视频抠像模型去掉背景，再叠加到任意界面位置；玻璃折射要先把视频渲染在页面背景色上，再抠掉背景
- 希望带来什么变化
- 代码难以复现的焦散反射、玻璃折射与复杂物理运动
- 真正落地还缺什么
- 不同页面背景下的通用性与性能开销没有数据
状态之间的过渡
作用对象 · 多屏产品展示、需要随滚动或滑动变化的页面
- 它怎样起作用
- 用关键帧插值在两张产品静帧之间生成过渡片段，用户操作时播放或随滚动逐帧擦除，每一段用上一段末帧做种子保持连贯
- 希望带来什么变化
- 滚动时过渡流畅连贯，行李箱演示只用了一条提示词
- 真正落地还缺什么
- 跨浏览器一致性与对用户留存的真实影响未经验证
行李箱演示页：一条提示词串起三段滚动过渡
作者用 GPT-5.6 Sol 在 Codex 中以一条提示词构建行李箱产品的演示页，要求用视频模型生成多屏状态之间的交互过渡。
- 定义状态序列
页面依次呈现行李箱悬在空中、落地并弹开、内容物从上部落入箱内三种状态，垂直运动需符合滚动直觉。
Initially, have the suitcase floating high up in the air
- 生成首帧与过渡片段
先用图像生成能力产出初始帧，再生成从该帧动画到下一状态的视频，并用该片段的末帧作为下一段过渡的种子以保持连续。
Use the final frame of that video to seed the next transition so that it continues seamlessly.
- 随滚动擦除播放
用户滚动时逐段擦除播放这些过渡。
Scrub through the transitions one by one as the user scrolls.
结果：过渡片段随滚动流畅擦除，作者称整个页面只用一条提示词完成。
不能据此证明：不能证明该效果在真实产品中的性能、跨浏览器一致性或对用户留存的任何影响，也没有可复核链接。
基于证据重建事件顺序，非逐字对话
把静态图换成一段会折射的玻璃循环动画
作者在既有设计上要求用图像生成增强个性，并把页面图像替换为带折射与阴影的玻璃水晶循环动画。
- 提出增强要求
把页面上的静态图像换成更有趣的循环视频片段，用图像生成来增加个性。
- 描述想要的物理效果
让水晶碎裂并缓慢旋转，带玻璃折射、阴影与光照效果。
Have the crystal splinter apart and slowly spin around.
- 折射烘焙与去背
先把玻璃视频渲染在页面背景色之上以烘焙折射效果，再用视频抠像模型移除背景，得到可叠加到任意 UI 位置的动画。
then remove the background with a video matting model.
结果：作者称得到比纯代码实现更丰富的焦散反射、玻璃折射与复杂物理运动效果。
不能据此证明：为单次演示的作者评价，不能证明该类动画在不同页面背景下的通用性与性能开销；所调用的具体视频模型未全部披露。
基于证据重建事件顺序，非逐字对话
效果堆到这里，最反直觉的一步是往回收：把东西删掉。
AI 只会加东西，减法得你自己来
删减是这套流程里最反直觉的一步，也是作者花时间最多的一步。他做卡路里记录应用时，描述完功能并明确要求「干净、极简的设计」，Claude 给出的初版仍然带着一堆无用的东西：背景和进度条上的粉色发光、文字上随机的颜色和高亮、展示一天食物时多余的标签和空白（图片本身已经说明了一切），以及比内置 iOS 组件更难看的自定义按钮和输入框。
他的指令很直接：把布局简化成以图像为中心的网格，去掉渐变、发光和多余的容器，追求真正 Apple 原生的极简。重做之后，他判断结果明显更好——更有主见，让图像自己说话，改用原生 iOS 组件，颜色和渐变收敛了，文字更小更简洁。
原因在模型的偏好方向：它爱加东西、不爱减东西，而把一个设计剥掉一层往往意味着删代码，是风险更高的动作，模型会回避。所以删减必须由人来推动，这也像收拾行李——助手只会往里塞，最后清空一半得你自己动手。作者说，打磨 AI 设计时他的大部分精力都花在删东西上。判断标准很简单：看一遍设计，问哪些元素是真的需要存在；屏幕上的东西更少，用户反而更容易被抓住。这个案例只反映他对单一应用两个版本的审美判断，没有用户测试或性能数据。
类比AI 爱加不爱减像收拾行李时只会往里塞东西的助手，最后清空一半还得自己动手。
同一个卡路里应用，两次生成的差别
- 初始版本
- 提出的要求
- 描述功能，并明确要求「干净、极简的设计」
- 实际出现的东西
- 背景与进度条的粉色发光、文字随机配色与高亮、展示一天食物时多余的标签和空白、不如内置 iOS 组件的自定义控件
- 按删减指令重做
- 提出的要求
- 布局简化为以图像为中心的网格、去掉渐变发光与多余容器、追求 Apple 原生极简
- 实际出现的东西
- 作者判断更有主见，让图像自己说话，使用原生 iOS 组件，颜色和渐变收敛，文字更小更简洁
一个卡路里记录应用：要求了极简，还是被塞满了
作者用 Claude 构建卡路里记录应用，描述了应用功能，并明确要求「干净、极简的设计」。
- 初始设计
结果仍是全 AI 生成，但带粉色发光背景与进度条发光、文字随机配色与高亮、展示每日食物时多余的标签和空白，以及不如内置 iOS 组件的自定义按钮与输入框。
Pink glowy effects in the background and on the progress bar
- 人工删减指令
作者要求把布局简化为以图像为中心的网格，去掉渐变、发光与多余容器，追求 Apple 原生的极简审美。
Simplify the layout into an image-centric grid
- 精简后结果
作者判断结果明显更好：更有主见，让图像自己说话，使用原生 iOS 组件，颜色和渐变收敛，文字更小更简洁。
This is good design.
结果：去掉 AI 常见的冗余元素后，设计被作者评价为更接近可用、克制的成品。
不能据此证明：只反映作者对单一应用两个版本的审美判断，不能证明其他模型、提示词或更广用户群会得到同样结果，也不含用户测试与性能数据。
基于证据重建事件顺序，非逐字对话
这套流程看起来完整，但它能证明的东西比表面少。
能站住的是机制，站不住的是效果
能站得住的部分在机制层面：一个每一步都只挑最可能 token 的模型，天然会收敛到人人能接受的方案，这个倾向不会因为模型变大而消失。能站住的操作结论也很窄——随机性、品味、独立评审、非代码素材和删减，这五样东西模型都不会自己带来，需要人在流程里给它们安排位置：随机性来自外部字符串，品味来自你自己的反应和需求描述，评审来自另一个只看截图的模型，素材来自图像与视频模型，删减从你手上过。
站不住的部分同样要说清。所有演示都是 Anshu Chimala 的自述：没有可运行产物，没有完整提示词，没有第三方复现，提示词条数（三条、两条、一条）也是他自己的说法。评分由同类模型自评得出，没有人工盲评，也没说明迭代了多少轮。「评审模型占输出 token 不到 10%」和「直接重做成本翻倍」没有给出统计口径和样本量。Claude Fable 5、Claude Opus 5、GPT-5.6 Sol、Seedance 2.5 这些名称没有可以核对的官方规格；「模型越大设计感越好」只是作者的选型经验。
所以回到开头那句质问：不是模型对别人更偏心，而是你交给它的东西里缺了它自己不会有的部分。什么条件会改变这个判断？如果模型开始把这些行为变成默认——自带真正的随机探索、自带视觉评审、默认调用图像和视频工具——这套手工外挂的价值就会下降。作者给的实用做法正好用在这里：把失败的提示词存下来，等新模型出来再跑一遍，你会知道哪些环节已经可以卸载了。
