我的第一个 Figma 插件「Rename Helper」上线了！它的核心功能是 「批量重命名图层，高效导出图片」。

交付设计图片的过程，规范的命名是设计师个人素养的体现。但文档一多时间一紧，命名就容易来，文件就容易乱套。这款插件就是为了解决这个痛点存在的。

🧑‍💻插件适用于所有使用 Figma 出图的平面设计和运营 uu 们！特别是有国际化需求的朋友，有批量导出需求的朋友，希望这个小玩意能给你们节约一点时间。

🤙欢迎大家试用 www.figma.com

👩‍🚀使用方法和场景见链接文章，使用过程中有任何问题可直接私信我

前面 m.okjike.com 聊过了 AI 就像是一股水流，它本身没有形状，人通过规则和环境给它建构了什么样的容器，它就呈现什么样的结果。

比如传统设计流程中，设计师需要先输入（找灵感参考图），然后再制作（调整像素），最后进行验证（对不同的审核方进行审美汇报）。
在 AI 时代，设计师更像是规则制定者，提供足够多的素材让 AI 了解业务逻辑、品牌参数、审美风格和认知心理学，让后调整ai工具的参数算法权重，最后提供一定的规则和方法论让ai跟着审计和验证（如热力图，合规审计）。

但具体到一家公司、一个品牌，在没有适当规模的埋点和数据收集，用 AI 来模拟用户和用户反馈，且抓取泛化数据（如互联网大盘数据），如何来保证 AI 生成的内容是准确可用的？

答案是系统，输入和制作不变的情况下，更科学地建立一套多源交叉审计系统，让 AI 自动删去错误答案。系统的可靠性并不取决于单一组件的精确度，而取决于多重验证和容错机制。

1️⃣ 从预测成功转向识别失败

与其让 AI 告诉人类哪个设计的商业价值最高（即使资深人类专家也很难预测），不如让 AI 告诉人类哪个设计绝对会失败。比如让 AI 扫描不同设计方案，看看哪一项对用户的认知摩擦力更大。

2️⃣ 构建多角色评审团

不要只相信某一个 AI 的判断，建立不同的 AI Agent，让某一个扮演不同的角色。比如 Agent 1 是理性派，严格执行 F 型阅读动线；Agent 2 是感性派，了解互联网大众审美趋势和情绪；Agent 3 是品牌方，用品牌手册作为约束。只有多个 Agent 都给出高分，那说明这个设计选项的可能性更大。

今天看了@姜Dora在此 对马兆远老师的访谈，对比之前对张笑宇老师的访谈，对比俩位学者对ai的看法，尽管俩人对 ai 达到的最终高度和对人类替代程度等观点不一致，但他们对 ai 的边界判断以及人类与 ai 相处的解法有一定的相似性。

1️⃣ ai的边界 张笑宇认为 ai 将接管 90% 的人类智能活动，马兆远认为 ai 是处理科学范畴内工作的绝佳工具。俩人都认为未来 ai 将负责确定性和已知逻辑的推演。
2️⃣ ai时代的核心竞争力 由于获得知识的成本非常低，囤积书本知识卖价差的模式一定不行。人类应该学会底层规律，然后迁移、联想、创新，挖掘独特性，创造新的护城河。
3️⃣ 人机协作新模式 张笑宇认为 ai 是第二自我，辅助人类增加心智和反省自我。马兆远认为机器做机器的工作，人类通过直觉和非逻辑去弥补流程缺陷。在俩者的观点里，AI 都是放大人类主体性的杠杆，而非简单取代关系。
4️⃣ 人类如何适应新时代 俩人都认为不要过分关注外部的宏大叙事和他人评价，而是体验当下，关注自己的生活和选择。

最近 AI Harness 这个话题非常火前两天跟硅谷的工程师朋友聊天，他说 ai 底层模型的能力提升在过去一年并不显著，现在大家探讨的热点更多的是如何配置环境，如何设定规则，让ai像水一样在一个设计好的容器和轨道里流动。

但设计跟编程有一个核心区别。编程是硬约束，编译器能裁判出来这一段代码是否合格。设计是软评价，市场反应和多层审核人员的审美偏好才能判决一份设计是否能成。当评价标准变得柔性时，AI 容易陷入平庸的精美——产出的图第一眼惊艳，但往往缺乏灵魂或商业洞察。

所以 AI 辅助设计的重点，不是如何调整提示词生成更符合设计规范的结果，而是建立一套多重信源和规则的严密约束系统和评估闭环。

1️⃣ 结构化审美，将感性拆解为理性参数

既然审美是柔性的，我们就需要通过业务目标将其硬化。如果两个设计选项审美都过关但数据表现迥异，通常是因为其中一个更符合特定的认知摩擦力或视觉动线。那我们需要给设计定义视觉北极星，并引入商业逻辑去评判设计稿。

2️⃣ 构建合成环境，模拟反馈循环

编程之所以好验证，是因为有运行环境。对于设计，我们可以利用 AI 扮演模拟用户来提前验证设计结果，并帮助设计师在设计稿出街之前能进行自我评审和修正。

3️⃣ 利用负向约束，防止 AI 的统计学平庸

AI 的本质是预测下一个概率最高的像素，这导致它容易产生标准线设计。在个人或者团队的设计知识库和工作流中，应该给 ai 设置明确的反向样本，让 ai 自动进行一波避险。或者给 ai 提问题的时候，不是问“怎么设计更好看”，而是问“这个设计可能导致用户产生哪些误解或负面倾向？”。

ai可以生成背景，ai可以生成艺术字体，ai可以生成视觉元素，ai可以修正素材的质感。
但排版布局、疏密关系和正确梳理客户自己都讲不清楚的反馈意见，现在还是要靠人 🥲

揭开设计圈“AI 提效”的遮羞布。

最近做了一轮深度临床审计，发现绝大多数团队的 AI 生产力就是个笑话：每天沉迷于三方工具（如即梦）抽卡，然后用最贵的时薪，去人肉修补 AI 产出的逻辑死产。没有工业化管线，所谓的 AI 赋能就是一场昂贵的灾难。

刚在公众号发了一份 17 页的完整审计报告，把【效能冰山】和【主权流失】扒了个底朝天。如果你司还在用农业时代的“游牧抽卡”假装工业化，建议把这篇直接转给你的设计总监或老板看。

年前通过访谈拆解了广州一线设计师 AI 工具使用现状 m.okjike.com，也通过压力测试看清了通用工具无法克服的逻辑死产 m.okjike.com。过完年是时候给团队的 AI 资产做一次彻底的体检了。

通过本次对广州一线设计团队的深度审计，我提炼成了一份【一分钟 AI 工业化自测表】（见图1）。它从四个致命维度扫描设计团队的生产力底牌：
🚩 主权风险：设计力是否寄生于员工个人账号？平台一旦调价或封号，团队出图能力是否瞬间归零？
🚩 资产风险：提示词是否随用随丢？资深设计师离职，带走的是不是公司全部的“AI 审美经验”？
🚩 逻辑风险：生成的图片是否只能看大感觉，经不起细节放大？
🚩 效能风险：生成+修图的总时长，是否已经逼近甚至超过了传统手工制图？

可以自行测试一下。如果你的团队在这份自测表中勾选 8 项以上，那么你们正处于高危的农业生产阶段。老板们以为省下的是工具订阅费，其实亏空的是品牌最核心的数字资产。团队支付了设计师工时费用，却只是在帮第三方平台训练算法。

💡 如何破局？
真正的 AI 工业化，绝不是多买几个软件账号，而是引入系统架构思维。我们需要建立标准化的提示词库、寻找&建立属于企业自己的稳定工具，并将 AI Agent 纳入企业基建。

如果你想在新年彻底收回团队的审美解释权，欢迎预约我的 15 分钟《资产主权回收》一对一诊断。 #AI工作流

看到视频号第四种黑猩猩的分享

工具app的数量会逐渐减少，因为ai编程越来越容易，用户越来越容易即时开发专属于自己小需求的产品工具。现在的主要卡点已经不在产品工具的开发，而是信息的获取（传感器把物理世界的信息转化为ai能读到的数字信息）和ai友好的交互方式（传感器的使用说明不是一步步教人使用的图形说明书，而是给ai看的代码说明书）。

下面5点是新时代的关键（目前智能体缺失的部分）：
1️⃣ 智能体有用户的上下文（用户的目标、偏好、设备清单、历史数据）
2️⃣ 授权链路足够顺滑（一键授权、可撤销、可审计）
3️⃣ 数据源足够标准（不需要逆向抓数据，不需要爬虫抓网页，不需要拆字段）
4️⃣有可复用的skills库（不用每次从头开始写代码，而是用拼积木的方式去搭建工具）
5️⃣自带运维系统（日志、监控、异常处理、自动修复）

在AI应用层面，决定胜负的不只是底模参数的大小，也包括能否用扎实的工程能力和细致的产品洞察，去满足最普通的用户需求。

最近趁着拜年跟在硅谷的朋友聊了聊，有一些微小的关于中美关于ai差异点的个体观察。

💼 背景：
朋友是设计师出身，但在藤校读了计算机科学的研究生，现在在一家 ai native 设计工具任职researcher，只要负责从x或者论文平台上扒一些相关方向的研究，然后看看怎么结合到自己公司的产品上。如果方向非常明确，本人也会写前后端代码，然后其他人审核后上线，后续也要负责这一块的代码迭代。

👀 观察:
1️⃣ researcher这个岗位在国内的同等规模小公司很少见。感觉美国创业公司背靠强大的学术机构科研能力和vc资金，可以“不计后果”地投入在创新这件事上面。相反地，我们更擅长把成熟技术结合在我们强大的工业体系和供应链体系之上。

2️⃣ 正是他们有冗余的空间和成本，所以大部分美国创业公司都是想要开辟蓝海，想要构建新系统，想要在新领域成为第一并获得极高的溢价。相反地，我们更多是从现有问题出发，用技术优化现有流程，在红海里把成本降得更低。

3️⃣ 他作为常年在x上冲浪的人问我最近国内除了生图片和生视频还在讨论什么。而我过年这几天通过很卷的ai自媒体uu们马上知道了Claude新模型。看来除了seedance彻底火了一把，智谱/千问这些顶级排名世界的开源模型并没有彻底火出圈（起码应用层面上设计这个领域还没有被触达到）。有一种“敌在明我在暗”的感觉？

一言蔽之，差距还是有。中国特色发展道路也许赚不到最多的钱，也许走不到最快，但我们有自己的优势，谋定而后动。

前面 m.okjike.com 展示了广州一线设计师使用 AI 工具的行业现状，今天来看看具体问题和解决方案。

在图1、图2、图3、图4 中，我们可以看到通用 AI 工具产生的各种问题：细节漂移、光影控制不统一、肢体畸变、物理结构崩坏等等。这些在商业交付中的致命灾难，让 AI 生成的图片永远都是草稿。

只要设计师还在用即梦/Lovart 等通用工具抽卡，团队就永远困在“随机性”的泥潭里，靠人肉去填补逻辑漏洞。

相反地，现在一些行业头部团队已经在构建专属于自己的内部工具（图5），通过 API 封装私有 Agent，将资深设计师的经验逻辑固化为内部工具供全团队使用。

只有把设计变成工程，把“抽卡”变成“编译”，才能让团队出图稳定且高效。

#AI工作流