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

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

喜欢这种用具体案例一步步拆解agent搭建方法的教程，很实用

过去一周调研了数位广州的一线设计师（覆盖样本包括快时尚、户外和美妆），我发现了一个细思极恐的真相：

💡 大部分人以为 ai 带来了降本增效：
写提示词 → 生成图片 → 交付 ✅

⚠️ 真实的 ai 使用场景更像是：
写提示词 → 抽卡 (n次) → 对比寻找可用图片→ 继续抽卡 (n次) → 还是得手动修 → PS修图 ❌

通用的 AI 生图工具并没有消灭工作量，它只是把手工制图劳动转化为了更昂贵的人工补齐。

当团队在为Lovart 某一张图片惊艳时，设计师不得已陷入长期的抽卡困境之中。所谓的“AI 赋能”，在缺乏系统流约束时，本质上是一场耗费设计师时间精力的“低效赌博”。
#AI工作流

看到视频号大树AI创业圈的分享，森马这个品牌，ai介入后，电商图片拍摄成本降低70-90%，数据还是蛮惊人的