铃阅时讯
❌

普通视图

别用AI把作品集做成恐怖片!

2026年10月19日 22:34

原创 酸梅干超人 2026-10-19 22:34 上海

在作品集设计中应用 AI 的频次和占比越来越大,虽然AI用起来看似高效,但作品集是给人看的,素材图不是靠 AI 生成出来就够了,还要确保它们的效果足够优质,或者至少不会产生负面影响。

而目前我们收到和看到的作品集中,大多数对 AI 人物应用的案例都是不合理的,甚至让人反感的。所以今天我们要分享的主题,就如何正确使用 AI 生成项目包装的人物素材。

“AI味儿”的认识与影响

AI 生图的能力虽然每年都在快速提升,但离百分百替代摄影和后期还有一定的差距,大多 AI 生成的图例,尤其是人物图是能被用户一眼识别出来的,这就证明了 AI 生图当前还存在很大的缺陷。

比如下面这些人物形象,想必大家一眼就能识别它们是 AI 识别的图例了吧:

当然有同学会觉得,这些图像不是还可以么,就算是 AI 生成的又会有什么影响,不是鼓励使用 AI 吗?

这要从两个方面说起,第一个问题就是大家现在耳熟能详的 “恐怖谷” 效应,似人非人的设计是最容易让大家不舒服的。重灾区 AI 短剧因为处于动态模式下,且有剧情、配音的组合拳,会减弱它的影响,但在静态模式图中,这种效应是会被放大的。

试想现在去饭店吃饭或小程序下单,使用的广告图和菜单里大量使用这类图形,会不会招致你们的方案甚至降低你们的食欲。

另一个问题,就是专业团队对设计师审美是有要求的,而这种 AI 素材呈现出来的观感是充满 “土味” 的,缺乏专业审美积累的新人可能觉得这些结果特别新潮有趣,但站在专业设计师视角上,这和葬爱家族们喜欢的视觉符号与特征没有本质区别……

尤其是 3D 类人物素材的运用,很多设计师喜欢用 “国潮” 风格的设计,画面中堆积大量潮流装饰和元素,比如多巴恩配色服饰、带X的针织帽、墨镜别头上、脖子大耳机、五颜六色头发……但这种表达一点也不潮流和时尚,对专业且严肃的场合中就会被归类进 “街溜子 / 小太妹”这个分类,也就是当代杀马特。

作品集作为设计师对外展示的窗口,当然支持自我风格的表达,但当自我风格是照搬大路货,和市面上大量初级作品集的风格完全一致时,那就是没有自我,只是跟风,且跟的还是歪风……

这里衷心建议大家一定要多看初级作品集,比如站酷里的案例,看多了你们就会明白最重要的作品集封面放这些图例为什么观感不好。尤其不要拿 AI 图例来代替自己的照片,气质越不像的,实际面试形成的反差就会越大。

如何构建合理的提示词

上面提到的人物摄影类和 3D 类的生成图效果不佳,但不代表完全不能使用 AI 生成的素材图。我们需要先建立合适素材图的认知,才能指挥 AI 输出合理的结果。

对于作品集来说,更适合应用简约化的素材图片,因为作品集的作用本质是“展示作品”,而不是展示包装,过于复杂的素材图会和作品本身冲突,喧宾夺主。而 AI 生成的图片素材最大的问题就是 —— 复杂。

比如真人的图例生成,AI 就会习惯性地进行影棚打光,这种做法会在突出人物脸部轮廓的同时,增加高光和阴影的对比度,导致光影的色块感过强过度非常生硬。同时它们还会刻意强化轮廓,在五官边缘进行显著的锐化和强行提高对比度,让最终的效果既像摄影图,又像拟真型插画。

而符合设计师使用场景的摄影图,是不会追求那么刻意的对比度与锐化效果的,往往会让光影过度更自然让画面更冷静,从而营造专业、沉稳、值得信赖的情绪。

比如下面刻意找一些不是俊男美女的照片:

生动的效果往往是不够完美的,需要有一些细节的缺陷来让画面更有质感。但 AI 生图最大的问题就是算法会主动追求完美,而完美意味着消灭缺陷,让画面变得没有 “活人感”,这也是 AI 让人不适的重要原因。当你们想追求越精致的形象和五官效果时,得到的结果也就越差(假)。

再说 3D 风格,AI 生成的效果复杂度应该是没有争议的,只要不去控制它的风格,那么就很容易输出极繁设计效果。

这种设计即难以吸引视线也没办法形成记忆点,除了安慰设计师好像画面的布局更 “饱满” 以外,没有任何实际价值。在 3D 领域同样要理解的是,不是越复杂完美的建模给出的效果越好,尤其在我们的工作不是建模师的背景之下。

举个最简单的例子,比如最近上线的无畏契约,使用的建模就非常精细,那么再对比10年前上线的建模偏简单的守望先锋,它的设计有更优秀且更能让人记住吗?

只有建立这些正确的认识,才能帮助我们往更好的方向靠拢。当然,输出优质的真人和 3D 效果也并不容易,我们会在后面的更新里进一步讨论。

所以如果做不出好的真人和 3D 效果怎么办,我们就可以借助插画的风格来规避这种问题,下面我们就通过一个案例来进行演示。

下图是我在花瓣看到的一个案例,使用 AI 生成了一个美少女的回眸效果,一眼就能看出这是 AI。假设这个形象是作者根据自己个人的形象生成的(美化的),那照骗也属于诈骗……

如果使用插画类的映射形象,就不会有这样的问题。但同理,我们使用插画的话就要防止风格过于老套和烂大街,任何你脑海中马上能想到的插画类型都可以排除,因为都已经看习惯了。

所以想不出好的风格,就可以去网上找灵感,你就会发现有大量非常有意思的插画和手绘案例,往往越简单的线条和风格,且保留手绘缺陷的效果越生动有趣。

先看完这些案例,我们再对比一组最常规、线条也完美的 AI 插画案例,你们可以自己感觉前后效果的差异:

先找到合适的参考图,然后再根据原图的动作,让AI进行重新生成,就能得到对应的插画效果(当然过程得自己多摇几次优化一下)。

有了主体,我们再在这个基础上添加其它文案内容完成排版即可。最后我们对比前后的效果:

如果只这么两张放一起比,效果还是不够强烈的,大家要带入到招聘过程中每天看几十份作品集的场景中,那么套路化的 AI 人物是最不想看到的东西。而插画风格最好的一点,就是风格足够多样,方便建立差异化,做出不再和别人一样的东西,甚至真正展示你的个性和偏好。

想要在作品集里呈现图片素材,就去做那些你在其它作品集看不见的东西!

结尾

篇幅关系,后面有空会再具体更新摄影图和 3D 类的形象生成要点。同时在认识图例风格这件事上,去关注现实世界在流行什么(摄影、玩具、插画…),而不是社交平台中面向初级 UI 设计师分享的案例。

最新一期体验设计全能班本月28号开课,记得来找我变强,乌拉!

课程介绍:即将开课 | 提升UI/UX设计实力的时候到了

Supermancall_2

图片

我们下篇再贱~

跳转微信打开

宏观数据,冷暖自知

2026年10月19日 20:37

毛有话说 2026-10-19 20:37 北京

今天发布的宏观数据,感觉中国经济不是差,而是好得有点过分。

三季度GDP同比增长4.5%,超预期0.1个百分点,前三季度累计增速4.6%,落在官方目标区间内。如果单看数据的话,似乎没有政策刺激的必要。

但这份“超预期”的成色,全靠出口一条腿撑场面——9月出口同比暴增36.3%,远超市场预期,背后是美国AI革命带动的全球硬件需求爆发。韩国、日本、我国台湾省和大陆的部分产业链确实是参与进去了。

一旦剥离这层外需滤镜,内需疲软便暴露无遗:

社零增速仅1.1%,为2022年底以来最低;

汽车消费更是重灾区,9月同比暴跌21.2%,成为拖累消费的最大黑洞;

固定资产投资同比-7.2%,几乎触底历史最低点,其中房地产投资同比-20.6%,跌幅创史上新高,除了一线城市之外房地产整体并没有企稳。

经济体感和数据背离比较大,因为真正让老百姓普惠的,带动就业的,感受到温度的,还是房地产和服务业。这些与内需息息相关。

A股是敏锐的,甚至有点过度敏锐。上半年的结构性牛市,实际上体现的就是这个GDP成绩,冰火两重天。资本市场比实体经济提前反应:出口链、AI硬件、半导体设备股被资金疯狂追捧,仿佛中国已搭上全球科技快车;但消费、地产、传统制造板块,上半年被打入冷宫,成为血包,估值再低也无人问津。

年中股灾之后,目前高息红利走牛、科技泡沫破裂,恰恰印证了资金对“内需塌陷”和“政策缺位”的避险心态。既然出口撑起的GDP无法转化为国内企业利润和居民收入,市场就彻底放弃了“成长叙事”和“复苏博弈”,转而抱团确定性的现金流。

高息红利本质是“类债券”,是大资金在内需低迷、无风险利率下行、资产荒大背景下的自保。而所谓的“小登股”,除了部分AI硬件确实有外需业绩支撑外,大量纯国产替代、纯题材炒作的科技股,在缺乏内需消费托底的情况下,估值逻辑迅速崩塌。

跳转微信打开

线虫、多巴胺与股份公司:进化给 RSI 的启发

2026年10月19日 20:00

原创 Celia、Siqi 2026-10-19 20:00 北京

通往 RSI 的路上,我们为什么重读进化史?

作者:Celia

编辑:Siqi  ⁠

25 年底,Dwarkesh 曾经问 Ilya,你是 AI 领域公认 research taste 最好的人,这种 taste 到底来自于什么?

 ⁠

Ilya 的回答是,这来自于对人脑的长期琢磨。对他来说,最好的想法往往同时满足两个条件:一是它是否从生物机制中得到了恰当的启发,二是它是否足够简单、优雅。这两者往往决定了它能不能触及更底层更通用的规律。

 ⁠

一个有意思的点是,最近我们和 AI researcher 聊天,好几个人都提到,自己又回头看了 Ilya 的一些访谈,越品越有味道。一方面,SSI 已经做出一些技术突破,开始进入 scaling 阶段,另一方面,关于 continual learning 等新范式的讨论,正重新回到话题中心。大家都想找些线索:一个多次判断对方向的人,究竟是怎么思考问题的。

 ⁠

这篇文章,我们就想沿着 Ilya 的这种生物视角,梳理一下进化中那些底层而优雅的机制,以及它们和 AI 之间的奇妙联系,比如:

 ⁠

1.生物智能的进化史上有哪 5 次突破?这和 AI 有哪些呼应?

 ⁠

2.Ilya 等几位最顶尖的 researcher,为什么都在重新思考 value function?它会通向 AI 的下一个范式吗?

 ⁠

3.人类几万年的合作史,能给 AI alignment 哪些启发?

 ⁠

这可能是海外独角兽历史上最务虚的一篇内容。主要讲的是几亿年的大脑演化和几万年的人类合作史,主角是线虫、鱼、老鼠和黑猩猩。

 ⁠

他们或许最后给不了 AI 什么直接指导,但生物机制本身已经足够有趣和迷人了,就像难得有机会从飞机舷窗俯瞰整座城市,我们得以在浩瀚的可能性中重新理解我们自身。

⁠/⁠

01.

Intro

 ⁠

我们先退后一步,思考一个宏大的问题:如果把进化想象成一位做了几亿年实验的 researcher,它到底在优化什么?

 ⁠

答案和今天 frontier labs 在做的事惊人地相似。

 ⁠

Frontier labs 眼下的工作可以归为两条主线:一是提升 intelligence,尤其是通过 RSI,让 AI 加速改进 AI;二是提升 alignment,让越来越强大的 AI,目标始终和人类对齐。

 ⁠

前者是一个确定性的现实。今年 5 月,Anthropic 联创 Jack Clark 给出的估计是:RSI 有六成概率在 2028 年底前出现,就在前几天,他又把这个时间点提前了一年,认为 full RSI 更可能在 27 年就完全实现,而不是 28 年。后者是未来最大的挑战。OpenAI 首席科学家 Jakub 的判断是,alignment 的进展可能追不上智能的进展。随着自我改进不断加速,瓶颈会从算力和数据,转向安全。

 ⁠

有意思的是,生物的进化也有两个方向,和这两条主线几乎可以一一对应。

 ⁠

进化史学者 John Stewart 在 Evolution's Arrow 里追问过一个根本性的问题:跨越所有物种、所有环境,有没有哪个方向,进化始终在奖励?

 ⁠

答案有且只有两个:

 ⁠

1.更高效地发现新的适应方式;

 ⁠

2.更大范围的结盟与合作。

 ⁠

前者可以简单理解为 intelligence 或者 RSI,也就是进化奖励的不是某个具体的解法,而是找到解法的能力本身。生物有了更好的通用能力来对外界进行建模、预测,从而适应和改造环境。

 ⁠

后者则很像 alignment。在生命史中有一个反复出现的模式:原本各自为战的单元,逐步融合成更大的协作体。分子聚成细胞,细胞组成多细胞生物,个体结成社会与文明。每一次跃迁,都要先解决一个问题:怎么让局部的目标和整体的目标对齐,同时保留一定的局部自主性。

 ⁠

接下来,我们就沿着这两条主线,看看进化这个漫长而无目的 researcher,分别试出了哪些解法。

 ⁠

 ⁠

02.

更强的 Intelligence

 ⁠

先看智能的进化。

 ⁠

Max Bennett 就此写过一本很精彩的书《智能简史》,很推荐感兴趣的 AI 从业者细读。

 ⁠

Max 是一个 AI 创始人,半路出家研究神经科学,所以他会把神经科学和 AI 放在一起讨论,思考生物的实现机制能给 AI 什么启发。在书中,他把 6 亿年的大脑演化压缩成了五次突破:

 ⁠

•Steering(转向),让生物能评价外界刺激,并据此选择行动;

 ⁠

•Reinforcing(强化学习),让早期脊椎动物从自己真正做过的动作中学习;

 ⁠

•Simulating(模拟),让早期哺乳动物从自己想象做过的动作中学习;

 ⁠

•Mentalizing(心智建模),让灵长类从别人真正做过的动作中学习;

 ⁠

•Language(语言),则让人类从别人想象过的动作和世界中学习。

 ⁠

有意思的是,这其中每一次生物智能的突破,几乎都能在 AI 史上找到一个对应的技术突破,只是 AI 的发展路线和生物进程恰好相反,这个我们后文细讲。

 ⁠

 ⁠

第一次突破:Steering

 ⁠

智能最初不是为了思考,而是为了转弯。

 ⁠

大约 6 亿年前,地球上已经有珊瑚、水母一类拥有神经和肌肉的动物。但它们大多辐射对称,身体朝哪个方向都差不多,也不需要决定下一步往哪里走。

 ⁠

真正的变化,发生在两侧对称动物出现之后。

 ⁠

它们开始有明确的头和尾,把主要的感官放在身体前方,朝一个方向移动。食物在左边,就向左。危险从右边靠近,就向另一侧逃。

 ⁠

 ⁠

这听起来很简单,但只要一个生物必须主动选择方向,它就第一次需要一个中央决策系统,把来自身体各处的信号汇总起来,再输出一个统一行动。

 ⁠

麻烦在于,信号常常互相矛盾。如果食物在左边,危险也在左边呢?

 ⁠

要比较两种完全不同的信号,得先把它们换算成同一种货币。于是,一种最原始的价值判断机制出现了。神经科学里把它叫作 affect(情感状态),可以理解为情绪最古老的前身。它是生物最早的 value function,把食物、威胁、温度、同类等各种异质信号,投射到同一个低维空间里,让它们可以直接比较。

 ⁠

最基础的情感状态有两个维度:

 ⁠

•效价 (valence):现在的局面是好是坏?

 ⁠

•唤醒度(arousal):身体处于多高的激活水平,需要动员多少能量?

 ⁠

把这两个维度组合起来,就会得到四类基本状态:

 ⁠

 ⁠

对线虫来说,这套系统可以回答两个性命攸关的问题:我应该留下还是离开?我现在值得花费多少能量行动?于是,复杂的反馈信号,可以被压缩成简单的行动直觉。

 ⁠

另外,这种情感状态还有一个有趣的特点,尽管它们由外部刺激触发,但在刺激消失后它们会持续很长时间。线虫嗅到捕食者后,会长时间地处于恐惧状态中,而人在和另一个不喜欢的人打交道后,也会郁闷几个小时。

 ⁠

这看上去像个生物进化的 bug,但它实际上是巧妙的,自然界中的气味梯度并不完美,比如水流可能暂时把食物气味冲散,也可能短暂遮住捕食者的信号。如果动物一闻不到气味就停止行动,导航会变得非常不稳定。

持续性的情感状态相当于一种记忆机制,从而告诉你,这个环境是有害/有益的。即使信号暂时消失,也要继续执行此前的策略。

 ⁠

第二次突破:Reinforcing

 ⁠

如果说转向让动物从环境的相关性中学习,强化学习就让动物从自己的行动中学习。它第一次开始主动为自己制造训练数据。

 ⁠

这一突破发生在大约 5 亿年前的寒武纪,主角是第一批脊椎动物,也就是最早的鱼。

 ⁠

鱼比线虫多解决了一个问题:不只要知道什么东西是好的,还要知道自己的哪个动作带来了好结果。奖励往往来得很晚,前面一长串动作里,到底哪一步起了作用?这就是时间上的 credit assignment 问题。当年曾经被列为 AI 的核心难题之一。

 ⁠

AI 领域的解法,是 Richard Sutton 在八十年代提出的时序差分学习(TD learning)。

 ⁠

它把决策拆成两个系统:

 ⁠

•Actor 负责选择下一步行动;

 ⁠

•Critic 估计当前状态未来能带来多少回报。

 ⁠

这样,系统不必等到食物真的出现,才判断刚才的动作好不好。比如,鱼转了一个弯,Critic 对找到食物的估计从 20% 提高到 60%,这个转弯就有了值得强化的信号。学习可以来自预期的变化,而不必只等最终结果。

 ⁠

这个算法被发明十几年后,神经科学家在大脑中发现了几乎一模一样的机制。

 ⁠

大脑内的基底神经节类似 Actor,它负责选择下一步行动。多巴胺则很像 Critic,鼓励生物做出下一步趋近于目标的行为。

 ⁠

一个经典实验发现,猴子意外喝到果汁时,一些多巴胺神经元会兴奋起来。等猴子学会某个提示意味着果汁要来了,兴奋就提前到了提示出现的那一刻,果汁本身反而不再引起反应。如果提示出现,果汁却没来,神经元的活动就会下降。

多巴胺编码的不是奖励本身,而是 reward prediction error,事情比预期好了多少,或差了多少。和 TD learning 中的预测误差,几乎完全对应。

 ⁠

动物因此可以一边行动,一边修正预期,逐渐学会哪些动作能让未来变得更好。

 ⁠

但它只解决了一半问题。如果系统总是选择过去回报最高的动作,它会很快陷入局部最优,永远在已知最好的觅食区打转,错过更好的可能。

 ⁠

于是进化又催生了好奇心,它告诉动物,新信息本身就有 reward,未知的东西值得去看看。

 ⁠

这样,进化就有了两套绝妙的 reward 机制:多巴胺负责 exploit,它鼓励生物做出下一步更靠近目标的行为,好奇心负责 explore,它越过经验的边界,鼓励生物看似无意义的探索。二者在 exploit 和 explore 之间维持张力,让生物系统能找到一个最优的行动路线。

 ⁠

第三次突破:Simulating

 ⁠

大约 2 亿年前,早期哺乳动物出现了。它们体型很小,在恐龙的阴影下过着夜行生活。温血带来很高的能耗,每犯一次错代价都很大。正是在这种压力下,它们长出了新皮质。

 ⁠

新皮质本质上是一个生成模型:大脑不断预测“外面应该是什么样”,再用感官输入校正预测。先 generate,再 compare,再 update。

 ⁠

这带来了第三次突破:把一部分试错从体外搬进了脑内。

 ⁠

真实试错有成本。走错路会浪费时间,跳错树枝可能摔下去。如果能在行动之前,先比较几种可能结果,动物就不必亲自付代价。

 ⁠

 ⁠

研究人员发现,老鼠走到迷宫岔路口时,经常会停下来左右张望。研究者观察它的脑区活动,发现这些神经元会快速依次点亮两条可能路线上的位置,老鼠没有迈步,但它的大脑已经把左右两条路各走了一遍。

 ⁠

同时,模拟也能看向过去。老鼠错过一个好选项后会回头张望,大脑里重新浮现那个被放弃的选择。它学会了“后悔”,而后悔本身就是一种学习信号。

 ⁠

从此,动物可以在行动前比较多个未来,可以回放过去、形成记忆,也可以想象一种从没做过、但可能有效的行动。

 ⁠

从 AI 的角度看,这就是 world model、RL 和 planning 的生物版本:用便宜、安全、可并行的想象,替代昂贵的真实交互。

 ⁠

第四次突破:Mentalizing

 ⁠

6600 万年前,一颗小行星终结了恐龙时代。灵长类在树上繁衍起来,群体生活越来越复杂。

 ⁠

对一只灵长类来说,最难预测的环境,不是天气,也不是猎物,而是同类。人类学家发现,灵长类新皮质的相对大小,和群体规模高度相关。这就是“社会脑假说”:推动灵长类变聪明的,主要不是物理世界,而是彼此。

 ⁠

谁知道食物藏在哪里、未来谁可能成为首领、哪个个体值得结盟...... 这些问题都要求它们不只建立世界模型,还要建立“别人脑中的世界模型”。黑猩猩会根据其他个体看见过什么来藏匿食物,说明它们至少在一定程度上能够区分:我知道什么,对方又知道什么。

 ⁠

这带来了两个新能力。

 ⁠

•一是向别人学习。

 ⁠

当一只黑猩猩看见别人费力地搬起箱子时,他并不只是分析箱子的运动轨迹。自己的运动系统也会在内部模拟那个动作:“如果是我,只有箱子很重时,手臂才会这样调整。”

 ⁠

•二是为未来的自己做计划。

 ⁠

这套能力还让灵长类能够模拟“未来的自己”。一只大鼠会在口渴时找水,却很难在不渴的时候,替明天的自己存水。黑猩猩却会挑出合适的工具带走,留到第二天再用。

 ⁠

神经科学家 Hal Hershfield 发现,人想象十年后的自己时,大脑的活动模式更像在想一个陌生人。为未来做计划,本质上也是心智建模的一个附加作用。

 ⁠

第五次突破:Language

 ⁠

语言把彼此独立的大脑,连接成了一个更紧密的学习系统。

 ⁠

“河流上游有一处可以渡过去的浅滩。” 听到这句话,一个从未去过那里的人,就能在自己的地图上添上一个位置。

 ⁠

语言由此扩展了学习的材料。一个人脑中的 world model,可以被编码成语言,再在另一个人的脑中展开。听者没有亲自行动,也能利用对方的经历与想象,更新自己的世界模型。

 ⁠

于是,横向上,合作的规模急剧扩大。神话、宗教、货币、国家、公司制相继诞生,人们可以围绕一个共同的愿景,让成千上万人的经验与能力投入同一个问题。

 ⁠

纵向上,checkpoint 代代相传。个体学到的一切,不再随个体死去。后人可以站在前人的肩膀上继续改进。而且产生知识的方法也不断演化。文字让记忆外置,教育改进学习,科学方法改进发现。

 ⁠

可以说,语言是碳基生物 RSI 的起点:一个系统不仅能积累改进,还能改进产生改进的方法。进化由此把接力棒交给了文明,智能的迭代速度开始指数级加快。

 ⁠

 ⁠

回头看这五次突破,学习材料的范围一直在扩大:

 ⁠

•转向,让生物建立了自己的 value function,能对外界刺激做出评价和反应;

 ⁠

•强化学习,让它能从自己真正做过的动作中学习;

 ⁠

•模拟,让它能从自己想象过的动作中学习;

 ⁠

•心智建模,让它能从别人真正做过的动作中学习;

 ⁠

•语言,让它能从别人想象过的动作和世界中学习。

 ⁠

其中贯穿的主线是 “经验的虚拟化”:一个生物越来越能够利用自己没有亲身经历过的经验。

 ⁠

大模型走的路线几乎相反。

 ⁠

我们先用整个人类文明留下的文字训练出一个系统,让它一出生就能谈论爱情、代码和量子力学,然后才一层层往回补课:

 ⁠

•预训练,让模型从人类想象过的动作和世界中学习;

 ⁠

•SFT,让模型从人类真正示范过的动作中学习;

 ⁠

•思维链(CoT),让模型在回答之前,先在想象中推演;

 ⁠

•RL,让模型从自己真正做过的选择中学习;

 ⁠

•多模态、工具调用和 agentic 能力,让模型开始感知真实环境,并在其中行动。

 ⁠

这些对应并不严格,但它们指向了一个变化。David Silver 和 Richard Sutton 把 AI 的下一阶段称作 The Era of Experience。AI 的能力增长,将越来越多地来自它亲身与环境互动、试错、观察结果后产生的经验。比如:

 ⁠

•一个编程 Agent 可以根据报错和测试结果一轮轮调整解法;

 ⁠

•一个教学 Agent 可以连续几个月跟踪一个学生,根据成绩起伏调整教学方法;

 ⁠

•一个科学 Agent 可以自己提出假设、安排实验,再用实验结果修正对世界的理解。

 ⁠

反馈会越来越少来自人类,越来越多来自真实世界的后果。如果说生物进化的主线是把经验一层层虚拟化,那么大模型走的就是反方向,从最二手的经验出发,一点点去够一手经验。

 ⁠

 ⁠

现在我们已经知道怎么给它装上感官和手脚,唯独最前面那一步还没补上,也就是一个属于它自己的 value function,就像最早学会转向的线虫身上那枚指引行动的内在罗盘。

 ⁠

AI 也许最终还是要补上这一部分。据说 Ilya 现在就在重点研究 inner value model。

 ⁠

其实不止 ilya,现在探索下一代范式,想实现根本意义上的持续学习的 Neolabs 里,最出名的三家大概是 Ilya 的 SSI,前 OpenAI 推理负责人 Jerry Tworek 的 Core Automation 和强化学习之父 Richard Sutton 的 Oak Lab。他们都倾向于认为,补齐某种形式的 value function 是解决终极持续学习的一个重要组件。

 ⁠

他们三个人分别提到过一些片段式的原因:

 ⁠

Ilya:

 ⁠

Ilya 的信念来源似乎和最开始思考神经元的连接一样,依然是人脑。

 ⁠

他在 25 年底曾经在播客里和 Dwarkesh 讨论过一个问题:新手学开车,没有教练,为什么也知道自己开得好不好,还能自我纠正?

 ⁠

Ilya 的答案是:人有自己的 value function。

 ⁠

人类的学习过程一向主要来自与环境的互动和内心的感觉,这是一种很高效的无监督学习形式,而未来一个可能的突破点在于让模型也具备这种直觉性的中途判断能力。

 ⁠

持续学习现在最关键的一个卡点就是 sample efficiency 太差,如果能拥有这种 inner value function,AI 的学习效率就会有质的飞跃。

 ⁠

而且他强调,人类进化过程中有一个非常神奇的特质,那就是我们进化出了一些很高级的价值函数,比如 “社会地位”。

 ⁠

要知道,喜欢好吃的食物很简单,只要给大脑接一个味觉传感器,设定化学反应奖励就行。但 “社会地位” 是一个极其抽象的概念,大脑需要处理无数信息才能理解。基因本身不智能,它怎么知道如何连线神经元,才能让人类产生这种高级情感呢?

 ⁠

而且这套价值观从远古一直用到今天,世界天翻地覆,它依然极其可靠,只有成瘾等少数极端情况例外。

 ⁠

既然盲目的进化都能成功地把 “高级价值观” 编码给人类,让它稳健地指导人类世世代代的生活,那么我们设计超级智能时,应该也存在某种方法,能把比如 “关爱生命” 这种高级目标教给 AI。

 ⁠

如果能理解进化如何编码这些价值函数,我们或许就能同时获得两方面的启发:怎样让 AI 更高效地从经验中学习,以及怎样实现 alignment。

 ⁠

价值函数的具体形式仍有待探索,但 Ilya 对它发挥作用很有信心,他甚至强调,即使现在还没用,未来也一定有用。

 ⁠

(不过,我们也听过相反的判断,有 researcher 认为这条路完全走不通,Ilya 可能是在释放烟雾弹。)

 ⁠

Jerry Tworek:

 ⁠

OpenAI 前推理负责人 JT 更关注的是目标怎么定。他曾说,当前 continual learning 的核心问题,不在架构或算法,而在于怎么定义一个更好的 objective function。

 ⁠

在他看来,一个更好的目标要满足几个条件。第一,它不能太平凡,得足够难。第二,它要能持续产生学习信号,而不依赖大量人工标注的数据,也不依赖静态的数据。

 ⁠

人类就是一个类比。人的优化目标非常简单:生存、繁衍,再加上好奇心等一些点缀,但经过漫长的训练,一个简单的目标就能长出复杂的智能。

 ⁠

Richard Sutton:

 ⁠

Richard Sutton 也在两个月前的 WAIC 上提到,value function 是下一代范式的一个关键组件。

 ⁠

在他看来,Reward 只描述当前收到的好坏信号,而 value function 能评估当前处境未来可能带来的整体后果。

 ⁠

Agent 不能只追求明确的奖励信号,也仍然需要价值函数,才能把眼前收益和长远结果联系起来。

 ⁠

对于模型解决的每一个小问题,它的 value function 都是三部分之和的期望

 ⁠

也就是说,系统需要同时考虑三个方面:

•事情有没有做成。

 ⁠

•做成以后,自己留下了怎样的局面。

 ⁠

•为了做成这件事,途中付出了多少代价、获得了什么额外收益。

 ⁠

 ⁠

 ⁠

03.

更高层的 alignment

 ⁠

我们再来看第二条主线。

 ⁠

前面讲的是进化如何造出更强的个体。但进化同时在做另一件事:让这些个体组成更大的系统。

 ⁠

一些研究进化史的学者认为,如果进化存在一个目的,这个目的叫做 increasing non-zero-sumness (不断扩大的非零和游戏)。

 ⁠

社会关系可以粗略分为两种:零和、非零和。

 ⁠

零和意味着,一方的收益来自另一方的损失,非零和则意味着,各方的利益彼此关联,合作可以共同获益,冲突会让双方受损。

 ⁠

无论生物演化还是文化演化,非零和的程度都在不断提高。所以原本独立的个体,会逐渐结合成更大、更复杂、彼此依赖更深的合作系统。

 ⁠

比如生命史中的重大转变,经常是原先独立的单位形成新的合作整体:

 ⁠

分子聚成细胞 → 细胞吞掉一个细菌,拥有了线粒体 → 单细胞组成多细胞生物 →生物个体组成蚁群等社会群体→ 群体扩展成社会与文明

 ⁠

人类社会也呈现类似趋势。过去一万年里,人类合作的范围不断扩大:

 ⁠

部落 → 村落 → 城邦 → 国家 → 全球分工体系

 ⁠

现代人的日常生活,建立在无数陌生人的劳动之上:有人生产食物,有人制造芯片,有人维护电网,还有人开发软件、运输商品。我们不必彼此认识,却已经深深嵌入了彼此的生活。

 ⁠

而每一次这样的跃迁,首先都要解决一个 alignment 问题。组成整体的单位原本各有各的想法,每往上组合一层,都要先让局部的目标和整体的目标进行对齐。

 ⁠

多细胞生物是一个直观的例子。身体里的每个细胞都放弃了随意分裂的自由,换来的是整个生物体更强的生存和繁殖能力。一旦某个细胞重新只顾自己、无限复制,就会形成癌变。为此,生物进化出了细胞自毁、免疫清除等一整套机制,把失控的细胞清除掉。可以说,每一个活着的多细胞生物,本身就是一个解决得还不错的对齐问题。

 ⁠

但人类社会和细胞有一个区别:多细胞生物起码共享同一套基因,但社会中的人有着更加不同的利益和偏好,没有什么能天然担保大家方向一致。每个人都有自己的打算,随时可能搭便车甚至背叛。

 ⁠

所以人类社会渐渐发展出了三层 alignment 机制:

 ⁠

 ⁠

1. 制度的演化

 ⁠

三层机制中,制度通常最容易先发挥作用。它通过调整激励,让人们更愿意合作,并为背叛设定代价。

 ⁠

人类要扩大合作,至少需要跨过两道门槛:信息和信任。

 ⁠

 ⁠

人类历史的基本剧情,就是技术一直在压低第一道坎,制度紧跟着解决第二道。和今天 frontier lab 的情况类似:模型能力先有突破,alignment 再逐步补齐。

 ⁠

现代经济和政治制度的诞生,就是一个例子。

 ⁠

经济上,航海和生产技术的进步让远方的市场变得可知、可达,但远洋贸易要投入巨额资本,陌生人之间谁也不敢把钱托付给谁。于是股份公司和现代金融制度出现,让互不相识的人也敢把钱凑到一起去冒险。全球商贸体系由此成形。

 ⁠

政治上,印刷术和商业扩张让国家和商人之间出现了巨大的合作空间:国家需要税款和贷款,商人需要秩序和保护。但双方卡在同一个信任问题上,能保护你财产的政府,也能夺走它。分权的做法由此在英国萌芽,后来美国把三权分立的思想发扬光大,立法、司法、行政互相制约,现代民主国家在这个基础上崛起。

 ⁠

把这个模式抽象出来,就是一个不断强化的循环:

 ⁠

技术降低沟通和信任的成本 → 更多人可以合作 → 规则和治理机制在合作中逐渐完善 → 产生更多知识与技术 → 合作网络进一步扩大。

 ⁠

这套循环已经延续了几千年。在这个过程中,有两点让人出乎意料:

 ⁠

1)制度往往比技术突破慢得多。两者之间漫长的时间差,就是历史上的动荡期。

 ⁠

比如,印刷术在 15 世纪中叶打破了信息门槛,越来越多人可以自己读经,教会原有的权威受到挑战。但社会并没有马上找到容纳不同信仰的办法。欧洲先经历了宗教改革和一个多世纪的宗教战争,才慢慢长出宗教宽容和主权国家这样的制度来消化它。

 ⁠

2)这些制度几乎没有一个是事先设计好的。

 ⁠

比如,股份公司不是一个灵光一现的设想。从中世纪意大利的合伙契约,到一船一结的远航集资,再到荷兰东印度公司,中间经历了几百年的漫长迭代。三权分立的思想也一样。内战、弑君、共和、复辟、再革命,前后折腾了近半个世纪,中间内战人口的死亡率超过了第一次世界大战,才试出英国约束王权的那套解法。

 ⁠

哲学家亚当·弗格森说过一句名言:制度是人类行动的结果,而不是人类设计的产物。各个民族往往是一路摸索,才撞上了这些制度。

 ⁠

我们今天习以为常的制度,背后有过无数次破产、战争和革命。试错最后留下了解法,也付出了真实的代价。

 ⁠

这对 AI alignment 提供了一些参照。如果人类用了这么久,才逐渐找到一些有效的合作方式,AI 的 alignment 更加黑盒,大概也没法在白板上设计出来,只能在真实部署里不断试错和修补。

 ⁠

Ilya 后来也谈过自己在这件事上的变化。SSI 最初想避开市场竞争,直接做出超级智能再公开。后来,他意识到需要渐进式地放出一些东西。让社会更早看见 AI 能做什么、会在哪些地方出现 misalignment,才有时间准备和调整。

 ⁠

2. 道德圈的扩大

 ⁠

制度有两个难以避免的问题:监督需要成本,规则总有漏洞。社会要维持合作,还得让人在没人看着的时候,也愿意顾及他人。道德、宗教和文化承担了这样的作用。

 ⁠

一个有意思的现象是,在文明的发展过程中,道德圈也在不断扩大。Peter Singer 把这个过程写成了一本书 The Expanding Circle。

 ⁠

人类早期社会里,道德关怀往往只覆盖部落和亲属。当时许多部落给自己起的名字,意思就是“人”,言外之意是圈外之人都不太算人。

 ⁠

随着社会扩大,人类才逐渐把更多人纳入“自己人”的范围:

 ⁠

家庭 → 部落 → 城市 → 国家 → 全人类

 ⁠

今天,很多人进一步把动物、生态系统甚至未来世代纳入道德考虑。

 ⁠

那么,是什么决定了道德圈的半径?

 ⁠

一个比较有解释力的说法是:道德圈的半径,大致等于非零和游戏的半径。

 ⁠

道德圈变大,并不单纯是因为人突然变善良了,更多是因为社会结构让不同群体越来越相互依赖。当陌生人的行为会影响你的生活,你也能从陌生人的成功中获益时,把对方视为值得合作和关心的人,就越来越符合现实利益。

 ⁠

我们之所以越来越需要关心远方的人,是因为他们的命运越来越实际地影响着我们。

 ⁠

道德圈还只是其中一个切面,什么值得追求,怎样才算好好过完一生,这些更广义的价值观,同样是社会结构的产物。比如,几十年前,低买高卖还叫“投机倒把”,是写进刑法的罪名,直到 1997 年修订刑法才被删去。改革开放之后,同样的行为先被默许,再被鼓励,后来有了一个体面的名字:企业家精神。

 ⁠

价值观看上去像是信念,其实更像一种适应。它是一个特定环境下让人利益最大化的 reward function。

 ⁠

这给 AI alignment 的启发是,价值观是一个流动的概念。AI 或许不该对齐现在主流遵从的东西,而该对齐 AI 时代更需要的东西,对齐那些 “如果我们知道得更多、格局更大、更接近我们希望成为的那种人” 时会想要的东西。

 ⁠

设想一下,AGI 诞生在 1800 年。

 ⁠

它完美对齐了当时的主流道德。于是它会帮种植园主优化奴隶的排班,会认为女人没必要投票,也不觉得虐待动物有多大问题。它忠实维护的,恰好可能是后来的人努力改变的。

 ⁠

如果每个时代的价值观都只是一个 checkpoint,那么把 AI 对齐到 2026 年的价值观,就可能把我们今天的很多局限性一起冻结进去。

 ⁠

所以我们要对齐的也许不是价值观的某个 checkpoint,而是一套改进价值观的方法,让价值观本身也能实现某种 RSI。Anthropic 今年更新的新版 Claude 宪法也从原本的行为原则清单,改成了重点解释 Claude 为什么应该这样做,让 Claude 理解人类最底层的意图,一起向更深处追问。

 ⁠

3. 人类的自我驯化

 ⁠

最后,人类更特别的地方在于,基因是自私的,但人性是无私的。

 ⁠

这背后,是几十万年的互相筛选。

 ⁠

我们会自然欣赏那些能够理解和帮助他人、不以自我为中心,而是让周围人一起变好的人。

 ⁠

比如,一个人能找到更好的狩猎和组织方式,能凝聚大家,能调解群体内部的冲突。这样的人不仅自己聪明,还能提高整个群体的产出,所以更容易赢得地位、信任和繁殖机会。心理学家 David Buss 在 37 个文化里做过调查,无论男女,“善良体贴”都排在择偶标准的最前列。

 ⁠

而那些经常伤害同伴、只顾自己的人,则会被群体惩罚。灵长类学家 Richard Wrangham 认为,这种集体惩罚持续了几十万年,相当于人类对自己做了一次“驯化”,好斗的个体一代代被淘汰,人变得越来越温和、合群。

 ⁠

一推一拉之间,人类进化出来的不只是解决个人问题的智力,还有一整套社会装备:理解他人意图的能力、共情、公平感、内疚、羞耻心。其中最精妙的是内疚和羞耻。群体不可能永远在场,于是惩罚直接住进了人的内心。从这个角度看,人的大脑很大程度上已经演变为了一台追求非零和游戏的机器。

 ⁠

这种筛选最深的产物,是我们不仅演化出了欣赏这类人的倾向,也能从自己参与这种活动中获得意义感。

 ⁠

很多研究发现,长期幸福感往往与这些目标相关:利他行为、社会参与、对家人和朋友的投入、参与比个人更大的事业。

 ⁠

相比之下,只追逐金钱和地位,有点像 reward hacking:刷高了一个代理指标,但未必能获得持久的意义感和幸福感。就像哈佛那个著名的长期研究发现,最能预测晚年幸福的是人际关系的质量,财富和名望反倒没那么重要。

 ⁠

当人类长期以来都是因为能够参与和创造非零和合作而获得社会奖励,我们的大脑便也已经演化出了相应的心理机制:

 ⁠

帮助别人、投身于一件比自己更大的事情,本身就能带来满足和意义。反过来,失去了与人的连接,只剩地位上的比较,就容易焦虑和空虚。

 ⁠

几十万年的相互筛选,就像一场漫长的 RLHF。最后,评分员的偏好被蒸馏进了每个人自己的奖励函数。

 ⁠

于是,发现和推动非零和合作,同时有三层价值:

 ⁠

•客观价值:能形成更有生产力的系统;

 ⁠

•社会价值:能给个人带来信任和资源;

 ⁠

•主观价值:人类已经进化出了从中感受意义的能力。

 ⁠

客观世界需要它,社会关系奖励它,个人内心也会感受到它。从这个意义上说,人类被塑造成了一种注定要追求 alignment 的生物。

 ⁠

回到 AI,我们也许需要找到类似的支撑。

 ⁠

 ⁠

国内的体感并不明显,但如果和海外头部两家 Labs 的朋友交流,大家现在最关心和最担心的问题基本都是 AI 安全。

ASI 几乎是一个注定要发生的事情,我们也会面临一个越发危险的局面。

 ⁠

今天的主流做法仍然偏规则设计:写 spec、写 constitution、定义 reward。但 reward hacking 和人类钻空子是同一件事,被约束的对象越聪明,就越容易走出预先设定的边界,失控的风险也越大。

 ⁠

进化没有写过规则,它只是搭了一个让合作胜出的环境,再把在意别人写进本能。

 ⁠

也许我们最终还是要找到一种方法:要么搭建合适的环境和筛选机制,让与人类对齐成为长期的最优策略,要么找到某种编码方式,像 Ilya 说的,让 AI 真心关爱有感知的生命。

⁠⁠⁠

作者卡片

编辑卡片

⁠⁠⁠

延伸阅读

为什么 CPU 重新变得重要?⁠

为什么 CPU 重新变得重要?

›

和一线研究员的闭门讨论:蒸馏变难后,下一步的重点是什么?⁠

和一线研究员的闭门讨论:蒸馏变难后,下一步的重点是什么?

›

Latent Labs:Alphafold 3 发布两年,AI 药物设计进展到了哪一步?⁠

Latent Labs:Alphafold 3 发布两年,AI 药物设计进展到了哪一步?

›

Astra 的 Computer Use 能力是如何实现的?⁠

Astra 的 Computer Use 能力是如何实现的?

›

2 万亿美元的 Anthropic 值不值得买?⁠

2 万亿美元的 Anthropic 值不值得买?

›

跳转微信打开

从快手iWork实践出发:5场分享共探企业AI生产力规模化之路

2026年10月19日 19:37

快手技术 2026-10-19 19:37 北京

参与文末互动,送「快手联名充电宝」!

图片

当 AI 从“会写代码”走向“能交付需求”,企业研发体系正在进入一个新的拐点。真正的 AI 生产力,不再只是让个人更快完成某个任务,而是深入需求、研发、测试、交付与业务运营的完整链路,重构团队协作方式,推动业务工作流从“人驱动工具”逐步走向“人与智能体协同”。

快手技术沙龙第 6 期将聚焦「从研发效能走向企业 AI 生产力」,结合快手企业 AI 生产力(iWork)建设实践与真实业务场景,探讨 AI 如何从辅助编码扩展到组织级端到端交付,如何重塑需求交付链路,并进一步沉淀为可复用、可协同、可持续进化的生产力基础设施。演讲嘉宾们也将围绕企业级 AI 落地中的工程体系、组织协同、质量保障与规模化推广等关键问题,分享一线实践与方法思考。

【活动报名】

01

《快手企业 AI 生产力:从研发提效到组织跃迁》

  • 分享人:沈浪|快手企业智能体建设负责人、企业 AI 生产力专家

  • 议题概要:

    本议题将从企业全局视角,系统介绍快手 AI-Native 组织转型的实践路径。围绕 2025—2026 年快手 AI 提效范式变化,重点梳理从“AI x 研发效能”到“企业 AI 生产力”的升级过程,包括: 

    • AI实践:如何从技术人员扩展到全员与组织

    • AI基建:如何从 CodeAgent 演进为通用 Agent,并持续扩展各垂直领域的AI能力与企业上下文。

    • AI政策:如何从分摊制升级为 Token 积分制。

通过快手真实实践,呈现万人级企业推进 AI 组织转型的方法、经验与未来判断。

02

《基于第一性原理:企业级智能体工程化落地路径》

  • 分享人:朱少民 |《软件工程 3.0》作者、同济大学特聘教授

  • 议题概要:

    在“从研发效能到企业 AI 生产力”的主题下,大模型能力迭代很快,但不少企业发现:Demo 惊艳、上线艰难,AI 提效停留在个人和局部,难以沉淀为组织级生产力。一线实践也表明,单纯堆工具、追模型,并不能自动跨越从原型到生产系统的鸿沟。本次分享将回到第一性原理,提出“规约工程—驾驭工程—质量门禁”三部曲,探讨企业 AI 生产力如何从工程体系中真正生长出来。

03

《从 OPC 到臭鼬工厂:AI 提效的规模化增长之路》

  • 分享人:王东旭|快手磁力引擎风控技术负责人

  • 议题概要:

    技术团队面对「需求碎、链路长、服务对象在一线」的交付困境,在千人规模研发部门做到交付效率 Top1 的前提下,仍会撞到新的天花板——瓶颈不在写代码慢,而在跨职能的等待与协调。为此,团队组建「臭鼬工厂」(10 人以内、产运研算测五职能、零汇报线、物理同坐、厂长单点负责)+ PDE(产运自己交付需求)模式,用「消除 > 简化 > 加速」的思路从组织设计上消灭协调,重新获得效率提升的第二增长曲线,并成为快手公司级 AI 样板间。

04

《OPPO 互联网 AI Native 落地实践》

  • 分享人:郝刚 | OPPO 产研提效产品负责人

  • 议题概要:

    OPPO 互联网业务体量大、迭代快、链路长,单靠个人用 AI 辅助编码,难以提升组织效率:需求传递信息损耗、上下文碎片化、验证成本上升、智能体输出难以控制,都是规模化落地中的真实瓶颈。OPPO 互联网确立了知识驱动与工作流驱动并重的路径:智源知识库承载规则与经验,CoMind 平台承载智能体协同与交付,按流程重构、能力沉淀、平台底座三层推进。团队先在特战队中基于真实需求验证,再向组织全量复制;人工负责判断与验收,智能体承担可重复环节,并以人工门禁与评测闭环保障质量。目前,特战队场景已取得可量化成效,AI 需求协同占比与智能体一次通过率持续提升。本次分享将覆盖实现路径、机制与阶段成果,为同类互联网组织的 AI Native 落地提供可借鉴参考。

05

《从人工验证到智能评测:AI 规模化应用中的质量保障实践》

  • 分享人:吕冬冬 |快手磁力引擎风控质量负责人

  • 议题概要:

    当研发单兵借助 AI 把交付速度抬高一个量级,质量工程师必须重新回答:Agent 深度介入软件生命周期后,质量交付权应当如何重新分配?质量保障体系又应该如何搭建?本次分享将围绕四条线索展开:一是质量人力投入结构的实测拆解,量化 AI 介入前后产能边界与能力模型迁移;二是职能边界模糊化背景下的需求测试分级与风险挖掘机制;三是 Agentic AI Testing 的整体架构;四是工程化落地难题——当被测对象不确定、测试工具自身置信度不足时,“AI 测 AI”的判定如何成立。最后,分享还将给出短期链路升级、中期人机协同、长期 Agentic SDLC 的三阶段演进判断。

【预约直播】

「参与互动,赢取好礼」

报名活动并在评论区留下你对这场沙龙的期待和建议,我们将抽取一位幸运朋友,赠送一份「快手联名充电宝」!

活动截止时间:2026 年 10 月 29 日 17:00

👇 点击【阅读原文】,免费报名!

阅读原文

跳转微信打开

MiniMax M3.1 Flash:重新定义 Agent 的性能与成本

2026年10月19日 19:20

原创 MiniMax 2026-10-19 19:20 上海

今天,我们正式更新 MiniMax M3.1 Flash。

此前以匿名身份处理了超过 200T Token 的 Space Bunny🐰,正是 MiniMax M3.1 Flash 的早期版本。

作为新一代 Flash 模型,M3.1 Flash 在 Agentic 任务、编程、Computer Use 及网络安全能力等方面实现了代际的提升,同时线上推理速度提升了近 3 倍,使用成本降低了 70%。

模型能力全面提升

M3.1 Flash 在多项基准测试中取得了全面进步,在复杂 Agent 任务 (Cowork)、Computer Use、软件开发 (Coding) 及网络安全方面,达到了领先模型水平。

复杂任务与自动化能力:

  • 在 AutomationBench-AA 中位居最前列。在跨 SaaS 系统的真实企业业务工作流中,能完整解决销售、营销、运营、客服、财务、HR 的真实问题。

  • 在 BankerToolBench 中 76.2 分,擅长多步骤规划、跨文档 / 跨文件一致性、金融业务合规、工具链式调用等真实复杂问题。

编程与软件工程能力:

  • 在 DeepSWE v1.1 评测中取得 73.7% 的成绩,达到顶尖模型水平。DeepSWE 聚焦复杂软件任务,要求模型独立完成代码理解、功能开发、问题修复与测试验证。M3.1 Flash 展现出出色的长链路任务执行能力,能够以更低的成本支持复杂的软件开发工作流。

Computer Use 能力:

  • 在衡量 AI 电脑操作与跨应用任务执行能力的 OSWorld V2 中取得 61.7 分,在衡量真实并有经济价值场景下电脑操作能力的 Agents' Last Exam (ALE) 中取得 29.6 分,两项得分均位列国产模型第一。

  • M3.1 Flash 展现出出色的真实环境交互、工具使用与长链路任务执行能力,能够从理解任务进一步走向实际操作与交付。

网络安全能力:

  • 在 CyberGym 基准测试中取得 82% 的高分,展现出领先的漏洞发现与验证能力。

  • 经内部安全专家深度评测,模型在代码审计、漏洞修补、渗透测试、恶意代码分析与逆向工程等场景下均表现出色,能够以低成本、高效率支持复杂的安全体系建设。

我们进一步优化了 M3.1 Flash 的推理效率,使用了更激进的稀疏注意力架构,日常使用场景下的输出速度可达 200+ TPS (Tokens per Second),中位数 (P50) 稳定达到 170+ TPS。

模型价格

在 Agentic 类任务中,模型的综合使用成本较前代模型降低了 70%。输入价格为每百万 Token 1 元,输出价格为每百万 Token 4 元,缓存读取价格为每百万 Token 0.1 元。

重新定义 Agent 任务的能力和成本

在衡量复杂 Agent 任务执行能力的 Automation-Bench、衡量真实编程能力的 DeepSWE,以及衡量真实并有经济价值场景下电脑操作能力的 Agents' Last Exam (ALE) 三项基准测试中,M3.1 Flash 以极低的任务成本实现了顶尖模型级别的性能表现,在性能与成本之间建立了极具竞争力的新标杆。

M3.1 Flash 现已正式上线 MiniMax API、MPlan 以及 MiniMax Code 中,并将于稍后开放权重。

MiniMax Code 桌面端下载:https://agent.minimax.cn/download

M Plan 订阅入口:https://www.minimax.cn/m-plan

API 调用:https://www.minimax.cn/

Flash 是我们对效率与能力平衡的持续探索,而追求智能上限的 Pro 版本也会在稍后与大家见面。

Intelligence with Everyone.

跳转微信打开

打开“生命黑箱”,我们需要看见什么?| 峰瑞报告

2026年10月19日 19:08

原创 沈炯 2026-10-19 19:08 北京

当AI开始成为人类“新的眼睛”

图片

几千年前,人类用药大多靠试。

中国有“神农尝百草,一日而遇七十毒”的传说:哪种草能吃,哪种能治病,哪种会要命,都是一口一口尝出来的。西方也一样,古埃及人用蜂蜜涂抹伤口,欧洲人头疼发热时会嚼柳树皮,还有流行了近两千年的放血疗法,医生相信疾病来自体液失衡,于是把病人“多余”的血放掉。

这些今天看来奇怪的治疗方法,折射出很多当时医学面临的局限,那时的我们能够观察症状、记录疗效,却无法解释疾病为何发生、药物为何起效,也缺乏科学方法来验证治疗效果。

随着医学技术不断前进,许多曾经无法解释的机制逐渐被看见。进入AI时代,进步再一次加速,AlphaFold2更是让延续约50年的蛋白质结构预测难题取得关键突破,AI 开始成为人类“新的眼睛”。

结构被看见了,但结构的变化却难以捕捉。从一次干预到最终结果,生命系统究竟经历了什么,依然是药物研发反复面对的空白。

我们持续关注生物医疗领域的技术发展,如果你是相关创业者或者从业者,欢迎联系本文作者沈炯(shenjiong@freesvc.com)。

图片

看一张图片约等于读多少文字?84.1个英文单词。

剑桥大学学者艾伦·布莱克韦尔曾对“一图胜千言(A picture is worth a thousand words)”这句英语俗语,发起过一次挑战。

他组织了多位参与者来解释洗衣机、摩托车、电视机等设备是怎么工作的。每个人对一部分设备写文字说明,对另一部分画出由节点和连线组成的图。根据文字描述平均用掉的词数,最终算出了“84.1”这个数字。

实验参与者手绘的摩托车工作原理示意图

图片来源:Blackwell, A. F. Correction: A Picture Is Worth 84.1 Words. In Proceedings of the First ESP Student Workshop, pp. 15–22, Fig. 3

严格说,这个实验并不算严谨,但它确实让我们清晰地理解到,图比文字更好读懂。

人类的眼睛看到的是像素,大脑看见的是结构,图的优势就在于,它绕开文字复杂的抽象推理,直接给到了结构,这就让看见变成一个降维的过程。

但这种能力是有边界的,人类只能直接感知三维空间,可生命数据动辄有成千上万个维度。比如一个细胞,可能同时记录着上万个基因的表达,叠加起来早已超出人类的直观感知。过去我们看不清,如今AI 补上了这块短板。

高维数据看似散布在上万个维度中,但由于许多基因成组协同表达,它们往往集中在一个维度低得多的结构附近。就好比一张揉皱的纸,看起来占据了三维空间,展开后仍是一个平面。AI 能把这些纠缠、褶皱的结构展平,提取关键特征,捕捉真实世界的复杂结构。

在AI时代,人类看见的能力再一次从时间和空间尺度突破了感官的边界。而对药物研发来说,这一点尤为关键。因为回顾制药史上的每一次跨越,你会发现几乎都始于新的看见。

1850年以前,制药尚未成为一门科学,用药知识主要来自经验。人们知道某些草药、动物药和矿物可能有效,但无法解释原因。

随着有机化学和天然产物纯化技术逐渐成熟,药物开始以明确的化学分子进入研究视野,人类看见了药物本身。1897 年,拜耳研究人员制备出可供药用的乙酰水杨酸,成为这一阶段的重要节点。

与此同时,微生物学的发展让人们逐步理解部分感染性疾病的病因。1928年,弗莱明发现青霉素,经过后续研发,它成为抗感染治疗的重要突破。这条研究路径,也让疾病病因与药物作用之间的联系更加清楚。

科学制药史与结构生物学史的发展

到了现代,制药开始与分子生物学和结构生物学更紧密地交汇。1953年,DNA双螺旋结构被发现;1958年,肌红蛋白的低分辨率三维结构模型发表。这些发现让研究者第一次能够从三维结构的角度,理解生命分子的形态及其功能。

伴随X射线晶体学、核磁共振等技术逐步成熟,我们开始能够解析越来越多的生物分子结构,基于靶点和结构的药物设计也逐渐发展起来。

进入21世纪,高通量实验和组学技术迅速发展,研究者开始获取越来越多关于信号通路和分子相互作用的数据。药物研发的视野也从单个靶点和静态结构,逐渐扩展到分子之间的复杂关系网络。计算方法和 AI 的进步,又帮助研究者开始尝试从这些数据中预测分子如何运动、如何相互作用。药物研发也由此开始迈向AI原生制药时代。

人类每多看见一点,药物研发就多一分理解与干预的空间。但生命系统因此变得足够透明了吗?答案是:还没有。

在我们的制药史中,你可以看到许多关键进展都发生在空间维度,X射线晶体学、冷冻电镜等技术能帮助研究者看清分子的形态,可它们捕捉到的大多是某一时刻的静态画面;在时间尺度上,我们仍缺少能够连续追踪变化的有效手段。一个状态怎样转变为另一个状态、变化以什么顺序发生、又如何沿着分子和细胞网络传递,这些还有很多空白。

换句话说,我们看得见起点,也看得见终点,却看不清中间。从药物进入人体到最终起效,这期间究竟发生了什么,依然是一个“黑箱”。这个“黑箱”,就是生命系统的中间态。

我们今天说的中间态,是对不同尺度上、起始状态与终点之间尚未被充分观测的状态和变化过程的概括。

中间态可能表现为蛋白质短暂出现的构象、分子结合过程中形成的复合物,也可能是细胞受到扰动后的状态转换。

人们经常说,大模型像一个黑盒,人们只能通过输入和输出的部分,去猜测大模型是怎样运作的。生命系统也面临相似的黑盒:研究者能够记录它在不同时间点的状态,却很难完整看见这些状态如何连续转换。

观测的困难主要来自生命系统在时间与空间上的巨大跨度:原子运动可能发生在飞秒之内,蛋白质构象变化可能持续微秒到秒,细胞响应可能需要数小时;药物作用从微观尺度开始,最终产生的疗效与疾病变化却表现在细胞、器官和人体等层面。此外,不同尺度的数据彼此之间难对齐,并且部分观测手段还可能会改变系统原有的状态,进一步增加了状态重建的难度。

要知道,关键中间过程缺少观测和解释时,研究者即使知道干预前后的结果,也难以定位作用从哪一步开始、在哪个环节受阻,或判断哪些机制决定了效果。

所以对中间过程理解得越清楚,药物设计越有可能从结果筛选走向过程推演:先判断药物可能经过哪些作用路径、影响哪些关键节点,再根据变化线路设计分子、安排实验和修正方案。这样药物研发就可以减少部分无效试错,提高设计与验证效率,并提升候选药物成功推进的概率。  

过去研究者借助各类实验和模拟,尝试一点点逼近那些中间缺失的过程。但就像上文说的,这并不容易。

那今天,我们能否借助AI完成这件事呢?

答案是可以。

AI为看见中间态提供了新的方法。

模型结合实验数据与适用的生物学或物理化学约束,对观测之间缺失的生命过程进行重建、模拟和预测,把微秒级的分子动力学数据和月年级的临床观察进行跨尺度的结合。我们将这条路径概括为“动态可视化”。

举个例子,一部电影由一帧帧静态画面组成,相邻画面连接起来,观众便感受到运动。对应到医学中,就是实验提供有限的“帧”,模型推演出帧与帧之间可能发生的变化。

如果说过去的结构生物学主要回答“它长什么样”,动态可视化要回答的则是“它怎样变成这样”。当AI补齐观测之间缺失的中间态,研究者就有机会沿着时间线索找到前后状态之间的因果关系,让生命系统从“黑箱”逐步变成“白盒”。

回到具体的研发中,我们选择了三个非常有趣也很有代表性的案例:由氨基酸连接成环、可能随环境改变形状的“分子变色龙”环肽;在计算机中模拟细胞反应、预测干预结果的虚拟细胞;还有像“胶水”一样促成特定蛋白质相互作用的分子胶。

从理解、推演到设计,它们为我们提供了三个观察入口:

  • 环肽说明为什么需要把动态信息纳入模型;

  • 虚拟细胞展示AI怎样提出并验证扰动后的状态假设;

  • 分子胶则进一步讨论,动态关系怎样成为药物设计的对象。

三个案例也共同指向了一个变化:过去难以观测的中间过程,正在逐步进入可计算、可验证的研发框架。

2026年,环肽领域迎来两个标志性的进展:

  • 强生的盐酸伊可白滞素片先后在美国和中国获批,成为首个靶向IL-23受体的口服环肽药物;

  • 默沙东的恩利西肽获得FDA批准,成为FDA批准的首个口服PCSK9抑制剂。

两项获批说明口服环肽进一步拓展应用边界,为构象系综(同一分子在特定环境下可能采取的多种空间构象及其分布)研究提供了现实背景。环肽通常分子量较大,含有较多酰胺键、氢键供体和受体,极性表面积也较大。按照传统小分子的经验规则,这些特征会给口服吸收带来困难。

一些环肽能够跨过口服吸收的障碍,与其随环境切换构象的能力有关。环孢素A就是典型代表:在水相环境中,它会暴露部分极性基团;接近非极性环境时,它收缩成更加紧凑的构象,通过分子内氢键隐藏极性;到达靶点附近后,又可以切换到有利于结合的构象。

分子变色龙的环境适应性示意图

图片来源:Poongavanam, V. et al. Molecular chameleons in drug discovery. Nature Reviews Chemistry 8, 45–60 (2024).

环孢素A这类”分子变色龙”提示了一个容易被静态指标忽略的变量:分子随环境切换构象的能力。这意味着,环肽能否穿过细胞膜,仅看单一构象下的极性表面积不够,还需要观察它如何在不同环境中改变构象。

维亚算法团队提出的EnsembleCycPerm模型沿着这一思路展开,综合环肽的序列、理化性质,以及它在水相和氯仿环境中的多种可能构象,预测其在平行人工膜渗透性测定(PAMPA)中的被动渗透性。

模型关注的不只是环肽的极性表面积有多大,还包括它在不同环境中能改变多少。研究者用水相与氯仿环境下的三维极性表面积之差(ΔPSA3D)描述这种变化。在该模型的SHAP分析中,它是对渗透性预测贡献最大的单个特征。换句话说,除了看分子暴露了多少极性,还要看它能否随环境变化“收起极性”。

这为环肽设计提供了一条走向动态可视化的路径。EnsembleCycPerm将不同环境中的构象系综及其变化纳入渗透性预测,给候选分子筛选和先导优化提供参考。

一个环肽的构象变化,发生在分子内部。把视野推向细胞,研究者面对的是一张由大量信号共同牵动的网络。

传统研究是通过基因敲除、药物处理或其他分子扰动,观察细胞随后发生的变化。一次实验可以建立一组相对明确的“扰动—结果”关系,大量实验积累起来,逐步拼出细胞信号通路。但面对复杂的信号网络,实验能够覆盖的关系仍然有限,许多交互作用和动态变化留在观测之外。

虚拟细胞的“预测—解释—发现”框架示意图

图片来源:Noutahi, E. et al. Virtual Cells: Predict, Explain, Discover. arXiv:2505.14613 (2025).

虚拟细胞作为一种学习型模拟器,利用真实细胞在不同基因型、药物处理、基因编辑和环境条件下产生的数据,学习细胞状态怎样发生变化。模型建立后,研究者可以在计算机中进行大量“如果这样会怎样”的虚拟扰动,推测细胞可能产生的响应,以及信号网络中尚未被实验覆盖的交互关系和动态过程。

它对AI制药的意义,在于把模型与实验连接成一条闭环:真实细胞数据用于训练虚拟细胞,模型通过虚拟扰动推演细胞状态的变化,并以动态可视化的方式呈现预测结果;这些预测随后回到真实实验中验证,新的实验数据再继续修正模型。在这一循环中,扰动与结果之间的过程开始进入可计算、可验证的动态可视化框架。

就如前文所说,时间关系的研究对于人类来说一直是短板。虚拟细胞尝试的正是补上这块短板,这也是它在行业里备受关注的一个重要原因。

峰瑞被投企业百曜科技的核心创始团队较早沿着这条路径展开探索。自2023年起,团队便持续投入相关研究,是国内较早开展 AIVC 技术探索的团队之一。在此基础上,百曜科技成立后推出虚拟细胞基础模型 CellOS。

CellOS 基于 3.905 亿个人类单细胞转录组数据训练,参数规模达 120 亿,独创性地采用 LLM-JEPA 架构。模型从基因表达与细胞状态两个视角学习生命系统的稳定表征,用于理解细胞状态,并预测基因编辑、药物作用和环境变化等扰动下的响应。百曜致力于搭建全栈 AIVC 平台 ,使原本依赖大量试错的研究过程逐步转向“AI模拟—实验协同驱动”的范式跃迁:研究者可先在虚拟环境中开展大规模模拟,比较不同干预可能引发的状态变化,再把高价值候选交给真实实验检验;实验结果反馈模型,形成“模拟—预测—验证—学习”的闭环。

虚拟细胞所解决的,本质上是一个时空动态的可视化问题。从扰动数据出发,对未被实验覆盖的细胞响应提出预测,并为潜在的调控关系提供线索。随着模型与实验反复校正,分散的观测结果才可能逐步连接成更加完整的细胞信号网络。

虚拟细胞展示了状态推演的基本路径。到了分子胶,问题进一步推进:一个原本难以形成的蛋白质界面,怎样在小分子的参与下出现,并维持到足以触发泛素化和蛋白降解。动态关系由此直接成为药物设计的对象。

在靶向蛋白降解领域,PROTAC(蛋白水解靶向嵌合体)利用一个双功能分子,一端结合目标蛋白,另一端结合E3泛素连接酶,再通过连接臂将两者拉到一起。若形成的复合物能够支持有效泛素化,目标蛋白可被加上泛素标签,并由蛋白酶体降解。这样的设计路径相对清楚,但分子通常较大,成药性会面临挑战。

分子胶则不依靠这样的连接臂,而是通过小分子促成目标蛋白与E3连接酶的结合。以CRBN相关分子胶为例,CRBN是E3连接酶复合体中负责识别底物的受体。小分子、CRBN与目标蛋白形成的三元复合物,可进一步促进目标蛋白的泛素化和降解。

难点集中在三元复合物的形成过程:小分子怎样形成新的识别界面,哪些蛋白质能够与之匹配,三者怎样形成稳定结构,仅凭结合前后的结果很难判断。

随着结构生物学、蛋白质组学和化学筛选积累更多数据,AI开始有机会连接这些分散的观测结果:从蛋白质结构中寻找可能被招募的新底物,预测潜在的相互作用,再交给实验验证。

Monte Rosa Therapeutics的QuEEN平台(Quantitative and Engineered Elimination of Neosubstrates),代表了当前阶段的一种尝试。它将人工智能、化学库、结构生物学和蛋白质组学结合起来,提高新底物的发现效率,推动分子胶研发形成“建模—筛选—验证—优化”的过程。

我们判断,分子胶研发下一步会继续走向动态可视化。

模型需要进一步描述小分子结合后界面如何变化,目标蛋白怎样靠近,三元复合物如何形成并保持稳定。当这段过程能够被重建、预测和验证,分子胶的理性设计才会获得更完整的基础。

环肽有模型将不同环境中的构象系综纳入渗透性预测;虚拟细胞正在利用扰动数据预测未被观测的细胞响应;分子胶对三元复合物形成过程的动态建模,仍指向下一步的发展方向。三个案例共同表明AI制药开始走向动态可视化。

回到早期投资视角,动态可视化的发展是一个关键路径,峰瑞将持续关注AI原生制药领域正在出现的机会,尤其关注那些能够利用AI的干湿闭环实验平台,解决传统方法无法解决的不可成药或难以成药的问题。

从依赖经验用药,到借助AlphaFold预测蛋白质结构,人类对生命系统的认识不断深入。如今,看见+AI的这对新组合,将再一次拓展人类理解生命的能力边界。

反复验证让预测沉淀为知识,而新的问题和干预路径,往往来自研究者对复杂关系的直觉。庞加莱曾说:“我们靠逻辑来证明,但要靠直觉来发明。”

直觉并不是逻辑的反面。很多时候,它来自对结构的长期观察和压缩。当AI能够把不可见的中间态转化为可被观察、质疑和验证的动态模型,研究者的直觉也会获得新的材料。

图片

图片

跳转微信打开

AI专栏 | AI写代码加速后,如何保障高质量交付?拆解携程 DevMaster 的企业级研发实践

2026年10月19日 17:00

原创 市场 2026-10-19 17:00 上海

一套连接需求分析、项目拆分、规格驱动开发和测试反馈的研发方法与工程体系

  作者简介

Minglei Jia,携程前端开发专家,持续探索 AI Agent 驱动的研发体系重塑与工程效能提升;

Zhaosheng Wei,携程资深后端开发工程师,关注AI Agent构建与应用落地;

Gang Dong,携程资深后端开发工程师,关注后端工程化与AI Agent实践;

Joan Zhou,资深后端开发工程师,专注探索大模型在测试领域的落地应用。

导读:AI 编程工具正在快速改变软件开发方式。代码生成变得更快,开发者可以用自然语言完成页面搭建、接口实现和测试补充。但在企业研发中,代码写得快并不等于需求交付得快。需求是否清楚、多个项目如何协作、生成结果如何验证、测试问题如何回到开发环节,仍然决定着最终的交付质量。

过去一段时间,我们围绕这些问题建设了 DevMaster。它并不是一个单独的代码生成工具,而是一套连接需求分析、项目拆分、规格驱动开发和测试反馈的研发方法与工程体系。本文介绍我们为什么要建设这套体系、如何设计关键环节,以及实践中得到的经验。

一、AI 范式下的需求交付问题

二、自然语言需求的结构化与标准化

三、完整需求的应用级拆分

四、Harness驱动的SDD开发与质量保障

五、TestPilot:测试用例的生成与管理

六、工作方式的变化与结语

一、AI 范式下的需求交付问题

早期使用 AI 编程工具时,我们最关注的是生成速度和代码可用率。随着使用范围扩大,我们发现,影响交付结果的主要因素往往发生在代码生成之前和之后。

1.1 需求信息不适合直接交给 AI

真实需求通常分散在产品文档、原型、会议纪要和即时沟通中,容易出现信息不一致、边界缺失和版本不同步。开发者可以通过沟通补齐上下文,但 AI 只能依据当前输入判断;一旦信息不完整或变化未同步,生成结果就可能偏离目标并扩大返工。

1.2 一个需求通常涉及多个项目

中大型需求通常涉及前端、多个服务端应用和测试团队,需要共同确认接口、数据流、异常处理与验收标准。应用拆分依赖资深工程师对系统结构和隐性约定的理解,这类经验难以稳定复用,项目越复杂,遗漏和误解越容易发生。

1.3 AI 能写代码,不等于代码能够进入生产

生成可运行代码并不难,但生产级代码还必须符合团队规范和技术设计,覆盖需求场景,并通过编译、构建和测试验证。因此,需要将这些要求转化为生成前约束和生成后检查,关键结论仍由人确认。

1.4 前端、服务端与测试之间信息割裂

前端、服务端和测试往往分别理解需求,信息沉淀在各自的文档、沟通和经验中。差异通常到联调或测试阶段才暴露,表现为接口字段、状态流转或异常场景不一致,因此三方需要基于共享规格协作。

1.5 小结:从单点工具转向完整交付链路

DevMaster 的核心思路是以结构化规格为纽带,让同一份需求信息在分析、设计、开发和测试之间持续流动。整个链路可以概括为四个阶段:需求结构化、应用级拆分、规格驱动开发和测试反馈。

核心产物关系:原始需求经过结构化形成 TRD(跨应用的技术需求规格);TRD 按应用边界拆分为 ATRD(单应用技术需求规格);ATRD 进一步生成设计、任务和增量 Spec,最终约束代码实现与测试验证。

这套设计遵循三个原则。

  • 规格是共同依据。产品、开发和测试使用同一组结构化信息,减少各自重新解释需求带来的偏差。

  • 关键节点由人确认。AI 负责提取、分析和生成,人负责确认需求边界、技术决策和验收结果。

  • 过程可以度量。系统记录规格覆盖、代码匹配、测试覆盖和修复过程,用数据发现问题,而不是只凭主观感受判断效果。

二、自然语言需求的结构化与标准化

2.1 自然语言需求为什么不能直接进入 AI 开发

原始需求往往来自文档、原型与沟通记录,信息缺失或版本不一致会使 AI 偏离真实目标;需求变化也难以及时传递到设计、代码和测试。因此,在进入开发前,需要先将自然语言需求转化为结构稳定、可追踪、可增量更新的规格。

2.2 结构化需求的设计目标

为解决这些问题,我们设计了技术需求文档 TRD(Technical Requirement Document)。它不是对产品文档的简单改写,而是将分散信息整理为可以被人和 AI 共同使用的规格。设计时重点关注四个目标:

  • 结构统一:用稳定格式描述触发条件、参与者、业务行为、异常分支和预期结果。

  • 来源可追溯:每条规则都能回到原始需求或经过确认的澄清记录。

  • 变化可管理:保留需求版本和差异,识别变化对规格及下游产物的影响。

  • 结论可审核:AI 负责提取、整理和提出问题,业务决定仍由产品、开发和测试负责人确认。

2.3 核心设计

整个过程可以概括为四步:聚合需求上下文、生成结构化规则、完成歧义澄清、根据需求变化持续更新。四个步骤共享同一份来源和版本信息,避免每个环节重新解释需求。

2.3.1 聚合多来源上下文

系统首先汇总产品文档、评审记录、业务知识和历史澄清结果,并保留每段信息的来源。不同来源发生冲突时,优先采用当前需求中经过确认的结论,其次是本项目的有效规则,历史经验只作为参考。无法确定的信息不会被自动补全,而是进入待澄清列表。

经过人工确认的通用知识和澄清经验可以沉淀到知识库中,在后续需求中复用。知识条目同时保留适用范围和来源,避免历史结论脱离场景后被直接套用。

2.3.2 用 EARS 表达可验证的需求规则

结构化规则采用 EARS(Easy Approach to Requirements Syntax)的基本思想,将自然语言拆分为条件、动作和结果。例如:“当用户满足指定条件并提交申请时,系统应完成校验并返回处理结果;如果校验失败,则保持原状态并说明原因。”

这种表达方式不要求删除所有自然语言,而是把最容易产生分歧的条件、边界和结果显式写出。统一结构既方便开发者阅读,也便于后续生成设计、代码和测试用例,并支持逐条检查需求是否得到实现。

2.3.3 通过人机协同完成需求澄清

系统根据缺失条件、规则冲突和边界不完整等情况生成澄清问题,同时给出问题来源、生成原因和可能影响。对于能够从会议记录、业务知识或历史结论中找到的信息,系统提供候选答案;负责人确认后,答案才会进入正式规格。

这一机制的重点不是让 AI 代替需求评审,而是把分散、重复的检查转成清晰的问题列表。人工主要判断业务规则和例外情况,系统负责整理证据、记录结论并将有效经验沉淀为后续可复用的澄清标准。

2.3.4 检测需求变化并增量更新

需求重新导入后,系统比较新旧版本,定位新增、删除和修改的内容,并判断哪些结构化规则受到影响。对于未变化且已经确认的内容,系统继续保留;对于变化部分,重新生成澄清问题并提示负责人审核。

增量更新避免了每次变更都重新生成整份文档,也保留了需求、澄清记录和 TRD 之间的版本关系。下游系统可以据此判断设计、代码和测试是否需要重新检查。

2.4 实践效果与局限

目前,该方法已覆盖百余个需求,并沉淀数百条经人工审核的澄清标准。实践表明,结构化需求能提升澄清完整性,并为代码和测试用例生成提供更稳定的输入;但其效果仍受原始材料、知识库时效和人工审核质量影响,复杂业务与高风险边界仍需负责人确认。

三、完整需求的应用级拆分

3.1 架构师视角的需求拆分

上一章解决了需求如何被完整、准确地表达,但结构化需求仍不能直接转化为代码任务。进入开发阶段后,还需要完成一次关键的技术拆分:把业务需求映射到具体应用,明确每个应用的职责和协作边界。

业务边界明确,不等于应用边界明确

在现有研发流程中,业务澄清、PRD 输出和优先级确认通常在开发前完成。此时明确的主要是业务目标与需求范围,但研发团队仍需要结合实际系统结构,判断这次需求会影响哪些应用。

开发真正需要回答的是:

  • 需求涉及哪些应用?

  • 每个应用分别需要完成什么改动?

  • 前后端及上下游之间存在哪些依赖?

  • 跨应用、跨团队的协作契约如何确定?

这些判断本质上是架构师的结构性决策

应用边界不能只根据 PRD 中的功能描述推断,还需要同时理解现有代码组织、服务依赖、数据流路径和历史技术约束。只有把需求信息与项目结构放在一起分析,才能形成可执行的应用拆分方案。

依赖个人经验的方式难以规模化

随着项目数量、调用链路和协作团队增加,建立上述认知的成本会快速上升。相关知识往往分散在代码、文档和个人经验中;一旦人员变化,新的负责人就需要重新理解系统,拆分效率和准确性都难以稳定。

DevMaster 的目标,是填补“需求到应用边界”的认知鸿沟

DevMaster 通过持续建立项目结构认知,结合代码关系、服务依赖和历史数据流,辅助工程师识别受影响的应用,明确各应用的职责、改动范围与交互契约。完成边界划分后,系统会为每个应用分别生成需求概要设计(ATRD),作为后续 SDD 编码的输入。

下一节将具体说明,每个应用最终会拿到什么样的交付物。

3.2 用户最终拿到的是什么?

完成应用边界划分后,DevMaster 会面向每个涉及的应用分别生成一份需求概要设计(ATRD),作为后续 SDD 编码的输入。

需求概要设计不是需求文档的复述,也不是代码注释的堆砌。它从单个应用的视角重新组织需求,把全局方案转换成该应用可以直接执行的工程输入。

一份完整的应用级需求概要设计,重点回答四个问题:

  • 背景——为什么要改?说明应用参与本次需求的原因、在整体方案中的角色,以及与上下游的关系。

  • 协作触点——和谁协作?明确对外接口、上游依赖、异步消息和数据共享边界,形成前后端及上下游共同遵守的交互契约。

  • 改动范围——具体改什么?明确需要新增的能力、调整的逻辑和废弃的路径,让 AI 编码知道从哪里入手,也让 Code Review 知道应重点关注哪些模块。

  • 验收标准——怎样算完成?用“给定输入—执行路径—预期输出”描述可验证结果,使其能够继续转化为测试用例和接口自动化测试的输入。

    这份产物的核心价值,是让每个应用独立推进,而不是重复对齐。

    每个应用拿到自己的 ATRD 后,就能明确职责边界、协作契约、改动范围和验收标准,并据此独立进入 AI 辅助编码流程。跨团队协作也从反复开会确认,转变为基于明确契约并行推进。

    这些应用级需求概要设计并非依靠静态模板直接生成,而是在项目探索过程中,通过架构地图、代码检索和交互澄清逐步形成。下一节将说明一次完整探索的具体流程。

    3.3 一次完整探索的流程

    从输入一个需求,到拿到分应用概要设计,大概经历这几步:   

    1)选择需求、技术栈、相关仓库启动探索。

    2)召回或者建立架构地图,追踪数据流,找到相关代码逻辑。

    3)选择题式互动澄清,帮你最大程度的“偷懒”。

    4)方案 Review,确认应用边界划分、协作契约、改动范围是否准确。

    5)确认并交付下游。

    3.4 团队记忆与自进化

    理念

    让每次探索产生的认知,沉淀为团队可复用的资产

    两层沉淀

    • 项目级记忆:每次探索结束后,AI 把关键认知写回知识库——模块边界、数据流路径、踩过的理解误区。下次同项目探索时自动注入,不从零开始。

    • 团队级知识:跨需求、跨项目积累的经验形成团队级知识——某类需求的影响范围规律、中间件使用约定、历史反复出现的理解偏差。这些不再是个人的隐性知识,而是每次探索时 AI 都会读取的"集体经验"。

    三个反哺方向

    • 探索更准:带着已有认知进入,直接在已知骨架上定位变化点,更快速准确。

    • 设计更可靠:历史同类需求的结论作参照,减少重复犯同样的判断错误。

    • 编码少返工:团队沉淀的约束和规范,避免后续再次违反"不成文规定"。

    3.5 总结

    需求理解不是 AI 编程的准备工作,它本身就是 AI 编程最难的那一步,分应用级需求的拆解和概要设计,是本阶段的核心产物,它是后续每一行 AI 生成代码的出发点,也是让 AI 编码从"写出来"到"写对了"的前提。

    四、Harness 驱动的 SDD 开发与质量保障

    Spec 能够说明要实现什么,但不能保证开发过程始终遵守规格。要让 SDD 从个人使用方式变成工程体系,还需要解决三个问题:Spec 如何生成,开发时如何执行,需求变化后如何持续维护。

    为此,我们在 SDD 工作流中引入 Harness,并通过桌面应用 CodingMaster App 承载这套改造后的工作流。Harness 不负责替代 AI 编码,而是通过约束和检测,让规格真正参与设计、实现、验证和归档;CodingMaster App 则让开发者不需要直接面对命令行,就能使用这套能力。

    4.1 整体方案

    整体方案可以归纳为四部分:

    • 方案来源:参考 OpenSpec 的开源规范管理方案,沿用 Proposal—Apply—Archive 的增量变更思路。

    • 流程改造:增加 Init 项目初始化,重构 design、task 和 spec 模板,并补充任务依赖与并行管理。

    • 质量增强:加入 Validate、Lint / Build、Verify、Coverage 等质量门禁,以及经验沉淀和持续偏离检测。

    • 系统分工:DevMaster 管理需求和项目资产,CodingMaster App 承载改造后的 SDD 流程,Harness 负责约束与检测。

    OpenSpec 提供规范管理基础,Harness 和相关工程能力是结合团队研发要求完成的扩展。

    图:DevMaster、CodingMaster 与 Harness 的整体关系

    4.2 Harness 如何约束和检测开发过程

    改造后的 SDD 工作流仍按 Init、Proposal、Apply、Archive 四个阶段推进,但每个阶段都增加了明确的约束和检测,避免只管理流程、不控制产出质量。

    4.2.1 Init:建立可信的项目基线

    约束:

    • 用结构化项目描述记录目标、技术栈、编码与架构规范、测试方式、业务领域和外部依赖。

    • 基线 Spec 统一格式,用 Requirement、Scenario 和 SHALL / MUST 表达需求与场景,不接受无法解析的自由描述。

    检测:

    • 扫描现有代码,生成基线Spec

    • 检查格式能否被正确识别。

    • 逐项核对 Spec 是否准确覆盖已有代码行为。

    产出:结构化项目说明和可机器解析的基线 Spec,为后续增量变更提供起点。

    4.2.2 Proposal:形成可执行的设计与任务

    约束:

    • 前后端分离的 design 模板,要求明确数据流、接口、异常处理、变更文件和依赖。

    • tasks 改为结构化元数据,包含唯一编号、状态、Do / Don’t、完成标准、修改文件和前置依赖。

    • 契约类前置变更单独拆入 pre_tasks;Spec 增量严格使用 Delta 格式。

    检测:

    • 检查任务依赖是否存在环或悬空引用。

    • 检查同一并行批次中的修改文件是否冲突。

    • Proposal 完成后执行严格校验,检查 Delta 格式、Scenario、Requirement 重名以及跨区冲突。

    产出:设计文档、结构化任务计划和 Spec 增量;只有依赖已满足且修改文件不冲突的任务才允许并行。

    4.2.3 Apply:在编码过程中执行质量门禁

    约束:

    • 编码前读取历史踩坑经验,避免重复历史错误。

    • 按照 tasks 中的依赖顺序和文件范围执行。

    • 加载项目 Skill 中的代码风格、命名和异常处理规则。

    检测:

    • 编码会话结束时在Stop Hook中自动触发:前端执行格式和静态规则检查,服务端按项目条件增加编译构建。

    • 必要时执行基于 Skill 规则的代码审查。

    • 实现完成后检查需求场景是否得到实现、代码是否偏离 Spec,以及是否存在无关变更。

    产出:通过基础工程检查和 Spec 一致性检查的代码,以及对应的验证报告;检查失败会返回当前任务修复,不能直接进入归档。

    4.2.4 Archive:完成归档、覆盖率和经验闭环

    约束:

    • 归档前必须先通过实现验证和测试覆盖检查,确认后的 Delta 才能合并回主 Spec。

    • 提交前再次检查归档是否完成,确保先归档、再提交。

    检测:

    • 测试场景分为 PASS、WARN、FAIL,判断是否存在明确实现证据。

    • 从开发对话中提取并过滤有价值的踩坑经验。

    • 记录代码变化、场景匹配、测试覆盖和变更追溯等过程指标。

    产出:更新后的主 Spec、验证报告、可复用的踩坑经验和过程度量;沉淀的经验会在下一轮 Apply 前重新加载,形成跨轮次闭环。

    图:Harness 在 Init、Proposal、Apply、Archive 中的作用

    4.2.5 归档后的持续检测:巡检 Agent

    Archive 完成后,代码仍可能在后续迭代中被修改,导致已归档的 Spec 与实际代码再次产生偏离;这种偏离往往是渐进式的,人工定期核对成本高、频率低。因此,我们引入了持续运行的巡检 Agent,作为 Harness 在归档之后的延伸。

    约束:

    • 已归档的 Spec 不允许被静静修改:任何导致偏离的代码变更均需被发现。

    • 修复只能以 PR 形式提出,涉及 Spec 变化的 PR 必须经过 Code Review,不能全自动合入。

    检测:

    • 定期或在关键代码变更时自动比对 Spec 与代码。

    • 发现偏离后自动生成修复建议。

    • 持续上报偏离趋势数据。

    产出:Spec–Code 对齐从“一次性归档验收”升级为“持续保障”,偏离能在早期被发现和拦截。

    4.3 为什么需要 CodingMaster App

    痛点:

    • 早期 SDD 工作流主要通过 CLI 交付,开发者需要记住初始化、提案、实现、验证和归档等命令。

    • 还需要理解目录结构和各阶段产物;流程本身能够运行,但学习成本影响了团队采用。

    定位:CodingMaster App 因此出现。它不是新的代码生成工具,而是 SDD 和 Harness 的图形化入口。

    三种模式:

    • Spec 模式:面向正式需求,完整走 SDD 流程。

    • 快速开发模式:面向小范围修改。

    • 对话模式:用于方案讨论和问题排查,不绑定 SDD 流程。

    Spec 模式如何使用:

    • 按步骤展示规格、设计、任务、代码差异和终端结果。

    • 开发者通过“下一步”推进流程,不需要记忆底层命令。

    • 关键产物仍需人工审核。

    图:CodingMaster App 的需求入口与过程预览

    4.4 检验与修复自循环:让测试问题回到原开发会话

    痛点:

    • 传统流程中,开发完成、提测、测试提 bug、开发定位、修复、通知验收,每个环节都靠人工衔接。

    • 信息在环节之间断裂,开发常常需要重新回忆需求当时是怎么实现的。

    方案:CodingMaster 与测试平台打通后,形成检验与修复的自循环:测试发现的问题自动关联到开发会话,自动发起修复,修复完成自动通知验收,循环直至用例全部通过。

    机制:

    • CodingMaster 保留需求对应的开发会话,包含 Spec、设计、任务、历史经验和代码变更。

    • 测试发现问题后携带需求信息,系统据此定位到原会话继续修复,避免重新解释需求和设计背景。

    • 相比冷启动只能看到问题描述和当前代码,复用原会话能看到完整的设计决策和已规避的踩坑,修复更贴合原有约束。

    闭环:修复完成后,结果再次进入测试验收;未通过则继续返回原会话,直到相关用例通过。这个闭环把 Harness 从代码检查延伸到测试结果验证。

    图:测试反馈与修复闭环

    4.5 效果与总结

    Harness 的价值不是生成更多代码,而是让规格得到执行、问题更早暴露、失败原因能够定位。CodingMaster App 则降低了这套流程的使用门槛。

    系统投入使用以来,已经完成了超过数百个需求,输出了数十万行代码,随着迭代深入,代码贡献率、SDD 新增行数呈稳步增长——团队对 AI 辅助开发的依赖度和信任度在持续上升。

    这些数据体现了三个方面:

    • 质量可保障:Harness 将检查前移,测试覆盖率由不足三成提升到接近七成。

    • 过程可度量:通过匹配度、覆盖率、迭代轮次和贡献率定位改进方向。

    • 结果可追溯:Spec 关联需求、代码和测试用例,巡检 Agent 持续发现偏离

    五、TestPilot:测试用例的生成与管理

    需求结构化之后,测试环节也需要同样的规范和自动化程度。长期以来,测试用例主要依赖人工编写和个人经验积累,格式不统一、检索效率低、新旧规则混杂,逐渐成为交付链路中最容易脱节的一环。

    5.1 测试环节面临的问题

    • 用例标准不统一:不同团队的用例格式、层级和写法差异较大,跨团队协作时需要反复对齐,历史用例难以直接复用。

    • 编写与执行分散:用例编写、任务分配、结果统计分散在多个工具中,环节多、易出错,进度和缺陷关联难以实时查看。

    • 业务知识依赖个人经验:历史逻辑和测试方法主要靠口头传承,新人上手成本高;原始需求文档非结构化、跨迭代分散,通用检索效率低。

    • 用例库随迭代膨胀:废弃用例和相互冲突的预期长期并存,同一测试点可能有多条矛盾用例,难以确定当前生效的规则。

    • 测试与开发脱节:双方主要靠人工沟通对齐,一旦需求或实现变更,另一方往往无法及时感知,同一问题需要反复确认。

    5.2 核心设计

    5.2.1 统一用例规范

    为解决格式不统一、难以复用的问题,规范体系覆盖五个维度:

    • 模板:前端和服务端使用不同的层级模板,明确各自需要填写的字段,也支持按业务线自定义。

    • 术语:统一维护页面和模块的名称与关系,避免同一功能在不同用例里叫法不一致。

    • 节点:用标准节点树约束用例的层级结构,并做必填项和格式校验,保证用例结构完整、可被机器解析。

    • 组件:把常见场景封装成可复用组件,例如多分支实验、多端一致性检查、执行结果标记等,编写时直接引用。

    • 标签:通过标签管理测试类型、优先级和自动化关联,方便筛选和统计。

    在统一规范之上,平台支持按模板逐层展开的手工编写方式,编写过程中可以直接引用标准术语和可复用组件,并实时校验结构完整性。除了手工编写,还提供三类辅助能力:

    • 历史用例搜索:用于新增功能场景,按需求、页面或测试点检索相似历史用例,减少重复编写。

    • 召回用例推荐:用于需求不变、技术方案调整的场景,按影响范围召回相关历史用例,快速组成回归集合。

    • AI 联想补全:输入部分用例内容后,自动联想并补全其余相关用例,提升编写效率和覆盖完整度。

    图:从需求到预期结果的结构化用例链路

    5.2.2 多来源 AI 生成用例

    规范建立后,系统支持从多种输入生成用例,覆盖不同研发阶段:

    • 从产品需求文档生成需求用例:适用于全部产线,输出结构化的需求覆盖用例。

    • 从前端技术需求生成前端用例:适用于已完成需求结构化的产线,输出结构化前端用例。

    • 从技术设计和接口约定生成服务端用例:适用于已完成结构化设计的产线,输出覆盖参数组合、边界和异常场景的用例。

    三类输入均经过解析清洗、需求点提取、历史用例对齐、用例生成和覆盖检查;结构化服务端场景还会增加质量门禁,在覆盖不足时自动修复,并支持多应用并发生成后汇总。

    5.2.3 任务管理与执行

    平台将用例组织为包含负责人和周期的执行任务,并支持任务创建、自动分配、进度统计和报告推送。

    5.2.4 有效用例治理

    有效用例树是当前版本下、覆盖全部功能的有效用例集合,用来回答“当前业务逻辑是什么”,而不是历史用例的简单汇总。它的目标是识别重复、冲突和过时的用例,收敛出统一口径,同时为用例生成和知识问答提供现行有效逻辑的对照基准。

    治理不是一次性动作,而是跨迭代比对、模型分析和人工确认相结合的持续过程:

    • 整合比对:以已确认有效的用例为基准,将新增用例按页面、模块和测试点分组,形成新旧用例的比对集合。

    • 模型分析:对每组用例判断关系——属于重复的保留较优版本,属于冲突的保留更合理的版本并说明理由。

    • 结果写回:为每条用例标记有效、已废弃或未扫描的状态,废弃用例指向被保留的有效用例。

    • 人工复核:测试人员对模型给出的结论做最终确认,可以调整保留、废弃或部分保留。

    判断重复和冲突时,主要依据文本相似度、逻辑矛盾、跨迭代重复和时间顺序,版本较新的结论通常优先保留。

    5.2.5 业务知识问答

    业务逻辑和历史决策容易分散在个人经验和零散文档中,通用问答工具面对非结构化、跨迭代的内容时,容易遗漏或给出不准确的答案,原因主要在于三点:原始文档结构松散、难以稳定提取;同一功能的信息横跨多个迭代和文档,检索时不集中;答案缺少明确出处,难以核实。相比之下,治理后的用例本身具备清晰的页面—模块—测试点结构,天然适合作为问答的知识底座,也能展示具体依据。

    早期问答主要依靠规则编排:先用固定规则识别意图,再执行一次检索并直接拼接结果,问法一旦变化就容易走错路径,答案也缺乏校验。现在的架构升级为模型自主规划检索路径:模型先理解问题、拆解成具体的检索计划,再按需调用不同的工具取数——统计类问题走统计工具,业务逻辑类问题走用例检索;取数完成后先进行结果校验,再以“思考—取数—结论”的方式流式呈现,使答案可以对应到具体用例,而不是一段无法核实的总结。

    图:问答 Agent 的思考过程示例

    图:问答结果可追溯到具体用例

    5.3 与开发侧的质量闭环

    测试用例治理和生成能力与开发侧质量闭环的衔接,见 4.4“检验与修复自循环”。

    5.4 实践效果与局限

    目前,这套方法已在数十条业务线落地,沉淀数万条测试用例,AI 生成占比超过一半。实践表明,基于结构化设计生成的用例,其准确率和覆盖率明显高于直接使用原始需求;业务问答升级为模型自主规划后,回答质量也有明显提升,有效用例治理已在部分产线灰度运行。

    体系效果仍依赖上游规格质量;用例冲突判断可能误判,高风险场景需要人工复核,业务问答也不能完全替代人工判断。

    六、工作方式的变化与结语

    6.1 引入系统后的工作方式变化

    过去,产品、开发和测试分别理解需求,质量检查集中在开发完成后,缺陷也依赖人工传递。DevMaster 以共享规格连接需求、设计、代码和测试,使工作方式发生以下变化:

    • 需求先结构化:产品需求经过澄清和人工确认,形成统一的验收规则。

    • 协作边界先对齐:完整需求拆分到相关应用,前端、服务端和测试共享接口约定与验收标准。

    • 规格驱动开发与测试:应用级规格继续生成设计、任务和测试用例,减少三方重复理解。

    • 质量检查前移:编码过程中持续检查团队规范、编译结果、设计一致性、需求覆盖和测试覆盖。

    • 问题回到原上下文:测试失败后,问题关联原需求、设计和开发记录,修复完成后重新验收。

    工作方式变化示意

    下面三幅图分别展示完整交付链路、系统整体关系以及引入系统后的研发流程。

    6.2 展望

    6.2.1 云端 SDD 开发流程落地

    未来将在云端完成代码生成、运行、调试和验证,减少本地环境准备,开发者主要负责关键方案与结果审批。

    6.2.2 自动化测试验证的接入

    未来将引入自动化测试工具完成业务功能验证,并接入开发闭环;未通过的用例自动触发修复和重新执行,人工介入高风险或结果存疑的场景。

    附录:

    术语表

    参考资料

    1. Alistair Mavin、Philip Wilkinson、Adrian Harwood、Mark Novak:《Easy Approach to Requirements Syntax (EARS)》,IEEE International. Requirements Engineering Conference,2009。DOI:10.1109/RE.2009.9

    2. Fission-AI:OpenSpec 项目。官方网站;GitHub 仓库.

    【推荐阅读】

     “携程技术”公众号

      分享,交流,成长

    跳转微信打开

    第106届ADC年度大奖征集启动|BranD Weekly

    2026年10月19日 16:02

    BranD的好奇心 2026-10-19 16:02 新加坡

    ISSUE 57

    第106届ADC年度大奖启动征集

    Via ins dixonbaxi

    10月13日,第106届ADC年度大奖正式启动2027年征集,本届征集将于2027年3月5日最终截止。该奖项创立于1920年,由The One Club for Creativity主办,是全球历史最悠久的创意奖项之一,涵盖设计、广告、影视、产品设计、游戏、AI、摄影、插画、建筑等领域。

    本届大奖以伦敦创意机构DixonBaxi策划的“探索未来”(In Search of What's Next)宣传活动拉开帷幕。视觉核心是ADC标志性的立方体——它在画面中延展、崩解并不断复制自身,色彩相互冲撞,字体风格在规整与不羁之间跳跃,呈现出一种躁动、富有弹性且充满生命力的视觉状态。DixonBaxi还与伦敦Zelig Sound合作,为宣传片定制了声音设计。

    第106届ADC年度大奖启动征集

    Via adcawards

    “立方体”形象一直是ADC“工艺与卓越”的象征,而这一届的宣传视觉让它以“延展、崩解、破裂”等动作演绎出一种“失控”的状态,用视觉语言来表达“标准本身也在被重新定义”。DixonBaxi创意总监Tassia Swulinska将创意的核心描述为:掌声到来之前的那些未成形的想法、意外的突破,以及不满足于既有答案的坚持。在当下AI让“产出”变得越来越容易时,ADC“拒绝安定”的视觉呈现表达了创意的价值在于过程而非结果,也诠释了奖项存在的理由。

    阿迪达斯“三条纹”图形商标

    Via Footy Headlines

    近日,阿迪达斯在美国、欧盟和英国提交了一款全新“三条纹”图形商标申请,注册类别为第25类鞋类产品。新图形由三条呈弧形上扬的线条组成。新设计保留了“三道”这一核心识别元素,但线条形态从平行直线改为顺滑上扬的弧线。目前尚无官方消息确认新图形是否会取代现有品牌标识,该设计主要聚焦于鞋类产品,有可能用于Predator 27等战靴系列。

    “三条纹”自1949年品牌创立初期便成为阿迪达斯的重要识别,此次将直线改为弧线,表面上只是形态微调,涉及品牌功能与识别的双重考量。与此同时,三条纹的商标保护在欧盟曾因“缺乏足够识别性”而面临挑战,新图形通过改变线条形态,在保留核心识别基因的同时,也有可能为商标注册提供更具区分度的视觉依据。

    100 Best Posters in Macao 2026:德语百佳海报展

    Via 小红书@澳門海報設計協會

    11月6日至12月6日,澳门海报设计协会将举办“100 Best Posters in Macao 2026——德语百佳海报展”,首次将来自德国、奥地利及瑞士德语地区的年度百佳海报完整带到澳门,展出最新一届100件获选作品。这项始于1966年的评选,在德语地区年度海报评选中具有代表性,每年从文化机构、艺术团体、剧场、博物馆及设计工作室的海报中选出100件代表作。

    “100 Best Posters”的评选是对过去一年德语地区公共文化生活的海报产出进行年度盘点,文化机构、剧场、博物馆的海报被纳入同一个评选框架,评价标准更接近于“这份海报是否捕捉到了某个当下时刻的文化气息”。历年作品逐年累积,最终形成一份不断生长的视觉文化记录,观众从中看到的不仅是设计风格的演变,也是不同时代的社会风貌与审美变迁,此次这份档案首次被带到澳门,展览本身也能成为一次跨地域的文化对照。

    第三届教科书设计奖

    Via schooltextbooks.design

    10月14日,第三届教科书设计奖在中国台北松山文创园区举行颁奖典礼并公布年度获奖名单。在概念设计类“封面设计组”中,翰林出版的自然科学课本《森之巨木》获得金奖。设计借鲁凯族对台湾杉“撞到月亮的树”作为切入点,将课本与习作在封面上拼接成一株向上生长的巨木形态,并以动植物贴纸延伸雾林带生态,习作封面运用感温油墨印刷,手温升高时树干图纹随之淡化,借助触觉感受来暗示气候变化的影响。

    自然科学课本《森之巨木》

    Via schooltextbooks.design

    教科书封面设计往往被视为“教材的包装”,而非“设计的对象”。《森之巨木》的设计没有停留在“把封面做得好看”的层面,而是将课本与习作拼合为一个完整的视觉结构,让“翻开课本”这个动作本身成为“进入森林”的体验,把“气候变迁”这个抽象议题转化为一个需要用手去感知的动作——以手的温度让树干纹理淡去,环境的变化因此变得可被身体感知。

    IP形象“小聚

    Via 广州聚龙湾

    9月底,广州聚龙湾太古里一期正式启幕,同步发布区域IP形象“小聚”。该形象以“榕仓水花”为核心视觉,将珠江水流的形态转化为圆润舒展的身体轮廓,榕树根须化作一体化臂耳,老仓库的窗洞则演变为面部特征。IP形象的设计将所在地的榕树、水流与仓储建筑元素逐一转译为角色特征,呈现聚龙湾的历史环境与岭南生活印象。

    IP形象“小聚”表情包&元素构成

    Via 广州聚龙湾

    “小聚”将“在地性”落实到角色的身体结构里,榕树根须成为臂耳,珠江水流的形态定义了身体轮廓,老仓库的窗洞变成了面部特征。这些元素在聚龙湾的物理空间中能找到对应的原型,观众在看到角色时也在无意识地接收“这里曾经是什么样子”的信息。对于一个以“非标商业”为定位的项目而言,IP形象承担的功能是将“榕、仓、水”这些抽象叙事转化为一个可以被记住和传播的视觉载体。

    乐高“开花展”

    Via 小红书@LEGO乐高

    国庆期间,乐高在上海西岸油罐艺术中心举办“开花展”。展览最核心的装置是“乐高花浪”——整组装置由超过38万朵积木花构成,颗粒逐一拼接后形成一道30米长、占地约800平方米的彩色波浪,从油罐中向外涌出。油罐内部被改造为沉浸式花艺空间,展出18件艺术家共创作品,将乐高花植与镜面、织物、金属、光影等材质融合,观众还可以亲手拼搭一朵乐高小花,扫描上传后汇入数字花海。展览持续至10月29日。

    乐高“开花展”

    Via 小红书@LEGO乐高

    积木是标准化的工业产品,每一朵花都由相同的颗粒拼合而成,但38万朵花汇聚在一起时,呈现出的却是高度有机的、仿佛自然生长的形态。展览地点粗粝的混凝土罐体与色彩明快的积木花海形成了强烈的材质反差,让“花浪”的视觉冲击力不仅来自规模,也来自两种物质逻辑之间的碰撞。

    卢日尼基体育场品牌标识

    Via Art. Lebedev Studio

    近日,由Art. Lebedev Studio和艺术总监Artemy Lebedev历时七个多月设计的卢日尼基体育场(Luzhniki)新品牌正式亮相。标识由一道弧线、一道直线与“卢日尼基”字标三个部分构成,设计团队将弧线对应动态与行进,呼应体育场看台、跑道和滑板坡道等场景;直线则对应静止与间歇,指向散步、停留等安静状态。弧形扩展为整套视觉识别的主要图形元素,弧线可以根据内容自由组合,框选或连接人物、运动、娱乐项目及不同场景。

    卢日尼基体育场品牌标识

    Via Art. Lebedev Studio

    卢日尼基始建于1955至1956年,曾是1980年莫斯科奥运会和2018年俄罗斯世界杯的主赛场。而卢日尼基新品牌的核心命题,是让一座“体育场”在视觉上同时容纳“运动”与“休息”两种状态。将弧形作为可延展的图形系统,则让这套识别在园区内的不同场馆、不同场景中保持了统一性。

    阿森纳足球俱乐部定制字体Rocastle

    Via ins soccerbible

    10月中旬,阿森纳足球俱乐部正式发布专属定制字体“Rocastle”,由设计师David Rudnick及其工作室Terrain合作完成,字体以传统哥特黑体为基础,字体名取自俱乐部已故球员大卫·罗卡斯尔。设计研究始于阿森纳长期积累的视觉档案——俱乐部历史徽章、哥特字体、纸质赛季门票和比赛节目单等,团队从这些材料中寻找能够代表阿森纳的独特字形特征。

    阿森纳足球俱乐部定制字体Rocastle

    Via ins soccerbible

    阿森纳用字体来承载文化表达,而哥特字体在欧洲印刷史中与“传统、权威、手工感”相关联,将其引入足球俱乐部的视觉系统,也更加明确了“把俱乐部当作文化机构来经营”的这一意图。而以Rocastle命名,也让字体超越了单纯的设计项目,成为连接球迷情感、俱乐部记忆与球员个人故事的载体。

    TOKYO ATLAS 展览视觉系统

    Via tokyoatlas_official

    10月10日,东京临海地区首个大型国际美术展“TOKYO ATLAS”开幕,展览以公园、建筑挑空、地下停车场等城市空间为舞台,草间弥生的巨型气球《ヤヨイちゃん》与日本首次公开的《宇宙へ行って見た愛の花束》在Telecom Center大厦中庭以组合形式呈现。展览视觉系统由设计师田中义久(Yoshihisa Tanaka)操刀,以东京湾岸地区各年代的土地用途数据为素材,将人与土地关系的变化过程整理为图表形式,并作为会场标识系统展开,标识的生成参数会随安装场地的面积进行调整。

    TOKYO ATLAS 

    Via tokyoatlas_official

    设计师将土地利用数据转化为一套可随场地变化的图表系统,让每个会场的标识在视觉上存在差异又共享同一套生成逻辑。当观众在不同场馆之间移动时,标识的变化本身就在提示“你所在的位置不同”,对于一场以城市空间为舞台、以“地図帳”(Atlas)为名的展览来说,这种“数据驱动、场地响应”的VI策略,让视觉识别本身成为了展览空间叙事的一部分。

    跳转微信打开

    我的干眼症终于缓解了~

    2026年10月19日 13:30

    原创 也谈钱 2026-10-19 13:30 德国

    这是我第四次写干眼症了,这些年一直在尝试各种方法,比如人工泪液、热敷、湿房镜等等。

    这次的发现,是目前为止改善最明显、日常最无感的,还不花钱 🎉 赶紧来和大伙分享。

    先说方法的局限。干眼症成因很多,长时间看屏幕、空调、作息不规律、激素变化,都可能是原因。我这次的方法只针对其中最普遍的一种:看屏幕时眨眼太少、眨眼不完全。如果干眼症来自别的原因,对应的方法也不一样,具体还是要以医生建议为准哈。

    ……

    我读到过一个统计数据:

    每天在电脑前工作 3 小时以上的人中,90% 有不同程度的眼部不适。

    而专门针对干眼的研究里,电脑使用者中大约六成有干眼。屏幕使用时间越来越长,是现在干眼症越来越普遍的原因之一。

    但严格来说,让眼睛变干的不是屏幕本身,而是我们看屏幕时的眨眼习惯。这里有两个问题。

    第一个是眨眼变少

    眼睛表面有一层很薄的泪膜,它一直在蒸发,靠眨眼一次次补水。但人专注时,眨眼频率会不自觉变少,泪膜还没补上,又被晾干了。大多数成年人平时每分钟大约眨 15~20 次,盯着手机、电脑屏幕时,可能会掉到 5 次左右。

    读到这你可能已经开始数自己的眨眼频率了 😜 别着急,后面有更准确的测量方法。

    第二个是眨眼不完全

    眨眼不光是补水,也在补油。

    眼皮里藏着一排睑板腺,开口在睫毛根后面。睑板腺里的油脂,靠每次眨眼、眼皮完全合拢时挤出。睁眼时,眼皮再把这些油脂抹开,在泪膜表面盖上一层油脂,降低泪膜蒸发。

    (图片截自 Dr. EyeGuy 的视频,动画来自 ScientificAnimations.com)

    看屏幕时,不光眨眼频率可能下降,也可能眨眼不完全。眼皮还没合拢就睁开了,油脂挤不出来。

    时间一长会形成恶性循环——眼表油脂不足,干眼。油脂分泌不出来,堵塞睑板腺,进一步减少油脂。

    上次聊干眼症也有读者提到过:

    我老婆也是干眼症,医生说是睑板腺堵塞,每次去医院通一下就能恢复一阵。

    眨眼不完全可能就是原因之一。

    我画了张示意图,分别说明这两个导致干眼症的原因 👇

    看屏幕时,经常一边眨眼减少,补水频率不够。一边眨眼不完全,补水质量不行。所以每天使用电子屏幕的时间才和干眼症高度相关。

    以上是我查资料后的理解转述,不是医学专业,说得不准确的地方欢迎指正。

    ……

    也说说我是怎么意识到自己眨眼频率低的,这个经历也很好玩。

    一次家族群连线聊天,聊着聊着我就走神了,然后不知道咋想的就点开了每个人的放大画面,他们眨眼一次我就跟着眨一次 🤣 

    一个个看过去,突然发现他们的眨眼频率都好高啊。而当我觉得每个人都眨眼太频繁的时候,应该就是我自己太少了。

    这是我第一次亲身体会到区别。

    如何改善

    但,想直接提升日常眨眼频率很难。经常注意一会儿,5 分钟后就忘了。

    所以没想到能直接提高眨眼频率、眨眼质量的方法前,我的思路都是曲线救国,比如上次给大伙推荐的湿房镜,还有几乎每个人都会买的人工泪液。

    这次我终于找到了正面解决的方法:一个管眨眼频率,一个管眨眼质量。

    提高眨眼频率:实时检测,立刻提醒

    居然早就有这类 App 了,我为什么才知道!

    我现在用的是一个免费软件叫 eyeBlink(blinkingmatters.com),Mac 和 Windows 都能用。它会在后台每 30s 用摄像头检测一次眨眼频率,如果发现眨眼频率偏低,就会跳出提醒。如果频率正常,也不会打扰。

    因为需要摄像头,我纠结了一秒钟隐私问题。但实在太想改善干眼症了,我也忍了。后来用流量监测 App 看了一下,发现 eyeBlink 不联网,这才放心不少。

    实测效果超好。我真的稍微专注就会不自觉减少眨眼,然后就会被 App 提醒。

    一点点真把习惯改过来了(有点像刻意练习 🤔)。

    我最规律的专注场景是写文章,以前不带湿房镜经常一篇文章写完眼睛干得不行。现在写文章哪怕不特别注意也能做到经常眨眼了,被提示的次数越来越少。眨眼频率差不多在 20-30 次/分钟 👇 

    提高眨眼质量:重新学眨眼

    这部分来自一位专讲干眼症的眼科医生博主 Dr. EyeGuy。这期视频开头就说:你们可能觉得这期内容很蠢,因为我要教你们怎么眨眼 😂

    方法其实很简单,他教了两种:

    1. 闭上眼,数两秒,再睁开,重复 5 次。重点是上下眼皮真正碰到一起。

    2. 闭上眼后,再用力一点“挤”两秒,再轻轻睁开,也重复 5 次。

    可以放在日常休息的时候做。上面提到的 eyeBlink 也会每 10 分钟建议一次休息,此时也可以做这个练习~

    其实动作本身没什么技术含量,关键是形成「完全眨眼」这个意识。平时经常练习就好,不需要日常都这么眨眼哈,长期就能减少眨眼不完全的情况。

    提醒:用力眨眼时眼压会短暂升高,普通人日常练习没问题,但有青光眼、或者刚做完眼部手术的朋友,先问问医生再练。

    我的感受

    注意眨眼习惯后我就不再用湿房镜了。虽然它效果很好,但湿房镜长期戴还是有点重,戴完脸上的压痕几个小时都不会消。

    现在有办法直接改善眨眼习惯,正面解决问题效果最好。

    用完手机、电脑,眼睛的干涩感少了,眼白的红血丝也少了很多。从开始注意眨眼习惯,差不多一两天就有明显效果。

    我再观察一段时间,可能后面人工泪液的频率也能降一降。目前还是一天 4 次。

    开头跟大伙说了,干眼症的原因有很多,使用屏幕时眨眼频率降低是其中很常见的一种。大伙如果有这方面的困扰,可以找类似 App 实际测一下,尤其是专注时每分钟眨几次。

    如果确实偏少,那眨眼习惯可能也是你干眼症的原因之一,不妨试试上面的方法。

    但如果眨眼频率已经足够了,症状依然明显,那就要考虑其他原因了。最好去看眼科医生。

    以上是我的个人经验哈,分享出来谨供大家参考。希望对大家有帮助~

    跳转微信打开

    Lovart 2.0 保姆级攻略,个人设计Agent Arti太棒了!

    2026年10月19日 10:30

    原创 阿真 2026-10-19 10:30 广东

    个人设计Agent Arti来了。

    嗨大家好!我是阿真!

    十月真是不适合工作的一个月,放假回来总觉得工作手感还没回来,不过最近尝试了一下新版的 Lovart,突然觉得又有使不完的牛劲了,遇到有意思的工具总是让人开心的。

    Lovart 又搞出新东西了。10 月 19 日,Lovart 2.0 中文版正式发布,全新上线个人设计 Agent Arti。

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/lovart-launch-event-01.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/lovart-launch-event-02.png

    国内用户可以直接访问:lovart 点 art

    记住我的审美

    先看记忆。点击侧边栏【Arti】进去,点【通过对话修改记忆】,随时都能修改和补充。也可以直接导入我自己的作品集文档给它。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-06.png

    这里我直接导入作品集。导入以后就可以直接看到它自动提取并总结了我在各个方向的审美偏好,非常高效方便。 后续做了更多的项目和设计物料,它还可以持续更新我的协作方式和审美偏好等等。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-07-static.png

    既然它已经了解了我的一些习惯,这里就不多说,直接让它去做一张我的卡通 IP 抱住 Lovart 的 logo 的海报。

    类似这样的任务,我没有提供 Lovart 的 logo,它会联网去搜索并给到我图片结果。这里我直接选择,它就可以将图片放进对话框。我发送了 logo,它就可以直接使用。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-08.png

    Logo 给到以后,它会自己跳出提问卡片进行智能提问。比如这里我没有说明卡片的比例,它就会询问。

    同时,它还会询问是否按照我的默认习惯一次给三个方向。这个默认习惯是在我之前其他任务的对话中形成的,它已经有了这样的记忆,就不需要我每次都去强调让它一次出三个方案了。 👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-09.png

    输出的三个方案分为了深色版、浅色版和自由发挥版。

    角色保持了一致性,LOGO 也没有错误,基本没有任何设计要求的情况下,也已经比较符合我的个人喜好了。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-10.png

    画布巡检与在线审稿

    接着尝试复杂一些的任务。

    我的计划是先做一套简单的 3D 科技图标,然后把它沿用到海报、官网、APP 等设计里。

    我首先让它帮我做设计调研,找一些参考和灵感,并且告诉它我想要的方向。

    它把找参考的方向分成了玻璃质感、磨砂亚克力、图标等实际应用场景,以及一个相近的幻彩玻璃方向。这一步可以通过对比不同材质和应用方式的区别,决定往哪个方向继续。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-11.png
    ≡

    提示词

    none

    我想做一套3D科技图标,用到海报、官网、App设计里。目前没有参考图,先帮我搜集参考和灵感。
    方向:蓝白配色、半透明玻璃或亚克力质感、少量金色点缀,图标通透精致、有立体感、整套风格统一。也找几个相近但特点不同的案例供我对比。

    基于它给我的参考图,我选择了两张参考图,然后让它为我制作 9 个我想要的图标,并且给我独立的透明背景图。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-12.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-13.png

    这时候,对话框旁边的像素小图标提醒我,它发现会员权益的图标出现了文字标签,于是向我确认是否需要解决。

    这就是个人设计 Agent Arti 的另一项功能,主动式设计里的画布巡检。它会在我们的长对话和多轮修改中,从后台核查画面和需求,确认是否出现了细节问题。 如果发现问题,它就会发出提醒,而且点击按钮就可以一键解决。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-14.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-15.png

    九宫格的效果没问题后,那接下来我就可以继续推进,让它以这个九宫格的效果作为基础元素,生成其他的物料。

    会员中心页面方案👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-16.png
    ≡

    滑动查看完整提示词

    none

    [@image:#1:蓝白金玻璃3D科技图标整套预览.png]用这套3D科技图标设计390px宽手机App「会员中心」页面,出3个方案,直接输出页面UI图。
    整体蓝白配色加少量金色,干净、轻盈、有品质感。
    顶部状态栏、返回按钮和「会员中心」标题。
    会员banner用柔和蓝色渐变并留白,左侧「VIP会员」「解锁高效工作新体验」,右侧只放一个「会员权益」3D礼盒图标,作为全页唯一大图标。
    下方「专属权益」用宽松两列布局放四项:「云端空间」「高速下载」「专业报表」「安全保护」,每项小图标+标题+一句简短说明,小图标沿用原套对应图标,尺寸明显小于banner主图,置于文字旁,卡片底色和边框淡。
    底部简约套餐卡:「年度会员」「¥198/年」「畅享全部会员权益」,配蓝色「立即开通」按钮。
    大图标与小图标层级分明,模块之间留白充足,与前面海报、官网的图标风格一致。

    产品介绍 PPT👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-17.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-18.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-19.png
    ≡

    提示词

    none

    [@image:#1:蓝白金玻璃3D科技图标整套预览.png]用这套3D图标设计三页产品介绍PPT:封面、核心功能、产品价值。
    产品叫「云端Cloud」,封面标题「让数据连接更多可能」。核心功能围绕云端存储、极速传输、智能分析、安全保护;产品价值讲提升效率、简化管理、支持业务增长,具体文案你补充。
    蓝白配色、通透玻璃质感、少量金色点缀,排版清爽,三页统一设计语言又各有变化。
    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-20.png
    ≡

    滑动查看完整提示词

    none

    [@image:#1:蓝白金玻璃3D科技图标整套预览.png]用这套3D图标做「云端体验官招募」活动海报,9:16,一次给3个方案:①浅色:蓝白通透、轻盈留白;②深色:深蓝背景突出玻璃光泽与科技感;③自由发挥:结合前面调研的灵感,活动氛围和视觉吸引力更强。三案都延续玻璃质感和少量金色点缀,在构图、排版、图标组合上明显区分。
    海报文案:主标题「云端体验官招募」;
    副标题「一起解锁更轻松的云端工作方式」;
    介绍「文件随时存,资料轻松传,邀请你抢先体验一站式云端服务。」;
    活动亮点「云端存储·高速传输·智能管理·安全守护」;
    招募对象「创作者、自由职业者,以及每天和文件打交道的你」;
    行动文案「扫码报名,成为云端体验官」。
    留出报名二维码位置。

    制作云服务官网首页方案👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-21.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-22.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-23.png
    ≡

    提示词

    none

    [@image:#1:蓝白金玻璃3D科技图标整套预览]用这套3D图标设计云服务官网首页,品牌名「云端Cloud」,出3个方案。
    主标题「让每一份数据都有安全的归宿」。内容围绕云端存储、极速传输、智能分析、安全保护四个核心功能展开,配「免费试用」「了解产品」两个入口按钮。
    蓝白配色,通透科技感,页面清爽、留白舒服,参考前面调研的灵感自由安排图标与文字,呈现一个完整的产品官网。

    右上角可以分享链接给到其他人。被分享的人可以直接在画布的这些作品上面进行评论(需要打开评论权限)。

    另外,个人设计 Agent Arti 可以总结单条或多条评论,提出优化的提案,并一键执行。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-24.png

    审稿人收到以后,提出了评论,画布对话栏这个小气泡就会出现新评论的提醒。

    点击查看评论,就可以把评论添加到对话里一起处理,按评论输出新的图片。也可以在右边一次性总结全部评论,一次解决掉。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-25.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-26.png

    按照要求调整后的效果👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-27.png

    灵感采集与素材参考

    Lovart 有一块我非常喜欢,它在对话的侧边栏旁边新加了一个栏目。

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-28.png

    这个栏目里面会收集到我们可能用到的所有素材,包括从小红书、亚马逊、淘宝收集来的灵感采集,还有 Pinterest 的画板和收集的图片,连接后全都可以快速访问,引用之后,就可以直接出现在对话栏,用作参考。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-29.png

    👆上面【参考】这一栏,可以直接选择上传文件、粘贴链接或者选择素材,后续要找到参考图就非常方便。

    【我的素材】这一部分会有品牌套件。比如说我们设置了自己合作的公司的品牌信息,以后就可以点击这个,直接调用它的所有视觉素材。

    还有,像个人的 IP 可以放在角色里,产品可以直接放到产品中进行创建,下次调用都是一键完成。 这里【自定义】的部分可以同步包括图片、视频、音频、字体、颜色等等要求。

    【灵感采集】可以连接我们的小红书、亚马逊以及淘宝账号。看到好的图片,直接点击采集,图片就会同步到这个灵感采集栏。我现在这里展示的图就是从小红书采集的。

    【Pinterest】我经常参考的图片大部分都在我的 Pinterest 账号上面。这里我的画板就全部同步过来了,要查找或调用图片就会非常容易。同时点击图片,图片就会出现在左边的对话中,可以用于图片参考。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-30.png

    这一步类似找了一些情绪板素材用于设计参考。

    操作方式如下,在素材库点击自己的角色图,选择需要的参考图,说清楚自己的需求,发送任务。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-31-static.png

    这里我分享的原海报仅供学习交流,大家制作的时候还是要多次尝试,加入自己的想法和创意哈。

    最近我沉迷复古海报,在尝试类似的风格。下面是一些原图与生成图的效果对比👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-32.png
    ≡

    滑动查看完整提示词

    none

    直接参考图1原始海报,重新设计生成一张竖版2:3「向山野出发」海报。图2仅为唯一IP角色设定。
    绘画语言:1920年代旅行石版画,概括山色、层次清楚、平面笔触、旧纸纹,人物与物件融入同一绘画语言。
    IP:圆脸、约3.5头身、蓝眼、深蓝星光长卷发、金色串珠耳坠、白蓝水手服和深蓝裙。
    构图:女孩站在左前景石砌观景台上,双手举小型望远镜看向右侧远处,右侧是层叠山脊、山谷间几何小城和一条细小盘山路径,画面下角一块大斜面岩石引导方向。
    字体与文案:顶部「向山野出发」用原图那种清楚有力的手绘大字,左下少量留白收束。
    配色:陶土红与赭棕山林、灰薰衣草远山、暖象牙天空、深梅紫阴影与标题。
    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-33.png
    ≡

    滑动查看完整提示词

    none

    参考原图重新创作一张竖版2:3海报。图1为原参考海报,参考其1950年代不规则剪纸边缘、限色平面和手工字;图2为唯一IP角色:圆脸、约3.5头身、蓝眼、深蓝星光长卷发、金色串珠耳坠、白蓝水手领,人物融入同一剪纸媒介。
    新构图:深蓝大底中央挖出奶油白钥匙孔,孔内是用折纸墙围成的小迷宫;女孩完整的正面小身形站在入口,一手举带蓝色玻璃的放大镜、一手拿小卡片。几片珊瑚红谜题碎片沿左侧向上,右上角标题「谜题俱乐部」分三行,粗细不齐但清晰。
    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-34.png
    ≡

    滑动查看完整提示词

    none

    直接参考图1原始海报,重新设计生成一张竖版2:3「文具宇宙」海报。图2仅为唯一IP角色设定。
    绘画语言:2010年代清晰等距空间、几何投影和实验平面设计,人物与物件融入同一绘画语言。
    IP:圆脸、约3.5头身、蓝眼、深蓝星光长卷发、金色串珠耳坠、白蓝水手服和深蓝裙。
    构图:五件巨型文具构成等距街区:叠纸是高低平台,橡皮是圆角塔,竖直铅笔是路标,尺子是连廊,一枚标准回形针平放在右下纸面;女孩走在两座文具建筑之间,手拿小笔记本,视线朝前。
    字体:左上「文具宇宙」为细无衬线平面字,字距宽,与等距建筑形成尺度对比。
    配色:炭黑太空、暖白纸岛、珊瑚红尺桥与铅笔、雾青橡皮塔、银白回形针、米白字。

    展陈视觉

    这次我想用矢量步进复制出来的伪 3D 体块作为基础元素,做一套展陈视觉。

    确认视觉元素拆解板,然后依次推进。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-35.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-36.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-37.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-38.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-39.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-40.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-41.png
    ≡

    滑动查看完整提示词

    none

    一整套11张科学馆展览宣传视觉,中英双语上图。展览:科普展「深时DEEPTIME·地球46亿年」;场馆为「星屿自然科学馆XINGYUSCIENCEHALL」;展期:2028.03.01—10.31;概念:岩层、冰与生命,都是地球写下的时间。
    参考图为矢量步进复制伪3D体块:侧面密集复制边缘、像素阶梯和平面光;原型为断层错动的岩层板块、多面晶体与冰棱柱、菊石般对数螺旋;体块表面的图案为黑白粗条纹(地层)、纯色或重复数字"4,600,000,000"。
    标签框:苔绿色长方形,上下各一条粗黑横条,两行对角排字,像岩芯样本标签,如"HALL1/岩层"、"XINGYU/SCIENCEHALL";最大的标签框写"4.6BN",下一行写馆名与"WWW.XXXX.INVALID"。
    字体:标题用宽体粗黑体全大写"DEEPTIME"配粗黑中文「深时」,数字用同款等宽数字。
    色板:砂岩暖黄#EBCB92作满版背景,苔绿#5E8C3A用于标签框,冰川浅蓝#A9D6E5用于体块面与侧面锯齿,墨黑#1D1D1B与纯白用于地层条纹。
    网格:竖版三段式,左上为原创六边形晶体馆标加两行小字"XINGYU/SCIENCEHALL";标题两行,其下一句标语"每一层都是一段时间EveryLayerIsaClock";中部60%为体块;底部一排合作方小标志和小字。摄影:科学馆大跨度空间与阴天柔光,偶有展柜冷色射灯,色调沉稳。
    第1张2:3竖版2000×3000主海报:一块巨大岩层板块从底部斜向隆起,被断层切开并上下错位,每层为黑白条纹、冰川浅蓝或苔绿厚片,侧面密集复制锯齿,裂缝中压着最大的标签框"4.6BN"。
    第2张2:3竖版2000×3000系列海报·一号厅「岩层STRATA」:几十层薄岩片如书页叠起,中部被挤压弯成背斜拱,一列由重复数字"4,600,000,000"堆成的竖柱插入拱心,标签框"HALL1/岩层"。
    第3张2:3竖版2000×3000系列海报·二号厅「冰期ICEAGE」:一簇多面体冰棱柱从中心放射生长,体块面为冰川浅蓝与白,侧面为黑白锯齿,标签框"HALL2/冰期"斜卡在最长的棱柱上。
    第4张2:3竖版2000×3000系列海报·三号厅「生命LIFE」:一条由小到大旋转的对数螺旋形如菊石截面,螺旋带面交替苔绿、黑白条纹与冰川浅蓝,白色丝带"LIFE生命"从螺旋中心旋出,标签框"HALL3/生命"位于螺旋外端。
    第5张2:3竖版2000×3000中庭悬挂旗帜:挑高中庭钢结构天窗下垂挂五面长条布旗,依次为主视觉与三个展厅局部,旗面微飘,下方有参观的家庭与孩子,天窗柔光洒落。
    第6张16:9横版3840×2160展厅入口导视墙:深灰大墙上以苔绿标签框做三个巨大入口标识"HALL1岩层""HALL2冰期""HALL3生命",各配白色箭头;左侧墙面延伸主海报岩层体块墙绘,地面为浅灰水磨石。
    第7张4:3横版3000×2250研学护照:小开本护照摊开在木质课桌上,左页三个展厅打卡格已盖两枚苔绿晶体印章,右页为岩层体块简笔图与填空题,旁有一支铅笔与一块岩石标本,窗光从左照入。
    第8张1:1方图2400×2400门票与冰箱贴:砂岩暖黄底上放一张竖版门票,即一个大号标签框,印"DEEPTIME深时/2028.03.01—10.31",下端有撕线与二维码示意图形;旁边三枚亚克力冰箱贴,分别为岩层块、冰棱柱、螺旋的小型体块。
    第9张4:5竖版2160×2700文创套组平铺:浅灰底上平铺冰川浅蓝帆布包(印螺旋)、三枚圆形徽章、五张扇形展开的明信片、苔绿金属书签,正俯拍,柔和顶光,浅阴影。
    第10张1:1方图2400×2400社媒方图:画面分上下两半,上半为岩层体块局部特写,下半为大号标签框"46亿年/一次看完",底色砂岩暖黄。
    第11张9:16竖版1080×1920地铁换乘通道数字屏动态感帧:通道墙上一块竖版数字屏,屏中冰棱柱正一根根向外生长,尖端带短促运动残影,屏底写"3.01OPEN";屏前背书包的学生侧身走过带运动模糊,通道为白色灯光与灰色地砖。
    全套展览信息、配色和标识保持一致,其余信息用占位符。

    做完这套内容后,我让个人设计 Agent Arti 把这次的制作方法整理成 Skill 并保存,这就是 Skill 自进化。这次要保留下来的东西有几样:主视觉的配色、字体和标签框,系列物料的延展流程,还有中英文、日期这些细节的一致性检查。Skill 可以把设计任务的方法、流程和交付要求一起封装起来。

    下次在对话框里通过斜杠调用,再告诉它新的项目需求,就不用把整套流程重新交代一遍了。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-42.png

    技能真是个好东西,我还做了一个拼豆的艺术画转绘的,也计划做一键调用,等我调整完了下次有机会和大家分享。

    看看图,左边是原图右边是主体变拼豆的效果。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-43.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-44.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-45.png

    设计委托

    设计委托,这个感觉也非常有意思。

    我们创建任务并设定好目标、执行周期和单次运行的积分消耗上限后,个人设计 Agent Arti 就会自主推进。 无论是批量生成、重复处理还是多任务工作,都可以通过这样一次委托让它定时完成。

    这样玩法就很多了,比如运营可以设置每天自动生成海报,或者把每日资讯直接转成图片;创意设计团队也可以每天指定某一个商品,让它基于该商品生成一系列图片、网页,或是不同比例尺寸的设计图。

    这次我试了个很有趣的用法,设计委托能直接调用我上传的技能。

    我这里用的是自己上传的一个技能,它可以把照片转成“宝丽来相纸相框 + 插画画面”的卡片。

    定时我设的是每天早上 9:00,之后只要把当天的照片放进设计委托推送的项目画板里,第二天早上 9 点它就会把画板里的图片处理成插画相片的样子。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-46.png

    如果有喜欢制作类似电子手账的朋友,也可以像这样去尝试一下。

    这样时间长了,就会积累非常多有趣、生活日常的插画图片。它让我们不用太在意照片的细节,但又能够保留下当时的那一个场景。👇

    附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-48.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-49.png附件/Lovart 2.0 保姆级攻略,个人设计 Agent Arti 太棒了!/img-50.png

    小结

    整体来说,个人设计 Agent Arti 有记忆能够记住偏好这一点真的非常棒。

    导入作品集以后,它的审美偏好记录会很详细,进化日志和记忆也会同步更新。

    我们先把很多设计流程沉淀成技能,那些要反复交代的指令,慢慢变成一个能自动出结果的工作流。

    通过设计委托,我们可以让 Arti 调用这些技能,按设定的时间执行任务,也能让它帮忙检查画布、整理评论、设计调研等。

    10 月 19 日至 30 日,专业版与旗舰版订阅低至 5 折,旗舰版年包最高加赠 3 个月会员。

    Lovart 2.0 全新版本已向所有用户开放,国内用户可以直接访问:lovart 点 art。

    好了,今天的分享就到这里啦。大家有什么想聊的,我们评论区见~

    如果这篇内容对你有用,欢迎在下方 👍🏻 和 🌸 鼓励,期待你的猛猛三连,这对阿真真的很重要,非常感谢~

    下期见~

    跳转微信打开

    情况很严重了,大家勒紧裤腰带过苦日子吧!

    2026年10月19日 10:00

    阿虚同学 2026-10-19 10:00 四川

    阿虚同学

    读完需要

    3

    分钟

    速读仅需 1 分钟

    前段时间逛街,我看中了一件外套。

    款式我特别喜欢,可看到价格,最后还是没舍得买。

    和朋友说起这事儿,她拉我进了一个购物群,让我在里面看看。

    蹲了几天,群主果妈分享了一件同款外套,价格却只要我之前看到的零头。

    我第一反应不是惊喜,而是犯嘀咕:

    这么便宜,是不是哪里有问题?

    我还特意去看了详情,款式、面料、实拍这些都确认了一遍。

    想着这个价格,就算踩坑也不至于心疼,我还是抱着试试看的心态下了单。

    结果收到货以后,真的有点出乎我意料。

    衣服质量很好,走线和拉链这些细节也规整,上身以后舒适度比我预想的好很多。

    本来只是冲着便宜买的,收到以后我觉得这钱花得太值了。

    没想到过了两天,我微信突然又收到了一笔30块的退款。

    我第一反应是:衣服是不是出什么问题了?

    打开群才发现,前几天买过这款的人都收到了一笔钱。

    原来果妈后来又跟厂家磨了一轮价格,新一批成本还能再下来一点。

    她直接在群里说:

    “前几天买过的我都补一下差价,不会让大家吃亏。”

    我当时真的愣了一下。

    因为衣服已经收到了,质量也没问题,我们买的时候也没人嫌贵。

    这个价格后来能不能再谈下来,我们这些顾客根本不会知道。

    换句话说,这30块她完全可以不退。

    群里还有人开玩笑:

    “你不说,我们也不知道呀。”

    果妈回了一句:

    “不知道是一回事,该退还是得退,不然反而是我占了大家的便宜。”

    那次过后,我算是感受到她的那股实在劲儿。

    群里呆久了我才知道,果妈做电商很多年了,卖的东西都是自己去对接源头工厂,少掉中间环节的加价,所以价格自然就便宜了。

    但真正让我一直留在群里的,反而不只是便宜。

    平时有些产品哪里不好,她也会提前讲清楚,介意的就别买。

    遇到不合适要退换的话,也不用自己折腾,她直接帮忙约好上门取件,处理得很干脆。

    现在我越来越觉得,买东西重要的不是每次都去全网找最低价。

    而是有一个人帮你盯着:

    价格能不能再省,东西值不值这个钱,买错了有没有人管。

    至少不用天天比价,也不用担心贪便宜最后反而踩坑。

    如果你平时买东西也怕买贵、又怕便宜没好货,真的建议加一下果妈。

    看看她每天都在卖什么、价格怎么样、产品好坏怎么说。

    买不买都没关系,就当给自己多留一个靠谱、省心的购物渠道。

    图片

    跳转微信打开

    ❌