把设计经验，写成 AI 能执行的规则。

经验不能只停留在形容词里

“精致”“有品质感”“适合上线”表达了目标，却很难直接指导生成。不同人对这些词的理解并不相同，模型也会在缺少约束时自行补足。

整理直播装扮物料规则时，一个更有效的方向是把判断拆开：轮廓是否完整、中心内容区是否被遮挡、小尺寸下能否识别、主题元素是否集中。这样才能从审美要求走向可检查的问题。

先阻止模型做错对象

头像框与资料卡都叫装扮，但几何与信息负担不同。前者围绕人脸，后者使用 1125 × 768 横向画布，区分带头像与不带头像。若产物类型没有明确，模型可能把所有参考都变成一个精美的圆框。

规则首先定义“是什么”，再描述“像什么”。主题、材质、配色可以借鉴，结构需要服务目标资源。

原始飞书文档 · Skill 测试实例

规则能否执行，先看它有没有生成对的对象

对着图看这几处

• 比较参考的圆形和结果的横向结构，区分风格复用与构图照搬。
• 同页输出并不等于独立文件交付，仍需检查产物合同。

失败样本，比更多形容词更有用

规则的价值在于能够指出下一步。把“不够精致”拆成遮挡、断裂、碎细节、错比例或错误输出，返修才不会每次都重做所有部分。

原始飞书文档 · Skill 测试实例

保留不完美的实例，才能解释修正规则

对着图看这几处

• 观察分组、绿色底与独立资源之间的区别。
• 规则文档和生成结果之间的偏差，是下一轮修订的输入。

从美术规则，走向产品语义

Vertical Design MD 把相同思路推进到产品：领域 → 角色 → 任务 → 风险 → 状态 → 交互 → 视觉。DOMAIN、FLOWS、STATES、PERMISSIONS、COMPLIANCE、CONTENT 不只是设计风格标签，而是不同层的交付责任。

例如交易工作台不能只有一张正常状态截图，还需要过期数据、无权限、校验失败和提交结果不确定等状态。Schema 校验可以检查结构完整性，但不能代替专业领域的正确性审查。

用固定样例迭代规则，而不是无限加提示词

可继续建立一组固定 brief：保持输入与版本记录，每次只改变一个关键约束，记录通过、失败和人工修改。这样才知道规则是在降低重复错误，还是只碰巧得到一张好图。

目前没有受控提效对照，不公布虚构通过率。规则的可复用价值，与每次生成是否适合上线，是两个需要分别证明的问题。

先说输入是什么，再说输出是什么

参考图可能提供配色、材质和主题，却不一定提供可直接复用的构图。圆形装扮与横向资料卡，使用场景和留白结构不同。照搬参考构图，会把错误一起带进生成结果。

规则需要区分哪些信息要保留、哪些要转译、哪些不属于最终结果。输出也应该明确到文件、尺寸、背景与独立资源，而不是只说“生成一张好看的图”。

质量检查应该能指出下一步

“不够好看”不是一个有效的修正指令。如果问题是细节过碎，就减少无意义装饰；如果内容区被遮挡，就先修复安全区；如果边缘断裂，就先处理结构完整性。

失败样本可以反过来改进规则。每新增一条约束，都应该能回答它在防止什么错误，而不是无限增加提示词长度。

Skill 不是免检交付

即使规则写得完整，实际生成结果仍需要上屏检查、人工判断和必要的后期处理。规则文档里的“稳定”“精准”是目标，不是独立验证的事实。

对我而言，这类工作的意义是把经验变得可以讨论、可以复用，也可以被修正。AI 负责扩大尝试范围，设计者仍然负责判断什么值得进入产品。