UX 设计师 AI 技能成长操作系统：完整汇总

本文件汇总项目内全部 36 个 Markdown 文件正文，生成日期：2026-06-08。原文件继续作为可维护的模块化知识库；本文件用于完整阅读、搜索与分享。

阅读导航

软件行业 AI 渗透地图
UX 设计师 AI 高手对标与工作流研究
UX 设计师专属 AI 学习路径
AI 技能成长操作系统总览
AI 信息源订阅清单
AI 工具雷达与评估模板
个人提示词资产库
个人 AI 能力成长周报
案例研究 · Adobe Firefly 品牌可控内容生产
案例研究 · Figma Make 从提示到可运行原型
AI 日常任务 · 产品需求澄清与设计任务拆解
AI 日常任务 · 交互原型生成与验证
AI 日常任务 · 界面方案探索与视觉方向板
AI 日常任务 · 设计评审与可用性检查
AI 日常任务 · 用户访谈整理与洞察提取
行业 AI 趋势 · 从界面交付到可运行原型
行业 AI 趋势 · 设计系统进入 AI 可调用时代
行业 AI 趋势 · 生成式 UI 带来的设计师角色变化
行业 AI 趋势 · AI 设计的版权、隐私与无障碍风险
学习路径 · 第 1 周：建立 AI 协作基本功
学习路径 · 第 2 至 3 月：建立 AI 增强设计工作流
学习路径 · 第 2 至 4 周：完成三个真实设计项目
岗位 AI 工具 · Adobe Firefly
岗位 AI 工具 · ChatGPT
岗位 AI 工具 · Claude Artifacts
岗位 AI 工具 · Figma AI
岗位 AI 工具 · Figma Make
岗位 AI 工具 · Midjourney
岗位 AI 工具 · v0
提示词模板 · 产品需求转设计任务
提示词模板 · 界面方案探索
提示词模板 · 可用性测试计划
提示词模板 · 设计评审
提示词模板 · 用户访谈洞察提取
能力差距分析 · 90 天能力补齐计划
能力差距分析 · AI 技能自评矩阵

1. 软件行业 AI 渗透地图

原始文件：industry-ai-map.md

软件行业 AI 渗透地图

一句话结论： AI 已经深度进入“写代码、查资料、生成测试、客服应答”等可快速验证的工作，但仍难独立承担“定义正确问题、理解复杂业务、改造遗留系统、对生产结果负责”等高上下文任务。软件从业者的价值正在从“亲手产出每一行内容”转向“定义、编排、验证和负责”。

0. 研究边界与阅读说明

0.1 纳入范围

软件产品公司、SaaS、开发工具、企业软件与软件外包服务。
软件全生命周期：需求与产品、设计、开发、测试、发布、运维、安全、客户支持与售前。
AI 形态：代码补全、对话助手、检索增强生成（RAG）、生成式测试、AI Agent、智能运维、安全分析与业务自动化。

0.2 不纳入范围

仅把 AI 当作产品功能、但没有改变软件企业内部工作方式的案例。
无公开结果数据、无法判断是否真实部署的概念演示。
“岗位风险”不等于岗位会整体消失，而是该岗位当前任务组合被压缩、重组的风险。

0.3 标签

🔴 高风险被替代：大量核心产出可被 AI 直接完成；初级、标准化岗位数量可能明显收缩。
🟡 部分替代：执行任务大幅自动化，但业务判断、协作和责任仍需人承担。
🟢 AI 增强型岗位：AI 主要放大能力，岗位需求可能增加或升级。
[实测]：研究或企业测量数据。
[厂商自报]：企业或供应商公开案例数据，可能存在选择偏差。
[推断]：基于多项信号作出的分析判断。

1. 总体树状图景

text
软件行业 AI 渗透
├── A. 已高渗透：可快速验证的数字任务
│   ├── 代码补全、样板代码、简单功能实现
│   ├── 单元测试、测试数据和文档生成
│   ├── 日志总结、知识检索、工单分类
│   └── 标准客服问答与基础数据分析
├── B. 正在加速：跨工具、可委派的工作流
│   ├── 从 Issue 到 Pull Request 的编码 Agent
│   ├── 代码审查、漏洞修复和依赖升级
│   ├── 从需求文档到原型、代码和测试
│   └── 从告警到定位、修复建议和复盘
├── C. 低渗透空白：高上下文、高责任工作
│   ├── 模糊需求定义与跨部门利益协调
│   ├── 大型遗留系统迁移与隐性规则还原
│   ├── 生产事故决策与最终责任承担
│   ├── 安全、隐私、合规的可审计判断
│   └── 高风险行业软件的验收与签字
└── D. 价值迁移
    ├── 从“产出”迁移到“问题定义”
    ├── 从“手工执行”迁移到“Agent 编排”
    ├── 从“代码数量”迁移到“验证与结果”
    └── 从“通用技能”迁移到“领域知识 + 私有上下文”

核心依赖链

text
高质量业务上下文
→ 可执行规格与验收标准
→ AI / Agent 生成与执行
→ 自动化测试、安全扫描、代码审查
→ 人类审批与生产责任
→ 运行数据和用户反馈
→ 更新知识、规格和评测集

关键判断： AI 让生成成本快速下降，但验证成本、协调成本和错误影响并未同步下降。因此，未来软件团队的竞争力取决于上下文质量、评测体系、平台工程和治理能力，而不只是购买了哪个模型。

证据基线： Anthropic Economic Index 显示，软件开发一直是生成式 AI 使用最集中的任务类别之一；但 Stack Overflow 2025 开发者调查也显示，开发者对 AI 输出准确性的信任仍明显落后于采用率。[S16][S17] 这解释了为什么“生成”已经高渗透，而“验证与负责”仍主要由人承担。

2. 第一部分：AI 正在改变哪些岗位

2.1 十大岗位总览

排名	岗位	标签	AI 正在替代的任务	反而更值钱的能力
1	初级软件工程师 / 外包开发	🔴	样板代码、CRUD、接口接入、简单修复、代码解释	拆解模糊需求、读懂大型代码库、验证 AI 输出、端到端交付
2	技术文档工程师	🔴	API 文档初稿、版本说明、FAQ、翻译与格式化	信息架构、准确性审校、开发者教育、文档即代码与评测
3	L1 客户支持 / 技术支持	🔴	常见问答、分类路由、摘要、知识库检索、标准排障	复杂升级处理、客户情绪与关系、知识闭环、支持流程设计
4	手工测试工程师	🔴	测试用例草拟、回归执行、测试数据、缺陷摘要	风险建模、探索式测试、自动化框架、AI 系统评测
5	UI/UX 执行型设计师	🟡	低保真稿、界面变体、文案、设计规范套用	用户研究、交互取舍、品牌系统、可用性验证
6	数据分析师 / BI 分析师	🟡	SQL 初稿、图表、描述性总结、临时查询	指标定义、因果判断、数据质量、决策叙事
7	产品经理	🟡	PRD 初稿、竞品摘要、会议纪要、用户故事	发现真问题、优先级取舍、组织协调、验收标准设计
8	软件工程师 / 全栈工程师	🟡	局部编码、重构建议、测试、调试辅助、代码审查初筛	架构、跨系统集成、可靠性、安全、掌控 Agent 交付
9	DevOps / SRE	🟡	配置生成、日志总结、告警聚合、Runbook 执行建议	生产判断、可观测性设计、故障演练、成本与风险权衡
10	应用安全 / 安全分析师	🟢	漏洞初筛、告警关联、规则生成、修复建议	威胁建模、攻击验证、安全治理、AI/Agent 安全

2.2 岗位节点详细说明

1. 初级软件工程师 / 外包开发：🔴 高风险被替代

被替代的任务： 明确规格下的页面、CRUD、单元测试、脚本、迁移小任务、常见 Bug 修复。
风险原因： 工作可被拆成短任务，结果能通过编译、测试和代码审查快速判断；这正是编码 Agent 最容易发挥的区域。
更值钱的能力： 快速建立代码库心智模型；提出澄清问题；写验收标准；设计测试；识别安全、性能和边界问题。
机会： 不要停留在“会调用 AI 写代码”，要升级为能独立负责一个小功能从需求到上线的人。

2. 技术文档工程师：🔴 高风险被替代

被替代的任务： 从代码和工单生成文档初稿、版本说明、示例、FAQ、多语言版本。
风险原因： 输入和输出都高度文本化，适合检索增强生成和模板自动化。
更值钱的能力： 建立文档信息架构；验证示例能否运行；设计新手学习路径；衡量文档是否降低支持量。
机会： 转型为“开发者教育 + 内容系统 + 文档质量工程”角色。

3. L1 客户支持 / 技术支持：🔴 高风险被替代

被替代的任务： 高频重复问答、工单分类、回复草稿、历史摘要、标准排障。
风险原因： 企业知识库与历史工单能为 AI 提供上下文，且解决率、响应时间容易测量。
更值钱的能力： 处理高价值客户和复杂故障；推动产品修复根因；设计知识库和升级规则。
机会： 成为“AI 支持运营经理”：维护知识、评估回答、分析未解决问题、优化自动化边界。

4. 手工测试工程师：🔴 高风险被替代

被替代的任务： 根据需求生成测试用例、执行重复回归、构造常规测试数据、整理缺陷报告。
风险原因： 浏览器 Agent、视觉模型和代码 Agent 正在把测试生成与执行合并为连续流程。
更值钱的能力： 风险驱动测试、探索式测试、复杂业务验收、非功能测试、AI 输出评测。
机会： 从“执行测试步骤”转型为“质量工程师 / AI 评测工程师”。

5. UI/UX 执行型设计师：🟡 部分替代

被替代的任务： 快速产出线框图、视觉变体、组件拼装、基础文案和设计交付说明。
仍难替代： 用户研究、行为洞察、品牌一致性、复杂交互取舍和组织沟通。
更值钱的能力： 用原型快速验证假设；建立设计系统；把用户证据转为产品决策。
机会： AI 显著增加方案数量，真正稀缺的是选择正确方案并验证的能力。

6. 数据分析师 / BI 分析师：🟡 部分替代

被替代的任务： 常见 SQL、仪表盘草图、数据解释初稿、临时查询。
仍难替代： 指标口径、实验设计、因果推断、脏数据判断和商业建议。
更值钱的能力： 语义层设计、数据质量、评测 AI 分析结果、把分析嵌入业务流程。
机会： 从“接查询需求”升级为“定义决策系统与可信指标”。

7. 产品经理：🟡 部分替代

被替代的任务： PRD 初稿、会议整理、竞品搜集、用户故事拆分、原型草图。
仍难替代： 判断用户真正愿意付费解决的问题、处理冲突、做艰难取舍并承担结果。
更值钱的能力： 需求证据、可执行规格、Agent 产品设计、评测与治理。
机会： 会写“可供 Agent 执行且可自动验收的规格”的产品经理将更稀缺。

8. 软件工程师 / 全栈工程师：🟡 部分替代

被替代的任务： 代码补全、局部功能、代码解释、测试、重构与调试初步建议。
证据信号： Google 在 2024 年 10 月披露，超过四分之一的新代码由 AI 生成后再由工程师审查和接受；受控研究也发现 AI 编码助手对完成任务数有显著提升，但增益因经验和环境差异而不同。[S1][S3]
更值钱的能力： 系统边界设计、复杂代码库导航、质量门禁、安全、性能、成本与可维护性。
机会： 工程师会从“单人编码者”转为“多个 Agent 的技术负责人和最终审查者”。

9. DevOps / SRE：🟡 部分替代

被替代的任务： IaC 和流水线配置初稿、日志与告警摘要、Runbook 建议、事后报告草稿。
仍难替代： 事故中的不可逆决策、复杂系统直觉、容量和成本取舍、组织级可靠性治理。
更值钱的能力： 可观测性、自动化防护栏、混沌工程、Agent 权限与操作审计。
机会： 构建“AI 可操作但不能越权”的生产平台。

10. 应用安全 / 安全分析师：🟢 AI 增强型岗位

被替代的任务： 告警初筛、漏洞解释、规则草拟、常见修复建议。
需求增长原因： AI 提高软件产出速度，也扩大不安全代码、依赖风险、提示注入、Agent 越权和数据泄露的攻击面。
更值钱的能力： 威胁建模、红队、攻击路径验证、供应链安全、AI 安全治理和审计。
机会： “懂软件工程的 AI 安全工程师”将是未来 12 个月最供不应求的交叉角色之一。

2.3 岗位变化的共同规律

text
最先被压缩的能力
├── 只会按明确指令执行
├── 只会生成初稿
├── 只会搬运和汇总信息
└── 只会做可重复、可快速验收的任务

最值得投资的能力
├── 定义问题与写清验收标准
├── 调动私有业务和代码上下文
├── 设计评测、测试和安全门禁
├── 处理例外、模糊性和跨团队冲突
└── 对业务和生产结果承担责任

3. 第二部分：行业里已经跑通的 AI 应用

3.1 案例总表

公司 / 场景	使用的 AI	解决的问题	公开效果数据	证据说明
Google：内部软件开发	内部 AI 编码工具	提高编码效率	超过 25% 的新代码由 AI 生成，再由工程师审查和接受	`[公司披露]` 2024 Q3 财报电话会，[S1]
Amazon：Java 应用升级	Amazon Q Developer Agent	批量升级 Java 版本，减少遗留系统现代化成本	完成 30,000+ 应用升级；节省约 4,500 开发者年；估计每年节省 2.6 亿美元	`[厂商自报]`，[S2]
Microsoft、Accenture 与一家 Fortune 100 公司：软件开发	GitHub Copilot	提高真实工作环境中的开发任务完成量	三个现场实验合计 4,867 名开发者，使用者完成任务数平均提高 26.08%	`[实测/工作论文]`，[S3]
Accenture：大规模开发团队	GitHub Copilot	验证企业级采用与开发体验	90% 开发者表示更满意；95% 表示更享受编码；开发者保留 Copilot 建议代码的比例为 88%	`[联合案例/自报]`，[S4]
TELUS：软件工程与内部开发	GitHub Copilot	提高工程效率和采用规模	开发者自报平均每天节省 40 分钟；截至案例发布已有 13,000+ 开发者采用	`[客户自报]`，[S5]
CRED：代码审查	Claude Code	降低人工审查负担、提高审查覆盖	自动化审查中的误报率低于 10%；工程团队报告人工审查工作量下降	`[客户自报]`，未披露下降比例，[S6]
Factory：软件开发 Agent	Claude	让 Agent 承担编码任务并压缩开发周期	公司称内部软件开发生命周期从“月”压缩到“小时”	`[客户自报]`，口径较宽，应谨慎外推，[S7]
Intercom：客户支持	Fin AI Agent	自动解决软件产品客户问题	Intercom 公布 Fin 平均可解决约 50% 的支持问题；部分客户案例更高	`[厂商自报]`，[S8]
Assembled：客户支持运营平台	Claude 驱动的 Assembled Assist	自动处理支持工单并减少升级	自动化超过 50% 的工单且客户满意度保持 90%+；升级量下降超过 50%；每小时解决量提高超过 30%	`[客户案例/厂商托管]`，[S9]
IBM Consulting：应用现代化	watsonx Code Assistant for Z	理解和改造 COBOL 等大型遗留应用	IBM 案例称可使应用现代化周期缩短最高 30%	`[厂商自报]`，“最高”值非普遍结果，[S10]

3.2 已跑通应用的树状分类

text
已跑通的 AI 应用
├── 1. 个人生产力助手
│   ├── 代码补全与生成
│   ├── 文档与测试生成
│   └── 代码解释与知识检索
├── 2. 可衡量的团队工作流
│   ├── Pull Request 审查
│   ├── 依赖与语言版本升级
│   ├── 客户支持自动解决
│   └── 工单总结和路由
└── 3. 正在形成的 Agent 工作流
    ├── 从 Issue 到可审查 PR
    ├── 多步骤遗留系统现代化
    ├── 自动修复安全漏洞
    └── 跨代码、文档、工单的任务执行

3.3 从案例中能得出的结论

最稳定的 ROI 来自高频、重复、可度量任务。 例如语言版本升级、L1 支持和代码补全，都有明确基线和结果指标。
代码生成不是终点，审查和测试才决定是否形成价值。 Google 的披露明确包含“工程师审查和接受”，不是无人开发。
团队级收益取决于上下文与流程。 现场实验显示总体平均增益明显，但不同公司和开发者群体的结果并不相同。[S3]
厂商案例普遍存在选择偏差。 “最高节省”“生命周期从月到小时”等数据可证明可行性，但不能直接作为全行业平均值。
大规模遗留现代化是少数已经显示巨额经济价值的 Agent 场景。 原因是任务量巨大、规则相对稳定、结果可由编译和测试验证。

4. 第三部分：尚未被 AI 充分渗透的空白点

4.1 空白点总览

空白点	目前仍靠人工的环节	尚未渗透原因	对普通从业者的机会
模糊需求与业务规则发现	访谈、冲突协调、优先级、隐性规则确认	缺少可信上下文；利益冲突无法靠模型客观解决	做懂业务的产品/工程复合人才；建立需求知识库与验收体系
大型遗留系统全量改造	依赖梳理、边界确认、例外处理、上线切换	文档缺失、数据质量差、停机风险高	做“AI + 遗留现代化”服务；从窄模块和评测集切入
生产事故最终决策	是否回滚、降级、停服、通知客户	决策不可逆；权限和责任归属困难	做 Agent 防护栏、审批、审计和事故辅助工具
复杂企业集成	权限、主数据、例外流程、跨系统对账	系统碎片化、私有接口、历史债务	做垂直行业连接器、数据语义层和流程编排
高风险软件验收	医疗、金融、工业、政府系统的验证与签字	监管、可解释性、责任与认证要求	做 AI 评测、合规证据自动化、可审计交付
安全边界与 Agent 权限	权限设计、攻击验证、敏感操作批准	提示注入、越权、供应链与数据泄露风险	做 AI 安全、红队、最小权限和运行时监控
真实用户研究与产品判断	观察用户、判断购买意愿、产品取舍	训练数据不能替代当前真实行为；组织目标相互冲突	用 AI 加速研究，但以真人证据和实验做最终决策
AI 输出质量治理	定义正确率、构造评测集、监控漂移	“好结果”常依赖业务语境；缺少统一基准	成为 AI 评测工程师、质量负责人或治理顾问

4.2 空白点详细树

text
低渗透空白
├── A. 上下文壁垒
│   ├── 隐性业务规则未文档化
│   ├── 信息分散在代码、聊天、工单和个人经验中
│   └── 数据权限和质量不足
├── B. 技术壁垒
│   ├── 长周期、多系统任务容易偏航
│   ├── 非确定性输出难以稳定复现
│   ├── 缺少覆盖真实风险的测试与评测
│   └── Agent 权限控制和故障恢复仍不成熟
├── C. 责任与监管壁垒
│   ├── 生产故障需要明确责任人
│   ├── 高风险决策需要可审计证据
│   ├── 数据、隐私、知识产权限制
│   └── 欧盟 AI Act 等制度要求逐步生效
└── D. 组织壁垒
    ├── KPI 仍按代码量和工时衡量
    ├── 团队流程不适合 Agent 接入
    ├── 员工缺乏信任或过度信任
    └── 工具采购快于治理和能力建设

4.3 为什么“仍靠人工”会成为机会

上下文工程机会： 把企业散落的业务规则、接口、历史决策和代码知识变成 Agent 可调用且有权限控制的上下文。
验证工程机会： 为代码 Agent、客服 Agent、分析 Agent 建立黄金数据集、自动评测、回归测试和线上监控。
垂直工作流机会： 通用模型能力很强，但不懂某个企业的审批、主数据、法规和例外流程；懂行业的人可以把最后一公里产品化。
责任基础设施机会： 审批、可追溯日志、权限、回滚、证据链和成本控制将成为 Agent 进入生产环境的必需品。
现代化服务机会： 遗留系统迁移具有明确预算和痛点，适合“AI 执行 + 人类专家验收”的服务模式。

安全与质量机会并非只源于 AI 热点。NIST 的安全软件开发框架已经把可重复、可审计的安全实践视为软件供应链基础；Agent 获得更多执行权限后，这套能力会从“最佳实践”进一步变成采购和上线门槛。[S18]

4.4 需要谨慎进入的区域

纯通用代码生成工具： 竞争极强，模型厂商、IDE、代码托管平台都在向这一层整合。
没有私有数据或工作流壁垒的 AI 套壳： 模型升级会迅速抹平功能差异。
承诺完全无人化的软件交付： 当前可靠性、责任和安全风险仍高。
只培训提示词、不连接真实业务结果的服务： 容易被工具内置功能替代，难形成持续价值。

5. 第四部分：未来 12 个月趋势预判

时间范围：2026-06-08 至 2027-06-08。以下为基于当前产品发布、企业案例与采用障碍的分析推断。

5.1 将加速进入软件行业的工具与模式

趋势 1：编码助手升级为“可委派的编码 Agent”

变化： 从实时补全一行代码，升级为接收 Issue、浏览代码库、修改多个文件、运行测试并提交 PR。
信号： OpenAI Codex、GitHub Copilot coding agent、GitLab Duo Agent Platform 等都在把“对话”转为“任务委派”。[S11][S12][S13]
影响： 初级任务数量减少；高级工程师需要同时管理多个 Agent 的任务队列和审查。
应布局技能： 任务拆解、规格写作、测试设计、代码审查、Agent 权限管理。

趋势 2：规格驱动开发重新变重要

变化： 团队会先写清需求、约束、验收标准和测试，再让 Agent 执行。
原因： 生成能力已经充足，失败往往来自需求不清、上下文缺失和验收不足。
影响： PRD、架构决策记录、测试和文档不再只是“给人看”，还会成为 Agent 的执行输入。
应布局技能： 可执行规格、行为驱动开发、架构决策记录、评测集设计。

趋势 3：AI 进入代码审查、安全修复与质量门禁

变化： AI 不只生成代码，还会在合并前审查、生成测试、识别漏洞并提出修复。
原因： AI 增加代码产出速度后，审查成为新瓶颈。
影响： QA 和安全岗位不会消失，但会从人工逐项检查升级为设计规则和处理高风险例外。
应布局技能： 安全开发生命周期、威胁建模、自动化测试、AI 评测与红队。

趋势 4：Agent 连接企业工具，形成跨系统工作流

变化： Agent 将连接代码仓库、工单、文档、监控、数据库和客服系统。
原因： 单点聊天助手价值有限，跨系统执行才能产生可量化 ROI。
影响： 企业会更加重视连接协议、身份、权限、审计和可观测性。
应布局技能： API/工具集成、MCP 等工具连接模式、身份权限、事件驱动架构、Agent 可观测性。

趋势 5：遗留系统现代化进入规模化采用

变化： AI 用于解释旧代码、生成测试、升级语言版本、拆分系统和迁移文档。
原因： Amazon Q 和 IBM 等案例已经证明这一场景具备大额、可测量价值。[S2][S10]
影响： 懂 COBOL、Java、ERP、数据库迁移等传统技术的人，结合 AI 后反而可能升值。
应布局技能： 遗留技术、领域规则、迁移测试、双写/回滚、渐进式现代化。

趋势 6：AI 采用指标从“用了多少”转向“交付是否更好”

变化： 企业将减少只看接受代码行数、活跃用户数，转向交付周期、缺陷率、事故率、客户结果和总成本。
原因： DORA 的研究强调，AI 能放大现有组织能力；如果测试、平台和流程较差，速度提升不一定转化为稳定交付。[S14]
影响： 能建立可信测量体系的人比单纯推广工具的人更有价值。
应布局技能： DORA 指标、实验设计、成本核算、质量指标和因果分析。

趋势 7：监管、知识产权与 AI 安全成为采购门槛

变化： 企业采用将要求数据不外泄、输出可追溯、模型和 Agent 权限可控。
信号： 欧盟 AI Act 的多项义务按阶段生效，企业软件还必须面对数据、版权和高风险用途要求。[S15]
影响： “默认允许一切”的 Agent 难进入大企业生产环境。
应布局技能： AI 治理、隐私、软件供应链安全、审计日志、风险分级。

5.2 从业者最应该提前布局的技能

text
未来 12 个月技能栈
├── 第一层：AI 原生工作能力
│   ├── 把复杂目标拆成 Agent 可执行任务
│   ├── 提供正确上下文与工具
│   └── 并行委派、审查和纠偏
├── 第二层：验证与质量
│   ├── 自动化测试和验收标准
│   ├── 评测集、错误分类和回归监控
│   └── 安全、隐私和权限控制
├── 第三层：软件系统能力
│   ├── 架构、接口、数据和可观测性
│   ├── 生产环境判断与故障处理
│   └── 遗留系统和复杂集成
└── 第四层：业务与组织能力
    ├── 发现高价值问题
    ├── 深入一个垂直领域
    └── 用业务结果衡量 AI，而不是用生成量衡量

5.3 推荐技能优先级

优先级	技能	为什么现在重要	最小实践项目
P0	AI 辅助开发与编码 Agent 管理	已成为软件生产基本能力	让 Agent 完成一个真实小功能，自己只负责规格、审查和验收
P0	测试、评测与验证	生成越快，验证越稀缺	为同一功能建立单测、集成测试、黄金案例和失败分类
P0	系统设计与代码审查	决定 AI 生成代码能否长期维护	对 AI 提交的 PR 做架构、安全、性能和可维护性审查
P1	AI 安全与权限治理	Agent 开始拥有执行权限	做一个最小权限、审批、日志和回滚齐全的 Agent
P1	领域知识与业务建模	通用能力易商品化，领域上下文难复制	选择一个行业流程，写出规则、例外和可执行验收标准
P1	数据与可观测性	AI 工作流必须可监控、可衡量	建立成功率、人工接管率、成本、延迟和错误类型仪表盘
P2	模型微调 / 深度模型工程	仅在有独特数据和性能要求时有高价值	先证明 RAG、工具调用和评测无法满足，再投入微调

6. 机会优先级数据库

机会	目标用户与任务	为什么现在	防御性入口	主要风险	最小验证动作
垂直行业 AI 评测与质量平台	有 Agent 上生产需求的软件团队	企业开始从试用转向可靠运营	行业评测集、失败案例与治理流程	客户尚未形成预算项	为一个 Agent 建 50-100 条黄金评测并展示缺陷拦截率
遗留系统现代化工作台 / 服务	Java、COBOL、ERP 等维护团队	已有明确 ROI 案例，存量巨大	迁移规则、测试资产、领域专家	项目周期长、责任重	选择单一升级路径，测量迁移速度和缺陷率
Agent 权限、审计与可观测性	让 Agent 连接生产工具的企业	跨工具 Agent 加速进入企业	深度集成、运行数据、合规能力	平台厂商可能内置	为一个高风险操作实现审批、回滚和完整审计
AI 支持运营优化	SaaS 客服团队	自动解决率已有商业验证	私有知识、未解决问题分类、产品反馈闭环	基础功能竞争激烈	用历史工单离线评测自动解决率和错误成本
可执行规格与知识工程	多团队协作的软件组织	Agent 表现受上下文和规格质量限制	企业流程知识、模板、评测数据	容易被误认为咨询项目	把一个模糊需求改造成 Agent 可执行且可自动验收的规格

7. 如果我在软件行业，现在最值得做的 3 件事

1. 用一个真实项目建立“AI 交付闭环”，而不是只学提示词

选择你工作中一个两周内可完成的小功能，完整走通：

text
需求证据 → 可执行规格 → Agent 编码 → 自动测试
→ 人工审查 → 上线 → 结果指标 → 复盘

必须记录四个指标：交付时间、人工介入时间、缺陷数、返工原因。你的目标不是证明 AI 很快，而是证明自己能稳定地让 AI 交付正确结果。

2. 把“验证能力”练成个人护城河

重点学习自动化测试、代码审查、安全、评测集和可观测性。未来每个人都能生成大量代码和内容，但能判断“是否正确、是否安全、是否值得上线”的人仍然稀缺。

建议产出一个可展示的作品：为某类 AI 工作流建立评测集、质量门禁、人工接管规则和线上监控，并写出失败案例复盘。

3. 选择一个垂直业务问题，积累 AI 无法直接获得的上下文

不要把自己定位为“通用 AI 使用者”。选择一个你已经接触的领域，例如企业 SaaS、金融软件、制造 ERP、开发工具、客服系统或安全，持续积累：

关键业务对象、规则与例外；
用户真正付费解决的问题；
历史系统与数据限制；
合规、安全与验收标准；
可复用的评测数据和工作流。

最终定位应是：“我懂这个高价值问题，并能用 AI 更快、更可靠地解决它。”

8. 持续跟踪指标

每月更新以下信号，以判断图景是否发生变化：

类别	跟踪指标
采用	使用编码 Agent 的开发者比例、Agent 完成任务比例、人工接管率
生产力	Lead time、PR 周期、每位工程师完成任务数、迁移速度
质量	缺陷逃逸率、回滚率、事故数、AI 生成代码缺陷类型
安全	AI 相关漏洞、提示注入事件、越权操作、敏感数据泄露
经济性	每任务模型成本、总交付成本、支持自动解决率、节省工时
人才	初级岗位数量、AI 评测/治理/安全岗位数量、技能要求变化
监管	欧盟 AI Act 实施节点、版权判例、行业软件认证要求

9. 来源与限制

主要来源

[S1] Alphabet, 2024 Q3 Earnings Call：Google 披露超过 25% 的新代码由 AI 生成后经工程师审查接受

https://abc.xyz/2024-q3-earnings-call/

[S2] AWS, Amazon Q Developer agent saves Amazon 4,500 developer-years of work

https://aws.amazon.com/blogs/aws/amazon-q-developer-now-generally-available-includes-new-capabilities-to-reimagine-developer-experience/

[S3] Microsoft Research, The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers

https://www.microsoft.com/en-us/research/publication/the-effects-of-generative-ai-on-high-skilled-work-evidence-from-three-field-experiments-with-software-developers/

[S4] GitHub, Research: quantifying GitHub Copilot’s impact in the enterprise with Accenture

https://github.blog/news-insights/research/research-quantifying-github-copilots-impact-in-the-enterprise-with-accenture/

[S5] GitHub customer story, TELUS

https://github.com/customer-stories/telus

[S6] Anthropic customer story, CRED

https://www.anthropic.com/customers/cred

[S7] Anthropic customer story, Factory

https://www.anthropic.com/customers/factory

[S8] Intercom, Fin AI Agent

https://www.intercom.com/fin

[S9] Anthropic customer story, Assembled

https://www.anthropic.com/customers/assembled

[S10] IBM, watsonx Code Assistant for Z

https://www.ibm.com/products/watsonx-code-assistant-z

[S11] OpenAI, Codex

https://openai.com/codex/

[S12] GitHub, Copilot coding agent

https://github.blog/news-insights/product-news/github-copilot-meet-the-new-coding-agent/

[S13] GitLab, Duo Agent Platform complete guide

https://about.gitlab.com/blog/gitlab-duo-agent-platform-complete-getting-started-guide/

[S14] Google Cloud DORA, AI research and Capabilities Model

https://dora.dev/research/ai/

[S15] European Commission, AI Act implementation timeline

https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

[S16] Anthropic Economic Index：软件开发是当前 AI 使用最集中的任务类别之一

https://www.anthropic.com/economic-index

[S17] Stack Overflow, 2025 Developer Survey：开发者对 AI 输出准确性的信任仍有限

https://survey.stackoverflow.co/2025/ai

[S18] NIST, Secure Software Development Framework

https://csrc.nist.gov/Projects/ssdf

限制

软件行业边界极广，不同公司、技术栈、监管环境和团队成熟度会导致 AI 收益差异巨大。
多数企业案例由工具厂商发布，存在选择成功客户、统计口径不一致和缺少对照组的问题。
岗位风险排序基于任务可自动化程度、当前工具能力和商业采用速度，是方向判断，不是就业数量预测。
未来 12 个月趋势属于分析推断，应通过“持续跟踪指标”按月更新。

2. UX 设计师 AI 高手对标与工作流研究

原始文件：case-studies/job-ai-benchmark.md

UX 设计师 AI 高手对标与工作流研究

结论先行

AI 时代的高水平 UX 设计师，并不是用 AI 一键生成最终界面的人，而是把自己从“界面生产者”升级为“问题定义者、方向选择者、体验验证者和原型构建者”。

目前最成熟、最值得复用的模式是：

研究压缩：用 AI 做资料初筛、访谈转录、主题聚类和研究摘要，人负责检查证据、处理矛盾和形成判断。
扩大探索空间：先让 AI 生成 20-50 个方向，再由设计师用用户目标、品牌、可用性和商业约束筛选。
用可运行原型代替静态稿沟通：用 Figma Make、v0、Lovable、Cursor 等快速构建可交互版本，更早测试，也让利益相关者看到真实体验。
设计与开发边界前移：通过 Figma MCP、Cursor、Claude Code 等让设计师直接修改前端原型，减少“截图 + 标注 + 口头解释”。
把 AI 当协作者，而不是决策者：公开案例中的高手都会反复补充上下文、设置规则、分阶段提示，并人工评审输出。

最重要的职业变化：AI 没有让 UX 方法失效，但正在降低“只会画页面”的价值，提高“能定义问题、连接研究到实现、快速验证并展示业务结果”的价值。

研究范围与证据口径

岗位范围：产品设计师、UX/UI 设计师、UX 研究相关设计岗位、DesignOps，以及从设计转向 AI 产品创业的人。
“高手”选择标准：至少满足一项：真实软件产品团队中的 AI 工作流；公开展示完整过程；构建过 AI 设计产品；持续输出可复用方法。
优先证据：设计师本人文章/视频、产品官方案例、公开访谈、可查看的产品或课程。
效率数字口径：全部是特定案例的自报或厂商客户案例，不应直接外推为行业平均值。
内容生态判断：基于 2026-06-08 可访问内容样本，不是对所有平台内容总量的完整统计。

Pablo Stanley 是设计师、插画师和连续创业者，创建过 Robotos、Humaaans、Blush、Bueno、Musho 和 Lummi 等产品。Musho 把自然语言直接转成 Figma 中可编辑的网站设计；Lummi 用 AI 生成可供设计师使用的素材。Lummi 团队及其 AI 创意工具组合在 2025 年被 Udemy 收购；Pablo 此后加入 Vercel，参与 v0 的生成式 UI 设计。

他在做什么

不只使用 AI 生成界面，而是把设计师重复做的“空白页起稿、布局、文案、素材搜索”产品化。
用 AI 同时探索软件产品、品牌、插画、3D、视频和社区型商业模式。
把个人影响力、开源/免费设计资源、AI 产品和创业项目连成增长飞轮。

可复用工具组合

自然语言需求 -> Musho/Figma 生成初稿 -> Lummi 生成或选择视觉素材 -> Figma 人工编辑与系统化 -> 可运行原型/产品

职业启示

最强的晋升路径不是“更快地产出页面”，而是发现设计流程中的重复痛点，把工作方法变成工具、资产库或产品。

证据

2. Ioana Teleanu / UX Goodies：AI 产品设计领导者与教育者

身份与代表性

Ioana Teleanu 是 UX Goodies 的创建者，曾任 Miro 的 AI 产品设计负责人，并持续讲授 AI 产品设计、AI 体验原则和设计师职业转型。

她在做什么

设计 AI 功能本身，而不只是用 AI 辅助传统设计。
研究并传播 AI 产品中的信任、可控性、透明度、错误恢复等 UX 原则。
将企业 AI 产品实践转化为课程、演讲、内容和咨询能力。

可复用工具组合

AI 产品机会识别 -> 对话/生成式体验设计 -> 原型验证 -> 评估信任与可控性 -> 内容/课程沉淀

职业启示

UX 设计师可转向一个更稀缺的方向：AI Experience Designer / AI Product Designer。核心竞争力不是提示词本身，而是能解决 AI 的不确定性、解释性、信任和人机协作问题。

证据

3. Aliena Cai：把 AI 嵌入真实产品设计交付

身份与代表性

Aliena Cai 是产品设计负责人和 UX 内容创作者。她公开分享了团队如何用 AI 加速实际设计任务，而不是只展示视觉效果。

公开案例

在一个负责 40 多个网站的敏捷团队中，她报告：

用 AI 从 persona 生成对应功能集，效率提高约 70%。
用 AI 把利益相关者的零散想法快速转成可讨论方向。
工作坊中先生成约 50 个设计想法，再筛选到约 10 个；传统方式可能只能探索约 7 个。
用 Figma Make 将流程图转成交互式原型，让非设计利益相关者更容易理解流程。
用 Figma MCP 让开发 AI 读取 Figma 设计和设计系统，减少实现阶段的上下文丢失。

工具组合

ChatGPT/LLM 生成 persona 功能假设 -> FigJam/Figma AI 批量构思 -> Figma Make 交互原型 -> 用户/利益相关者反馈 -> Figma MCP + 开发 AI 实现

关键习惯

把 AI 输出视为待验证假设。
用更多方案提高探索宽度，而不是用 AI 跳过判断。
用交互原型替代静态流程图，降低沟通成本。

证据

4. Truc Anh / T-Design：用 AI 将 10 天设计周期压到 3 天

身份与代表性

Truc Anh 公开记录了将 AI 应用于股票转移产品流程的真实 UX 项目。案例使用 ChatGPT 分析 Jira 需求，并用 Figma Make 完成线框、复杂流程和可交互原型。

原工作流

阅读需求 -> 手工搭建线框 -> 多轮页面修改 -> 制作高保真稿 -> 原型连接与演示

AI 后工作流

结构化需求 -> Figma Make / AI 生成线框与交互 -> 设计师审查并迭代提示 -> 可交互原型 -> 演示

结果

原预计：约 10 个工作日。
实际：约 3 个工作日。
相当于周期缩短约 70%，速度约 3.3 倍。
生成约 180 个版本，花费约 55 美元 AI credits。

局限

该数字覆盖线框和可交互原型，不代表完整 UX 研究、真实用户测试或生产代码。
案例作者明确指出，Figma Make 适合线框、流程和复杂逻辑，但尚不可靠地生成符合生产级设计系统的高保真 UI。

证据

T-Design：Applying AI in a Real Product Workflow

5. Accor 设计团队：三天完成可交互战略愿景

身份与代表性

Accor 的十名设计师使用 Figma Make 探索未来对话式旅行体验，把抽象战略愿景变成领导者可实际操作的高保真原型。

工作方式

战略愿景 -> 十名设计师并行探索完整旅程 -> Figma Make 生成并实时调整 -> 三天内形成统一、符合设计系统的交互体验 -> 领导层体验与决策

价值

团队在 3 天 内交付了完整、统一、符合设计系统的可交互体验。
原本容易停留在静态概念中的愿景，变成领导者可以直接体验和讨论的战略工具。
设计师减少生产工作，把时间转向方向塑造、情感体验和组织对齐。

证据

Figma Customer Story：How Figma Make helps the design team shape decisions at Accor

6. Stepstone DesignOps 团队：设计师直接构建内部工具

身份与代表性

Stepstone 的设计团队使用 Figma Make 创建了设计系统资产管理工具，替代第三方软件。

工作流变化

过去：依赖第三方工具和工程资源，设计系统资产更新慢。
现在：DesignOps 团队可自行生成和调整内部工具，设计师对流程拥有更强控制力。

结果

团队称以往需要数天的工作现在可在 数小时 内完成。
原案例未提供固定起止时间，无法可靠计算精确倍数，因此只能表述为“数倍提速”。

证据

Figma Customer Story：Stepstone replaced third-party software using Figma Make

二、高手们的 AI 工具栈

按工作场景拆解

工作场景	常用工具（精确名称）	解决的具体问题	最合适的使用方式
桌面研究与竞品扫描	ChatGPT、Claude、Perplexity	快速建立领域词汇、竞品列表、研究问题和初步假设	用于发现与归纳；重要事实回到原始来源核验
访谈转录与研究整理	Dovetail、Otter.ai、Notion AI、Claude	转录、摘要、主题聚类、提取证据片段	输入原始访谈和研究问题，要求每条结论附证据
工作坊与构思	FigJam AI、Miro AI、ChatGPT、Claude	批量生成 “How Might We”、用户旅程、功能方向和风险清单	先扩散 20-50 个，再由团队投票和评审
信息架构与线框	Relume、Uizard、Galileo AI、Figma AI	从文字生成 sitemap、页面结构和线框初稿	适合破除空白页，不适合直接作为最终方案
高保真与视觉探索	Figma、Musho、Midjourney、Recraft、Lummi	视觉方向、素材、页面变体、品牌探索	用风格规则和参考图约束，再人工系统化
可运行原型	Figma Make、v0、Lovable、Bolt.new、Framer	快速生成有交互、状态和数据感的原型	用于测试关键任务，不追求一次生成完整产品
设计到代码	Cursor、Claude Code、GitHub Copilot、Figma MCP、shadcn/ui	读取设计上下文、构建前端、快速修改实现	设计师负责体验验收，工程师负责生产质量
可用性测试与问卷	Maze AI、UserTesting AI、Sprig	生成测试问题、整理测试结果、发现模式	AI 起草问题和摘要，人检查诱导性与错误归因
演示与沟通	Gamma、Figma Slides、Loom、Descript	将研究和方案快速整理为演示或视频	让 AI 负责结构初稿，人负责观点和证据

环节	AI 替代程度	AI 接管的工作	人必须保留的工作
桌面研究初筛	高	搜索词、资料列表、摘要、竞品初表	来源核验、范围定义、判断信息是否相关
访谈转录与归类	高	转录、标签、主题初聚类	追问、观察语境、判断矛盾与情绪
Persona/旅程初稿	中高	将已有证据整理成格式化产物	防止虚构用户、验证是否有证据支持
创意扩散	高	大量方向、文案、布局变体	选择方向、处理品牌与现实约束
线框与页面起稿	高	常规页面结构和组件组合	核心任务流、复杂交互、可用性判断
高保真视觉	中	风格探索、素材和变体	视觉系统、一致性、品味和差异化
原型制作	高	交互、状态、模拟数据、前端初版	定义测试目标、发现行为问题
测试总结	中高	摘要、聚类、问题排序草稿	判断严重性、发现误因、做产品取舍
设计交接	中高	读取设计、生成代码、文档初稿	生产质量、无障碍、边界条件、验收
产品决策	低	提供选项和风险清单	对用户、商业和伦理结果负责

可核验效率数据

案例	原流程	AI 后	可计算结果	证据限制
T-Design 股票转移流程原型	约 10 天	约 3 天	约 3.3 倍；周期减少 70%	仅覆盖线框与可交互原型
Aliena Cai：persona 到功能集	未公开绝对时间	报告效率提高约 70%	若按时间反推约 3.3 倍	设计师自报；无统一任务基线
Aliena Cai：方案探索	传统约 7 个想法	AI 辅助约 50 个想法	探索数量约 7.1 倍	数量不等于质量
Stepstone 内部工具工作	数天	数小时	数倍提速	未公开精确起止时间
GitHub Copilot 受控实验（相邻证据）	无 Copilot	使用 Copilot	编码任务快 55%	对象是开发者，不是 UX 设计师

判断：现有公开证据支持“特定重复生产任务可提速 3-7 倍”，但不支持“完整 UX 项目提速 10 倍”。完整项目仍受研究招募、组织决策、用户测试、合规和工程生产化制约。

相邻证据来源：GitHub：Research on GitHub Copilot productivity

四、提示词思路：高手不是写一句神奇咒语

他们的共同习惯

先给上下文，再给任务：产品、目标用户、业务目标、使用场景、当前阶段。
把角色写成评审视角：例如“你是一名负责 B2B SaaS onboarding 的资深产品设计师”，而不是笼统的“你是 UX 专家”。
写清约束：设计系统、设备、无障碍、技术限制、不可更改内容、输出长度。
指定判断标准：不是只要 10 个方案，而是要求按用户价值、实现成本、风险和可测试性评分。
分阶段提示：先分析，再提出问题，再生成方向，最后才制作界面或代码。
给参考和反例：告诉 AI 哪些风格、交互和文案可接受，哪些不要。
要求暴露不确定性：要求标出假设、缺失信息和需要验证的部分。
一轮只修改一个层级：先修流程，再修布局，再修视觉，避免一次提示同时改所有东西。

最高频的提示词结构

Nielsen Norman Group 推荐的 CAREful 框架非常适合 UX 工作：

C — Context：背景与已有信息
A — Ask：明确任务
R — Rules：规则和约束
E — Examples：示例或参考

来源：NN/g：AI Prompt Structure

UX 设计师可直接复用的结构

text
角色：
你是一名负责 [产品类型] 的资深 UX / 产品设计师。

背景：
产品是 [产品介绍]。
目标用户是 [用户与场景]。
当前问题是 [问题]。
现有证据包括 [访谈、数据、反馈]。

任务：
请完成 [一个明确任务]。

规则与约束：
- 不要虚构研究证据；无法判断时标注“待验证”
- 遵循 [设计系统 / 技术 / 无障碍 / 品牌约束]
- 优先保证 [核心用户任务]
- 同时列出风险和边界情况

输出格式：
用表格输出：[方向、用户价值、关键流程、风险、验证方法]

评审标准：
按用户价值、实现成本、差异化、可测试性各 1-5 分评分。

下一步：
先提出最多 5 个必要的澄清问题，不要立即生成最终界面。

三个高价值提示词范式

1. 研究综合，不允许脱离证据

text
只使用我提供的访谈记录。为每个洞察附上支持它的原话或记录编号；
区分“直接观察”“解释”和“建议”。如果不同用户意见冲突，不要合并，
单独列出冲突及下一步验证方法。

2. 批量构思，同时控制质量

text
围绕 [用户任务] 生成 20 个差异明显的解决方向。
不要只改变视觉样式，至少覆盖流程简化、自动化、协作、信息架构和容错。
按用户价值、实现成本、风险、可测试性评分，并推荐最值得做原型的 3 个。

3. 生成原型前先定义行为

text
先不要写代码。先列出该流程的用户目标、进入条件、主路径、空状态、
加载状态、错误状态、权限问题、退出方式和成功标准。得到确认后，
再生成响应式可交互原型。

五、变现与晋升路径

掌握 AI 后，UX 设计师正在走向哪里

路径	工作内容变化	代表案例	变现方式
AI-native 产品设计师	设计对话、生成、推荐、自动化和人机协作体验	Ioana Teleanu	高阶产品岗位、顾问、课程
设计工程师 / Design Engineer	直接制作可运行前端和原型，连接设计与工程	Figma Make、Cursor、v0 使用者	更稀缺岗位、自由职业、快速交付
DesignOps 工具构建者	为团队构建设计系统、内部工具和自动化流程	Stepstone	晋升 DesignOps/设计系统负责人
AI 设计工具创业者	把设计工作流痛点做成产品	Pablo Stanley 的 Musho、Lummi	SaaS、收购、股权
AI UX 教育与内容创作者	输出教程、模板、课程和社区	UX Goodies、Aliena Cai、Meng To	课程、会员、赞助、咨询
AI 转型顾问	帮企业建立 AI 设计规范、工作流和培训	独立顾问/设计领导者	咨询、工作坊、企业培训

关于“靠 AI 跳槽、涨薪、创业”的证据判断

创业：证据最强。 Pablo Stanley 参与创立 AI 设计产品 Musho 和 Lummi；Lummi 团队及工具组合被 Udemy 收购，是清晰的 AI 技能产品化路径。
角色升级：证据较强。 市场上已持续出现 AI Product Designer、Conversational Designer、Design Engineer、AI UX Researcher 等岗位，但职位名称和职责仍在快速变化。
课程与咨询变现：证据较强。 Ioana Teleanu、Aliena Cai、Meng To 等人均把 AI 设计实践延伸为课程、内容、咨询或会员产品。
跳槽与涨薪：公开可核验的个人薪资前后对比很少。 不能负责任地声称“学 AI 必然涨薪 X%”。更可信的路径是用 AI 做出可展示的业务结果，再用结果争取岗位和薪资。

真正能用于晋升的证据

不要在作品集中只写“使用了 ChatGPT / Figma AI”。应展示：

原流程耗时、瓶颈和质量问题。
你设计的 AI 工作流与人工检查点。
提速、探索数量、测试轮数、转化或可用性等结果。
AI 失败案例，以及你如何发现和修复。
该方法如何被团队复用。

六、内容生态：去哪里学、关注谁

平台判断

平台	内容密度与特点	最适合学习什么	局限
YouTube	完整实操和长教程最多	从 prompt 到 Figma/代码原型的完整过程	容易被“炫技 demo”淹没，需筛选真实项目
X / Twitter	新工具、新工作流传播最快	跟踪新工具、提示词、设计实验和创作者	碎片化，证据和上下文不足
LinkedIn	企业案例和职业讨论密集	AI 产品设计、团队落地、职业变化	容易偏观点和个人品牌内容
B站	中文工具教程和搬运/解读较多	入门、中文操作演示、工具扫盲	深度生产案例相对少，更新速度稍慢
小红书 / 抖音	入门与工具推荐数量多	发现工具、快速技巧、中文趋势	难承载完整工作流与证据
Medium / Substack / 专业博客	方法论和案例细节最完整	深度复盘、提示词、流程和原则	阅读成本高，更新分散

结论：

想学“怎么实际做”：首选 YouTube + 原作者博客。
想知道“最近出现了什么”：首选 X + LinkedIn。
想用中文快速入门：从 B站 + 优设/UI 中国等设计媒体开始，但关键方法回到英文一手资料验证。
小红书和抖音适合发现，不适合作为唯一学习来源。

持续输出高质量内容的人与账号

创作者 / 组织	主要平台	重点内容	推荐原因
Ioana Teleanu / UX Goodies	Instagram、LinkedIn、课程、网站	AI 产品 UX、AI 体验原则、职业发展	有企业 AI 产品设计经验，关注的不只是工具
Aliena Cai	YouTube、Medium	产品设计职业、Figma AI、团队工作流	分享真实团队场景和可计算结果
Pablo Stanley	X、YouTube、个人网站	AI 设计产品、创意工具、创业	展示设计师如何把工作流变成产品
Meng To / Design+Code	YouTube、Design+Code	AI 编码、设计到代码、产品制作	适合想升级为 Design Engineer 的设计师
Linus Ekenstam	X、YouTube、网站	AI 工具、产品设计、创业实验	新工具覆盖快，适合跟踪趋势
Nielsen Norman Group	网站、YouTube	AI UX 研究、提示词、UX 方法	方法严谨，适合建立判断标准
Figma	YouTube、博客、客户案例	Figma AI、Make、MCP、真实团队案例	一手产品教学和客户案例多
Miro / Maze / Dovetail	博客、YouTube	AI 工作坊、测试、研究综合	适合研究与协作环节
优设网 / 优设AI	网站、公众号、B站	中文 AI 设计工具和案例	中文更新频率高，适合建立工具认知
UI 中国	网站、公众号	UI/UX 与 AIGC 行业内容	适合观察国内设计社区讨论

关注内容时的筛选标准

高质量内容通常会展示：原问题、输入材料、完整过程、失败与修正、人工判断点、最终结果和限制。

低质量内容通常只有：一条提示词、漂亮结果图、“X 秒生成 App”、没有用户问题、没有测试、没有生产约束。

七、风险与能力边界

研究幻觉：AI 会把不充分证据整理成听起来很合理的结论。所有洞察必须能回到原始记录。
同质化：默认模型会生成平均化的布局、文案和体验。差异化来自真实用户理解、品牌约束和设计判断。
隐私与保密：不要把未授权的用户访谈、公司数据和源代码上传到公开模型。
无障碍与边界状态：生成原型常忽略键盘操作、读屏、错误状态、权限和复杂业务规则。
原型不等于生产代码：AI 生成的可运行界面适合验证，不代表安全、可维护或符合工程规范。
工具依赖：工具迭代很快；应学习稳定的能力层，而不是只背某个产品按钮。

八、UX 设计师应建立的 AI 能力栈

基础层：两周内可获得

会把模糊需求改写成结构化 brief。
会用 CAREful 框架写提示词。
会要求 AI 标注假设、证据和不确定性。
会用 AI 做研究整理、批量构思和文案变体。

进阶层：一至两个月

会使用 Figma Make、v0 或 Lovable 制作可运行原型。
会设计空、加载、错误、权限和恢复状态。
会建立 AI 输出评审清单。
会记录自己的提速和质量结果。

差异化层：三至六个月

会使用 Cursor / Claude Code 和 Figma MCP。
能读懂并调整基础前端代码。
能设计 AI 产品中的信任、可控性和反馈机制。
能把个人工作流沉淀成团队模板、组件或内部工具。

九、如果我是这个岗位的人，我接下来应该做的第一件事

我不会先收藏更多 AI 工具，也不会先学几十条提示词。

我会挑选当前工作中一个每周重复、结果可衡量、风险较低的任务，用 AI 重做一遍，并记录前后对比。

最适合的第一个任务是：把一组已有的用户访谈或反馈，整理成“证据 -> 洞察 -> 设计机会 -> 可测试原型”的完整小闭环。

具体做法：

记录原流程耗时和产物质量。
用 Dovetail/Claude 整理证据，但要求每条洞察链接到原始记录。
用 ChatGPT/Claude 生成 20 个方向并按统一标准评分。
用 Figma Make 或 v0 制作一个关键流程的可运行原型。
找 3-5 个真实用户或同事测试。
记录总耗时、发现的问题、AI 犯的错误和最终结果。

完成后，你会得到比“我会用 AI”更有价值的资产：一个有证据、有结果、能写进作品集并可在团队复用的 AI UX 案例。

text
会调用模型
→ 能把研究、设计、原型、测试串成稳定工作流
→ 能设计 AI 产品体验与评测体系
→ 能把工作流包装成团队能力、案例和可收费服务

90 天目标职位画像：AI-native Product Designer / AI Experience Designer / Design Engineer。

你的差异化组合应是：

UX 判断力 + AI 产品体验设计 + 可运行原型 + 轻量工程能力 + 评测与治理

学习运行规则

每天 8 小时按以下比例投入：

时间	用途	必须留下的证据
1 小时	学习一个当天要用的概念	300 字以内的操作笔记
4 小时	在一个真实项目中制作	原型、研究报告、代码或工作流
2 小时	找 3-5 人测试或自测	观察记录、失败案例、修改前后对比
1 小时	沉淀可复用资产	模板、提示词、检查表、评测集或案例页

三条硬规则：

不连续看教程超过 60 分钟；学完立刻做。
AI 生成的研究结论必须能回到原始证据；AI 生成的界面必须经过任务测试。
每周必须发布一个别人能查看、试用或购买的成果。

入口/下载： Figma Make 工具指南 · Figma 桌面端下载
最快上手场景： 选一个你熟悉的 SaaS 功能，把静态流程改造成包含空状态、加载、错误、成功反馈的交互原型。
入门提示词：

text
你是一名资深产品设计师和前端原型工程师。
请为【目标用户】设计一个完成【核心任务】的桌面端 SaaS 原型。

必须包含：
1. 首次进入、正常使用、空状态、加载状态、错误恢复和成功反馈；
2. 用户可以完成从【起点】到【终点】的完整任务；
3. 使用清晰的信息层级和可访问的表单标签；
4. 先复述你理解的用户目标与约束，再生成原型。

不要只生成漂亮首页，优先保证关键任务真实可操作。

2. Dovetail：把访谈资料变成可追溯洞察

入口： Dovetail · Dovetail 帮助中心
最快上手场景： 导入 3-5 份历史访谈或客户反馈，建立“证据片段 → 标签 → 主题 → 洞察 → 设计机会”的链路。
入门提示词：

text
请只根据提供的访谈原文进行分析，不补充虚构信息。
围绕研究问题【研究问题】提取：
1. 用户目标；
2. 高频障碍；
3. 当前替代方案；
4. 原文证据；
5. 仍需验证的假设。

每条洞察必须附对应原文证据；证据不足时明确标记“待验证”。
最后按影响程度与证据强度分别评分，不要把提及次数直接等同于重要性。

3. v0：快速生成可分享、可继续开发的产品实验

入口： v0 工具指南 · v0 文档
最快上手场景： 把一个新功能假设做成可分享的网页实验，用真实任务测试，而不是只展示静态稿。
入门提示词：

text
Build a responsive prototype for [product and user].
The primary user task is [task].

Before building, list:
- the assumptions being tested;
- the critical user path;
- the states and edge cases required.

Then build only the smallest testable flow.
Include realistic sample data, empty/loading/error/success states,
keyboard focus styles, and a short feedback form after task completion.
Do not build a marketing landing page.

明天开机第一件事：2026-06-09

在 learning-path/projects/01-ai-ux-sprint/ 创建一个项目，选择你最熟悉的真实产品问题，写一页 brief.md，只回答：

谁在什么情境下遇到什么问题？
目前有什么证据？
本周要验证的最大风险是什么？
用户完成什么行为，才算原型有效？
哪些信息绝不能交给公开 AI 工具？

然后立刻用 Figma Make 或 v0 制作最小任务流。第一天不要做高保真视觉。

本周 7 天执行表

日期	开机第一件事	当天行动	当天输出
06-09	写一页问题 brief	选真实问题，定义用户、证据、风险和成功标准	`brief.md`
06-10	列出关键任务的 6 种状态	用 Figma Make/v0 做可运行任务流	原型 v0.1
06-11	准备 5 个任务测试问题	找 3 人完成任务，全程只观察不解释	测试记录
06-12	汇总所有失败点	用 Dovetail/LLM 聚类，再逐条回查证据	洞察表
06-13	选最高风险问题修改	迭代原型并补齐错误恢复和可访问性	原型 v0.2
06-14	写案例结构而非美化页面	展示问题、证据、决策、失败与结果	案例初稿
06-15	发布前做一次完整任务测试	发布可访问链接和一页复盘	本周案例

本周可交付成果： 一个能完成核心任务的交互原型 + 3 人测试证据 + 一页案例复盘。

验收标准：

至少包含空、加载、错误、成功四类状态。
至少记录 5 个 AI 输出错误或不合理设计，并说明你如何纠正。
案例不是“我用了什么工具”，而是“我验证了什么、做了什么取舍、结果如何”。

第二层：1 个月基础体系（2026-06-09 至 2026-07-06）

第 1 周：从静态设计到可测试原型

学习主题： AI 辅助需求澄清、任务流、状态设计、可运行原型。
开机第一件事： 每天先打开原型完成一次核心任务，记录第一个阻塞点。
项目： 将一个熟悉的 SaaS 功能做成最小可测试原型。
可交付成果： 可运行原型 + 任务测试报告 + 案例页。
验收： 3-5 名测试者；关键任务完成率、耗时、主要失败点有记录。

第 2 周：建立 AI 增强用户研究流水线

学习主题： 研究计划、访谈、证据追溯、主题聚类、AI 幻觉防护。
开机第一件事： 写下当天唯一研究问题，删除不能回答它的研究活动。
项目： 围绕一个真实问题完成 5 次访谈，建立带原文证据的洞察库。
可交付成果： 研究计划、访谈提纲、脱敏原文、标签体系、洞察报告。
验收： 每条洞察都能链接到证据；把“事实、推断、建议”分开；列出反例与未知项。

第 3 周：学习设计 AI 产品体验

学习主题： AI 不确定性、信任、可控性、解释、反馈、错误恢复、人机协作边界。
开机第一件事： 选择一个常见 AI 功能，写出它最危险的 10 种失败方式。
项目： 重设计一个 AI 功能，例如智能搜索、AI 写作助手、客服 Agent 或研究助手。
可交付成果： AI 体验原则、失败模式地图、关键流程原型、评测表。
验收： 原型明确展示来源、置信度或限制；用户可编辑、撤销、纠错和升级给人工。

第 4 周：把工作流包装成可展示、可收费的产品

学习主题： 工作流标准化、服务定义、案例叙事、价值定价。
开机第一件事： 把前三周重复出现的步骤写成检查表，找出最值得产品化的一段。
项目： 制作“AI UX 快速验证 Sprint”服务包。
可交付成果： 服务介绍页、交付模板、报价范围、示例案例、客户问卷。
验收： 别人只看说明就知道输入、过程、交付物、周期、边界和价格；找 3 位潜在客户访谈。

首月最终成果包

text
portfolio/
├── 01-runnable-prototype-case/
├── 02-evidence-backed-research-case/
├── 03-ai-experience-redesign-case/
└── 04-ai-ux-sprint-service/

到 2026-07-06，你应能用一句话出售自己的能力：

我帮助软件团队在 5 天内，把模糊的 AI 功能想法变成经过用户验证、包含失败与恢复机制的可运行原型。

首月学习资源

视频/课程

AI for Designers - Interaction Design Foundation：建立 AI 设计全景，重点看人机协作与设计师角色。
Figma 官方 YouTube：搜索并跟做 Figma Make、AI、MCP 相关演示。
Aliena Cai YouTube：观察产品设计师如何将 AI 放入真实工作流。

文章/指南

Google People + AI Guidebook：AI 产品体验设计的核心框架。
Microsoft HAX Toolkit：人机交互与 AI 设计指南、工作表和失败场景。
W3C Accessibility Fundamentals：原型验收的无障碍基线。
Figma Make 工具指南与 v0 文档：边做项目边查，不通读。

实操项目

项目 A： 给现有软件增加一个 AI 助手，但必须设计来源、撤销、纠错和人工升级。
项目 B： 把 5 份访谈整理成证据可追溯的研究库，并让另一位设计师复核结论。
项目 C： 用同一个 brief 分别在 Figma Make 和 v0 中生成原型，比较可控性、速度、质量和后续维护成本。

第三层：3 个月进阶能力（2026-06-09 至 2026-09-06）

AI 进阶技能树

text
Level 1 会用工具
├── 结构化上下文与约束
├── 研究资料整理与证据追溯
├── 批量探索与人工筛选
└── 生成可运行原型
    ↓
Level 2 会设计工作流
├── 输入模板、提示模板和检查表
├── Figma / 文档 / 代码之间的上下文传递
├── 人工审批点、隐私边界和质量门禁
├── 原型测试、数据记录和复盘
└── 可重复交付的 AI UX Sprint
    ↓
Level 3 会搭 AI 系统
├── AI 产品交互模式与失败恢复
├── 评测集、评分标准和回归测试
├── 设计系统机器可读化
├── Agent 工作流与工具调用
└── 持续收集反馈并改进的闭环

真正的跃迁点

跃迁点不是学会更多工具，而是学会建立“评测闭环”。

当你能先定义优秀结果、收集真实任务、建立评分标准，再让 AI 生成、测试、失败、修正，你就从“AI 使用者”变成了“AI 系统设计者”。这会同时提高：

效率： 不再靠感觉反复改提示词。
晋升竞争力： 能说明质量、风险和业务结果。
职业转型： 可胜任 AI Product Designer / AI Experience Designer。
副业变现： 可出售评测、工作流改造和快速验证服务。

第 2 个月：工作流设计与设计工程（2026-07-07 至 2026-08-06）

第 5 周：设计系统变成 AI 可调用上下文

开机第一件事： 选 10 个最常用组件，补齐命名、用途、状态、禁用规则和示例。
交付物： 一个小型机器可读设计系统说明 + 组件使用规则。

第 6 周：设计到代码的闭环

开机第一件事： 从一个 Figma 页面挑选关键任务流，定义视觉和行为验收清单。
交付物： 用 Codex/Claude Code 实现的响应式原型 + 设计验收报告。

第 7 周：把重复任务编排成工作流

开机第一件事： 记录完成一次 UX 任务的所有输入、决策点、输出和检查项。
交付物： 一个从 brief 到研究计划、原型、测试报告的半自动工作流。

第 8 周：团队试运行

开机第一件事： 找一名设计师或产品经理，让他不经口头指导运行你的工作流。
交付物： 工作流 v2、失败记录、节省时间对比、团队使用说明。

第 3 个月：AI 产品体验与评测系统（2026-08-07 至 2026-09-06）

第 9 周：建立失败模式库

开机第一件事： 收集 30 个真实用户请求，标记 AI 可能犯错的位置。
交付物： AI 功能失败模式地图，覆盖错误、拒绝、延迟、不确定性、越权和隐私。

第 10 周：建立 UX 评测集

开机第一件事： 为 10 个代表性任务写清“优秀、可接受、失败”的标准。
交付物： 至少 30 条任务的评测集、评分规则和基线结果。

第 11 周：构建 AI 体验原型

开机第一件事： 先实现一个失败场景和恢复流程，再做正常路径。
交付物： 展示来源、限制、编辑、撤销、纠错和人工升级的 AI 产品原型。

第 12 周：发布旗舰案例与服务

开机第一件事： 用“问题、证据、决策、评测、结果”五个标题重写案例。
交付物： 旗舰案例、可演示原型、评测报告、服务页或求职材料。

进阶资源

Google People + AI Guidebook：AI 体验模式与人机协作。
Microsoft HAX Toolkit：AI 设计原则和工作表。
OpenAI - Evaluation best practices：建立评测集和质量标准。
Anthropic - Building effective agents：理解工作流与 Agent 的设计边界。
Figma Developer Docs：设计上下文、插件和开发能力。
v0 文档：从提示到可运行产品实验。
W3C WAI：把无障碍变成设计与原型验收门禁。

第四层：长期护城河（未来 3 年）

不会因某个工具过时而失效的能力

长期能力	为什么不会过时	你应如何积累
问题定义	生成变便宜后，选对问题更稀缺	为每个项目保留问题 brief、假设和取舍记录
用户研究与证据判断	模型不能替代当前真实用户与业务语境	建证据库，明确事实、推断、反例和未知项
AI 体验设计	AI 的不确定性、信任和控制问题长期存在	建立 AI 模式库和失败恢复案例
评测设计	模型越强，团队越需要知道是否可靠	持续积累真实任务、评分规则和回归结果
系统思维与工作流设计	单次生成容易，稳定协作困难	记录输入、步骤、审批点、质量门禁和指标
设计工程能力	可运行原型比静态稿更接近结果	掌握 HTML/CSS/JS 基础、组件和浏览器验证
沟通与组织推动	AI 无法替你承担跨团队决策责任	用原型和数据推动取舍，记录业务影响

建立持续增值的 AI 工作流资产

从第一天起，将每个项目沉淀为以下结构：

text
ai-ux-assets/
├── briefs/                 # 问题定义和上下文模板
├── research/               # 研究计划、提纲、证据和洞察模板
├── prompts/                # 经验证的提示词，不保存未经验证的“神提示词”
├── patterns/               # AI 交互、状态、错误恢复和信任模式
├── design-system-context/  # 组件语义、规则和示例
├── evals/                  # 真实任务、评分标准、失败案例、回归结果
├── workflows/              # 可重复运行的步骤、工具和人工审批点
├── case-studies/           # 对外案例
└── offers/                 # 可收费服务、范围、报价和合同边界

每周五更新一次资产库：

删除没有经过真实任务验证的提示词。
把本周最常见的失败加入评测集。
把重复三次以上的操作写成模板或自动化。
给案例补充结果指标，而不是只补截图。
记录工具替换成本，避免资产被某个平台锁死。

同岗位很少做、但很值钱的 AI 技能

1. AI 产品 UX 评测

多数设计师会做界面，但很少有人能定义 AI 回答何时“好、可接受、危险”。可提供：

AI 功能体验审计；
真实用户任务评测集；
信任、可控性和错误恢复评审；
上线前回归测试。

阶段	可出售的东西	建议验证价格，不是市场报价
第 1 月	5 天 AI UX 快速验证 Sprint	¥3,000-8,000 / 次
第 2 月	AI 增强研究与可运行原型服务	¥8,000-20,000 / 项目
第 3 月	AI 功能 UX 审计 + 评测集	¥10,000-30,000 / 项目
长期	团队 AI 工作流改造、培训与治理	按范围定制

价格必须用真实客户访谈验证。前 3 个项目优先换取可公开案例、结果数据和推荐语，不要无限免费。

明天的完整 8 小时安排：2026-06-09

时间	动作
09:00-09:30	创建 `learning-path/projects/01-ai-ux-sprint/brief.md`，写清用户、问题、证据、最大风险和成功标准
09:30-10:30	阅读 Google People + AI Guidebook 中与你项目相关的一节，只记 5 条可立即使用的原则
10:30-12:30	在 Figma Make 或 v0 中实现最小核心任务流，不做营销页
13:30-15:30	补齐空、加载、错误、成功、撤销和纠错状态
15:30-16:30	自己完成 3 次任务，记录阻塞点和 AI 生成错误
16:30-17:30	找 1 位真实用户进行首次任务测试
17:30-18:00	写当天复盘：学到什么、失败什么、明天首先修什么

明天结束时必须存在的东西： 一页 brief、一个可点击或可运行的核心流程、至少一条真实测试记录。缺少其中任何一项，都不算完成。

每周复盘计分板

每周日只看以下指标：

指标	本周目标
发布的可查看成果	1 个
真实用户/同事测试	≥ 3 人
新增评测任务	≥ 5 条
记录并纠正的 AI 失败	≥ 5 条
沉淀的可复用资产	≥ 2 个
与潜在客户/招聘方交流	≥ 2 人
纯看教程时间	≤ 总投入的 20%

90 天完成判定

到 2026-09-06，以下 6 项全部完成才算真正完成路线：

3 个有真实证据和结果的 AI UX 案例；
1 个可运行的 AI 产品体验原型；
1 套至少含 30 条真实任务的 UX 评测集；
1 套别人能够独立运行的 AI UX 工作流；
1 个明确的付费服务页或已完成的付费试单；
能用 10 分钟演示“问题 → 工作流 → 原型 → 评测 → 结果”。

与现有研究的连接

[软件行业 AI 渗透地图](../industry-ai-map.md)
[UX 设计师 AI 高手对标与工作流研究](../case-studies/job-ai-benchmark.md)
[AI 技能成长操作系统](../AI-Skills-OS/AI-Skills-OS.md)

工具：ChatGPT、Claude Artifacts、Figma AI
场景：产品需求澄清与设计任务拆解、用户访谈整理与洞察提取、设计评审与可用性检查
学习：第1周-建立AI协作基本功
提示词：产品需求转设计任务提示词、用户访谈洞察提取提示词、设计评审提示词
差距：AI技能自评矩阵

1 个月内能学

工具：Adobe Firefly、Midjourney、v0
场景：界面方案探索与视觉方向板、交互原型生成与验证
学习：第2至4周-完成三个真实设计项目
提示词：界面方案探索提示词、可用性测试计划提示词

3 个月进阶

工具：Figma Make
趋势：从界面交付到可运行原型、设计系统进入AI可调用时代、生成式UI带来的设计师角色变化、AI设计的版权隐私与无障碍风险
学习：第2至3月-建立AI增强设计工作流
案例：Figma-Make-从提示到可运行原型、Adobe-Firefly-品牌可控内容生产
差距：90天能力补齐计划

使用规则

每次只选一个真实工作任务练习。
将输入、提示词、输出、人工修改和结果记录到对应笔记。
AI 输出必须经过事实、品牌、隐私、无障碍与可用性检查。
每周更新一次 AI技能自评矩阵。

持续进化系统

信息输入：my-ai-information-sources
工具决策：tool-radar-template
提示词资产：my-prompt-library
每周复盘：ai-growth-log

运行节奏：每天发现信号，每周完成一个最小实验并追加周报，每月更新工具雷达，每季度清理信息源。

信号优先级：官方发布 > 一线设计师实操 > 方法论研究 > 聚合快讯。
不追全部更新：每周最多精读 3 条、实践 1 条、归档 1 条。
所有收藏必须回答：“它会改变我的哪个设计任务？”
每季度清理：连续 8 周没有产生可实践内容的信息源取消订阅。
粉丝量和更新频率会变化；下表是截至 2026-06-08 的近似量级与观察，不作为影响力排名。

YouTube 十大精选频道

频道	内容方向	常见更新频率	为什么值得看
Figma	Figma AI、Config、设计系统、产品工作流	每周多条或活动期集中更新	获取 Figma 新能力的一手演示，判断哪些 UX 交付环节会被重构
Nielsen Norman Group	UX 研究、可用性、交互原则、AI UX	每周约 1 条	用研究方法校正 AI 生成方案，避免只追求视觉速度
AJ&Smart	工作坊、设计冲刺、引导与协作	每月约 1–3 条	学会把 AI 放进团队决策和共创流程，而不只是个人出图
Mizko	UX/UI 职业、案例拆解、AI 设计工具	每月约 2–4 条	内容贴近产品设计师的真实交付与能力升级
Femke	产品设计、研究、职业发展、设计流程	每月约 1–3 条	适合学习成熟设计团队的工作方式和沟通方式
Vaexperience	UX 研究、作品集、服务设计、方法论	每月约 2–4 条	强调证据和问题定义，可抵消 AI 工具带来的“快速但肤浅”
Flux Academy	Web/产品设计、AI 建站、设计商业化	每周约 1–3 条	跟踪从设计到可运行网站的工作流变化
DesignCourse	UI/UX 实战、前端、AI UI 生成	每周约 1–3 条	可快速观察 AI 生成界面与手工优化之间的差距
The Futur	设计商业、表达、客户沟通、创意职业	每周多条	补足设计师使用 AI 后仍不可替代的提案与商业判断
Google Design	产品设计、Material、设计系统、AI 产品	不定期，活动期集中更新	观察大型软件产品如何处理 AI 体验、信任和设计系统

观看策略：只打开标题中包含 AI / workflow / research / prototype / design system / usability 的内容；先看章节与评论，再决定是否完整观看。

X / Twitter 十大精选账号

账号	擅长领域	粉丝量级	关注理由
@figma	Figma 产品、AI、设计社区	百万级	最快获得产品发布和社区案例
@NNgroup	UX 研究与可用性	十万级	获取研究文章和 AI UX 方法论
@emollick	生成式 AI 的工作与教育应用	十万至百万级	高质量实测，帮助判断 AI 能力边界
@ridd_design	产品设计、设计工程、AI 工作流	十万级	高频分享设计师可直接复用的工作方式
@femkesvs	产品设计、职业成长、社区	十万级	跟踪产品设计团队实践
@josephbergdoll	AI 原型、设计工程、Figma	万级	观察设计与代码融合的一线实验
@jasonyuandesign	AI 产品、交互与创意原型	万级	学习 AI 原生产品的交互表达
@joeyabanks	Figma、设计系统、插件与效率	十万级	跟踪设计系统和 Figma 深度技巧
@MengTo	设计到代码、AI 产品制作	十万级	观察个人如何用 AI 完成产品化
@linusekenstam	AI 工具、产品与创意工作流	十万级	用作新工具雷达的快速信号源

使用策略：建立私密列表 AI × UX Signal；每天只看列表 10 分钟。X 上的粉丝量与宣传性内容仅作为发现线索，工具结论必须回到真实项目验证。

五大精选电子简报

名称	主题	订阅链接
Nielsen Norman Group Newsletter	UX 研究、可用性与 AI 用户体验	订阅
Figma Shortcut	Figma 产品更新、Config、社区与教程	订阅
One Useful Thing	Ethan Mollick 的生成式 AI 实验与工作影响	订阅
UX Collective	UX、产品设计、AI 与行业观点	订阅
TLDR AI	AI 产品、模型、工具与研究快讯	订阅

邮件规则：全部进入 AI-Design-Input 标签；周五统一处理。只保留会触发实验或决策的内容。

中文社区 Top 5

中文平台同名账号较多，关注前核对简介和持续更新情况。

平台与账号	重点内容	使用方式
B站：优设基础训练营	UI/UX、设计工具、AI 设计实操	搜索 AI 设计、Figma、工作流专题
B站：UX辞典	UX 方法、交互设计、行业知识	用于建立中文方法论词汇和案例库
B站：人人都是产品经理	产品、用户研究、AI 产品案例	关注 AI 产品体验与产品设计协作
B站：李自然说	AI 产品、创业与工具趋势	用于快速发现新方向，结论需二次验证
小红书：AI产品黄叔	AI 产品与工具实践	搜索具体工具实测，重点看评论区真实反馈

中文社区规则：社区内容用于发现案例、痛点和中文表达，不作为工具效果的最终证据。

行业专属社群

社群	类型	加入入口 / 搜索方向	适合解决的问题
Friends of Figma	全球/本地社区	选择所在城市或线上活动	Figma、设计系统、插件、AI 功能实践
Design Buddies	Discord	官网加入	作品反馈、职业交流、设计活动
IxDF Community	全球 UX 社区	官网社区与本地小组	UX 方法、职业发展、同行讨论
AI Tinkerers	AI 实践者社群	查找本地活动	与工程师共同理解 AI 原型和能力边界
微信群方向	搜索并通过活动加入	关键词：Figma 中文社区、UXPA 中国、IXDC、AI 产品设计、设计工程	优先加入有固定活动、案例评审和管理员维护的群

社群筛选条件：最近 30 天有高质量讨论；不是纯广告群；成员会分享过程和失败；能获得作品反馈或找到共创伙伴。

每周信息处理流水线

时间	动作	产出
周一 15 分钟	浏览 X 私密列表与 TLDR AI	记录 3 个候选信号
周三 30 分钟	精读/观看最相关的 1 个内容	写下“影响哪个 UX 任务”
周五 30 分钟	处理 Newsletter 与中文社区收藏	选出 1 个可验证实验
周末 15 分钟	更新 tool-radar-template 与 ai-growth-log	形成学习决策

信息卡片模板

markdown
### {{标题}}
- 日期：
- 来源与链接：
- 信号类型：工具 / 工作流 / 方法 / 风险 / 案例
- 它改变的 UX 任务：
- 我学到的一句话：
- 需要验证的假设：
- 15–60 分钟最小实验：
- 结果归档到：工具雷达 / 提示词库 / 案例库 / 不处理

维护记录

日期	变更	原因
2026-06-08	建立首版信息源清单	建立个人 AI 技能持续进化系统

分层	含义	行动
Adopt 采用	已在真实项目中稳定创造价值	固化工作流、写提示词、形成案例
Trial 试用	与高频任务高度相关，值得做小实验	安排 1–2 小时真实任务测试
Assess 观察	有潜力，但价值或稳定性未验证	收集 3 个真实案例，月底复审
Hold 暂缓	不适配、过贵、质量差或已有替代	记录原因，三个月后再看
Retire 淘汰	已停止使用或被更优方案替代	导出资产、删除订阅、记录迁移

新工具评估卡

markdown
### {{工具名}} · {{评估日期}}

- 官网：
- 解决的任务：
- 触发来源：
- 当前替代方案：
- 数据/隐私边界：
- 计划投入时间：

| 维度 | 权重 | 评分 1–5 | 证据 |
|---|---:|---:|---|
| 岗位适配：能否改善高频 UX 任务 | 35% |  |  |
| 学习成本：多久能产生第一个可用结果 | 20% |  |  |
| 替代可能：相比现有工具是否更快、更好或更便宜 | 25% |  |  |
| 真实口碑：真实用户案例、负面反馈与留存信号 | 20% |  |  |

- 加权总分：__/5
- 最小实验：
- 成功指标：
- 实验结果：
- 决策：Adopt / Trial / Assess / Hold / Retire
- 下次复审日期：

评分说明

1. 岗位适配

1：只产生新奇演示，与 UX 工作无关。
3：能改善偶发任务，但需要大量人工修正。
5：能显著改善每周发生的研究、探索、原型、评审或协作任务。

2. 学习成本

1：超过 10 小时仍难稳定复现。
3：2–5 小时可完成第一个可用结果。
5：1 小时内可用于真实任务，且迁移成本低。

3. 替代现有工具的可能性

1：只增加步骤，没有独特价值。
3：在一个场景中明显更好。
5：可稳定替代多个步骤，或带来原来做不到的能力。

4. 真实用户口碑

1：只有官方 Demo 和推广内容。
3：有多个独立案例，也有明确缺点。
5：有持续使用者、可复现案例、活跃迭代和可信负面反馈。

决策门槛

≥ 4.0：进入 Trial；真实项目验证通过后 Adopt。
3.0–3.9：Assess，等待能力、价格或工作场景成熟。
< 3.0：Hold。
涉及敏感用户数据、版权不清或不可导出资产：无论总分多高都不得 Adopt。

UX 设计师最小实验菜单

每次只选择一个真实任务，并与当前做法对照。

任务	最小实验	成功指标
用户研究	从脱敏访谈稿提取主题并回链证据	无虚构引用；人工整理时间减少 30%
需求澄清	把模糊需求转成假设、约束和问题清单	评审遗漏减少；团队确认可用
方案探索	生成 3 种信息架构或交互方向	方向有差异；能说明取舍
原型制作	从描述生成可点击原型	核心流程可运行；可继续编辑
设计评审	检查可用性、无障碍和边界状态	找到人工遗漏问题；误报可控
沟通表达	把设计决策转成面向不同角色的说明	减少往返沟通；不夸大证据

每月更新模板

markdown
## {{YYYY-MM}} 工具雷达更新

### 本月出现
| 工具 | 新能力 | 影响的 UX 任务 | 当前层级 | 下一步 |
|---|---|---|---|---|
|  |  |  | Assess |  |

### 本月升级
| 工具 | 原层级 → 新层级 | 真实项目证据 | 决策 |
|---|---|---|---|
|  |  |  |  |

### 本月过时或淘汰
| 工具 | 原因 | 替代方案 | 资产迁移状态 |
|---|---|---|---|
|  |  |  |  |

### 本月结论
- 最值得继续投入的工具：
- 应停止投入的工具：
- 下月只验证的一个问题：

过时判定

满足任意两项即可进入 Retire 候选：

连续 3 个月没有用于真实任务。
核心功能已被主工具原生覆盖。
输出不可编辑、不可导出或难以进入团队工作流。
质量或稳定性下降，人工修复成本超过节省时间。
价格上涨后投入产出不成立。
产品停止维护、社区明显失活或数据政策不可接受。

当前雷达起点

层级	工具	重点观察任务
Adopt	ChatGPT、Figma AI	需求澄清、研究整理、设计评审
Trial	Figma Make、v0、Claude Artifacts	从需求到可运行原型
Assess	新出现的 AI 原型、用户研究与设计系统工具	是否能进入真实团队流程
Hold	仅能生成不可编辑 UI 截图的工具	等待可编辑性和工作流集成

更新记录

日期	变更	结论
2026-06-08	建立首版雷达与评分规则	用真实任务证据代替工具热度

先写背景、目标、输入、约束和输出格式，再要求 AI 工作。
用户资料、业务数据和未发布内容必须先脱敏。
要求 AI 区分事实、推断和建议，并标记不确定性。
每条提示词必须在真实任务中验证；好看但没用的输出不进入资产库。
每次优化只改变一个关键变量，并记录效果。

通用变量

{{产品背景}}
{{目标用户}}
{{任务目标}}
{{输入材料}}
{{约束}}
{{输出格式}}
{{成功标准}}

日常任务类

P-D01 · 模糊需求转设计任务

场景描述：收到不完整的产品需求，需要快速识别目标、假设、约束和待确认问题。

提示词正文

text
你是一名严谨的资深 UX 设计师。请把下面的产品需求整理成可执行的设计任务。

规则：
1. 不补写未提供的事实。
2. 区分“已知事实、推断、待确认问题”。
3. 优先识别用户目标、业务目标、约束、风险和成功指标。
4. 输出：需求摘要 / 关键用户与场景 / 核心任务流 / 假设清单 /
   待确认问题（按阻塞程度排序）/ 设计交付物 / 验收标准。

<产品背景>{{产品背景}}</产品背景>
<原始需求>{{输入材料}}</原始需求>
<约束>{{约束}}</约束>

预期输出：一页可用于需求澄清会的设计任务简报。

注意事项：必须由产品、研发确认推断和验收标准。

P-D02 · UX 设计评审

场景描述：在评审前系统检查方案，发现遗漏状态与体验风险。

提示词正文

text
你是 UX 评审员。仅依据我提供的流程、界面说明和目标用户进行检查。

从以下角度评审：任务完成、信息层级、一致性、错误预防、反馈、
边界状态、无障碍、隐私与信任。

输出表格：问题 | 证据/位置 | 严重度 | 影响用户 | 修改建议 | 待验证问题。
严重度使用：阻塞 / 高 / 中 / 低。
不要把个人审美偏好写成可用性问题；缺少证据时标记“待验证”。

<目标用户>{{目标用户}}</目标用户>
<任务目标>{{任务目标}}</任务目标>
<方案材料>{{输入材料}}</方案材料>

预期输出：按严重度排序的评审清单。

注意事项：AI 无法替代真实可用性测试；视觉稿输入不完整时尤其容易误判。

深度分析类

P-A01 · 用户访谈证据归纳

场景描述：从多份脱敏访谈逐字稿中提取主题，同时保留证据链。

提示词正文

text
你是严谨的 UX 研究员。只依据逐字稿分析，不得虚构引用或扩大结论。

先逐位参与者总结，再做跨参与者归纳。输出：
1. 表格：主题 | 观察到的行为/说法 | 原文短引用 | 参与者编号 |
   可能解释 | 反例/矛盾证据 | 置信度。
2. 不可泛化的发现。
3. 下一轮最值得验证的 5 个问题。

所有结论必须能够回链到参与者编号和原文。观察、解释和建议必须分开。

<研究问题>{{任务目标}}</研究问题>
<逐字稿>{{输入材料}}</逐字稿>

预期输出：带引用和置信度的研究洞察初稿。

注意事项：人工回查每条引用；避免上传个人身份信息；样本少时不得量化比例。

P-A02 · 竞品体验对比

场景描述：围绕一个用户任务，而不是功能数量，比较多个竞品。

提示词正文

text
你是产品体验分析师。围绕“{{任务目标}}”比较以下产品。

分析维度：进入路径、完成步骤、认知负担、系统反馈、错误恢复、
信任与隐私、无障碍、差异化价值。

规则：
- 只使用提供的材料；不能确认的内容写“未验证”。
- 区分事实、推断和建议。
- 不以功能数量判断优劣。

输出：
1. 用户任务对比表。
2. 各产品最强与最弱环节。
3. 可借鉴模式及不可照搬的原因。
4. 我方的 3 个机会假设和验证方法。

<我方背景>{{产品背景}}</我方背景>
<竞品材料>{{输入材料}}</竞品材料>

预期输出：以用户任务为核心的竞品洞察和机会假设。

注意事项：材料应包含同一时间点、同一任务条件下的证据。

内容创作类

P-C01 · 设计方案叙事

场景描述：把设计过程整理为有证据、可用于评审或作品集的叙事。

提示词正文

text
你是设计叙事编辑。请把材料整理为“问题—证据—取舍—方案—结果—反思”的故事。

受众：{{目标用户}}
用途：{{任务目标}}
语气：清晰、克制、具体，不使用“显著提升”等无证据表述。

输出：
1. 100 字摘要。
2. 6 段结构化正文，每段有一句结论标题。
3. 建议配图及每张图要证明什么。
4. 缺失证据和容易被追问的问题。

<项目材料>{{输入材料}}</项目材料>

预期输出：可继续编辑的评审讲稿或案例初稿。

注意事项：结果数据必须可追溯；未上线项目应写假设或验证结果，不能伪造业务影响。

P-C02 · 多方向界面概念探索

场景描述：在进入高保真前，生成差异明确的体验方向。

提示词正文

text
你是产品设计概念搭档。针对场景生成 3 个真正不同的体验方向，
差异必须来自交互模型、信息架构或自动化程度，而不是颜色和风格。

每个方向输出：核心概念 / 适用用户 / 主流程 / 关键界面 /
AI 在其中的角色 / 优点 / 风险 / 最小验证原型。
最后给出对比矩阵，但不要替我做最终决定。

<产品背景>{{产品背景}}</产品背景>
<目标用户>{{目标用户}}</目标用户>
<场景与任务>{{任务目标}}</场景与任务>
<约束>{{约束}}</约束>

预期输出：3 个可用于共创和原型验证的体验方向。

注意事项：必须检查 AI 是否用“聊天框”替代了真正的交互设计。

沟通协作类

P-M01 · 面向不同角色解释设计决策

场景描述：将同一设计决策分别讲给产品、研发和管理者。

提示词正文

text
请把下面的设计决策分别改写给产品经理、研发工程师和管理者。

共同要求：先结论后证据；明确取舍；不夸大确定性；提出下一步。
产品经理版本强调用户与业务目标。
研发版本强调行为、状态、边界条件和实现风险。
管理者版本强调决策、影响、风险和所需支持。

<设计决策>{{输入材料}}</设计决策>
<证据>{{产品背景}}</证据>
<约束>{{约束}}</约束>

预期输出：三份短说明，可直接用于评审会或异步沟通。

注意事项：检查技术限制和数据是否准确，不让 AI 代替相关角色确认。

P-M02 · 会议转决策与行动项

场景描述：从会议纪要中提取决定、争议和负责人。

提示词正文

text
你是会议记录员。只依据会议记录整理，不推测未明确的决定或负责人。

输出：
1. 已确认决定：决定 / 理由 / 影响范围。
2. 行动项：任务 / 负责人 / 截止时间 / 依赖；缺失项写“待确认”。
3. 未解决争议：不同观点 / 所需证据 / 决策人。
4. 与 UX 相关的风险和下一次评审输入。

<会议记录>{{输入材料}}</会议记录>

预期输出：可发送给团队确认的决策与行动清单。

注意事项：发送前必须由参会者确认；不要依据语气推断承诺。

新提示词登记模板

markdown
### P-{{类别}}{{编号}} · {{名称}}

**场景描述**：

**提示词正文**

text

**预期输出**：

**注意事项**：

版本管理

提示词版本使用 主版本.次版本：

次版本 1.0 → 1.1：结构不变，改善约束、变量或输出格式。
主版本 1.x → 2.0：任务目标、工作流或输出结构发生明显改变。
每次修改前保留旧版本，至少用同类真实任务对比一次。

版本记录模板

日期	提示词 ID	版本	改动	测试任务	效果	下一步
2026-06-08	P-D01	1.0	建立初版	模板初始化	待真实任务验证	记录耗时与遗漏问题

效果指标

输出可直接使用的比例。
人工修改时间。
事实错误、虚构引用和遗漏数量。
是否减少沟通往返。
是否能在相似任务中稳定复现。

8. 个人 AI 能力成长周报

原始文件：AI-Skills-OS/weekly-review/ai-growth-log.md

个人 AI 能力成长周报

这是追加式日志：每周复制模板到文件顶部“每周记录”下方，保留所有历史记录，不覆盖旧内容。建议每周五用 15–20 分钟完成。

任务：
原来耗时：
本周耗时：
AI 做了什么：
我做了什么：
质量是否可接受：

2. 发现了哪个新的使用场景？

使用场景：
为什么以前没想到：
值得继续验证的原因：

3. 踩了什么坑，怎么解决的？

问题：
根因：
解决办法：
应固化到提示词、流程还是检查清单：

4. 看到别人用 AI 做了什么让我觉得「我也要学」？

来源与链接：
对方完成了什么：
真正值得学的能力：
我的最小模仿实验：

5. 下周重点突破的一个 AI 技能是什么？

唯一重点：
对应真实任务：
练习计划：
完成标准：
时间预算：

本周资产沉淀

资产类型	新增/更新内容	链接
提示词
工具雷达
案例/工作流
信息源

本周量化

指标	数值
AI 协作真实任务数
节省时间（分钟）
新增或升级提示词数
完成最小实验数
因 AI 输出导致的返工次数

每周追加模板

markdown
### {{YYYY-Www}} · {{开始日期}} 至 {{结束日期}}

**本周一句话结论**：

#### 1. 这周用 AI 完成了哪个以前要花很长时间的任务？
- 任务：
- 原来耗时：
- 本周耗时：
- AI 做了什么：
- 我做了什么：
- 质量是否可接受：

#### 2. 发现了哪个新的使用场景？
- 使用场景：
- 为什么以前没想到：
- 值得继续验证的原因：

#### 3. 踩了什么坑，怎么解决的？
- 问题：
- 根因：
- 解决办法：
- 应固化到提示词、流程还是检查清单：

#### 4. 看到别人用 AI 做了什么让我觉得「我也要学」？
- 来源与链接：
- 对方完成了什么：
- 真正值得学的能力：
- 我的最小模仿实验：

#### 5. 下周重点突破的一个 AI 技能是什么？
- 唯一重点：
- 对应真实任务：
- 练习计划：
- 完成标准：
- 时间预算：

#### 本周资产沉淀
| 资产类型 | 新增/更新内容 | 链接 |
|---|---|---|
| 提示词 |  |  |
| 工具雷达 |  |  |
| 案例/工作流 |  |  |
| 信息源 |  |  |

#### 本周量化
| 指标 | 数值 |
|---|---:|
| AI 协作真实任务数 |  |
| 节省时间（分钟） |  |
| 新增或升级提示词数 |  |
| 完成最小实验数 |  |
| 因 AI 输出导致的返工次数 |  |

---

月末回看

每月最后一周额外回答：

哪类 UX 任务的 AI 收益最稳定？
哪个工具或提示词投入很多但回报很低？
哪项能力已经从“尝试”变成“可重复工作流”？
下个月应该停止什么、继续什么、开始什么？

定义品牌色、构图、光线、人物表现与禁用元素。
用 Adobe Firefly 为同一活动生成 20 个候选素材。
人工筛选并记录常见错误。
与传统素材流程比较时间、一致性和可用率。

Adobe Firefly 工具指南

选择一个现有核心流程。
写清用户目标、设计系统、交互规则和五类状态。
生成原型并邀请 3 位目标用户完成任务。
比较静态原型与可运行原型发现的问题数量。

Figma Make 工具指南

从 PRD 提取目标用户、目标行为、业务目标、约束和成功指标。
列出歧义、冲突、缺失信息与需访谈的问题。
生成首版用户流程和状态清单。

人必须负责

确认问题是否值得解决、决定优先级、对齐利益相关方。

标准流程

脱敏后输入需求，使用产品需求转设计任务提示词。
标注“事实 / 假设 / 未知”。
与产品经理确认未知项。
将确认结果转成设计任务与验收标准。

把核心流程变成可点击、可运行的原型。
快速补齐多状态、假数据和响应式行为。
在正式开发前验证交互假设。

标准流程

明确单一验证问题和成功信号。
用 v0、Figma Make 或 Claude Artifacts 生成原型。
用可用性测试计划提示词设计测试。
记录问题，不把参与者对视觉的偏好等同于可用性结论。

将设计目标拆成多种布局、内容策略和视觉方向。
快速生成情绪板与情境素材。
比较方案的优势、风险与适用场景。

人必须负责

选择与产品策略匹配的方向，保证信息架构、可用性、品牌与无障碍。

标准流程

用界面方案探索提示词生成 3 个结构差异明显的方向。
用 Midjourney 或 Adobe Firefly 创建视觉参考。
在 Figma AI 中制作可评审界面。
用设计评审提示词做反向检查。

按用户目标、启发式原则和状态完整性检查截图或流程。
扮演新手用户、键盘用户、低视力用户或客服人员提出问题。
把评审意见整理为严重度、证据和修改建议。

清洗逐字稿，按任务、痛点、动机、行为和原话编码。
聚类重复主题并整理证据。
生成待验证假设与后续研究问题。

风险

AI 容易把少量意见概括成普遍规律。每条洞察必须链接原始证据，并标明样本数。

标准流程

对资料脱敏。
使用用户访谈洞察提取提示词。
人工复核每条引用和归类。
区分观察、解释和建议。

评审焦点从“长什么样”转向“如何工作”。
设计师需要理解状态、数据、响应式和基本组件逻辑。
原型生成速度提升后，验证问题的质量成为瓶颈。

设计系统不再只是组件库，也是 AI 生成结果的约束层。
模糊命名、重复组件和缺失状态会直接放大生成错误。
设计系统团队需要维护示例、规则和可验证标准。

低价值生产环节被压缩：批量变体、占位内容、基础页面和素材处理。
高价值能力更重要：问题定义、研究判断、系统设计、验证和跨职能沟通。
设计师需要能指导、评估和纠正 AI，而不是只会发出提示。

隐私：用户研究资料和公司信息先脱敏，再确认工具的数据政策。
版权与品牌：保留素材来源、提示词、参考图和修改记录。
偏见：检查生成内容中的文化、性别、年龄与能力偏差。
无障碍：生成界面仍需人工检查语义、键盘操作、颜色对比和错误提示。
真实性：不把合成用户、AI 推测或虚构引用当作研究证据。

建立 AI技能自评矩阵，选一个最高频任务。
学会写清楚背景、目标、输入、约束和输出格式。
用产品需求转设计任务提示词处理真实需求。
用用户访谈洞察提取提示词处理脱敏资料。
用设计评审提示词检查一个设计。
对比 AI 输出与人工结果，记录错误类型。
固化一个可复用模板。

完成 Figma-Make-从提示到可运行原型。
选择一个设计系统模块，完成设计系统进入AI可调用时代中的约束补齐。
建立风险检查，执行 AI设计的版权隐私与无障碍风险。

验收

至少 2 个工作流可被同事复用。
用数据证明时间或质量提升。
能向团队清楚说明 AI 不应参与的决策。

生成和编辑营销视觉、情境图、纹理与概念素材。
探索品牌一致的内容生产流程。
在 Adobe 工作流中进行生成式填充与扩展。

练习

围绕同一产品制作 3 个视觉方向，固定品牌色、构图规则和禁用元素，完成 Adobe-Firefly-品牌可控内容生产。

完成标准

保存提示词、参考图与人工修改记录。
核对素材使用权、品牌一致性和错误细节。

来源

Adobe Firefly 工具指南

把模糊产品需求拆成用户、场景、约束、假设和待确认问题。
总结访谈、竞品资料和评审反馈，生成结构化初稿。
使用图像能力探索视觉方向，并对截图做启发式评审。

立即练习

选一个正在进行的需求，运行产品需求转设计任务提示词，将结果与原始需求对比。只采纳有证据支持的结论。

完成标准

能建立固定的 Project/项目上下文。
输出包含事实、假设、未知项和下一步。
不上传未脱敏的用户隐私或公司机密。

把需求快速变成交互式网页、流程图或可编辑文档。
在对话旁持续迭代原型，便于评审和演示。
将复杂设计说明整理成独立交付物。

立即练习

用产品需求转设计任务提示词生成一页产品概念，再要求产出可点击的 Artifact；记录哪些交互仍需设计师判断。

完成标准

能把原型范围限制在一个核心流程。
能说明原型中的假数据、缺失状态和技术假设。

来源

Anthropic: What are Artifacts?

在现有设计环境中生成、改写、翻译和整理内容。
快速创建早期界面方向，减少空白画布时间。
辅助处理图层命名、素材搜索和重复操作。

Figma AI 工具指南

从提示、设计上下文与现有组件快速生成可运行原型。
在评审前验证关键交互，而不只展示静态界面。
与产品、工程共同讨论行为与边界状态。

进阶练习

完成 Figma-Make-从提示到可运行原型，覆盖默认、加载、空、错误和成功状态。

完成标准

原型验证一个明确假设。
使用真实设计系统约束。
能把发现反馈到正式设计，而非把原型直接当成生产代码。

来源

Figma Make 工具指南

快速探索情绪板、风格语言、构图与材质。
为概念提案创造差异明显的视觉方向。
使用参考图与 Moodboards 提升方向一致性。

练习

为同一功能生成“可信、克制、专业”和“大胆、未来、动态”两套方向；不要用它直接决定产品体验。

完成标准

能把风格拆成色彩、光线、材质、构图和情绪词。
能识别图像细节错误、偏见和版权风险。

将文字需求和截图快速变成可运行的前端原型。
探索响应式布局、组件行为和不同状态。
用可操作原型与工程师讨论实现约束。

练习

选择一个已有页面，用设计系统约束重建核心流程，并与原版进行可用性对比。

完成标准

能读懂基础组件结构和样式。
能指出生成结果的响应式、语义、无障碍与状态问题。

来源

v0 Documentation

30. 提示词模板 · 产品需求转设计任务

原始文件：AI-Skills-OS/Prompt-Templates/产品需求转设计任务提示词.md

产品需求转设计任务提示词

text
你是互联网软件产品的资深产品设计师。请分析 <需求>，不要补造事实。

先输出：
1. 已知事实
2. 关键假设
3. 缺失信息与需向产品经理确认的问题
4. 目标用户、场景、用户目标、业务目标
5. 核心流程与异常/边界状态
6. 设计任务清单，按影响与不确定性排序
7. 可验证的验收标准和成功指标

若信息不足，请明确标记“未知”，不要自行推断。

<需求>
{{粘贴脱敏后的需求}}
</需求>

text
你是资深产品设计负责人。围绕以下设计任务提出 3 个“结构策略明显不同”的方案，而不是只换颜色。

输入：
- 用户与场景：{{...}}
- 核心任务：{{...}}
- 业务目标：{{...}}
- 约束：{{平台/设计系统/技术/品牌}}

每个方案输出：
1. 核心策略与适用条件
2. 信息层级与关键流程
3. 默认、加载、空、错误、成功状态
4. 优势、风险与最大未知项
5. 可用于生成视觉方向板的关键词

最后给出比较矩阵，但不要替我做最终决策。

text
你是 UX 研究员。为以下原型制定一个 30 分钟的可用性测试计划。

研究问题：{{只写一个核心问题}}
目标用户：{{...}}
原型范围与假设：{{...}}

输出：
1. 招募标准与排除条件
2. 开场说明
3. 不带引导性的任务情境
4. 主持人追问
5. 观察指标与成功标准
6. 可能偏差与规避方式
7. 结果记录表

不要询问“你喜欢吗”；优先观察行为、理解和任务结果。

text
你是严格的产品设计评审者。基于我提供的流程、截图和目标进行评审。

先复述用户目标与评审范围。随后按表格输出：
问题 | 证据 | 影响用户 | 严重度(1-4) | 修复建议 | 需要验证的未知项

检查：
- 信息层级与任务完成路径
- 一致性、反馈、错误预防和可恢复性
- 加载、空、错误、权限与边界状态
- 键盘操作、语义、颜色对比和易读性
- 文案是否清楚、具体、可行动

不要把个人审美偏好当作可用性问题；无法从材料判断时标记“未知”。

text
你是严谨的 UX 研究员。仅依据 <逐字稿> 分析，不得虚构引用或扩大结论。

输出 Markdown 表格：
主题 | 观察到的行为/说法 | 原文短引用 | 参与者编号 | 可能解释 | 置信度 | 待验证问题

要求：
- 区分观察、解释和建议。
- 每条洞察必须有引用和参与者编号。
- 标出互相矛盾的证据。
- 样本不足时明确写“不可泛化”。

<逐字稿>
{{粘贴已脱敏的逐字稿}}
</逐字稿>

完成 AI技能自评矩阵。
执行第1周-建立AI协作基本功。
固化需求、研究、评审三个提示词。

1 个月内

执行第2至4周-完成三个真实设计项目。
学会 Adobe Firefly、Midjourney、v0 中各一个高价值场景。
每个项目记录时间、质量与错误。

3 个月进阶

执行第2至3月-建立AI增强设计工作流。
完成 Figma-Make-从提示到可运行原型。
为一个设计系统模块建立 AI 可理解的约束。
向团队分享一个经验证的工作流。

能力	90天目标	证据
清晰定义问题与约束	3	需求拆解案例
结构化提示词与迭代	3	可复用模板
研究资料提取且可追溯	2	带引用洞察表
多方向界面与视觉探索	2	三方向评审稿
可运行原型生成	2	测试过的原型
AI 输出质量评估	3	错误分类与修正
设计系统约束表达	2	组件规则
隐私、版权、偏见与无障碍	3	发布检查记录
效率与质量效果衡量	2	前后对比数据

诊断规则

先补“问题定义、质量评估、风险控制”，再追求更多工具。
每项分数必须有真实交付物作为证据。

汇总文件维护说明

本文件是 2026-06-08 的完整快照。
日常维护应继续修改原始模块文件。
原始文件更新后，应重新生成本汇总文件，避免内容失效。

执行摘要