告别像素搬运:D2C如何重塑设计协作

团队分享D2C设计到代码的落地实践,通过资产标准化与五层链路约束AI生成代码,设计走查耗时降约50%、开发耗时降约35%。

在传统设计环节过程中,一个页面在 Figma 里画完,其实根本不代表这件事结束了。很多时候,真正磨人的部分才刚刚开始。设计师交付视觉稿,研发再依据页面逐层还原。临近上线,双方还要围绕间距、圆角、字号、组件状态反复走查。大量时间被消耗在“看起来像不像”上,而不是业务逻辑和用户体验本身。

当产品线、研发团队和技术栈进一步增多后,这种问题会逐渐被放大:组件标准不统一、实现方式不一致、同一份设计稿在不同团队中的还原效果也难以稳定。我们开始做 D2C,并不是为了追求“一键生成代码”,而是想解决一个更根本的问题:如何让设计从静态交付物,转变为工程可以直接理解和复用的生产资产。

一、传统交付的问题,不只是效率低

传统设计稿主要表达最终视觉结果,但研发真正需要的是结构和规则:

哪些区域使用组件,哪些样式来自 Token,页面如何响应尺寸变化,不同状态如何切换,业务逻辑如何承接。视觉稿呈现的是结果,代码依赖的是结构,这两者之间主要依赖人工理解和转译。但只要中间存在人工翻译,信息损耗就很难避免。设计意图、Figma 图层结构和最终代码实现之间,往往会出现偏差。

因此,D2C 的价值不只是缩短开发时间,而是改变设计交付的形态。设计稿不再只是“给人看的图”,而要成为机器可解析、工程可调用、团队可积累的结构化资产。

二、D2C 不是单一工具,而是一套体系

行业中的 D2C 方案大致有几种方向:截图转代码适合快速演示,但生成结果通常会缺乏工程结构;直接解析 Figma 原始数据,容易带入大量无效的图层和随机参数;组件映射相对稳定些,但却高度依赖成熟的设计与代码资产;AI 直接读取代码库能力更强,但如果没有规范和组件约束,输出依然不稳定。

我们的判断是,D2C 不能依赖某一个模型或单一工具。真正可落地的链路应该是:设计资产标准化 → 结构化解析 → 组件与规则映射 → AI 生成代码 → 业务验证与反向迭代。

这套方法可以概括为:D2C 提效 = 设计资产标准化 × 技术解析服务化 × 业务组件场景化

三、先治理设计资产,再讨论代码生成

D2C 落地之后,我们对“高质量设计稿”的判断发生了变化。过去只要视觉完整、交互清晰、人能看懂,就可以完成交付。现在还需要考虑图层语义、组件关系、布局结构和机器识别效率。为此,我们建立了双层组件体系。

集团基础组件库负责统一颜色、字体、间距、按钮、表单、弹窗等通用规范,保证不同产品线的基础体验一致。各事业部则根据业务特点维护场景组件库。

基础能力统一,业务能力按场景扩展,既避免重复建设,也避免统一规范过度僵化。同时,我们重新规范了 Figma 产出内容的方式,包括语义化命名、Auto Layout、组件实例、图层清理、SVG 与图片资源标准化。

这些规则的表面上是直接约束了设计过程,但本质上是在提升资产质量。设计稿结构越清晰,DSL 解析越准确,后续代码生成也越稳定。

四、用五层链路约束 AI,而不是让 AI 自由发挥

在技术侧,我们没有直接让 AI 读取截图或原始 Figma 数据生成页面,而是建立了一条五层处理链路:

  • 规范化设计源文件;

  • 清理隐藏图层、无效容器和冗余结构;

  • 转换为标准 DSL 中间数据;

  • 根据组件库、Storybook、代码规范和技术栈进行规则映射;

  • 由 AI Agent 完成代码组装与资源处理。

这套链路的核心不是提高 AI 的自由度,而是减少它的随机判断。高频业务模块优先映射已有组件,不再从零生成。页面中的图片、图标、Token 和布局规则,也通过明确约束进入代码。

实践中我们发现,AI 在开放式创作中容易产生不一致,但在结构化数据和固定规则下,更适合承担工程组装工作。

真实业务页面并不是单一静态界面。表单会出现默认、输入、校验失败和提交成功状态;流程页面包含加载、异常、空数据和不同进度节点;复杂交互还会涉及组件联动和条件变化。如果一次性生成完整页面,AI 很容易只还原视觉表面,忽略状态之间的逻辑关系。

因此,我们放弃了“整页一次生成”的思路,用组件化思维改为按模块和状态拆解页面。先明确不同状态的结构差异,再生成对应组件与切换逻辑。虽然流程看起来更细,但生成结果更稳定,也更接近真实工程需求。

五、量化结果:效率提升只是表层变化

经过多条业务线验证,D2C 已经取得了较明确的结果。

设计走查耗时下降约 50%

设计走查从原来的三至四轮,压缩至约两轮。走查重点也从像素、间距和视觉细节,转向组件调用、Token 使用、状态完整性和规范合规性。设计师不再持续承担低价值的像素纠错,可以把更多精力投入业务流程、异常路径和体验判断。

整体开发耗时下降约 35%

D2C 可以快速生成页面骨架、基础样式和组件调用,研发不再需要重复编写大量基础 UI。页面整改频次同步下降约 40%,研发能够将更多时间投入业务逻辑、接口联调和工程优化。

不同页面的适用边界更加清晰

目前,常规静态页面还原度可以稳定达到约 95%;常规表单页面约为 65%;复杂高交互页面约为 50%。差异主要来自业务逻辑和状态复杂度,而不是视觉样式本身。这些结果说明,D2C 当前最适合解决结构还原、样式统一和组件复用,并不等于替代研发完成全部业务开发。

六、现存瓶颈与落地解法

D2C 的落地推进并不是一路顺畅,在落地时仍然会遇到各种各样的难题:

多层图层容易造成误识别

复杂遮罩、透明层和重复嵌套会导致解析结果冗余,生成代码层级过深。我们的处理方式是提前清理无效结构,并通过固定规则和组件映射替代 AI 的临时判断。

复杂表单和动态页面难以整页生成

涉及校验、联动和状态切换时,整页生成稳定性较低。因此改为组件化状态拆解,按模块分别生成,再组合成完整页面。

AI 生成代码存在规范和兼容性问题

即使代码能够运行,也可能不符合团队目录结构、依赖规范或组件使用方式。对此,我们采用“规则硬约束 + 人工审核”的方式,明确代码结构、组件引用、样式方案和交互规范,让 AI 在有限边界内工作。我们的结论是:生产级 D2C 的关键,不是模型能生成多少,而是系统能约束多少。

七、D2C 必须形成长期闭环

D2C 不是一次性的效率项目,而是一套持续积累的资产机制。我们建立了“沉淀—调用—迭代”的闭环:

业务中验证有效的组件、规则和适配方案进入资产库;后续同类场景直接调用;出现解析偏差、组件缺口或新业务需求时,再反向更新规范和组件。这套机制的价值具有明显的复利效应。

项目投入的越多,资产则越齐全,生成方式也越稳。因此,D2C 的核心价值并不是某一次节省了多少开发时间,而是让每次项目投入都能被下一次继续使用。

八、未来:Figma 的角色会发生变化

短期内,我们会继续提升复杂图层、表单状态和业务组件的适配能力,让更多页面从基础样式还原,升级为业务组件复用。长期来看,AI 正在改变设计与研发之间原有的分工方式。

过去,Figma 是设计意图进入工程流程的主要中间载体。设计师先完成视觉稿,研发再将其翻译成代码。随着 AI 开始理解设计结构、调用组件并生成可运行页面,部分场景可能不再需要完整经历“先画稿、再翻译”的单向流程。

Figma 不会消失,但它的角色可能从唯一的设计起点,逐渐转变为资产管理、协作评审、规范维护和经验沉淀的平台。Design to Code 也不会只是一条从设计到代码的通道,而会形成设计资产、工程组件和业务反馈之间的持续循环。

九、设计师的角色,从交付页面转向经营资产

D2C 最终改变的,不只是效率,也包括设计师的价值定位。当设计组件、规范和业务方案能够被研发与 AI 持续调用后,设计资产才真正成为生产资料。设计师的工作也从一次性的页面交付,转向组件建设、规范制定、资产维护和全链路体验治理。

比“这个页面是否画得足够好”更重要的问题是:**这次解决的问题,能不能让团队下一次不必重新解决?**这也是设计工程化真正值得投入的地方。

ZAUX的更多文章

查看全部文章

雁评

真实、有观点的好评或吐槽,欢迎分享你的使用体验。

登录后可查看你的发表权限