从「抽卡」到可控交付,设计师与 AI 协作的高效沟通方法

文章提出边界、策略、机制三个协作思路,帮助设计师把AI生成从碰运气式抽卡转变为可稳定交付的协作过程。

提示词有一个很形象的别称,叫「咒语」。

这个比喻恰好描述了不少人使用 AI 时的状态。面对一个看不见、似乎又无所不能的对象,我们输入一长串复杂的语言,等待它给出回应。结果好,会觉得这条咒语灵了;结果不好,只能换一种写法,再抽一次。

但在真实项目里,我们需要的不能只是偶尔灵验,而是更稳定地交付。

这篇文章想讨论的,不是角色、背景、目标这些常见的提示词结构,而是我们在实操和学习过程中逐渐形成的三个协作思路。它们分别对应边界、策略和机制,共同解决一件事,怎样把许愿式生成,变成更可控的人机协作。

01 边界,定义正确结果,而不只是排除错误

给 AI 提需求时,很多人习惯先列禁止项。

「不要」出现电视。「不要」让人物背对镜头。画面「不要」太暗。回答「不要」空泛。

这些要求当然不是完全没有用。否定词很适合补充边界,但如果整段提示词都在描述「不要什么」,AI 即使排除了某些错误,也依然不知道正确结果应该长什么样。

我们在生成人物看电视的画面时,就遇到过这个问题。

最初的描述是「一个人坐在沙发上看电视」。模型很容易同时表现人物正面和电视的画面,甚至可能会生成并不符合正常逻辑的图片。继续补充「不要突出电视」,结果也未必稳定。

后来我们换了一种方式,不再反复压低电视的存在感,而是把想要的主体描述得更具体。

人物正面面对镜头,舒适地靠在沙发上,身穿家居服,表情放松。画面明亮,使用浅景深,焦点集中在人物面部。

当人物、构图和镜头关系变得清楚,电视自然退到了次要位置。继续加入雀斑、睫毛、皮肤纹理这类近距离才能看到的特征,即使不用说“人物特写”,模型也更容易把镜头拉近,让人物成为真正的视觉中心。

这里有用的不是某个摄影词汇,而是一种表达习惯。

少描述错误结果,多描述正确结果应该具备的特征。

这套方法同样适用于文字任务。

「分析行业趋势,多讲点深度,不要敷衍」看起来有要求,但「趋势」和「深度」都很宽。AI 往往只能返回一份安全、完整,却很难落地的行业概述。

如果改成「拆解 Perplexity 等前沿 AI 产品的交互范式,推演 3 个可以迁移到现有业务的 Warm Tech 触点,并说明适用场景」,回答就会聚焦很多。

边界不是一组禁令,而是正确结果的具体特征。

不过,这里还有一个现实问题。面对陌生领域,我们未必一开始就知道,那个更具体的问题该怎么问。

这就涉及到下一章节的内容。

02 策略,拆解任务,逐层锁定关键变量

这套方法来自我们今年 3 月的一次 AI PPT 生成尝试。

当面对一个PPT任务的时候,最直接的提问当然是「帮我做一套XX主题的PPT」,但这句话其实把太多决定一次性交给了 AI。

PPT其实可以拆成三个层面:

内核层是内容逻辑,包括核心观点、叙事顺序和文案骨架,决定内容能不能被听懂。

骨架层是信息层级与排版,包括视觉动线、栅格、对比度和阅读阻力,决定页面读起来累不累。

皮肤层是风格与质感,包括色彩、材质、组件语言和品牌调性,决定最终呈现是否统一。

如果只给出一句模糊需求,相当于把内核、骨架和皮肤三层的控制权同时交给 AI。它需要一次决定内容写什么、页面怎么排、视觉是什么风格。变量越多,结果越容易回到常见、安全的组合,最后看起来什么都有,却缺少明确判断。

我们后来调整了协作顺序。

先让 AI 协助梳理分享对象、核心观点和叙事骨架。内容确认后,再讨论信息层级、页面节奏和视觉动线。等这些条件稳定下来,才分析参考图,提取色彩、材质、光影和组件特征。

不是一次做完,而是一层一层锁定。

这有点像成为一个更好的甲方。设计师不需要提前知道所有答案,但需要知道当前应该确认什么,以及哪些判断不能让渡。

当然,这种方式一开始可能比直接生成更慢。它需要多几轮沟通,也需要我们主动判断哪些方案值得继续。但对于复杂任务,前面多花一点时间确认方向,通常会在后面少改很多次。

AI 可以帮助定义条件、打开思路和快速执行,方向是否成立,仍然需要设计师判断。

03 机制,把协作拆成可以验证的过程

当任务从一张图、一页 PPT 扩大到完整项目时,只控制提示词已经不够了。我们还需要控制 AI 的工作过程。

这套方法来自 Vibe Coding 中的高确定性交付流程,也常被称为 Spec Coding,可以概括为三个阶段,Brainstorm、Spec、Build

Brainstorm 阶段先不做成品,而是把 AI 当成一个有耐心的顾问,反复讨论目标用户、使用场景、核心问题和限制条件。这个阶段的价值不是马上得到答案,而是把人脑中模糊的想法转化成可以共同检查的内容。

Spec 阶段把讨论结果整理成明确、可验证的规格说明。相比侧重描述需求背景和目标的 PRD,Spec 更靠近执行,它需要说明具体做什么、做到什么程度,以及如何判断是否完成。

Build 阶段才进入正式构建。一次完成一个最小模块,完成一项就检查一项,确认没有偏离,再继续下一项。

这套流程不追求让 AI 一次做对,而是让偏差更早暴露。

方向在 Brainstorm 阶段出现问题,修改几句话就可以。如果等整套方案、页面甚至代码生成后才发现方向错误,返工成本会完全不同。

如果在需求沟通过程中遇到了瓶颈,也可以先从下面一套更轻量的提示词来打开思路,可以总结成「3 问、2 案、1 决」。

3 问,是让 AI 找出当前需求中,没有提到过,但如果不确认,就可能严重影响目标达成的 3 个关键问题。它不是漫无目的地补充信息,而是检查那些一旦判断错误,后续方案就可能失效的前置条件。

2 案,是基于不同假设提出 2 个真正有差异的方案。差异不能只是换一种表达,而要体现在路径、成本、风险或适用场景上。

1 决,是重新回到原始目标和限制条件,对两个方案进行比较,推荐更合适的一项,并说明选择依据、需要接受的取舍,以及为什么没有选择另一项。

完整提示词可以这样写。

在执行任务之前,请先完成以下分析。

1. 结合当前目标和上下文,列出我尚未提到,但如果不确认就可能严重影响结果的 3 个关键问题。信息不足时先向我提问,不要直接生成最终结果。 2. 基于不同的判断和假设,提出 2 个真正不同的解决方案。分别说明每个方案的适用条件、收益、成本和主要风险。 3. 回到我的原始目标与限制条件,对两个方案进行比较,推荐其中一个,并解释选择依据、需要接受的取舍,以及没有选择另一个方案的原因。 完成上述分析并得到确认后,再输出最终结果。

「3 问、2 案、1 决」不是用话术逼 AI 好好干活,也不是另一条更复杂的咒语。

它只是给 AI 搭了一个临时的思考工作台。先检查遗漏,再打开不同路径,最后通过比较完成收敛。这样得到的方案通常更完整,也更方便我们判断。

回到最开始的问题。

提示词越长,结果不一定越好。真正影响交付质量的,是我们有没有定义正确结果、控制关键变量,并把复杂任务拆成可以逐步验证的过程。

边界定义正确结果。策略控制关键变量。机制让探索逐步收敛。

提示词不是许愿的咒语。它只是把我们的思考方式,翻译成 AI 可以参与的协作过程。

当这个过程被设计出来,每一次与 AI 的合作,才能少一点抽卡,多一点确定性。

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