AI 早就会写代码这话放在三年前就是一句废话。那时候大家用代码补全工具无非是让它填个函数、写段接口调用偶尔生成一两个模板页面结果页面一跑起来总有种古董网页博物馆的气质。但最近这一年多风向明显变了。我先后深度测了一个前端生成智能体下文就称呼它为 AlphaUI 吧又试了某视频生成大模型的 5.5 版本下文简写为 VGen-5.5再加上每天都在用的几个 Coding Agent最大的感受不是它们更聪明了而是它们真的开始有审美、有设计感、有规划能力了。这篇文章我不打算堆术语只想用自己实际动手跑过的项目把从会写到会设计到底是怎么发生的讲清楚。不管你搞前端、剪视频、还是写业务代码看完你就能明白两件事这种跃迁为什么刚好发生在现在以及你的工作方式该往哪个方向调。1. 能写和会设计之间差了什么从代码生成到意图建模1.1 以前的 AI 编码语法正确审美缺席三年前的 AI 代码生成本质上是下一个 token 的概率预测。模型看到你上下文里的函数名、变量名、字符串常量顺着概率分布把下一段代码补出来。语法基本正确缩进也对注释也有但你要让它写一个产品落地页它给你的东西八成是全屏居中、加粗大字、三四个高饱和渐变色块再加一个弹窗式的好评引导。不是它不懂 CSS是它压根不知道用户看到这个页面之后会产生什么情绪。这里有个很关键的类比以前的 AI 就是个翻译机器你给我一句做一个注册页它机械地把这句话翻译成 HTML但它不理解注册页这个场景里隐含的设计目标。一个合格的注册页要让人感到安全、顺畅、愿意交出个人信息要弱化输入成本强化隐私承诺要让主按钮在视觉层级里一眼被看见。这些全是界面之外的意图而旧模型完全无感。所以它产出的代码再正确也无法调用设计这个函数。1.2 设计能力的本质其实是对人类偏好的建模所谓会设计不是会写花哨的 CSS而是能预测一件事在特定场景下人类用户看到哪种布局会觉得专业、可信、舒适。这就意味着模型必须打通三条链路——文本描述、视觉呈现、用户反馈。过去的 AI 编码模型训练数据是文本—代码对模型只看过代码没看过渲染结果所以在它脑子里一个页面就是一堆标签嵌套谈不上美丑。现在不一样了。新一代模型在同一个向量空间里同时嵌入文本、图像、代码还接入了人类评分数据。它看过上百万个好看与难看的界面对比知道深色底加留白通常显得高级知道表单间距太挤会让用户烦躁。这种知识没法写成规则但可以被神经网络压缩成一种隐式的偏好函数。当模型在做设计时它其实是在做概率推断在所有合法的代码里哪一段代码大概率会被人类给出高分。这个转变非常本质——从语法正确变成偏好正确。1.3 跃迁的三块基石多模态对齐、思维链推理、偏好优化我在 AlphaUI 这类工具上看到的突飞猛进背后是同一条技术路径的收敛三块基石缺一不可。第一是多模态对齐。模型必须真的看得到组件长什么样而不仅仅是知道组件代码众。多模态对齐让模型可以在审美层面看见自己即将生成的东西。第二是思维链推理。设计从来不是一步到位的它需要先确定目标用户、信息层级、视觉动线然后才决定配色、字体、间距。推理时生成的思维链让模型在输出代码之前先在前额叶一样的机制里想一遍设计流程。第三是偏好优化。大量人类标注和线上 A/B 结果被用来训练奖励模型让丑的界面得分极低、优雅的界面得分极高互相对比之后模型生成时就会自动往高分方向收敛。这三个条件凑齐才让设计能力从玄学变成工程可实现的东西。2. 前端案例AlphaUIAI 第一次知道好看长什么样2.1 从布局参数到视觉语言的压缩我实际跑了一个测试让 AlphaUI 给某跨平台系统的数据看板做一版新的前端界面。旧工具遇到这种需求会直接开写代码而 AlphaUI 第一步做了一件让我很意外的事——它先输出了一份设计意图文档。它说这个数据看板的使用者大概率是运营和产品每天要看 8 小时所以要降低视觉噪点默认用浅灰背景加白色卡片关键指标用大数字加迷你趋势图再用一个克制的品牌色作为强调色。然后它才开始生成代码。这说明了什么它把好看压缩成了一套可解释的规则信息密度、视觉层级、对比度、留白比例、动线引导。以前这些专业词汇只存在于资深设计师的脑子里现在模型把它当成生成代码的前置条件。这本质上是一种视觉语言的压缩从海量设计案例里学到的高维审美经验被压进一个低维的决策空间再转化为具体的 CSS 变量和组件结构。2.2 设计系统与代码生成的统一链路AlphaUI 给我留下的第二个深刻印象是设计系统直接被接入了生成过程。测试时我把一份包含颜色 token、间距 token、字体比例和组件规范的简易设计系统文档扔进了上下文。结果它生成的所有页面都严格遵循这套规范卡片圆角统一用 8px主色只在按钮和关键链接上出现字号层级完全按 12/14/16/24/32 的比例走间距只有 4、8、16、24 四档。这个体验在过去是完全不敢想的。以前的 AI 生成前端就像让一个没看过你公司 VI 的外包写页面什么风格都可能出来。现在模型能在约束下做取舍了它不是从零发明设计而是在既定规则里做组合优化。设计系统提供约束模型提供创意。这就像一个设计师刚入组时先读你家的设计语言然后所有输出都在这个语言框架内展开。对技术团队来说这条链路意味着设计资产的复用成本断崖式下降。2.3 实际测评它真的能交付一个可用的落地页吗我当然也踩了坑。让 AlphaUI 直接产出数据看板后前两版在宽屏上效果不错但一旦缩到平板尺寸侧边栏不是被挤压就是和主内容重叠。第三版我加了明确的响应式断点要求它调整了栅格结构把卡片从 4 列降为 2 列侧边栏改成汉堡菜单交互才算真正能用。整个流程走下来我的判断是现在这类工具已经能完成一个中高级前端工程师 80% 的日常页面搭建但它仍然需要人盯着两件事——其一业务约束的理解是否准确比如权限逻辑、数据流、埋点需求它经常漏掉其二极端状态下的处理空数据、超长文本、弱网加载这些热乎的边界场景它还是容易粗糙。所以我的用法是让它出整体框架和视觉方案我负责填业务细节和边界处理整体效率至少翻了一倍。3. 视频案例VGen-5.5运动感知和一致性才是震撼的根源3.1 静态图像生成的瓶颈不会动的图视频生成一直是比图片生成更难啃的骨头。早期我用过几个视频工具输出效果总结起来就是会动的 PPT每一帧单独看还不错但帧与帧之间几乎没有运动逻辑。人走路像在滑冰镜头一转背景就穿帮物体边缘疯狂闪烁。根因在于那些模型本质上是逐帧生成图片再强行拼成视频根本没有建模时间维度。这就好比让你画一本翻页动画你每一页都画得很好但页与页之间动作不连续翻起来自然是一卡一卡的。视频的灵魂根本不在于单帧的精致度而在于帧与帧之间的关系是否符合物理规律和视觉常识。3.2 时间维度的建模从帧间插值到世界模型VGen-5.5 给我的感觉是它终于开始认真处理时间这个维度了。我不清楚它内部的具体架构但从行为上看它至少做了三件事第一显式建模运动信息物体移动轨迹不再是一帧一帧孤立的而是有一条连贯的运动场第二加入物理常识约束比如物体被遮挡后再出现位置、大小、光影应该能对应上第三光照和阴影随时间连续变化而不是每帧独立算一遍。换成人话就是模型不再把视频当成一组图片而是当成一个在世界规则下演化的时空片段。它学会了如果这个球滚过去影子应该朝这边拉长反光应该在这个位置闪一下这类隐含的世界规律。这才是视频生成产生临场感的真正原因也是它跟静态图片生成的本质分水岭。3.3 与旧版本对比一个实测片段我实际跑的测试是一条 10 秒的产品概念片一个金属质感的智能音箱放在木桌上晨光从窗户斜射进来有人走过去拿起它镜头缓慢推近。旧版本生成这种片段基本是灾难——手部运动扭曲音箱反光跳变镜头推进时桌面纹理都在流动。VGen-5.5 的输出则几乎做到了以假乱真的级别晨光角度在 10 秒内缓慢变化拿起音箱时手指和物体的遮挡关系正确金属表面的高光随着光源方向连续移动。真正让我觉得震撼的不是某一帧画得有多精致而是整段视频的动作、镜头、节奏都像是一个懂镜头语言的人拍的。我问自己这模型是不是偷偷学了剪辑手法大概率它真从海量视频数据里学到了推近镜头时运动要缓这种隐性知识。这一层能力不是把单帧修得更精致就能实现的必须靠整个时间维度建模的升级。4. Coding Agent 的创造力跃迁从补全到规划4.1 早期 Copilot 式工具的局限只活在上下文里早期的 AI 编程辅助本质是上下文里的概率补全。它看到你正在写的函数接着往下填几行看到 testsuit 里的断言猜一下实现思路。它对整个项目的架构缺乏全局认知更不可能主动提出这个模块应该重构一下的建议。遇到新架构、跨模块改动、历史包袱清理这类任务它基本帮不上忙因为这些任务需要的不是下一个 token而是看清全局之后再动手。我把这种阶段称为打字员级智能——它不犯错但它也不会思考。你告诉它每一步它才能走一步。4.2 Agent 化的关键循环Plan → Code → Test → Reflect现在 Coding Agent 的创造力跃迁关键在于它变成了一个能自己跑闭环的智能体。一个典型的循环是这样的先规划Plan读全代码库理解模块关系生成一份改动方案然后编码Code按方案动手改再测试Test自动跑单元测试和静态检查最后反思Reflect如果没有通过读取报错信息分析原因调整方案进入下一轮循环。这个闭环带来的质变是AI 不再是一个只能吐代码的接口而是一个能做试错的执行者。创造力这东西本质上就是在给定的空间里快速尝试并筛选出有效方案的能力。以前人类程序员一个人完成这个循环可能要一两天Agent 现在几十分钟就能跑完一轮。它当然还会犯错但它有路径去发现自己错了并改正这就已经是从静态补全到动态求解的关键一步。4.3 创造力的具体表现重构代码库、提出新的架构方案我举一个实际经历。有次我让它优化一个老项目的交易模块逻辑复杂、耦合严重、测试覆盖率低。如果按旧工具的思路它只会在现有函数里打补丁。但现在的 Agent 跑完分析之后给我的方案是把状态管理从各个服务各自维护订单状态改为事件溯源加聚合根然后列出了一份迁移路线图包括事件表设计、回放机制、对接现有 API 的兼容层甚至连迁移期间的双写策略都给了。我不会完全照搬它的方案——毕竟老代码迁移要考虑线上稳定性、团队熟悉度这些它看不到的因素。但足够说明问题了它已经能从怎么改这几行上升到这个系统应该怎么设计才对。这不仅是执行力的提升更是抽象层级的跃迁。对于日常 CRUD 和重复性模块Agent 的水平已经接近一个靠谱的普通工程师真正的差别只剩行业经验和业务判断。5. 为什么恰好是现在算力、数据、训练范式的三重合流5.1 参数规模带来的涌现不是玄学很多人以为 AI 能力跃迁是某一次算法突破带来的其实更像积木搭到了临界点参数规模足够大之后模型开始学会类比和隐喻。设计这件事本质上是跨模态的类比——把气场强大这种抽象感受映射成深色背景加大量留白加克制的点缀色这样的具体编码。这种能力不是靠写规则能写出来的只能靠模型在千万级样本里摸索出这种跨模态的隐秘规律。规模带来的这种涌现在图像和视频上表现得尤其明显因为视觉信息的规律比文本更隐蔽更需要大模型容量去捕捉。当模型容量增大到某个阈值很多之前看不到的相关性就自己浮现了。5.2 高质量反馈数据的突破审美数据的价值重估过去我们缺的不是代码数据——GitHub 上开源代码多得是而是审美数据。模型可以看十万个网页但没人告诉它哪些好看。好在最近两三年人类标注、设计库、用户点击和留存数据开始被大规模接入训练流程。一个界面在 A/B 测试里点击率更高、停留时间更长这些信号会被提炼成偏好信息反向校正模型的设计决策。这批审美数据的积累才是会设计的直接燃料。没有这些数据模型就算有再大的参数容量也不知道高级感三个字怎么写。所以我会说这一波能力跃迁与其归功于某个单一模型的训练技巧不如归功于整个行业终于开始给 AI 标审美分了。5.3 推理时缩放让 AI 愿意多想几步再做设计最后一块拼图是推理时扩展技术的普及。简单说模型在真正生成结果之前会先生成一段内部推理过程相当于先打草稿、做方案对比再落到最终输出。设计本身就是取舍先想到三个方案评估哪一个更符合需求然后输出。推理时扩展让多想几步从实验原型变成了产品标配。这个变化对用户体验的冲击极其明显。同一个模型一个让它在输入端多花几秒钟时间思考生成出来的页面布局、配色方案、按钮优先级就完全不一样。我看过不少产品团队做盲测几乎一致认为多想想再出的设计更合理。这也是为什么你感觉 AI 突然开窍了它其实不是突然变聪明而是终于有时间把聪明用在刀刃上了。6. 对开发者和创作者的实际影响技能树与工作流重塑6.1 提示词工程师的退场目标设定者的登场前两年大家都在学怎么把 prompt 写得又长又详细现在我的体会是最强的用法已经不是写详细指令而是给目标、给约束、给评价标准。AlphaUI 在生成前端之前先写设计意图文档本身就是最好的示范——你给它一个模糊的目标让用户更快找到关键数据它会自己想方案你只需要判断方向对不对。换句话说你的核心竞争力正在变成判断什么值得做和定义什么是好结果。提示词写得再花哨不如把北极星指标想清楚这一版页面要提升什么转化率这段视频要传达什么情绪这套架构要支撑什么规模。AI 负责干活你负责定义干得好的标准。6.2 人工复核的重点转移从语法到意图一致性以前我们 review 代码重点看有没有语法错误、逻辑遗漏现在 AI 生成的代码语法几乎不会错你要看的是它有没有误解你的业务意图。前端页面要看品牌感知对不对视频要看叙事逻辑通不通代码要看架构意图是否匹配业务长期演化方向。这意味着复核的方式也得变。我现在的习惯是拿到 AI 输出之后先不看细节先问三个问题——它理解的目标对不对它的约束条件有没有被我漏掉如果给我一个完全不同的方案我会不会更喜欢然后再往下看细节。这套思路同样适合视频和设计稿本质上是在检查 AI 的意图建模是否和你一致而不只是检查它有没有写错。6.3 一个可执行的上手建议从今天的三个场景开始如果你看完这篇文章想立刻动手试我有三个具体的起点第一个用前端生成 Agent 把你手头最老的一个后台管理页面重新设计一遍重点观察它如何应对信息密度和视觉层级。第二个用视频生成模型做一条 10 秒的产品概念片随便什么产品都行试着给它一个有物理常识和镜头感的提示词看看输出哪部分最接近真实拍摄。第三个把一个你一直想重构但没时间动的老旧模块交给 Coding Agent让它出一个完整的重构方案记得让它在方案里写明迁移路径和风险点。这三个场景都做完你会发现一个现象你不是在用 AI 辅助打杂而是在和一个有初稿能力的设计师、剪辑师、架构师合作。你需要做的就是当一个更挑剔的甲方。说到底我自己的感受是AI 的设计能力不是突然长出来的而是它终于补上了那层人类视角。以前它只学会了语言现在它学会了看、学会了想、学会了在试错中判断好坏。对做技术的人来说这轮变化最大的冲击不是我会不会被取代而是我终于可以把精力放在更高的层级上了。下一个值得玩的方向也许是让 AI 直接参与产品的需求定义——到那时候我们手里的工作又会变一次。
AI 早就会写代码这话放在三年前就是一句废话。那时候大家用代码补全工具无非是让它填个函数、写段接口调用偶尔生成一两个模板页面结果页面一跑起来总有种古董网页博物馆的气质。但最近这一年多风向明显变了。我先后深度测了一个前端生成智能体下文就称呼它为 AlphaUI 吧又试了某视频生成大模型的 5.5 版本下文简写为 VGen-5.5再加上每天都在用的几个 Coding Agent最大的感受不是它们更聪明了而是它们真的开始有审美、有设计感、有规划能力了。这篇文章我不打算堆术语只想用自己实际动手跑过的项目把从会写到会设计到底是怎么发生的讲清楚。不管你搞前端、剪视频、还是写业务代码看完你就能明白两件事这种跃迁为什么刚好发生在现在以及你的工作方式该往哪个方向调。1. 能写和会设计之间差了什么从代码生成到意图建模1.1 以前的 AI 编码语法正确审美缺席三年前的 AI 代码生成本质上是下一个 token 的概率预测。模型看到你上下文里的函数名、变量名、字符串常量顺着概率分布把下一段代码补出来。语法基本正确缩进也对注释也有但你要让它写一个产品落地页它给你的东西八成是全屏居中、加粗大字、三四个高饱和渐变色块再加一个弹窗式的好评引导。不是它不懂 CSS是它压根不知道用户看到这个页面之后会产生什么情绪。这里有个很关键的类比以前的 AI 就是个翻译机器你给我一句做一个注册页它机械地把这句话翻译成 HTML但它不理解注册页这个场景里隐含的设计目标。一个合格的注册页要让人感到安全、顺畅、愿意交出个人信息要弱化输入成本强化隐私承诺要让主按钮在视觉层级里一眼被看见。这些全是界面之外的意图而旧模型完全无感。所以它产出的代码再正确也无法调用设计这个函数。1.2 设计能力的本质其实是对人类偏好的建模所谓会设计不是会写花哨的 CSS而是能预测一件事在特定场景下人类用户看到哪种布局会觉得专业、可信、舒适。这就意味着模型必须打通三条链路——文本描述、视觉呈现、用户反馈。过去的 AI 编码模型训练数据是文本—代码对模型只看过代码没看过渲染结果所以在它脑子里一个页面就是一堆标签嵌套谈不上美丑。现在不一样了。新一代模型在同一个向量空间里同时嵌入文本、图像、代码还接入了人类评分数据。它看过上百万个好看与难看的界面对比知道深色底加留白通常显得高级知道表单间距太挤会让用户烦躁。这种知识没法写成规则但可以被神经网络压缩成一种隐式的偏好函数。当模型在做设计时它其实是在做概率推断在所有合法的代码里哪一段代码大概率会被人类给出高分。这个转变非常本质——从语法正确变成偏好正确。1.3 跃迁的三块基石多模态对齐、思维链推理、偏好优化我在 AlphaUI 这类工具上看到的突飞猛进背后是同一条技术路径的收敛三块基石缺一不可。第一是多模态对齐。模型必须真的看得到组件长什么样而不仅仅是知道组件代码众。多模态对齐让模型可以在审美层面看见自己即将生成的东西。第二是思维链推理。设计从来不是一步到位的它需要先确定目标用户、信息层级、视觉动线然后才决定配色、字体、间距。推理时生成的思维链让模型在输出代码之前先在前额叶一样的机制里想一遍设计流程。第三是偏好优化。大量人类标注和线上 A/B 结果被用来训练奖励模型让丑的界面得分极低、优雅的界面得分极高互相对比之后模型生成时就会自动往高分方向收敛。这三个条件凑齐才让设计能力从玄学变成工程可实现的东西。2. 前端案例AlphaUIAI 第一次知道好看长什么样2.1 从布局参数到视觉语言的压缩我实际跑了一个测试让 AlphaUI 给某跨平台系统的数据看板做一版新的前端界面。旧工具遇到这种需求会直接开写代码而 AlphaUI 第一步做了一件让我很意外的事——它先输出了一份设计意图文档。它说这个数据看板的使用者大概率是运营和产品每天要看 8 小时所以要降低视觉噪点默认用浅灰背景加白色卡片关键指标用大数字加迷你趋势图再用一个克制的品牌色作为强调色。然后它才开始生成代码。这说明了什么它把好看压缩成了一套可解释的规则信息密度、视觉层级、对比度、留白比例、动线引导。以前这些专业词汇只存在于资深设计师的脑子里现在模型把它当成生成代码的前置条件。这本质上是一种视觉语言的压缩从海量设计案例里学到的高维审美经验被压进一个低维的决策空间再转化为具体的 CSS 变量和组件结构。2.2 设计系统与代码生成的统一链路AlphaUI 给我留下的第二个深刻印象是设计系统直接被接入了生成过程。测试时我把一份包含颜色 token、间距 token、字体比例和组件规范的简易设计系统文档扔进了上下文。结果它生成的所有页面都严格遵循这套规范卡片圆角统一用 8px主色只在按钮和关键链接上出现字号层级完全按 12/14/16/24/32 的比例走间距只有 4、8、16、24 四档。这个体验在过去是完全不敢想的。以前的 AI 生成前端就像让一个没看过你公司 VI 的外包写页面什么风格都可能出来。现在模型能在约束下做取舍了它不是从零发明设计而是在既定规则里做组合优化。设计系统提供约束模型提供创意。这就像一个设计师刚入组时先读你家的设计语言然后所有输出都在这个语言框架内展开。对技术团队来说这条链路意味着设计资产的复用成本断崖式下降。2.3 实际测评它真的能交付一个可用的落地页吗我当然也踩了坑。让 AlphaUI 直接产出数据看板后前两版在宽屏上效果不错但一旦缩到平板尺寸侧边栏不是被挤压就是和主内容重叠。第三版我加了明确的响应式断点要求它调整了栅格结构把卡片从 4 列降为 2 列侧边栏改成汉堡菜单交互才算真正能用。整个流程走下来我的判断是现在这类工具已经能完成一个中高级前端工程师 80% 的日常页面搭建但它仍然需要人盯着两件事——其一业务约束的理解是否准确比如权限逻辑、数据流、埋点需求它经常漏掉其二极端状态下的处理空数据、超长文本、弱网加载这些热乎的边界场景它还是容易粗糙。所以我的用法是让它出整体框架和视觉方案我负责填业务细节和边界处理整体效率至少翻了一倍。3. 视频案例VGen-5.5运动感知和一致性才是震撼的根源3.1 静态图像生成的瓶颈不会动的图视频生成一直是比图片生成更难啃的骨头。早期我用过几个视频工具输出效果总结起来就是会动的 PPT每一帧单独看还不错但帧与帧之间几乎没有运动逻辑。人走路像在滑冰镜头一转背景就穿帮物体边缘疯狂闪烁。根因在于那些模型本质上是逐帧生成图片再强行拼成视频根本没有建模时间维度。这就好比让你画一本翻页动画你每一页都画得很好但页与页之间动作不连续翻起来自然是一卡一卡的。视频的灵魂根本不在于单帧的精致度而在于帧与帧之间的关系是否符合物理规律和视觉常识。3.2 时间维度的建模从帧间插值到世界模型VGen-5.5 给我的感觉是它终于开始认真处理时间这个维度了。我不清楚它内部的具体架构但从行为上看它至少做了三件事第一显式建模运动信息物体移动轨迹不再是一帧一帧孤立的而是有一条连贯的运动场第二加入物理常识约束比如物体被遮挡后再出现位置、大小、光影应该能对应上第三光照和阴影随时间连续变化而不是每帧独立算一遍。换成人话就是模型不再把视频当成一组图片而是当成一个在世界规则下演化的时空片段。它学会了如果这个球滚过去影子应该朝这边拉长反光应该在这个位置闪一下这类隐含的世界规律。这才是视频生成产生临场感的真正原因也是它跟静态图片生成的本质分水岭。3.3 与旧版本对比一个实测片段我实际跑的测试是一条 10 秒的产品概念片一个金属质感的智能音箱放在木桌上晨光从窗户斜射进来有人走过去拿起它镜头缓慢推近。旧版本生成这种片段基本是灾难——手部运动扭曲音箱反光跳变镜头推进时桌面纹理都在流动。VGen-5.5 的输出则几乎做到了以假乱真的级别晨光角度在 10 秒内缓慢变化拿起音箱时手指和物体的遮挡关系正确金属表面的高光随着光源方向连续移动。真正让我觉得震撼的不是某一帧画得有多精致而是整段视频的动作、镜头、节奏都像是一个懂镜头语言的人拍的。我问自己这模型是不是偷偷学了剪辑手法大概率它真从海量视频数据里学到了推近镜头时运动要缓这种隐性知识。这一层能力不是把单帧修得更精致就能实现的必须靠整个时间维度建模的升级。4. Coding Agent 的创造力跃迁从补全到规划4.1 早期 Copilot 式工具的局限只活在上下文里早期的 AI 编程辅助本质是上下文里的概率补全。它看到你正在写的函数接着往下填几行看到 testsuit 里的断言猜一下实现思路。它对整个项目的架构缺乏全局认知更不可能主动提出这个模块应该重构一下的建议。遇到新架构、跨模块改动、历史包袱清理这类任务它基本帮不上忙因为这些任务需要的不是下一个 token而是看清全局之后再动手。我把这种阶段称为打字员级智能——它不犯错但它也不会思考。你告诉它每一步它才能走一步。4.2 Agent 化的关键循环Plan → Code → Test → Reflect现在 Coding Agent 的创造力跃迁关键在于它变成了一个能自己跑闭环的智能体。一个典型的循环是这样的先规划Plan读全代码库理解模块关系生成一份改动方案然后编码Code按方案动手改再测试Test自动跑单元测试和静态检查最后反思Reflect如果没有通过读取报错信息分析原因调整方案进入下一轮循环。这个闭环带来的质变是AI 不再是一个只能吐代码的接口而是一个能做试错的执行者。创造力这东西本质上就是在给定的空间里快速尝试并筛选出有效方案的能力。以前人类程序员一个人完成这个循环可能要一两天Agent 现在几十分钟就能跑完一轮。它当然还会犯错但它有路径去发现自己错了并改正这就已经是从静态补全到动态求解的关键一步。4.3 创造力的具体表现重构代码库、提出新的架构方案我举一个实际经历。有次我让它优化一个老项目的交易模块逻辑复杂、耦合严重、测试覆盖率低。如果按旧工具的思路它只会在现有函数里打补丁。但现在的 Agent 跑完分析之后给我的方案是把状态管理从各个服务各自维护订单状态改为事件溯源加聚合根然后列出了一份迁移路线图包括事件表设计、回放机制、对接现有 API 的兼容层甚至连迁移期间的双写策略都给了。我不会完全照搬它的方案——毕竟老代码迁移要考虑线上稳定性、团队熟悉度这些它看不到的因素。但足够说明问题了它已经能从怎么改这几行上升到这个系统应该怎么设计才对。这不仅是执行力的提升更是抽象层级的跃迁。对于日常 CRUD 和重复性模块Agent 的水平已经接近一个靠谱的普通工程师真正的差别只剩行业经验和业务判断。5. 为什么恰好是现在算力、数据、训练范式的三重合流5.1 参数规模带来的涌现不是玄学很多人以为 AI 能力跃迁是某一次算法突破带来的其实更像积木搭到了临界点参数规模足够大之后模型开始学会类比和隐喻。设计这件事本质上是跨模态的类比——把气场强大这种抽象感受映射成深色背景加大量留白加克制的点缀色这样的具体编码。这种能力不是靠写规则能写出来的只能靠模型在千万级样本里摸索出这种跨模态的隐秘规律。规模带来的这种涌现在图像和视频上表现得尤其明显因为视觉信息的规律比文本更隐蔽更需要大模型容量去捕捉。当模型容量增大到某个阈值很多之前看不到的相关性就自己浮现了。5.2 高质量反馈数据的突破审美数据的价值重估过去我们缺的不是代码数据——GitHub 上开源代码多得是而是审美数据。模型可以看十万个网页但没人告诉它哪些好看。好在最近两三年人类标注、设计库、用户点击和留存数据开始被大规模接入训练流程。一个界面在 A/B 测试里点击率更高、停留时间更长这些信号会被提炼成偏好信息反向校正模型的设计决策。这批审美数据的积累才是会设计的直接燃料。没有这些数据模型就算有再大的参数容量也不知道高级感三个字怎么写。所以我会说这一波能力跃迁与其归功于某个单一模型的训练技巧不如归功于整个行业终于开始给 AI 标审美分了。5.3 推理时缩放让 AI 愿意多想几步再做设计最后一块拼图是推理时扩展技术的普及。简单说模型在真正生成结果之前会先生成一段内部推理过程相当于先打草稿、做方案对比再落到最终输出。设计本身就是取舍先想到三个方案评估哪一个更符合需求然后输出。推理时扩展让多想几步从实验原型变成了产品标配。这个变化对用户体验的冲击极其明显。同一个模型一个让它在输入端多花几秒钟时间思考生成出来的页面布局、配色方案、按钮优先级就完全不一样。我看过不少产品团队做盲测几乎一致认为多想想再出的设计更合理。这也是为什么你感觉 AI 突然开窍了它其实不是突然变聪明而是终于有时间把聪明用在刀刃上了。6. 对开发者和创作者的实际影响技能树与工作流重塑6.1 提示词工程师的退场目标设定者的登场前两年大家都在学怎么把 prompt 写得又长又详细现在我的体会是最强的用法已经不是写详细指令而是给目标、给约束、给评价标准。AlphaUI 在生成前端之前先写设计意图文档本身就是最好的示范——你给它一个模糊的目标让用户更快找到关键数据它会自己想方案你只需要判断方向对不对。换句话说你的核心竞争力正在变成判断什么值得做和定义什么是好结果。提示词写得再花哨不如把北极星指标想清楚这一版页面要提升什么转化率这段视频要传达什么情绪这套架构要支撑什么规模。AI 负责干活你负责定义干得好的标准。6.2 人工复核的重点转移从语法到意图一致性以前我们 review 代码重点看有没有语法错误、逻辑遗漏现在 AI 生成的代码语法几乎不会错你要看的是它有没有误解你的业务意图。前端页面要看品牌感知对不对视频要看叙事逻辑通不通代码要看架构意图是否匹配业务长期演化方向。这意味着复核的方式也得变。我现在的习惯是拿到 AI 输出之后先不看细节先问三个问题——它理解的目标对不对它的约束条件有没有被我漏掉如果给我一个完全不同的方案我会不会更喜欢然后再往下看细节。这套思路同样适合视频和设计稿本质上是在检查 AI 的意图建模是否和你一致而不只是检查它有没有写错。6.3 一个可执行的上手建议从今天的三个场景开始如果你看完这篇文章想立刻动手试我有三个具体的起点第一个用前端生成 Agent 把你手头最老的一个后台管理页面重新设计一遍重点观察它如何应对信息密度和视觉层级。第二个用视频生成模型做一条 10 秒的产品概念片随便什么产品都行试着给它一个有物理常识和镜头感的提示词看看输出哪部分最接近真实拍摄。第三个把一个你一直想重构但没时间动的老旧模块交给 Coding Agent让它出一个完整的重构方案记得让它在方案里写明迁移路径和风险点。这三个场景都做完你会发现一个现象你不是在用 AI 辅助打杂而是在和一个有初稿能力的设计师、剪辑师、架构师合作。你需要做的就是当一个更挑剔的甲方。说到底我自己的感受是AI 的设计能力不是突然长出来的而是它终于补上了那层人类视角。以前它只学会了语言现在它学会了看、学会了想、学会了在试错中判断好坏。对做技术的人来说这轮变化最大的冲击不是我会不会被取代而是我终于可以把精力放在更高的层级上了。下一个值得玩的方向也许是让 AI 直接参与产品的需求定义——到那时候我们手里的工作又会变一次。
