把一句需求丢给 AI Agent，几分钟就能得到一版前端页面——布局工整、配色协调、组件齐全，几乎挑不出毛病，但 AI 味极重。
这恰恰是让设计师头疼的地方。
这种"挑不出毛病"并不来自设计判断，而来自大模型对海量界面的统计平均：什么样的卡片最常见，什么样的间距最安全，什么样的配色不会出错。"完美"在这里是一个被模型定义的词汇——它意味着"接近所有正确页面的平均值"，而不是"为这个具体场景做过判断"。
而由人主导的设计，起点完全不同：这个页面为谁服务，哪条信息必须最先被看到，什么情况下界面应该"在这里不需要有内容"。这些问题没有平均答案，只有具体判断。
团队近期的两个产品设计，全程在 Agent 中完成，复盘这两段过程时发现一个耐人寻味的现象：设计文档里记录最多的，不是"做了什么"，而是拦下了什么——拦下那些看起来完美、却经不起审视的默认样式。
用三个现场案例来详细复盘一下：
-
如何设计会跳动的数字
-
如何设计确认流程
-
页面设计的工作次序
现场一｜动效只为信息服务：警惕没有依据的“伪实时”
场景与默认答案
首页需要建立可信感，放一组统计数字是最常见的解法。
交给 Agent，默认样式是：放数字，并且让它动起来——滚动、递增、实时刷新。在生成逻辑里，"有数据感"和"有数据"是同一回事。
真正的翻车点
问题暴露在复盘环节。其中一个项目的首页，一组自动变化的数字很容易被理解成实时业务数据，而它背后并没有可验证的数据源。"看起来实时"和"真的是实时"之间，隔着一条用户看不见、但真实存在的线。
设计取舍
之后的取舍是三选一：
-
改成固定累计值
-
明确标注展示性质
-
干脆不展示
同一段复盘里还有另一半对照：另一个项目中的数字动效被保留了下来。因为它呈现的是真实状态更新，每一次跳动都对应一次真实的数据变化——动效在那里承担着明确的信息任务。
取舍的对象从来不是数字或动效本身，而是没有依据的可信感。
界面上每一个"看起来可信"的元素，都要能回答一个问题：依据是什么。动效存在的唯一理由，是它有信息任务。
现场二｜拒绝标准弹窗，交付决策摘要
场景与默认答案
一个高风险、不可逆的操作流程，使用者按下确认按钮之前，界面应该呈现什么？
交给 Agent，默认样式是一个标准弹窗：标题、一行说明、"取消"和"确认"两个按钮。防误触，是确认弹窗的常识形态。
真正的翻车点
这个默认样式对低风险操作没有问题。但高风险操作的确认环节，是使用者最后一次建立完整上下文的机会。只有两个按钮的弹窗，等于把决策责任推给了使用者的记忆力：
-
这次操作涉及哪些记录？
-
成本由谁承担？
-
结果会发到哪里？
-
操作会被拆成几步？
设计取舍
确认页因此被重新设计为一份决策摘要。在按下按钮之前，以下信息全部摊开：
-
本次操作涉及哪些事项
-
由哪个账户发起
-
结果由哪些地方接收
-
是否会被拆成多步
其中最重要的是，泛化的提醒无法帮助任何人做决定，离动作越近的文案，就越要说明这个动作的具体后果。
关键环节的信息密度，由决策需要决定，不由组件惯例决定。
现场三｜颠倒设计次序，不要从终点反推路径
场景与默认答案
一个涉及查询、授权、执行、验证的异步流程，页面该怎么设计？
交给 Agent，默认样式是先生成一张信息完整的默认页——一切正常时的样子，再反向补空状态和错误提示。
真正的翻车点
问题出在次序上：异步流程的真实样貌不是一张页面，而是一组状态：
-
查询中
-
查询为空
-
查询失败
-
等待确认
-
已提交待确认
-
确认完成但结果待验证
-
多批次部分完成
-
失败后可恢复
默认页只是其中一个切片。从切片反推整体，遗漏是必然。
设计取舍
次序因此被整个颠倒了过来：先画状态机，穷举查询、授权、执行、验证四类状态，再从状态生成页面。默认页是状态机的输出，不是设计的起点。
随之确立的是一条分层原则：
-
查看不等于授权
-
选择不等于执行
-
确认不等于成功
-
系统回执不等于结果已验证
先枚举所有可能出错的方式，再设计一切正常时的样子。
取舍的终点，是规则
三个现场看似分散，落点却是同一个动作：每一次取舍都不是一次性的。
拦下默认样式之后，取舍被写成状态清单、检查项和约束条件，回流到 Agent 的工作流中，成为下一次生成的边界。
这样不断优化迭代，设计师的产出物，正在从**“页面的答案”，变成“判断页面的规则”**。AI 负责给出工整的默认样式，设计师负责判断它在这个场景里成不成立、不成立时该怎么办。
这也是为什么，复盘时"拦下了什么"比"做了什么"更值得记录——拦下的每一条，都在扩大默认样式之外的那圈边界。
生成很快，判断很贵
回到开头：AI 几分钟就能快速生产一版挑不出毛病的页面。
速度早已不是问题，真正的问题是——当"完美"可以由模型批量生产，还有谁能指出这种“完美”不适用的地方？
答案是审美与品味。它们听起来像软技能，本质上却是一种硬功夫：由成千上万次"这个不对"的具体判断积累而成，既知道什么是平均意义上的正确，更知道这个场景需要的恰恰不是平均。
AI 的生成逻辑是取众数，品味的逻辑是做取舍。前者负责快，后者负责对。
Agent 时代，设计师无法被替代的部分，从来不是画页面的古法手搓，而是能在一版完美页面里看出"哪里不对"的那双眼睛。
好的生产会越来越快，而好的判断则越来越贵。