LLM 本质:输入(图片/文字)tokenize 后,transformer 逐个预测下一个 token。训练语料以语言 / 代码为主,所以 LLM 的语言、代码类输出比像素级图像输出更稳定。
推论:用 HTML/CSS(文本格式)承载设计图,而不是让 LLM 直接出图。需求文档 → 文本格式设计稿 → 导入设计软件微调。
Claude + Claude Code。模型:Opus / Fable。
落点:首页三行——① KPI 环比行(桩数 / 在线率 / 设备使用率 / 工单数 + MTTR,受右上角时间 filter 控制,默认 30 天,环比基准"上一个同长区间",口径印在卡上);② 设备实时行(六态计数 + 色点,点击进列表,不受 filter 控制,标注"实时");③ 进行中事件 / 我的工单(沿用前轮 incident.io 分阶段布局)。
每个模块统一四段:需求回显 → 竞品截图 → 范式收敛 → 落点。落点是喂给 LLM 的直接输入——写到"哪一行放什么、受不受 filter 控制"这个颗粒度,生成阶段不用再临场决定。
| 模式 | Seline / Whop | Stripe / Deel | Jira / Jobber | Zendesk / incident.io | APS 模块 |
|---|---|---|---|---|---|
| KPI 环比卡 + 时间预设(默认30天) | ● | ◐ | — | ◐ | M1 首页总揽 |
| 实时态势与 KPI 分离(不随 filter) | ◐ | — | — | ● | M1 设备六态行 |
| 列表四件套(tab计数/列筛/自选列/导出) | ◐ | ● | ● | ● | M2 三级设备列表 |
调研先行,再进设计规范和生成阶段 —— 取舍在报告里写清楚,不靠 LLM 临场决定。
| 颜色 | Light Mode | Dark Mode | 语义用途 | |------|-----------|-----------|----------| | **蓝色 Blue** | `#007AFF` | `#0A84FF` | 主要操作、链接 | | **绿色 Green** | `#34C759` | `#30D158` | 确认、成功 | | **红色 Red** | `#FF3B30` | `#FF453A` | 危险、删除 | | **灰色 Gray** | `#8E8E93` | `#8E8E93` | 禁用、次要 |
规范以 Markdown 表格 + 代码块喂给 LLM,与需求文档同源输入,输出的设计令牌(--blue / --r-card / --s-xl 等)直接对应规范条目,可逐条核对。
● 明显优势 ◐ 有条件优势 / 依赖投入 — 无明显优势;个人判断,待更多案例验证
| 维度 | 传统流程 (PRD → 设计手工出稿) | LLM 辅助流程 (报告+规范 → 生成 → 检查) |
|---|---|---|
| 出稿速度(首版) | — | ● |
| 跨页面风格一致性 | ● | ◐ 依赖设计规范文档质量 |
| 细节覆盖(状态 / 边界情况) | ◐ | ◐ 依赖需求文档颗粒度 |
| 迭代成本(改一版) | — | ● |
| 审美还原度 | ● | ◐ |