一句话看懂：前 Figma 工程师 Matt Dailey 公开分享了一套结合 AI 的设计方法论，核心是反对“打地鼠式”的局部修补，主张用约束清单来系统性提升 AI 生成设计的质量。这件事之所以值得关注，是因为它提供了一个反直觉的视角：AI 生成设计的问题不在于技术能力不足，而在于工程师和智能体共同缺乏设计纪律。
事件核心：发生了什么
2026 年 8 月 26 日，前 Figma 工程师 Matt Dailey 在 X 平台发布长文《How I Design with AI》，分享其为自有产品做设计时如何借助 AI 摆脱“劣质设计”的方法。该文随后被社区转载至飞书文档。
Dailey 的核心观点是：AI 时代的低质量设计并非由工具能力不足导致，而是因为设计和反馈过程中缺乏全局意识。他提出一套三步式设计流程：第一步，列出产品所有约束条件（如字体规则、业务逻辑状态、必须支持的工作流）；第二步，寻找满足这些约束的解决方案；第三步，若在过程中新增或删除了约束，则回到第一步重新推导。他强调，跳过第三步是常见错误，会导致团队陷入“设计打地鼠”模式。
他还指出，AI 智能体在 UI 设计中的天性倾向是“增加元素”——多余的文案、线条和图标。因此，工程师的角色不是让 AI 生成更多内容，而是逐项审视每个视觉元素，并追问“我真的需要它吗”。
为什么重要
这篇经验分享的价值在于把 AI 设计议题从“生成能力”拉回“决策质量”。过去两年，大量 AI 设计工具的宣传聚焦于文生图、一键生成界面的效率提升，但很少讨论生成结果的结构性缺陷：为什么 AI 做出来的页面“看起来还行”却不好用？Dailey 的判断是，问题出在反馈路径上——用户反馈被当作孤立的局部问题处理，AI 被反复要求“让 X 更突出”，最终产物变成随机优先级的拼凑物。
这一观点对当下以“智能体”为中心的设计工具开发有直接影响。当前行业竞争焦点在于智能体能否自主完成任务，但 Dailey 提醒，自主性如果缺少约束体系支撑，AI 只会放大工程师原有的设计混乱。换句话说，AI 并不会自动带来好设计，它只是加速了设计决策过程的显性化。
对用户/开发者/创作者的影响
对独立开发者和产品经理而言，这篇经验提供了一个具体可执行的策略：建立一份“小问题文档”，对明显的修复快速行动，但把低优先级问题记录下来，等下一次整体重新设计时统一解决，避免过度反应。这个思路同样适用于使用 AI 编程工具的开发者——AI 生成的代码和 UI 一样，会本能地添加多余层级的 try-catch 或重复工具函数，约束清单可以同时应用于代码和界面。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对依赖 AI 生成落地页或应用界面的创作者来说，Dailey 的“去掉多余的东西”原则是一个可量化的检查步骤：逐项审视 AI 输出的每个区块、每行文案、每个 icon，判断其是否存在不可替代的功能价值。这种做法比反复输入“更简洁一点”的提示词更接近问题的本质。
值得关注的后续
目前公开信息显示，Dailey 没有发布任何配套工具或插件，文中方法论以文字形式免费公开。有三点值得后续观察：其一，这套“约束优先”的方法论是否会被 Figma 或其他设计工具内置为 AI 交互范式，例如在提示词界面增加约束声明模块；其二，市场上是否会出现专门用于记录和管理“设计约束清单”的协作工具，以配合这套流程落地；其三，社区是否会将这套方法迁移到代码生成场景，形成“约束驱动开发”的实践指南。如果这些方向有实际产品落地，才算真正验证了 Dailey 这套经验的价值。
