颠覆原型设计！Figma Make 实测：AI 真的能帮你写完前端吗？

优质文章学习记录

— 5 min read
颠覆原型设计！Figma Make 实测：AI 真的能帮你写完前端吗？

一、什么是 Figma Make？

Figma Make 是 Figma 于 2025 年在 Config 大会上推出的 AI 驱动的 “Prompt‑to‑App” 工具，可将自然语言描述或现有 Figma 设计稿转换为可交互原型、网页或 Web App，而且支持通过聊天式界面进行迭代修改 (Figma, Figma学习中心)。
它基于 Anthropic 的 Claude 3.7 模型，能结合设计稿元数据生成代码，并允许逐元素编辑样式与交互逻辑 。

二、主要功能与用法亮点

  • 对话式 AI 聊天界面：你可以直接“对话”让 AI 根据提示生成 UI，附加已有 Figma 设计稿以控制视觉风格 (Figma学习中心, Figma)。
  • 导入设计稿生成代码：支持将 Figma 框架粘贴进聊天窗口，AI 基于这些设计自动生成对应的 React/Vue/Flutter 或标准前端代码 (Figma学习中心)。
  • 元素级迭代控制：点击画布中的元素，即可针对该元素提出修改如字体、颜色、交互动效等提示进行调整 (rogerwong.me)。
  • 互动原型与代码预览：AI 生成预览界面可测试 hover、弹窗等交互效果，同时可查看后端可用代码 (nocode.mba, rogerwong.me)。
  • 发布功能（仅全座席订阅用户）：部分订阅用户能够将原型发布成 URL 访问的 Web App (The Verge)。
  • AI 积分系统：开放给所有用户试用，但完整功能与无限使用权仅限 Full‑Seat 用户；其他用户有 AI 积分限制 (The Verge)。

三、优点分析

  • 高效原型生成：极大节省了传统提案与原型制作时间，尤其适合快速验证想法。
  • 设计稿还原较高：在结构清晰的设计系统下，生成结果与原始设计对齐度较高，甚至能捕捉 hover 状态等互动逻辑 。
  • 团队协作便捷：设计师与开发者可在同一对话/文件中共同编辑和查看生成结果，实现边设计边编码的协作流程。
  • 未来愿景明确：Figma 致力于将 Make 打造成设计与开发打通的枢纽工具，未来还可能整合可访问性检查、分析反馈、设计系统同步等能力。

四、局限与挑战

  • 不稳定的视觉质量：对于未使用 auto-layout 的“快速草图”设计稿，生成效果可能混乱，字体样式、布局常常不准确 (forum.figma.com)。
  • 决策逻辑偏差：AI 有时会替换设计元素（如将 radio 改为 select），甚至未询问便擅自决定，需更多交互与确认机制 (LogRocket Blog)。
  • 复杂交互与业务逻辑局限：当前还不能生成支付流程或复杂状态管理等业务逻辑，需要人工干预完善代码。
  • 生成代码需优化：自动生成的代码偶有冗余样式、性能问题和可访问性短板，需额外优化处理 。

五、适用人群与场景推荐

场景适合人群说明
快速原型 & 概念验证UI/UX 设计师，产品经理快速把草图或想法转为可交互原型
简单交互页面生成设计者／非技术人员比如登录页、展示页、促销页等
团队协作与设计系统校验跨职能设计＋开发团队可提升设计一致性并减少交接误差
AI-assisted 可访问性／QA 自动化未来潜在场景当前仍在预研，实现机制尚未完善

六、发展前景 & 建议

  • 模型与流程优化需加强：增强对复杂 UI 结构和状态逻辑的理解，加入“选择确认”机制以避免 AI 擅自改动设计意图。
  • 开放插件与集成能力：未来可与代码仓库、设计系统管理工具、分析平台深度联动，实现一边设计一边上线的闭环流程。
  • 提升可访问性与质量检测能力：若能集成自动 W.C.A.G 检测与性能优化建议，将大大增强生产可用性。
  • 增强代码输出质量：生成更加简洁、可维护、模块化的前端代码，甚至支持企业风格定义与定制输出。

总结

Figma Make 是一次具有开创性的尝试，它承载了 Figma 将设计、原型与代码三者融合的野心，从“设计驱动开发”出发，探索未来协作的新模式。尽管目前仍处于初期阶段，存在设计解析不准确、逻辑处理欠缺、代码需人工优化等局限，但它已经展现出极大的潜力和愿景。

如果你需要快速验证产品概念、加快设计迭代，或探索 AI 协助开发的可能性，Figma Make 都值得一试。建议在使用时搭配严格的设计系统、设计审核与代码评审，并密切关注未来 Figma 的模型升级与功能拓展。

参考文献

Read more

Yolo11 基于DroneVehicle数据集的无人机视角下车辆目标检测

Yolo11 基于DroneVehicle数据集的无人机视角下车辆目标检测

1、关于DroneVehicle数据集介绍 DroneVenicle数据集是由天津大学收集、标注的大型无人机航拍车辆数据集。 DroneVehicle 数据集由无人机采集的共 56,878 幅图像组成，其中一半为 RGB 图像，其余为红外图像。我们对五个类别进行了带有方向性边界框的丰富标注。其中，汽车car 在 RGB 图像中有 389,779 个标注，在红外图像中有 428,086 个标注；卡车truck 在 RGB 图像中有 22,123 个标注，在红外图像中有 25,960 个标注；公交车bus 在 RGB 图像中有 15,333 个标注，在红外图像中有 16,590 个标注；面包车van 在
LangBot：企业级即时通讯 AI 机器人平台 介绍篇

LangBot：企业级即时通讯 AI 机器人平台 介绍篇

LangBot：企业级即时通讯 AI 机器人平台 介绍篇 “专为企业打造的即时通讯 AI 机器人平台，无缝集成飞书（Lark）、钉钉、企业微信等企业通讯工具，与 Dify 等 AI 应用平台深度整合，让企业 AI 应用快速落地。” LangBot项目地址LangBot项目官网LangBot项目社区我的博客LangBot项目文档 LangBot是一款专为企业设计的开源 AI 机器人平台，立项于 2021 年中旬。它专注于帮助企业将 AI 能力无缝集成到现有的工作流程中，特别针对使用飞书（Lark）和 Dify 的企业用户，提供了完整的解决方案，让企业能够快速部署智能客服、知识库助手、工作流自动化等 AI 应用。 为什么企业选择 LangBot？ 🏢 企业级功能设计 LangBot 从设计之初就考虑了企业级应用的需求，提供了完整的企业级功能： * 企业级安全：支持 SSO、
（3-2）机器人身体结构与人体仿生学：人形机器人躯干系统

（3-2）机器人身体结构与人体仿生学：人形机器人躯干系统

3.2  人形机器人躯干系统 躯干是人形机器人的核心支撑与功能集成单元，承担连接四肢、容纳核心部件（电池、控制器、传感器）、传递运动力矩及维持动态平衡的多重使命。其设计需在人体仿生学（如脊柱运动特性、躯干质量分布）与工程实现（结构刚度、驱动效率、空间利用率）之间找到最优平衡，直接决定机器人的运动协调性、负载能力与运行稳定性。 3.2.1  躯干结构方案 人形机器人躯干结构如图3-6所示，躯干是连接四肢、承载核心部件（电池、控制器、传感器）并传递运动力矩的关键载体，其结构设计的核心矛盾是刚度与灵活性的平衡、集成效率与维护便捷性的取舍。 图3-6  人形机器人躯干的结构 当前工程领域形成了三类主流方案，均围绕“仿生适配+工程落地”展开，具体设计特性与适用场景如下。 1. 一体化结构方案 （1）设计逻辑： 以“极致刚性与结构稳定性”为核心，采用整体式无拆分框架，通过高性能复合材料一体成型工艺，
OpenClaw本地部署接入飞书机器人完全安装指南

OpenClaw本地部署接入飞书机器人完全安装指南

作者：网心 2026-3-10 在 Windows 系统上从头开始部署 OpenClaw，并将其配置为可以接入飞书的智能机器人。我们将以实战中遇到的问题为鉴，确保安装过程顺畅无误。 第一章：准备工作与环境检查 在正式开始安装前，请确保您的电脑满足以下基础条件，并理解我们将要使用的关键命令。 1. 系统要求 操作系统: Windows 10 或 Windows 11 (需使用管理员权限运行 PowerShell)。 网络环境: 能够正常访问 GitHub 和 npm 仓库。如果您在网络受限的环境中，可能需要提前准备代理或镜像配置。 2. 核心命令解释 在整个安装过程中，有两个核心命令您需要理解： 一键安装命令：iwr -useb https://openclaw.ai/install.ps1 | iex iwr：Invoke-WebRequest 的别名，用于从指定网址下载文件。