根据设计图生成前端代码，零基础入门到精通，收藏这篇就够了

优质文章学习记录

— 12 min read
根据设计图生成前端代码，零基础入门到精通，收藏这篇就够了

在现代前端开发中，从设计稿到可用页面的交付往往需要大量重复劳动：切图、手写样式、布局调整……而借助 MCP Server - Figma AI Bridge，我们可以将 Figma 设计稿自动转换成整洁的 HTML/CSS/JS 代码，并立即生成可预览的网页。一键化、傻瓜式操作，让设计交付效率跃升。

本文测试使用的系统环境如下：

  • Trae IDE 版本：2.4.5
  • macOS 版本：14.7
  • Node.js 版本：24.6.0
  • npx 版本：11.5.2
  • Python 版本：3.13.3
  • uvx 版本：0.6.16

一、安装并启动 Trae IDE

Trae IDE 与 AI 深度集成，提供智能问答、代码自动补全及基于 Agent 的 AI 自动编程能力。首次使用时，前往官网下载并安装：

  1. 访问官网下载页面并选择对应平台的安装包。
  2. 双击运行安装程序，按提示完成安装。
  3. 启动 Trae IDE，初次打开会看到欢迎页及快速入门指南。

二、配置 MCP Server 运行环境

为了让 MCP Server 正常工作，需要安装 Node.js、npx、Python 及 uvx 工具。

1. 打开 Trae IDE 终端
  • 启动 Trae IDE。
  • 在顶部菜单栏依次点击 终端 > 新建终端，打开内置命令行。

图片

图片

  1. 安装 Python 与 uvx

前往 Python 官网 下载并安装 Python 3.8+。安装完成后在终端验证安装：

python3 --version

安装 uv 工具集（包含 uvx）：

//macOS / Linux curl -LsSf https://astral.sh/uv/install.sh | sh //Windows powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

执行环境初始化：

source $HOME/.local/bin/env

验证 uvx 安装：

uvx --version
  1. 安装 Node.js 与 npx

前往 Node.js 官网 下载并安装 Node.js 18+。在终端验证安装：

node -v npx -v

若看到类似 v22.x.x、11.x.x 的版本号，则说明安装成功；重启 Trae IDE 以使新安装生效。

三、获取 Figma Access Token

配置 Figma AI Bridge 时需要填写你的 Figma Personal Access Token，具体获取流程如下：

  1. 登录 Figma，在左上角点击用户头像，选择 Settings。

图片

  1. 在顶部菜单中选择 Security。

图片

  1. 下滑至 Personal access tokens 区域，点击 Generate new token。在弹窗中输入 Token 名称、选择有效期并配置权限，以下是一些参考：

图片

  1. 点击 Generate token，复制生成的 Token 字符串备用。

四、在 Trae IDE 中添加 MCP Server - Figma AI Bridge

  1. 打开 Trae IDE，点击 AI 对话框右上角的 设置 图标，选择 MCP。

图片

  1. 在 MCP 面板点击 + 添加 MCP Servers（或已添加时右侧的 + 添加）。在列表中找到 Figma AI Bridge，点击右侧 + 按钮。

图片

  1. 将之前复制的 Figma Personal Access Token 粘贴到输入框，点击 确认。

图片

此时，MCP Server - Figma AI Bridge 已成功配置，并已自动添加到 “Builder with MCP” 智能体中。

五、创建自定义智能体并绑定 Figma AI Bridge

智能体（Agent）是你在不同场景下的 AI 助手。自定义智能体后，你可以灵活配置提示词和工具集，快速完成复杂任务。

在 AI 对话框右上角点击 设置，选择 智能体。点击 + 创建智能体。

图片

在配置面板中：

  • （可选）上传智能体头像。
  • 输入智能体名称，例如：“Figma 助手”。

（可选）填写提示词，示例：

“根据用户提供的 Figma 链接，精准还原 UI 设计，生成响应式 HTML 前端页面代码。结构清晰，视觉细节与设计稿高度一致，禁止擅自修改设计内容。”在 工具-MCP 部分仅勾选 Figma AI Bridge。
  • 在 工具-内置 部分勾选：
  • 文件系统（File System）
  • 终端（Terminal）
  • 联网搜索（Web Search）
  • 预览（Preview）配置完成后示例：

图片

点击 创建，完成后应用自定义智能体。

六、一键生成前端页面

  1. 在本地新建一个空文件夹，在 Trae IDE 中打开该文件夹。
  2. 在 AI 对话框右下角选择模型（本文以 DeepSeek-V3-0324 为例）。
  3. 打开 Figma 设计稿页面，选中目标画板，右键 → Copy/Paste as > Copy link to selection，复制链接。

图片

在 Trae IDE AI 对话输入框中粘贴链接，并附上需求说明，例如：

“请严格按照我提供的 Figma 链接内容生成 HTML 前端页面，UI 要严格还原设计稿，需要实现响应式设计。”



图片

智能体开始调用 Figma AI Bridge，读取设计稿并自动生成前端项目文件夹和 index.html。以下为生成过程示例：

图片

生成完成后，双击输出的 index.html，在浏览器中预览最终效果。若需调整，可在 AI 对话框继续与智能体互动，优化样式或交互，直至满意为止。

2025开年，AI技术打得火热，正在改变前端人的职业命运：

阿里云核心业务全部接入Agent体系；

字节跳动30%前端岗位要求大模型开发能力；

腾讯、京东、百度开放招聘技术岗，80%与AI相关……

大模型正在重构技术开发范式，传统CRUD开发模式正在被AI原生应用取代！

最残忍的是，业务面临转型，领导要求用RAG优化知识库检索，你不会；带AI团队，微调大模型要准备多少数据，你不懂；想转型大模型应用开发工程师等相关岗，没项目实操经验……这不是技术焦虑，而是职业生存危机！

曾经React、Vue等热门的开发框架，已不再是就业的金钥匙。如果认为会调用API就是懂大模型、能进行二次开发，那就大错特错了。制造、医疗、金融等各行业都在加速AI应用落地，未来企业更看重能用AI大模型技术重构业务流的技术人。

如今技术圈降薪裁员频频爆发，传统岗位大批缩水，相反AI相关技术岗疯狂扩招，薪资逆势上涨150%，大厂老板们甚至开出70-100W年薪，挖掘AI大模型人才！

在这里插入图片描述

不出1年 “有AI项目开发经验”或将成为前端人投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

大模型目前在人工智能领域可以说正处于一种“炙手可热”的状态，吸引了很多人的关注和兴趣，也有很多新人小白想要学习入门大模型，那么，如何入门大模型呢？

下面给大家分享一份2025最新版的大模型学习路线，帮助新人小白更系统、更快速的学习大模型！

2025最新版ZEEKLOG大礼包：《AGI大模型学习资源包》免费分享**

一、2025最新大模型学习路线

一个明确的学习路线可以帮助新人了解从哪里开始，按照什么顺序学习，以及需要掌握哪些知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1级别:AI大模型时代的华丽登场

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理，关键技术，以及大模型应用场景；通过理论原理结合多个项目实战，从提示工程基础到提示工程进阶，掌握Prompt提示工程。

L2级别：AI大模型RAG应用开发工程

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3级别：大模型Agent应用架构进阶实践

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体；同时还可以学习到包括Coze、Dify在内的可视化工具的使用。

L4级别：大模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

整个大模型学习路线L1主要是对大模型的理论基础、生态以及提示词他的一个学习掌握；而L3 L4更多的是通过项目实战来掌握大模型的应用开发，针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

二、大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

三、大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

四、大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

五、大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。


因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2025最新版ZEEKLOG大礼包：《AGI大模型学习资源包》免费分享

Read more

Baichuan-M2-32B医疗文献综述自动写作效果展示

Baichuan-M2-32B医疗文献综述自动写作效果展示 如果你是一位医学研究者或学生，肯定对撰写文献综述这件事不陌生。那感觉就像是在知识的海洋里捞针，不仅要阅读海量论文，还要理清脉络、提炼观点、组织语言，整个过程耗时耗力，还常常让人头大。 但现在，情况可能有点不一样了。最近我花了一些时间测试百川智能开源的Baichuan-M2-32B模型，特别是它在医疗文献综述自动写作方面的表现。说实话，结果让我有点惊讶——这个专门为医疗场景优化的模型，在文献综述这种专业写作任务上，展现出了相当不错的能力。 今天我就带大家看看，这个模型到底能生成什么样的文献综述，和人工写作相比又有哪些特点和差异。 1. 先认识一下这个“医疗专家” 在展示具体效果之前，我得先简单介绍一下Baichuan-M2-32B。这是百川智能推出的第二款医疗增强推理模型，基于Qwen2.5-32B基座打造，专门针对真实世界的医疗推理任务进行了优化。 这个模型有几个挺有意思的特点。首先，它采用了所谓的大型验证器系统，听起来有点复杂，简单说就是通过一套专门的机制来确保医疗内容的准确性和可靠性。其次，它在保持通用语言能

在Android设备上利用Termux安装llama.cpp并启动webui

llama.cpp没有发布官方aarch64的二进制，需要自己编译，好在Termux已经有编译好的包可用。 按照文章在安卓手机上用vulkan加速推理LLM的方法， 1.在Termux中安装llama-cpp软件 ~ $ apt install llama-cpp Reading package lists... Done Building dependency tree... Done Reading state information... Done E: Unable to locate package llama-cpp ~ $ apt update Get:1 https://mirrors.tuna.tsinghua.edu.cn/termux/apt/termux-main stable InRelease [14.0 kB] Get:2 https://mirrors.
AI 监控我打游戏？Win11 Gaming Copilot 这波操作逆了天！附关闭教程 + 性能实测

AI 监控我打游戏？Win11 Gaming Copilot 这波操作逆了天！附关闭教程 + 性能实测

文章目录 * 一、玩家炸锅：我打游戏，微软 AI 在 “偷看”？ * 二、更坑的是：AI 没帮上忙，游戏还变卡了！ * 三、玩家怒了：微软近期操作，早把信任败光了！ * 四、紧急避坑：手把手教你关了 “监控开关”！ * 五、结语：AI 不是 “侵犯隐私” 的借口 作为一名常年泡在游戏里的玩家，最近 Win11 的操作直接给我整懵了 —— 微软刚推的 AI 游戏助手 Gaming Copilot，居然被曝默认在后台录屏、传数据？这可不是 “贴心辅助”，简直是 “隐形监控”！今天就扒一扒这事儿的来龙去脉，再教大家怎么关开关、避坑，文末还有性能实测数据，建议玩家收藏！ 一、玩家炸锅：我打游戏，
AIGC时代的网络安全威胁与应急响应机制构建

AIGC时代的网络安全威胁与应急响应机制构建

文章目录 * 一、AIGC时代的网络安全威胁 * 二、应急响应机制的构建 * 三、代码示例 * 《网络安全应急管理与技术实践》 * 编辑推荐 * 内容简介 * 作者简介 * 目录 * 前言/序言 随着人工智能生成内容（AIGC）技术的迅猛发展，我们正步入一个前所未有的创新与变革的新时代。然而，与这一技术革新相伴的，不仅仅是便利和效率的提升，更有日益严峻的网络安全威胁。AIGC技术在显著提升内容生成效率与质量的同时，也悄然带来了新的攻击面与潜在风险，这些风险若不及时应对，将对个人、组织乃至整个社会造成深远的影响。 一、AIGC时代的网络安全威胁 在AIGC时代，数据泄露与隐私侵犯的风险愈发突出。AIGC技术依赖于海量数据，这些数据中不乏敏感信息，一旦数据保护措施出现疏漏，这些信息就可能被不法分子恶意利用，导致个人隐私泄露、财产损失等严重后果。 此外，恶意代码注入也是AIGC系统面临的一大威胁。在系统的训练或推理过程中，如果输入数据未经严格过滤，就可能被注入恶意代码，进而引发系统瘫痪、数据篡改等安全问题。 算法偏见与歧视同样不容忽视。