Stitch——Google热门的免费AI UI设计工具

Stitch——Google热门的免费AI UI设计工具

Google Stitch是谷歌在2025年I/O大会上推出的一款AI驱动的UI设计工具。它能根据文字描述或草图快速生成网页和移动端界面,并导出可用于开发的前端代码,并且可以直接与另一个前端AI编码工具AI Studio直接联动,将生成的UI发给AI Studio进行开发。

访问方式与要求:

  1. 通过访问官网(stitch.withgoogle.com),使用谷歌账户登录即可开始使用。
  2. Google Stitch并不支持全部地区,如vpn设置为中国香港也无法访问,美国地区可以使用。

使用流程:

第一步:进入官网并完成登录:

第二步:选择合适的模型:

    1. 默认选择的是3 Flash,使用Gemini 3.0 Flash,生成速度较快。
    2. 3 Pro模式下,优先保障高质量与推理能力,速度缓与3 Flash。
    3. Redesign模式使用Nano Banana Pro重新设计现有项目,需要添加屏幕截图。
    4. Ideate模式下,支持提出问题并寻找解决方案。

第三步:选择移动端或Web端并添加描述:

示例:3 Flash模式下,创建Web端项目:

内容描述:实现一个简单的项目管理工具UI界面;

模型思考反馈:

模型绘制过程:


绘制完成:

内容总览:

界面详情:

第四步:生成变体

当希望得到同一个界面的多个不同UI设计(变体)时,有以下三种方式:

  1. 选中已经生成的UI设计界面,在对话框中选中“3x”,添加提示词指导变体的生成;
  2. 通过“+”按钮上传图片资源,在对话框中选中“3x”,添加提示词指导变体的生成;
  3. 只通过对话框添加提示词描述并选中“3x”,生成多个变体。
示例:

通过Select选择要生成变体的设计稿:

对话框会显示已选择的界面,选择变体后添加描述补充即可:

结果概述:

界面详情(生成3个变体):

第五步:微调

当stitch给出的界面设计总体符合自己的愿景时,可以采取更细化的调整UI组件内容

选择编辑按钮:

然后在界面上选择需要微调修改的组件内容:

例如我选择了如图的进度条样式,并选择Edit With AI,输入提示词:

思考过程:

最终结果:(此处省略几次样式美化与调整)

第六步:导出与使用

选中目标设计稿后悬停,会弹出一个菜单栏,鼠标悬停到More即可展示菜单选项:

使用一:直接复制使用前端代码:

在悬停菜单中选择“查看代码”:会直接展示该界面的前端代码,且支持复制。

使用二:复制(导出)到Figma:

在悬停菜单中选择“复制到Figma”:

点击右边弹出框底部的“转换”即可完成复制,在Figma中粘贴即可:

使用三:导出:

实际上包含了“复制代码”、“复制到Figma”、“下载”,并且支持更多的导出方式。

其中.zip导出格式会下载一个压缩包,解压后包含两个文件:一个code.html代码文件和一个screen.png图片文件。

Read more

【滤波跟踪】机器人未知测量噪声的扩展卡尔曼滤波同时定位与地图绘制【含Matlab源码 15186期】含报告

【滤波跟踪】机器人未知测量噪声的扩展卡尔曼滤波同时定位与地图绘制【含Matlab源码 15186期】含报告

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥 🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀 🔊博主简介:985研究生,Matlab领域科研开发者; 🚅座右铭:行百里者,半于九十。 🏆代码获取方式: ZEEKLOG Matlab武动乾坤—代码获取方式 更多Matlab信号处理仿真内容点击👇 ①Matlab信号处理(进阶版) ⛳️关注ZEEKLOG Matlab武动乾坤,更多资源等你来!! ⛄一、机器人未知测量噪声的扩展卡尔曼滤波同时定位与地图绘制 1 扩展卡尔曼滤波(EKF-SLAM)概述 扩展卡尔曼滤波(EKF)是解决同时定位与地图绘制(SLAM)问题的经典方法。EKF-SLAM通过非线性系统的高斯近似,将机器人位姿和地图特征的状态估计联合在一个概率框架中。当测量噪声未知时,需采用自适应或鲁棒方法增强滤波器性能。 2 未知测

Dify可视化编排调用HunyuanOCR API实现合同识别机器人

Dify可视化编排调用HunyuanOCR API实现合同识别机器人 在企业日常运营中,每天都有成百上千份合同、发票、证件等待处理。传统方式依赖人工逐字录入,效率低、易出错,尤其当文档格式多样、语言混杂时,更是苦不堪言。有没有一种方法,能让机器“看懂”这些文件,并自动提取关键信息?答案是肯定的——而且现在你不需要写一行代码就能实现。 最近,腾讯推出的HunyuanOCR模型让人眼前一亮:仅用1B参数就实现了端到端的文字识别与结构化抽取,支持超100种语言,还能跑在一块4090D显卡上。更妙的是,结合像Dify这样的低代码平台,我们可以用拖拽的方式,把OCR能力快速集成进业务流程,构建一个真正可用的“合同识别机器人”。 这不再是实验室里的概念,而是今天就能落地的技术组合。 为什么传统OCR越来越力不从心? 过去几年,很多企业尝试过自动化文档处理,但结果往往不尽如人意。问题出在哪? 典型的传统OCR方案走的是“三步走”路线:先检测文字位置,再识别内容,最后靠NLP模型或规则引擎抽字段。听起来合理,可实际用起来却问题重重: * 误差累积严重:前一步错了,后面全错; * 部署

一:ROS2+gazebo+PX4环境搭建:环境搭建到无人机起飞

前言 写博客记录学习的过程。 由于博客是安装完环境后写的,因此实际可能会有一些出入,但是实际上也大差不差的。 环境搭建 前置环境 * ROS2 humble * Gazebo Classic (11) 1.下载 PX4 源码 在你的 Home 目录下,用 Git 克隆 PX4 的代码仓库,并更新所有子模块。 git clone https://github.com/PX4/PX4-Autopilot.git --recursive 注意:由于这个源码中包含许多子模块,因此不建议到github主页下载zip再解压,这样做会缺失许多子模块。使用大陆的网络克隆起来会十分慢,因此强烈建议大家使用网络加速! 2.运行自动安装脚本 PX4 提供了自动化脚本,可以帮你安装编译仿真环境所需的所有依赖。 cd PX4-Autopilot bash ./Tools/setup/