一个 skill ,增加大模型前端的审美能力

上周,我让 AI 帮我做个落地页。

十分钟过去了,生成出来的东西——

白色背景,紫色渐变,Inter 字体。

我直接关了。

image-20260119230347828

你也遇到过吧?

用 AI 生前端,出来的东西都长一个样。

背景非白即黑,标题栏永远是紫色渐变,字体不是 Inter 就是 Roboto,配色永远是那套蓝绿红黄。

不是说不能用,但——

太像 AI 了。

一眼看过去就是"机器生成",没有灵魂,没有个性。


直到昨天,我发现了一个东西。

Anthropic 官方出的一个 skill,叫 frontend-design

让我再试一次。

img

这次不一样了

同样的提示词,同样的模型。

我只加了一句话:

“使用 frontend-design skill”

结果呢?

深色工业风背景,等宽科技字体,黄青撞色。

数据卡片有微妙的发光效果,图表有精心设计的动效。

布局不对称,元素有重叠。

一眼看过去——这像人做的。


skill 是什么?

你可以把它理解成一个"插件"。

一个包含 SKILL.md 文件的文件夹,里面写着告诉 AI「在特定场景下该怎么做」的指令。

frontend-design 这个 skill 做的事很简单:

把"什么是好的前端设计"这个判断标准,写清楚。


官方怎么说?

LinkedIn 上,Claude 官方账号发过一条动态:

“我们发布了一个新的前端设计 skill。它专注于几个目标提示效果良好的领域:字体、动画、配色、布局……”

GitHub 在这:github.com/anthropics/skills

搜 “frontend-design skill” 就能找到。


五个原则

我去 GitHub 看了下这个 skill 的内容。

核心就五条:

字体

❌ Inter、Roboto、Arial
✅ 有性格的、独特的字体组合

配色

❌ 紫色渐变、均匀分布的配色
✅ 大胆的主色 + 尖锐的点缀色

动效

❌ 零散的微交互
✅ 精心编排的页面加载动画

布局

❌ 对称、可预测的网格
✅ 非对称、重叠、破格元素

细节

❌ 纯色背景
✅ 渐变网格、噪点纹理、几何图案

一句话:拒绝通用,拥抱独特。


怎么装?三种方法

方法一:命令行(推荐)

打开终端,一行命令:

npx skills-installer install @anthropics/claude-code/frontend-design --client claude-code 

如果你用 Codex,把 --client 改成 codex

如果你用 Cursor:

npx skills-installer install @anthropics/claude-code/frontend-design --local --client cursor 

方法二:手动下载

  1. 打开 github.com/anthropics/skills
  2. 找到 skills/frontend-design 文件夹
  3. 下载整个文件夹
  4. 放到 ~/.claude/skills/ 目录下
  5. 重启工具

方法三:skill0 市场

国内有个团队做了个 Skills 聚合平台,叫 skill0。

地址:skill0.atypica.ai

搜索 “frontend-design”,直接点击下载。


怎么用?

装好后,提示词里加一句就行:

“使用 frontend-design skill 来完成前端设计”

就这么简单。


真实案例

有人在开发者社区分享过实战经验:

第一步,用这个 skill 生成初版登录页,重点看"设计风格"和"结构布局"对不对。

第二步,在同一 skill 指导下迭代优化。

最后整个页面的质感直接上升了一个量级。

不是那种"紫色渐变"的通用模板,而是有设计感、有品牌调性的页面。


还有个案例。

作者直接用这个 skill 优化 Waytoagi 的首页。

提示词就一句:

“使用 frontend-design skill,优化一下 https://www.waytoagi.com”

从平庸的"AI 风格",变成了有设计感的专业页面。


什么时候用?

不是所有情况都需要。

做简单的 CRUD 后台、内部工具,用不用差别不大。

但你做这些的时候:

  • 产品官网
  • 营销落地页
  • SaaS 产品界面
  • 数据可视化 Dashboard
  • 需要惊艳效果的展示页

这个 skill 就能派上用场。


进阶玩法

你可以在原版 skill 的基础上,加自己的东西。

比如品牌主色、偏好的字体、圆角风格、阴影参数。

这样每次生成都符合你的品牌调性,效果更稳定。


为什么这么管用?

它不是教 AI “怎么做”,而是教 AI “怎么选”。

AI 已经见过无数优秀设计。

它缺的,是判断标准。

有了标准,AI 就能调用它已有的知识库,做出正确的选择。

不是注入新能力,而是激活已有能力。


最后

2025 年是 MCP 元年,2026 年是 Skills 元年。

真正的分水岭不在「能不能做」,而在「能不能把判断写成系统、让交付稳定发生」。

frontend-design skill 就是这样一个系统。

官方出品,完全免费,现在就能用。

去试试吧。


参考资源

Read more

深入解析PX4无人机仿真(2) —— Offboard模式下的精准定点控制

1. Offboard模式基础概念 Offboard模式是PX4飞控中一种特殊的飞行模式,它允许外部系统通过MAVLink协议直接控制无人机的位置、速度或姿态。与传统的遥控器控制不同,Offboard模式下飞控完全依赖外部计算机发送的指令,这使得开发者可以实现复杂的自主飞行算法。 我第一次接触Offboard模式时,最大的困惑是它与其他自主飞行模式(如Mission模式)的区别。简单来说,Mission模式是预先规划好航点让无人机自动执行,而Offboard模式则是实时控制,更适合需要动态响应的场景。比如在目标跟踪、编队飞行等应用中,Offboard模式就是最佳选择。 在硬件连接上,Offboard控制通常通过机载计算机(如树莓派)或地面站实现。我常用的方案是使用ROS系统中的MAVROS包作为中间件,它提供了丰富的ROS接口与PX4通信。这里有个容易踩坑的地方:Offboard模式下必须保持2Hz以上的指令发送频率,否则飞控会触发失控保护。曾经有一次测试时因为网络延迟导致指令间隔过长,无人机突然切回Stabilized模式,差点酿成事故。 2. MAVROS通信机制详解

【AI绘画】DALL·E 3 绘图功能与 DALL·E API 探索

【AI绘画】DALL·E 3 绘图功能与 DALL·E API 探索

博客主页: [小ᶻ☡꙳ᵃⁱᵍᶜ꙳]本文专栏: AI绘画 文章目录 * 💯前言 * 💯DALL·E 3 图像生成介绍 * 图像质量与分辨率 * 图像生成机制的解析 * 多图生成功能 * 💯使用 DALL·E 编辑器界面 * 实际应用 * 编辑器的实用建议 * 💯DALL·E API 的探索 * 获取API Key的基本步骤 * API 功能概览 * 实际应用场景 * 使用注意事项 * 最佳实践 * 💯小结 💯前言 DALL·E 3 是 OpenAI 最新的图像生成技术,通过对文本描述的深度理解和生成对抗网络(GANs)的应用,能够快速生成高质量、细节丰富的图像。本文将从图像生成机制、分辨率与格式选择、多图生成功能、编辑器界面操作及 API 的使用等多个方面,

目标检测数据集——无人机视觉VisDrone数据集

目标检测数据集——无人机视觉VisDrone数据集

随着无人机技术的飞速发展,无人机在航拍、监控、农业、物流等领域的应用日益广泛。与此同时,无人机视角下的视觉任务,如目标检测、目标跟踪和场景理解,也成为了计算机视觉研究的热点。然而,相比传统的地面视角数据集,无人机视角下的图像具有高度变化、小目标密集、复杂背景等独特挑战,这对现有算法提出了更高的要求。 为了应对这些挑战并推动无人机视觉技术的发展,天津大学机器学习与数据挖掘实验室推出了 VisDrone数据集。作为一个大规模、标注精细的无人机视觉数据集,VisDrone 不仅涵盖了丰富的场景和多样化的目标类别,还为研究人员提供了一个极具挑战性的测试平台。无论是小目标检测的精度提升,还是密集场景下的鲁棒性优化,VisDrone 都成为了学术界和工业界不可或缺的资源。该数据集采集自中国14个不同城市,覆盖复杂城市场景、交通枢纽、密集人群等多种环境。 VisDrone官方Github下载渠道可点击访问: https://github.com/VisDrone/VisDrone-Dataset?tab=readme-ov-file 下载的数据集为VisDrone2019-DET-train

融合满足多种条件:基于无人机的多模态目标检测的高多样性基准和基线

大家读完觉得有帮助记得关注和点赞!!! 摘要 (Abstract) 基于无人机(UAV)的可见光(RGB)与红外(IR)图像融合目标检测,借助深度学习技术的进步和高质量数据集的推动,实现了全天候的鲁棒检测。然而,现有数据集难以充分捕捉真实世界的复杂性,因其成像条件受限。为此,我们提出了一个高多样性数据集 ATR-UMOD,覆盖多样场景,飞行高度从 80m 到 300m,相机角度从 0° 到 75°,并包含全天候、全年份的时间变化,涵盖丰富的天气和光照条件。此外,每对 RGB-IR 图像标注了 6 个条件属性,提供有价值的高层上下文信息。 为应对如此多样条件带来的挑战,我们提出了一种新颖的 提示引导的条件感知动态融合(PCDF) 方法,利用标注的条件线索自适应地重新分配多模态贡献。通过将成像条件编码为文本提示,PCDF 通过任务特定的软门控变换,有效建模了条件与多模态贡献之间的关系。一个提示引导的条件解耦模块进一步确保了在无标注条件下的实际可用性。在 ATR-UMOD