用 ASCII 草图 + AI 快速生成前端代码

引言

从想法到代码,中间往往要经历画原型、出设计稿等环节。

用 ASCII 草图,可以跳过大量原型绘制、结构拆解和手动搭骨架的中间步骤。

这种表达方式其实一直存在,但真正让它进入工程流程的,是 AI 的能力提升。大语言模型对结构化文本具有很强的解析能力,能够识别文本中的层级、对齐关系与空间划分,并将这些结构信息稳定地映射为组件树和页面布局。

因此,ASCII 不再只是沟通草稿,而成为一种可执行的结构描述。

什么是 “ASCII 草图”

提到 ASCII,很多人的第一反应可能是那个年代久远的“字符画”。没错,ASCII 草图就是用字符来构建页面布局。

在 AI 时代,这种看似简陋的草图,其实蕴含着巨大的能量。大语言模型(LLM)对结构化文本的理解能力极强。相比于模糊的自然语言描述(“我要一个左边宽右边窄的布局”),ASCII 草图提供了一种所见即所得的结构化 Prompt

简单来说,ASCII 草图充当了视觉蓝图的角色,AI 根据这个结构生成代码。

为什么要让 AI 先生成 ASCII 草图 ?

你可能会想:直接让 AI 生成代码不就行了吗?为什么要中间多这一步?

这就涉及到一个沟通精度的问题。

直接描述布局的问题

用自然语言描述布局,很容易产生歧义。比如你说"左边放导航,右边放内容",AI 可能会理解成左右各占 50%,而你想要的是导航 200px 宽度。你说"卡片要突出一点",AI 理解的"突出"可能是加阴影,而你想要的是加大字号。

这些细节上的偏差,会导致生成出来的代码需要反复调整。

ASCII 草图作为中间层的价值

让 AI 先生成 ASCII 草图,相当于在需求和代码之间加了一个可视化确认步骤

结构一目了然:ASCII 图能直观展示层级关系、组件位置、相对大小,比自然语言描述更精确

快速迭代:草图不对,让 AI 改几句就行,比改代码快得多

专注布局:这一步只讨论结构,不涉及样式细节,避免过早陷入细节纠结

简单来说,ASCII 草图充当了视觉蓝图的角色——先确认布局结构没问题,再让 AI 填充代码实现。

实战演练:三步构建一个 Dashboard

光说不练假把式。假设我们要开发一个常见的后台管理系统 Dashboard,包含顶部导航、侧边栏、数据统计卡片和图表区域。

第一步:描述需求,让 AI 生成草图

你只需要用自然语言描述布局结构,让 AI 来生成 ASCII 草图。

Prompt 示例

> 我需要一个后台管理系统的 Dashboard 布局,包含: > - 顶部导航栏:左侧是 LOGO,中间是导航菜单,右侧是用户头像 > - 左侧边栏:垂直排列的导航菜单项 > - 主内容区: > - 标题"Dashboard Overview" > - 三个横向排列的统计卡片:Users、Revenue、Orders > - 下方是一个大的区域图表 > > 请帮我生成对应的 ASCII 布局草图。 

AI 会输出类似这样的草图:

+-------------------------------------------------------+ | LOGO [ Home ] [ Dashboard ] [ Settings ] [User] | +-------------------------------------------------------+ | | | | Menu | Dashboard Overview | | | | | [Nav1] | +----------+ +----------+ +----------+ | | [Nav2] | | Users | | Revenue | | Orders | | | [Nav3] | | 1,234 | | $12,000 | | 567 | | | | +----------+ +----------+ +----------+ | | | | | | +----------------------------------------+ | | | | | | | | | Revenue Chart (Area) | | | | | | | | | +----------------------------------------+ | +--------+----------------------------------------------+ 

这一步的核心是让 AI 帮你理清布局结构,而不是自己手工画图。

第二步:让 AI 根据草图生成代码

草图确认无误后,让 AI 基于这个结构生成实际代码。
Prompt 模板建议

> **角色设定**:你是一位精通现代前端架构的高级工程师。 > **任务**:请根据我提供的 ASCII 布局草图,生成对应的前端代码。 > **技术栈**:React + Tailwind CSS (或者 Vue3 + UnoCSS)。 > **具体要求**: > 1. 响应式设计:侧边栏在移动端折叠。 > 2. 组件化:请将顶栏、侧边栏、卡片、图表区域拆分为独立组件。 > 3. 样式:使用现代扁平化风格,配色参考 Stripe 官网。 > > **ASCII 草图如下**: > [在此处粘贴上面的 ASCII 图] 
第三步:见证奇迹,微调与落地

点击发送,AI 会迅速解析你的 ASCII 结构,并输出代码。

AI 的思考路径通常是这样的

1.解析外层结构:识别出 +---+| 包围的区域,判定这是一个 Header + Sidebar + Main Content 的经典布局。

2.识别组件:看到 Dashboard Overview 下的三个方块,识别为“统计卡片”,并且知道要复用三次。

3.推断样式:根据你的描述“现代扁平化”,它会自动填充 shadow-mdrounded-lg 等类名。

生成出来的代码通常已经具备了 80% 的可用性。你需要做的仅仅是:

  • 替换掉 AI 臆造的假数据。
  • 引入真实的图表库(如 Echarts 或 Recharts)替换占位符。
  • 微调一下 Tailwind 的间距。
    短短几分钟,一个结构清晰、样式现代化的页面骨架就诞生了。

附效果图

在这里插入图片描述

进阶技巧:让 ASCII 更“懂” AI

如果你想把这把“瑞士军刀”用得更溜,这里有几个实战技巧

1. 标注优于复杂图形
不要试图用 ASCII 画出圆角或阴影,那是浪费时间。你应该在图形旁边写注释。
例如:

+-----------------+ | [Icon] Title | <-- 这里的 Icon 请使用 lucide-react +-----------------+ | Content here... | <-- 文字限制两行,超出省略 +-----------------+ 

AI 能够读懂这些注释,并将其转化为代码约束。

2. 模块化思维
面对复杂的页面,不要试图画一张巨大的图。你可以分块输入:

  • Prompt A:画 Header。
  • Prompt B:画 Sidebar。
  • Prompt C:画 Content Area。
    最后让 AI 把它们组合起来。这样能大大降低 AI 解析错误的概率。

3. 迭代式修改
如果你觉得布局不对,不需要重画。直接在对话中修改字符:

  • 用户:“把侧边栏移到右边,宽度缩小一点。”
  • AI:(自动调整 CSS,将侧边栏 DOM 移到主内容区后面或改变 Flex 属性)。
    这种**“草图重构”**比“代码重构”要快得多,也更直观。

局限性

草图虽然方便,在效率上有极大提升,但是也存在一定的限制

1. 细节缺失:ASCII 无法表达字体大小、微妙的颜色渐变或复杂的动画。它解决的是布局问题,而不是视觉设计问题。

2. 非结构化内容:如果是图文混排非常复杂的文章页,ASCII 往往难以精确描述,这时候不如直接写 HTML 伪代码。

3. 逻辑盲区:AI 生成的是 UI 骨架,具体的业务逻辑(点击按钮触发什么 API)依然需要你手动注入。

总结

从 ASCII 草图到前端代码,本质上是一种降低沟通损耗的尝试。它让我们从繁琐的 HTML 标签嵌套中解脱出来,回归到结构设计本身。

而 AI,则让这种朴素的结构表达拥有了执行力。

当机器能够理解结构,文本就不再只是说明,而成为代码的源头。

Read more

全网最简单的 OpenClaw 部署教程,5 分钟拥有你的 AI 员工

全网最简单的 OpenClaw 部署教程,5 分钟拥有你的 AI 员工

我们是由枫哥组建的IT技术团队,成立于2017年,致力于帮助IT从业者提供实力,成功入职理想企业,我们提供一对一学习辅导,由知名大厂导师指导,分享Java技术、参与项目实战等服务,并为学员定制职业规划,全面提升竞争力,过去8年,我们已成功帮助数千名求职者拿到满意的Offer:qiuzhiwang.vip。 前言 OpenClaw 是一款终端式 AI 助手,支持多模型适配、多渠道接入,既可本地部署,也支持云端一键安装。 本文聚焦“本地部署 + 飞书机器人接入”全流程,适配 macOS / Linux / Windows。 * 官网:https://openclaw.ai/ * GitHub:https://github.com/openclaw/(以官方仓库为准) * 部署方式: * 本地部署(本文核心) * 云端一键安装(阿里云 / 火山引擎 / MiniMax 等) * Docker

网络安全:零暴露公网IP访问本地AI服务的一些方法分享,保障数据隐私!

网络安全:零暴露公网IP访问本地AI服务的一些方法分享,保障数据隐私!

如果我们选择本地部署AI模型(如LLaMA、Stable Diffusion)的核心动机之一是对数据隐私的绝对控制! 但当我们需要从外部网络访问这些服务时,就面临两难选择:要么牺牲便利性(只能在内网使用),要么牺牲安全性(将服务暴露至公网)。我这边介绍一种折中的解决方案,实现无需公网IP、零端口暴露的远程安全访问。 公网暴露的潜在威胁 将本地服务的端口通过路由器映射到公网(Port Forwarding),是常见的“暴力”解决方案。但这带来了显著风险: 1. 端口扫描与暴力破解:你的服务IP和端口会暴露在互联网的自动化扫描工具下,可能遭遇持续的登录尝试或漏洞利用攻击。 2. 服务漏洞利用:如果AI服务的Web界面或API存在未修复的漏洞,攻击者可以直接利用。 3. 家庭网络边界被突破:一旦攻击者通过该服务入侵成功,可能进一步渗透到家庭网络中的其他设备。 怎么解决:基于加密隧道的网络隐身 思路是:不让本地服务在公网“露面”,而是让外部访问者通过一条加密的“专属通道”直接进入内网。这可以通过基于零信任网络的P2P VPN工具实现。 具体实现:以Tailscale/Z

idea中如何使用Trae AI插件,并举例说明

idea中如何使用Trae AI插件,并举例说明

Trae AI 是字节跳动推出的 AI 编程助手,在 IntelliJ IDEA 中通过插件形式提供智能代码补全、代码生成、代码解释、单元测试生成等功能,支持 Java、Python、Go、JavaScript 等多种语言。   一、安装与配置 1. 安装插件 在 IDEA 中打开插件市场(File → Settings → Plugins),搜索 “Trae AI” 或 “Trae Code AI”,点击 Install 安装,重启 IDEA 生效。 2. 配置模型 首次使用需配置 AI 模型: * 打开 File → Settings → Tools

ToDesk 全新 ToClaw,正在把电脑交给AI去操作

ToDesk 全新 ToClaw,正在把电脑交给AI去操作

这两年,AI 工具层出不穷,但大多数产品还停留在“能回答、会生成”的阶段:帮你写一段话、搜一份资料、整理一个思路,真正到了执行层,还是得你自己坐回电脑前,一个软件一个软件地点、一项任务一项任务地做。 这也是很多人对 AI 的真实感受——它会说,但不一定真能干活。而 ToDesk 新上线的 ToClaw,想解决的正是这个问题。 一、ToClaw 是什么? ToClaw 是一款基于 OpenClaw 深度定制、并与远程控制运行时深度结合的 AI 助手。它最大的不同,不只是“懂你说什么”,而是能直接在你的电脑上执行操作。 你只需要一句话,它就可以在电脑端完成对应动作:打开软件、点击按钮、填写表单、拖拽文件、整理资料、生成表格、汇总信息……很多原本需要人守在电脑前操作的工作,现在都可以交给 ToClaw