Relate Studio 联合创始人 Alex 分享了一套完整的 AI 品牌吉祥物设计流程：先在 Figma 收集参考并定义角色个性与比例；再用 Krea 快速生成粗略概念，挑选轮廓、性格和比例最好的方案；随后在 Nano Banana 2 中逐步清理细节、修正纹理与背景；接着保持角色一致性生成新姿态和角度；最后制作海报等设计构图，形成可向客户展示的完整视觉系统。作者强调无需插画或 3D 技能，AI 生成结果足以作为 3D 和动效设计师的制作参考，并可通过持续扩展姿态、表情与场景实现品牌层面的规模化应用。
作者基于 OpenArt Arena 的匿名排名，从各创意设计榜单中选出前三名 AI 模型，并用虚构咖啡品牌 Luka 的品牌手册作为统一视觉基准，在产品图、平面海报和动态设计三类任务上进行实测对比。评估标准包括品牌还原度、设计质量和生成价格。作者通过 After Effects 对齐原始 SVG 检查 logo 还原精度，给出各模型的优劣分析与评分表格。结果显示 Seedream 5.0 Pro 在产品图上表现最佳且成本最低，Grok Imagine 2.0 在平面设计中胜出。文章还提供了完整的方法论和可复用的 Design_Judgment_Skill.md。
作者受前苹果设计师 Anshu Chimala 启发，指出 AI 设计产出平庸的根源在于 LLM 作为下一个词元预测器、经 RLHF 对齐后天然倾向安全解。文章借鉴设计双钻模型，提出三阶段工作流：探索、确立、交付。核心技法包括：注入随机种子字符串打破思维定势、用大胆具象的提示词激发创意、三步发散法生成设计概念、引入'设计挑刺官'子智能体构建独立评审反馈闭环，以及调用图像生成工具提升视觉质感。通过多智能体协同与成本控制，可在极短轮次内产出超越常规 AI 模板的高水准设计。
作者基于 10 年 UI/UX 设计经验，结合 AI 工具实践，总结出一套设计审美方法论。文章实测了 5 个 GitHub 上星数最多的 AI 设计 Skill：UI UX Pro Max（自动匹配行业风格）、Taste Skill（原创设计方向）、Impeccable（逐块打磨去 AI 味）、Emil Kowalski Skills（动效细节）、Hallmark（上线前检查），并配以场景演示。作者还分享了 8 条可复用的设计原则，包括先定义再动手、拆解好设计不照搬、先出全貌再逐块改、统一视觉规则等，强调工具在变但好的设计判断力依然无法被 AI 替代。
作者推荐了两个开源 AI 设计 Skill：一是 AI Design Skills 中的 landing-page-design，为 Claude Code、Cursor、Codex 等编程工具提供从内容规划到视觉系统的落地页制作规则，包括卖点组织、统一字体配色、按钮悬停、空页面、移动端和无障碍支持等交付细节；二是 Fantastic Posters，内置 33 种设计风格提示词（如瑞士极简、包豪斯、Riso 印刷等），支持自动选风格、上传参考图和 Logo、批量生成海报。作者强调把设计风格沉淀为可反复调用的 AI 工作流，比一次性提示词更有价值，并能解决风格不稳定的问题。
作者实测国产开源生图模型 MOSS-Image，重点验证其 JSON Layout 对文字、物体位置和画面构图的可控性。文章对比了普通提示词与 JSON Layout 在同一封面需求下的生成效果，详细讲解了中心坐标系和 yxyx 格式的 bbox 写法、在线体验参数设置、官方示例分析，以及 ZeroGPU 额度问题和本地部署方法。作者强调可复用的不是某张图，而是一套固定种子、对照测试的评估方法，认为 JSON Layout 让提示词变成可保存、可修改的布局资产，使 AI 生图真正进入设计工作流。
作者分享了使用 GPT-image-2.5 生成透明背景图片的体验。透明图让满意的人物素材可以被保留和复用，换背景、改排版时无需整张重做。文章建议从存储整张图转向积累素材零件：人物、道具、装饰、特效分别存档，并介绍了多符号复合表情系统的设计方法（如 emoji 与颜文字组合塑造复杂神态）。同时强调要仔细检查素材边缘质量（发丝、半透明部分），提出从确定用途、单独生成主体、多底色检查到保留原始 PNG 的素材库搭建流程，倡导以可复用思维做 AI 出图。
作者用 4 段相同提示词对比测试了蚂蚁百灵开源的 Ming-Image-0.1-Design 与 MidJourney 在 SaaS Dashboard、中文活动海报、透明背景产品素材、中文信息图四个设计场景下的表现。结论是两者定位不同：Ming 中文文字渲染准确、布局执行力强、原生支持 RGBA 透明背景输出且免费开源（MIT 协议），适合直接生成可用的 UI 稿、海报和信息图底稿；MidJourney 则在视觉质感、光影氛围和风格多样性上明显占优，适合概念效果图和产品渲染。文中还介绍了 Ming 的 Design-Layer 拆层能力，可拆成多个透明图层并转为可编辑 PPT。最终建议按需求选择：要能直接用的图选 Ming，要好看的图选 MJ。
本文是「搭建个人视觉体系」系列教程第2篇，讲解如何将头像和Style DNA延展为个人社交媒体Banner。作者首先介绍了六种Banner类型：个人定位型、IP人物型、视觉风格型、作品展示型、真人照片型和极简符号型，并给出选择方法。随后说明Banner信息的三层结构（我是谁、做什么、什么风格），强调不要堆砌信息。教程核心是复用头像的Style DNA，通过AI生成设计提案再产出最终Banner，并注意各平台的尺寸比例和安全区域。最后建议做主页测试，检查视觉一致性、3秒可懂度和信息是否过满，形成统一的个人视觉IP。
作者在 A100-80G 上部署并实测了蚂蚁百灵开源的 Ming-Image-0.1 系列，包括 Design 生图模型和 Layer 拆层模型。文章详细记录了部署过程与显存优化技巧（VAE 逐帧+分块解码可将峰值从 71.8GB 降至 55.4GB），并用 12 张电商图做了拆层评测：平面海报和白底商品图重组 PSNR 可达 29dB 以上，配合 VL 模型生成分层计划能显著提升图层顺序准确性。作者还搭建了电商主图工作台，实现大促换皮（商品层像素零变化）、文案 A/B、一键英文版和 PSD 导出，展示了 AI 生图从「生成」到「可编辑」的完整流水线。
作者使用免费开源的 6B 设计模型 Ming-Image-0.1-Design，通过 OpenRouter API 制作了一张 9:16 海报。流程分四步：先生成高饱和赛博背景，再生成彩色液态糖果字和青色膨胀字两组艺术字，然后用 Design-Layer 模型拆出带透明通道的文字层，最后与人物、霓虹装饰重新排版，得到 1080×1920 海报及 7 个可独立调整的图层。作者也指出了局限：边缘噪点、图层分错、输出尺寸变化等问题。最后作者将 OpenRouter 调用封装为 Pi 插件，并附带修改后的 ling-ui-design Skill，方便他人复现。
这篇教程系统讲解了如何掌握 OpenAI Images 2.5 的图像生成技巧，涵盖 14 个技巧和 44 个示例，应用于应用设计、网站和产品图制作。作者提出了让视觉决策可见的工作流：先明确图像目的，按目的、画布、内容、关系、外观、检查六个要素撰写提示词，强调属性绑定和对象关系的精确描述。通过 YouTube 缩略图和海岸住宅室内设计两个完整案例，展示了如何组织复杂构图、分配图像区域、描述材质细节，并分析生成结果中哪些指令生效、哪些需要修正。
作者Emily Lai花3天时间、使用180+个提示词，借助多个前沿AI模型从零构建个人网站。工具栈包括：Grok用于研究个人网站参考和品牌方向，Claude Fable 5/5.1负责设计稿、代码和UX优化，GPT 6 Astra用于3D渲染和速度优化，Aside浏览器作为harness驱动屏幕，Wispr Flow语音转提示词。作者详细分享了从设计概念、品牌技能对比（如Impeccable、taste-skill）、BRAND.md创建，到内容整理的完整工作流。最终选择了'The Desk'记事本风格UI设计，包含工作、健康实验和公开学习内容。
