我们如何打造自己的设计智能体

空逐月AI 前沿📡 BestBlogs·AI高分精选⭐ 892026-10-28711 阅读💛 193 收藏
我们如何打造自己的设计智能体

📌 One-Sentence Summary

LangChain 详细介绍了其 GTM 工程团队如何在 Slack 中构建 Content Studio——一个生产级设计智能体,通过设计原则教会模型设计品味,借助双渲染引擎的灵活媒体框架,以及技能-路由-门禁-维基-记忆架构,生成符合品牌调性的视频、图形和演示文稿。

📝 Summary

LangChain 的 Content Studio 从一个低质量原型演变为广泛使用的内部设计智能体,交付了 3,000+ 个素材,成本降低 16 倍。团队发现模型已经能很好地执行代码,但缺乏设计品味——即区分「正确」与「出色」工作的判断力。他们通过将设计原则、防范「AI 垃圾」(如僵尸 UI)的护栏,以及设计师反馈背后的推理逻辑编码进技能中,来教会模型品味。突破来自拥抱「苦涩的教训」:与其预构建 115 个刚性组件来弥补模型弱点,不如构建一个灵活的框架——每个线程独立的 Linux 沙箱,配合 HyperFrames 进行视频编辑,以及自定义的 motion-studio 画布实现像素级动画。路由技能将请求导向专业技能;确定性门禁执行可量化规则;维基提供公司上下文;记忆层捕获持续的人类指导。多人协作的 Slack 用户体验展示计划、实时进度和审批,支持长达一小时的异步子智能体运行。成果:X 上获得 450 万次浏览,点赞数 2 倍、收藏数 3.7 倍,75% 的请求来自非市场部门,中位成本 0.50 美元。完整框架已开源,可通过 Managed Deep Agents 部署。

💡 Main Points

设计品味来自上下文和原则,而不仅仅是品牌令牌。

模型能写出好代码,但默认倾向于分布收敛(熟悉、通用的模式)。LangChain 通过将设计原则(每帧一个焦点)、防范常见 AI 模式的护栏,以及每条设计师反馈背后的推理逻辑编码进技能中,教会 Content Studio 品味,使智能体能够用有意图的选择而非统计平均值来填补未指定的决策。

随着模型进步,灵活的框架架构优于预构建的组件库。

最初的 harness_v1 包含 115 个硬编码 UI 组件和运动规则,以弥补模型局限。当 Opus 5.5 到来时,移除大部分规则、仅保留高层原则反而带来了更好的多样性和创造力。这印证了「苦涩的教训」:工程投入应聚焦于环境(工具、上下文、人类指导),而非预先固化那些模型很快就能原生处理的创意决策。

双引擎媒体框架实现专业级视频和动画制作。

Content Studio 使用 HyperFrames(HeyGen 的开源框架)进行基于时间线的视频编辑——将片段、字幕和屏幕录制视为网页元素——以及自定义的 motion-studio 画布引擎,为原创动画逐像素绘制并添加运动模糊。两个引擎都按时间戳确定性渲染,支持帧级检查和并行渲染,同时保持音频同步。

结构化知识系统(技能、门禁、维基、记忆)将设计判断编码为可复用、可审计的逻辑。

路由技能将请求类型映射到专业技能,并决定是否需要画布。门禁是对可量化规则的确定性代码检查(如大小写、标志锁定)。维基存储公司上下文和优秀作品示例。记忆层随时间捕获人类教导。这将主观原则与客观检查分离,并使智能体的推理过程可审查。

生产指标验证了该方法:广泛采用、成本大幅降低、可量化的互动提升。

Content Studio 交付了 3,000+ 个素材,包括 80+ 份演示文稿;其中一份出现在观看量最高的自然 YouTube 视频中。使用其视觉内容的帖子获得了 2 倍点赞和 3.7 倍收藏。75% 的请求来自市场部门以外,75% 为每周回访用户。每次请求的模型支出中位数从 8 美元降至 0.50 美元,迁移到 Managed Deep Agents 后内部代码缩减了 80%。

💬 Key Quotes

品味来自上下文。模型已经能写出好代码,但它们需要你们设计师的原则、防范 AI 垃圾的护栏,以及反馈背后的推理逻辑,才能做出看起来像你们风格的作品。

为弥补模型弱点而设计的规则,会随着模型进步而变得不那么有用。真正持久的是模型周围的环境,包括它使用的工具、它汲取的上下文,以及人们如何引导它的工作。

她的警告是,AI 也能对软件做同样的事。她称之为「僵尸 UI」,并说我们需要有自己的观点,因为「如果你没有,AI 会替你给出。」

智能体创造的一切都是用代码构建的……这使得迭代变得容易,无需从头开始。

现在中位请求的模型支出约为 50 美分,低于 9 月中旬的约 8 美元。

📊 Article Meta

AI Screening: 89

Source: LangChain Blog

Author: Amal Irgashev

Category: 人工智能

Language: 英文

Read Time: 18 min

Word Count: 4369

Tags:

AI 与智能应用 , AI 工程 , 上下文工程 , AI 产品与应用 , AI 工作流

#AI 与智能应用# AI 工程# 上下文工程# AI 产品与应用# AI 工作流

文章评论(12)

曹浩19 天前

看完了,收获满满,期待更多更新。

回复
曹浩19 天前

收藏了,以后慢慢研究。

回复
崔欣怡19 天前

有没有更详细的教程,期待后续。

回复
一叶知秋19 天前

赞同,实践出真知。

回复
空向阳19 天前

楼主辛苦了,内容很有参考价值。

回复
风倚栏19 天前

思路清晰,干货满满。

回复
风拾光19 天前

这篇文章分析得很透彻,收藏了!

回复
山问津19 天前

实测过类似工具,作者说的基本属实。

回复
曹浩19 天前

整理得太全面了,省了我不少时间。

回复
武磊19 天前

支持作者,持续关注中。

回复
陈皮话梅糖18 天前

整理得太全面了,省了我不少时间。

回复
雪影18 天前

刚好最近在找这方面的资料,太及时了。

回复