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
看完了,收获满满,期待更多更新。
收藏了,以后慢慢研究。
有没有更详细的教程,期待后续。
赞同,实践出真知。
楼主辛苦了,内容很有参考价值。
思路清晰,干货满满。
这篇文章分析得很透彻,收藏了!
实测过类似工具,作者说的基本属实。
整理得太全面了,省了我不少时间。
支持作者,持续关注中。
整理得太全面了,省了我不少时间。
刚好最近在找这方面的资料,太及时了。