The Problem
先分清辅助与决策
一种常见做法是直接把 AI 生成的线框、报告或视觉稿当成结果，跳过了对用户需求和产品目标的判断。另一种做法是完全不用工具，把本来可以快速整理和验证的工作仍然全部手工完成。
我的处理方式更简单：先判断任务是否需要情境理解、专业责任和真实用户验证，再决定 AI 参与到什么程度。
The Framework
三个判断问题
在把任何 UX 工作交给 AI 之前，我会问自己这三个问题：
问题 1：这个任务需要人类的情境判断吗？
（比如：理解用户说话背后的未说出口的需求）
（比如：理解用户说话背后的未说出口的需求）
是 →
这部分必须由你来做。AI 可以辅助整理，但核心判断权必须在你手里。
否 →
继续问第 2 个问题。
问题 2：如果 AI 犯错，我能发现并纠正吗？
是 →
可以让 AI 做初稿，你来审核和修改。这是最高效的协作模式。
否 →
这说明你在这个领域的判断力还不足以驾驭 AI——先学习再使用，否则风险很高。
问题 3：这个输出物会直接影响真实用户的体验或决策吗？
是 →
必须有人工深度审核。高影响力的设计决策不能只靠 AI 判断。
否 →
可以放心使用 AI，把省出来的时间投入到更有价值的工作上。
Can vs Cannot
适合交给工具的工作，以及需要设计师负责的工作
✓ AI 能做得很好
大量文本数据的快速聚类和摘要（访谈转录、用户反馈）
基于已有设计系统生成视觉变体
初版文案、微文案、错误提示信息的起草
从描述生成线框草图（用于启动讨论，非最终方案）
热力图和点击数据的自动分析
设计稿到代码的基础转换
竞品界面的批量截图和信息整理
✗ 需要设计师负责
理解用户访谈中的沉默、停顿、情绪——这些才是真实需求的信号
在模糊的产品目标和有限资源之间做出设计权衡判断
跨职能团队的沟通和共识建立（工程/产品/业务的语言翻译）
识别 AI 生成内容中的偏见、盲点和文化语境错误
对新兴用户群体的同理心（AI 只知道历史数据）
产品设计的伦理判断（什么应该设计，什么不应该）
创造性地提出"还没有人想过的解法"
Toolkit
我在不同阶段使用的工具
01 · 用户研究阶段
访谈录音转录Otter.ai
亲和图自动聚类Dovetail
竞品分析整理ChatGPT / Claude
合成用户测试Maze AI
02 · 概念设计阶段
网站架构生成Relume
线框快速起草Uizard / Figma AI
用户旅程梳理Miro AI
创意头脑风暴Claude / Gemini
03 · 视觉设计阶段
插画 / 图标生成Midjourney / DALL·E
设计变体探索Galileo AI
色彩方案生成Khroma / Coolors AI
视觉注意力预测Attention Insight
04 · 交付协作阶段
设计稿转 Reactv0 / Anima
CSS 代码提取Figma Dev Mode
UI 文案优化Copy.ai
无障碍检查axe / WAVE AI
My Take
生成内容如何进入作品与交付
AI 生成的物料可以用于探索和沟通，但需要说明它在项目中的角色，并经过设计判断、业务核对与必要的用户验证。作品集里也应该区分概念视觉、交互原型和真实上线界面。
工具让部分执行工作更快，省下的时间应该回到用户理解、方案比较和细节检查，而不是省掉这些步骤。
我希望自己始终能回答三个问题：为什么选这个方案、它对谁有效、我用什么证据确认它。