AI Product Portfolio

AI Product Manager · Build Portfolio

让 AI 成为 产品的能力 也用 AI 亲手 创造产品

把 AI 设计成围绕目标持续工作的产品能力,

也使用 AI 亲自把产品做出来。

借助 AI Coding、AIGC 与 Agent 工作流,

让产品判断更早进入真实体验,在迭代中持续校准

手写签名:Build with AI for what's next.
01 / BUILD · TWITCANVA
AI PM 独立主导产品设计与开发 AI-assisted Development

让复杂创作,从反复生成走向主动控制

TwitCanva 将角色、动作、空间关系、场景和镜头等创作要求,组织为可编辑、可复用的控制资产。
创作者可分开创建和修改控制资产,再通过画布组合起来生成图像与视频

核心转变: 提示词无序抽卡 走向角色 · 动作 · 站位 · 镜头的显式控制体系
SOLO BUILD 100%
AI PM 独立全栈研发 AI-Native 敏捷落地
// 架构 · 画布 · 全栈 100% 独立交付
⌜ ⌝ ⌞ ⌟
ARCHITECTURE SPEC 4-LANE DECOUPLING
01 / IDENTITY 角色身份参考 WHO
02 / MOTION 3D 动作姿态 HOW
03 / STAGING 空间站位关系 WHERE
04 / CONTEXT 群像规模与场景 WORLD
终局画面 // 多角色群像对峙
⌞ 01-A 镜头剖析 ⌟ 三位主角与大规模机器人军团对峙。角色、动作、人物关系、群像和场景共同构成这个复杂镜头。
多角色群像对峙:三位核心角色 VS 机械军团
⌜01 角色身份⌟ 3 位核心主角 (战士 · 控制者 · 智者)
⌜02 独立动作⌟ 持枪警惕 · 控场前探 · 拄杖蓄势
⌜03 空间站位⌟ 三角防御阵型 · 纵深拉开
⌜04 军团规模⌟ 50+ 机械卫兵阵列
⌜05 工业环境⌟ 18 号机库 · 顶光反射地面
WORKFLOW TOPOLOGY // 真实生产节点流
15 NODES · 4 ASSET LANES · 1 OUTPUT
HOW THIS SCENE WAS BUILT

这个场景,怎样在 TwitCanva 中完成?

⌞ 创作逻辑 ⌟

不只靠文字 Prompt,角色身份、动作姿态、人物站位与群像环境被拆解为独立节点,通过画布连线确立空间关系,协同汇聚生成终局画面。

TwitCanva H1 控制画布工作流拓扑
01 / THE PROBLEM
CONTROL COUPLING // 变量耦合与重采样困境

ONE CHANGE. MORE TO FIX.

修改一个动作,可能牵动整张画面

TASK SPECIFICATION // 创作者修改目标与实际结果对照
● 创作者的修改目标 USER INTENT & LOCKED SPEC
创作者已经满意三位角色的身份、站位和镜头,现在仅将 红衣角色的右手抬高 ➔ 形成更有力量的控制姿态
期望严格保持不变:
⌜ 01 角色身份 ⌟
·
⌜ 02 三人站位 ⌟
·
⌜ 03 镜头构图 ⌟
✗ 重新生成的实际结果 ACTUAL GENERATION RESULT
重新生成打乱了原本成立的内容—— 原本已经满意的角色外观、站位和镜头被一起改掉,导致局部修改引发全图变动,已经完成的部分又需要重新检查和反复调整。
BASELINE / 已满意的画面
基准参照组:三人原始正确状态
锁定基准 · 符合预期 ✓

三种典型的漂移结果

SAME EDIT INTENT. DIFFERENT UNWANTED CHANGES.
01 身份漂移

动作改了,角色外观也发生了变化。

Reroll 01: 角色身份漂移
身份特征重算 ✗
02 站位漂移

三个人还在,但彼此的距离和前后关系变了。

Reroll 02: 空间站位漂移
站位拓扑拉散 ✗
03 构图漂移

人物基本保留,但取景、大小和画面重心发生了变化。

Reroll 03: 镜头构图漂移
机位景别重构 ✗
ROOT CAUSE ANALYSIS // 问题根因剖析

为什么单变量修改,会引发全局连锁反应?

● 双核机理解剖 // DUAL-CORE ENGINE
01 / 输入端:描述耦合 CONDITIONING ENTANGLEMENT

文字描述无法提供独立的控制依据

一段文字需要同时描述角色长相、动作、站位与镜头。所有要求混在同一段提示词里,模型只能当成一个整体去推算,缺乏分别控制的独立依据,因此很难做到“只改动作、不换长相”。

长相与动作混写 ➔ 无法只改动作不换脸
02 / 模型端:全图重算 GLOBAL LATENT RESAMPLING

扩散机制基于全局去噪采样,不维护局部图层结构

扩散模型将画面表示为连续潜变量,不维护“对象与图层”的符号结构。提示词经全局 Cross-Attention 注入,每个词都会影响全图的去噪方向。一次局部修改在模型端被解释为全新的全局条件采样,因此已满意的成果也可能随时会被连带改写。

全图重新加噪 ➔ 无法只锁定局部生成
STRATEGIC VERDICT // 破局法则 · 核心命题
1 PROMPT (ENTANGLED) ➔ 4 DECOUPLED ASSETS: IDENTITY · POSE · STAGING · CAMERA

复杂创作不能只靠一段 Prompt,需要把不同要求分别拆开控制

自然语言负责表达创作意图,角色、动作、空间关系和镜头则不应混在同一段描述里,需要分别管理、各自承担控制职责,再共同参与生成。

02 / THE CONTROL PLAN EXPLICIT CONTROL BLUEPRINT // 显式控制与空间画布解耦
FROM 1 TEXT PROMPT ➔ 4 DECOUPLED ASSETS

DECOUPLE · DEFINE · COMPOSE.

以独立资产承载控制,以空间画布组织生成

TwitCanva 将原本混在描述里的创作要素,解耦为角色身份、3D 动作、空间站位与群像环境四类独立控制资产。创作者可以分别创建和独立调整每个节点,再通过画布连线确立约束依赖,协同用于图像与视频生成。

01 / IDENTITY WHO // 视觉特征

角色身份资产

锁定面部与服装特征,杜绝身份漂移

3 位核心主角 (战士 · 控制者 · 智者)
02 / POSE HOW // 空间骨骼

3D 动作姿态资产

显式骨骼空间约束,稳定命中动作意图

独立微调 · 跨角色复用 · 分支派生
03 / STAGING WHERE // 空间几何

空间站位拓扑

约束角色间距与前后景深,锁定防守阵型

三角防御拓扑 · 纵深拉开 · 机位锁定
04 / CONTEXT WORLD // 宏观世界

群像军团与场景

解耦背景环境与规模阵列,提供统一光影底座

50+ 机械卫兵阵列 · 18号机库顶光
REAL PRODUCT EVIDENCE // 生产级控制流 TWITCANVA CONTROL PLAN · 15-NODE COMPOSABLE GRAPH
● PRODUCTION PIPELINE ACTIVE
节点流价值 用节点组织创作输入,让修改、复用和分支更清楚。
拆分后的控制项通过连线追踪依赖,既能沿用已有内容微调,也能基于结果创建新分支。
TwitCanva 02 Control Plan 真实控制画布蓝图
01 IDENTITY 角色身份 + 02 POSE 3D动作姿态 + 03 STAGING 空间站位 + 04 CONTEXT 群像环境 终局电影级生成结果 (FINAL SCENE)
03 / CROWD

DIRECT THE CROWD.

让群像的编队与场景布置可分别调整

角色、3D 编队与场景素材分别准备,再通过节点连接来控制生成效果

CREATIVE INPUT PIPELINE 3-TIER // DECOUPLED
01 UNIT
角色资产
02 FORMATION
编队
03 SCENE
场景
CONTROLLED VARIATION A/B SPATIAL EXPERIMENT

角色与编队分开控制

当创作者只想调整军团排列时,不必重新准备角色与场景。将编队作为独立输入,既能保持已有资产稳定,又能针对性调整队列分布与空间通道

CH // 01.A PARALLEL AISLE

A / 中央通道编队

军团分列两侧,中央保留通道

3D 编队输入 / CENTRAL AISLE
3D 编队输入 / CENTRAL AISLE
对应场景结果 / RESULT A
对应场景结果 / RESULT A
CH // 01.B CONVERGING QUEUE

B / 向中收拢编队

两侧队列向中央靠拢,形成另一种排列

3D 编队输入 / CONVERGING FORMATION
3D 编队输入 / CONVERGING FORMATION
对应场景结果 / RESULT B
对应场景结果 / RESULT B
FROM FORMATION TO SCENE STAGING ACT 02 // SCENE COMPOSITION

安排主角与军团的站位关系

创作者需要为三位主角保留行动空间,同时安排军团的前后层级、通道位置与队列分布。角色、编队与场景参考分别准备,便于围绕具体站位要求继续调整

3D 舞台站位输入 / 3D STAGING RIG
3D 舞台站位输入 / 3D STAGING RIG
3D 舞台草模 预设三位主角动作姿态、前后层级与背景军团走廊通道
最终场景生成 / 电影级对峙构图
三位主角位于前景,军团向大厅深处展开,中央通道与两侧队列共同形成对峙场面

三位主角位于前景,军团向大厅深处展开,中央通道与两侧队列共同形成对峙场面

EXTENDED APPLICATION SCENE REUSE

角色资产可复用,编队与场景可灵活组合

已有角色和编队可以作为创作资产持续复用,让创作者在已有成果上继续创作,并应用于新的场景

RESULT / 胶囊舱场景扩展
RESULT / 胶囊舱场景扩展
WORKFLOW TOPOLOGY / 真实节点拓扑与装配链路
WORKFLOW TOPOLOGY / 真实节点拓扑与装配链路
  • ROBOT REFERENCE / 机器人参考
  • FORMATION / 编队输入
  • SCENE / 场景输入
  • POD / 舱体素材
  • IMAGE RESULT / 图像结果
04 / POSE • TURN MOTION INTO A CONTROL ASSET

让动作从角色与生成结果中独立出来,
成为可调整、可复用、可继续修改的创作资产

生成模型具备丰富的动作常识,但单靠文字描述无法精确约束肢体。TwitCanva 将动作从生图过程中解耦为独立的控制实体,支持空间可视化定义、跨角色复用与局部微调派生。

TRADITIONAL PROMPT 隐式单次抽卡条件
TWITCANVA POSE RIG 显式可控创作资产
POSE ASSET LIFECYCLE 动作资产五阶推演闭环
CORE INSIGHT 从生成条件,到创作资产
5 PHASES
01 DECOUPLE 身份解耦
拆开动作 · 身份外观与身体动作独立定义
IDENTITY ≠ POSE
02 AUTHOR 显式定义
显式表达 · 3D 骨骼将动作意图空间精确约束
3D SPATIAL RIG
03 REUSE 跨角色复用
重复使用 · 单姿态节点直接分发多角色生成
1 → N ROLES
04 DEEPEN 力学深度
控制深度 · 躯干、防守、髋骨、足底五维精控
5-AXIS CONTROL
05 EVOLVE 分支派生
继续演化 · 继承确认结构,只做差量微调派生
DELTA FORK
01 / DECOUPLE

把角色身份与动作控制拆开

角色负责身份与外观,动作负责空间姿态,两者作为独立的控制依据按需组合。

IDENTITY 角色外观 ⨂ MOTION 动作姿态 ➔ COMPOSABLE 独立解耦
02 / AUTHOR

让动作意图,从文字描述变成可控参考

自然语言很难精确约束复杂的肢体空间。3D Pose 将隐含的姿态转化为创作者可直接调整、检查的显式骨骼参考,降低模型理解歧义,稳定命中目标姿态。

LANGUAGE 语言意图 ➔ 3D RIG 空间骨骼约束 ➔ EXPLICIT 显式控制
01 身份输入
角色三视图
红衣控制者三面三视图身份资产
02 姿态输入
3D 空间骨骼
右手前伸控制姿态 3D Pose 人偶
03 组合结果
执行目标动作
红衣控制者执行控制姿势的真人落地大片
03 / REUSE

一次定义,跨角色复用

动作一旦成为独立资产,便不再受限于单次生成。同一个姿态节点作为公共输入,向不同角色分别分发,在保持动作严格一致的同时,大幅消除重复调试成本。

ONE POSE · MULTIPLE CHARACTERS 同一姿态资产跨角色出图
ROLE A 黑衣战士
黑衣战士复用同姿势生成结果
ROLE B 红衣控制者
红衣控制者复用同姿势生成结果
ROLE C 绿袍智者
绿袍智者复用同姿势生成结果
REAL WORKFLOW TOPOLOGY
1 POSE NODE ➔ 3 CHARACTERS
三角色共享单姿态节点的真实工作流拓扑证据
TOPOLOGY :: 1 POSE NODE ➔ 3 CHARACTERS (WARRIOR · CONTROLLER · STRATEGIST)
04 / COMPLEX POSE CONTROL

复杂动作不是一个动作标签,而是多部位协同约束

高位侧踢绝非单靠一个 Prompt 词能稳定命中。它依赖躯干倾斜、髋部打开、重心平衡与支撑受力的精密协同。只有将各部位空间关系显式结构化,创作者才能进行有针对性的精确控制。

3D CONTROL RIG // 空间力学显式控制输入
GEOMETRIC CONSTRAINTS
高位侧踢复杂身体力学结构 3D Pose
TORSO
躯干扭转
GUARD
上肢防守
HIP
髋部打开
BALANCE
平衡重心
SUPPORT
支撑腿受力
GENERATED RESULT // 真实角色高难度侧踢大片
4:3 CINEMA OUTPUT
红衣控制者执行高位侧踢真人生成大片
05 / FORK & BRANCH

保留已成立的结构,只微调需要改变的部分

好的控制系统不该每次重来。当控制资产能够继承、分支和继续编辑,创作过程才从单次抽卡变成可持续迭代的工作流。

BASE VERSION // 母体基线
Pose A · 高位侧踢
3D POSE RIG
Pose A 高位侧踢基础姿态
GENERATION RESULT
Result A 高位侧踢生成结果
BRANCH VERSION // 派生分支
Pose B · 低位截击
3D POSE RIG (下肢调整)
Pose B 低位截击动作分支
GENERATION RESULT (低位落地)
Result B 低位截击生成结果
DAG WORKFLOW // 系统分支证据
2 BRANCHES ACTIVE

在已满意的侧踢基线上,通过显式指定保留与修改的控制边界,派生出低位截击新分支:

Pose 分支与生成结果的真实节点工作流
DAG :: 1 IDENTITY ➔ 2 POSE BRANCHES (BASE A + FORK B)
+ 05.1 // EXPLICIT & TRANSFERABLE CONTROL STATE
CONTROL BECOMES STATE +

把控制从 Prompt 里的模糊描述,
沉淀为画布上可见、可复用的状态资产

真正被产品化的,不只是一个个单点控制能力,而是让控制成为系统可以持续工作的状态
同一个控制既有创作者可直观操作的视觉表示,也有模型能够继续读取的结构化语义,并在连线中自由流转

CORE PRODUCT LEVER // 核心杠杆

状态资产化

动作与镜头作为独立节点解耦,不与特定角色或场景绑死。上游调整后下游一键同步,避免重复配置与黑盒抽卡

01 BODY / POSE
3D姿态视口 结构化语义描述

一个资产,两种表示。

DUAL REPRESENTATION

创作者可以直接调整动作,系统同时保留对应的结构化描述,同时这份动作也能够持续作为下游生成的输入。

TwitCanva 姿态双重表示与连线流转真实工作流拓扑画布
3D视窗 + 结构化语义
CANVAS TOPOLOGY • 100% REAL EVIDENCE
创作者可见 // 3D姿态视口
系统可读 // 结构化语义描述
上游动作源 // 独立姿态资产
形象参考层 // 独立外观解耦
显式连线组合 // 结构化传递
下游生成画布 // 状态精准注入
02 VIEW / CAMERA
偏角 · AZIM 俯仰 · ELEV 焦距 · FOCAL

视角成为独立控制状态。

INDEPENDENT VIEW STATE

将 Viewpoint / Elevation / Framing 从场景描述中拆出,作为独立可调的控制状态。

1. CAMERA CONTROL 可视化调整镜头视角
3D 摄影机外参控制面板完整界面
VIEW RIG // 3D摄影机外参
[方位偏角] 0° 正面基准视角
[垂直俯仰] 0° 视平线基准
[焦距景别] 50mm 中景标准镜头

机位参数从 Prompt 彻底剥离,作为独立外参矩阵输入。

2. VIEW STATE 同一场景,不同 View State · 点击切镜
当前激活视角大画幅监看
CAM B // 50mm 基准中景 1080P 24FPS • 2.39:1 CINEMA
三人对峙平衡 · 叙事基准锚点
PRESERVED / INPUT REFERENCES 角色 · 场景 · 关系 CHARACTER · SCENE · RELATION
DIRECTED / VIEW STATE 机位 · 俯仰 · 构图 VIEWPOINT · ELEVATION · FRAMING
01 / 产品判断

调整一个控制时,创作者应该能够保留其他已经确定的输入,而不必重新配置整组创作条件。

02 / 产品机制

将动作、角色、镜头等控制组织为独立的状态,再通过显式连接按需组合。控制的来源、连接关系和应用位置都可以被检查。

03 / 用户价值

创作者可以保留已有的创作输入,只调整当前需要改变的部分,让后续节点和 AI 在已有工作的基础上继续创作。

04 / 系统结论
VISIBLE 可见 → UNDERSTANDABLE 可理解 → TRANSFERABLE 可传递

CONTROL BECOMES STATE.

05.2 / CONTEXT-AWARE COLLABORATION

让 AI 从已有创作出发,补全尚未确定的部分。

基于首尾画面和已有创作意图,AI 理解角色、动作与场景之间的关系,帮助创作者丰富中间过程的动作、画面细节和动态描述。

NODE → AI → NODE

AI 接收当前创作输入,补全中间过程,并将结果带回工作流。

CHARACTERPOSECAMERARELATION CROWDAIIMAGEVIDEO
START FRAME 已知首帧
START FRAME 已知首帧
WHAT HAPPENS
IN BETWEEN ?

中间的动作与画面变化,
交给 AI 帮助补全。

END FRAME 已知尾帧
END FRAME 已知尾帧
AI GRAPH EVIDENCE

AI 补全中间过程

AI WORKS ON THE GRAPH.
TwitCanva Canvas // 阶段 02:AI 结构化补全中间描述 ● REAL PRODUCT EVIDENCE
阶段 01:画布首尾帧实体拖入 AI Chat 对话框
画布首尾实体 // 已知创作输入
拖入 AI Chat // 挂载多模态上下文
阶段 02:AI 生成结构化提示词
画布视频节点 // 等待指令载入
AI 侧栏结构化输出 // 动作·细节·运镜
阶段 03:提示词回写画布节点
描述装填就位 // 作为生成输入
一键回写生效 // [已插入到画布节点]
Evidence: Real AI Output Sidebar • 结构化生成动作、画面细节与运镜 NODE → AI → NODE
01 / AI 接收了什么? CONTEXT ATTACHED
【输入来源】

画布上已有的首帧(三人对峙)与尾帧(雷电爆发)图像实体。

【挂载机制】

将已有创作节点拖入 AI Chat,让首尾画面和相关创作输入直接成为当前对话的上下文。

【创作意图】

创作者输入创作意图和想法,由 AI 基于这些输入来描绘中间的过渡场景画面。

核心操作: 将已有创作节点拖入 AI Chat,让 AI 基于当前画布的输入继续工作。
02 / AI 具体补全了什么? OUTPUT EXCERPT
【已有首尾】 已确定三人对峙的起点,以及能量爆发的目标画面。
【补全增量】 AI 进一步补充了中间的动作衔接、法阵展开和镜头推进等描述。
【画面与动作推进】

“三位主角从前成完整发光法阵,背景中成排机器人缓缓复苏醒... 镜头缓慢推近,能量粒子、空气震动、轻雾、光晕和电弧特效清晰可见,最终形成完全激活战斗姿态。”

【镜头调度】

“中景广角,缓慢推镜,轻微低机位,强调三人中心构图与纵深空间。”

【光影与氛围】

“冷色环境光为主,蓝色电弧光、红色能量光、金色法阵光交织,强烈轮廓光;紧张、史诗、蓄势待发。”

03 / 补全内容去了哪里? NODE INJECTION
【回写操作】

创作者将 AI 补全的描述应用到画布节点,界面显示“已插入画布节点”的确认状态。

【节点装填】

补全描述进入视频节点,已有首尾帧连接继续作为生成输入。

【工作流延续】

补全的描述回到工作流节点,作为后续视频生成的输入。

核心价值: 将补全的描述应用回工作流节点,作为后续生成的输入。
02 / 创作结果

AI补全中间的过程画面

THE MISSING MIDDLE BECOMES MOTION
START STATE 已知起点
START STATE 已知起点
三角角色对峙 / 蓄力准备
AI-COMPLETED MIDDLE AI 补全的中间画面
AI 补全的中间画面
对应 AI 补全描述 // 画面具体化
角色姿态 法阵符文 粒子特效 环境响应

红衣主角掌心涌现炽热红光能量,脚下金色符文法阵完全激活展开;左侧战士端枪警戒,右侧长者法杖核心聚光,背景机库成排机器人双眼泛出幽蓝微光。

TARGET END STATE 已知终点
TARGET END STATE 已知终点
对峙终态 / 全能量爆发
05.3 / COMPOUND WORKFLOW
TOPOLOGY :: DIRECTED GRAPH STATUS // PRODUCTION RUN

让不同创作能力,
在同一工作流中协同工作

角色、动作、场景、镜头与生成内容,通过真实节点连接,组织在同一工作流中

VALUE // 创作者价值收益 ZERO-REDUNDANCY CREATIVE FLOW

创作者可以沿用已经做好的角色、动作和场景,只调整需要改变的部分,不必每次重新准备整套素材

PRODUCT JUDGMENT
AXIOM // 05.3

复杂创作的关键,不只是单项能力的实现,

而是让不同控制能够独立调整、按需组合,
并让已有成果持续用于后续创作

完整创作工作流
CANVAS EVIDENCE 线上画布实操
TwitCanva 8K 完整系统工作流总览架构蓝图
SYSTEM OVERVIEW
TOPOLOGY :: MASTER GRAPH SYS.ACTIVE

从独立控制资产到连线组合,最终协同汇聚至视频生成工作流

06 / PRODUCT THESIS • 01

01 | 降低复杂创作的返工成本

用户只想改一个局部,模型却会重新生成整张结果,原本已经确认的角色、关系、群像和镜头也可能被一起改掉

因果推演 // CAUSALITY CHAIN
01 局部修改
02 整体重新生成
03 已满意内容可能发生非预期变化
04 用户需要重新调整(原本已满意的角色、人物关系、群像和镜头)
05 产生额外返工
返工如何产生

只改一个局部,其他内容也可能发生变化

本轮修改 // 只修改 Pose
模型重新生成整张结果
已满意的角色 / 关系 / 群像 / 镜头
可能发生非预期变化
需要重新调整这些内容,并再次生成
→
TwitCanva

把“这次要改什么”和“哪些内容已经确认”分开管理,
将当前已确认的控制状态与本轮修改要求组织成模型输入

本轮需保留 作为本轮生成要求
  • 角色沿用
  • 关系沿用
  • 群像沿用
  • 镜头沿用
本轮需要改变
姿态 Pose
① 沿用已确认条件,加入本轮修改要求

TwitCanva 将这两类要求一起交给 AI

② AI 生成新结果

待创作者确认:姿态是否改到位,需要保留的内容是否被意外改变

用户价值 // USER VALUE

创作者可以保留已有的创作输入,
只调整当前需要改变的部分,
让后续节点和 AI 在已有工作的基础上继续创作

更深一层的思考 • PRODUCT JUDGMENT

复杂创作要提高效率,需要同时解决两件事:

[ 01 ]
提高生成结果的目标命中率 减少反复尝试
[ 02 ]
尽量避免改一个地方时,把其他已经满意的内容也改坏 减少由此产生的额外返工成本
06 / PRODUCT THESIS • 02
CREATIVE STATE ARCHITECTURE • 5 DIMENSIONS

02 | 保留已确认的创作判断

让已确认的角色、姿态与场景,成为后续创作的基础

本次任务 使用已有的红衣主角制作机械大厅对峙场景,并将本轮确定的转身姿态继续用于后续战斗场景
EXISTING ASSETS & DERIVATIONS

已有资产与动作演进

CURRENT SCENE

这次制作的场景

REUSE IN LATER TASKS

后续继续使用

← 左右滑动查看完整创作流转与跨任务引用 →
01
02
事实 01 // 角色跨场景继续使用

红衣主角作为独立角色资产,先前用于两人对话场景,本轮继续用于机械大厅对峙

两人对话场景
两人对话场景 前期已完成场景
已用于
红衣主角三视图
红衣主角 Character A · 已有角色资产
本轮继续引用
事实 02 // 原姿态保留,新动作形成

保留原基础动作,调整出转身蓄力姿态;两个版本均保留在项目中,可继续使用

基础站立 Pose A
基础站立 Pose A · 原版本保留
派生
主角转身姿态 Pose B
主角 · 转身姿态 Pose B · 本轮新确认版本
本轮选用
协同控制要素 // SCENE CONTROLS 4 项已确认控制对象
黑衣战士
黑衣战士 Character B本轮角色
绿袍智者
绿袍智者 Character C协同角色
50mm 中景 Camera A 构图
机器人军团 群像空间阵列
本轮确认的场景组合 • SCENE STATE 02
机械大厅 · 角色对峙场景预览
场景组合示意
机械大厅 · 角色对峙

由已确认的角色、姿态、人物关系、群像与镜头共同组合而成

生成分镜
剧情分镜 本轮生成结果
起始条件
视频起始帧 视频生成条件
03 • 本轮新动作进入后续任务
后续战斗场景(示意)

任务目标:制作主角近战突围对决场景,直接选用已确立的转身蓄力姿态作为动作基准

引用 Pose B
引用的姿态 主角 · 转身姿态 (Pose B)
引用已确认姿态
01 PRODUCT THESIS // 核心资产沉淀

真正值得长期沉淀的,不只是每次生成的结果,
而是用户已经确认过的角色、姿态与场景组合,以及它们在不同任务中的引用、派生和演变关系

+ + +
02 AI PRODUCT JUDGMENT // 产品层的责任边界

产品需要独立维护已确认的创作对象及其关系

当同一角色被多个场景引用、一个姿态又形成新版本时,仅依赖生成结果文件本身,难以可靠维护各场景使用了哪些控制对象、哪些版本仍可继续使用。TwitCanva 因此保留已确认的角色、姿态、场景组合及其引用、派生关系,让后续任务能够明确选择已有成果,而不是依赖模型从结果中重新推断。

模型负责生成候选,用户负责确认,产品负责维护被确认的创作状态及其关系

03 PLATFORM VALUE // 长期平台资产

随着项目持续推进,平台沉淀的不只是更多生成结果记录,还包括越来越完整的创作状态和项目创作过程记忆

状态图谱 / 保留已确认的角色、姿态与场景
动作演变 / 基于已有姿态派生新动作,多版本并存
跨任务引用 / 后续场景直接使用的已有动作基准
04 LIVE SYSTEM // 线上可交互系统

从单点反复生成,走向可保留、可复用、可派生的状态化创作系统

TwitCanva 完整实现了角色资产化、动作控制解耦与跨场景流转,在产品层独立维护创作状态,解决改一处动全身的返工循环。线上系统已预置端到端演示项目,完整呈现上述控制逻辑的真实运行。

创作状态资产化 状态图谱保留 动作派生演变 跨任务无损引用 端到端工作流
02 / SYSTEMIZE // AI SKILL PRODUCTIZATION
LIVE PRODUCT SYSTEM

Daily Product Thinking Training
高阶产品思维每日训练

CORE PRODUCT PROPOSITION

把高手“怎么看信息、形成判断”的过程,产品化为每天可运行的 Product Thinking Skill。

每天用真实 AI / 产品变化训练判断,而不只是消费更多信息。

PRODUCT SHIFT // 产品价值转变

这个产品交付的不是更多内容,而是持续训练判断的能力。

INFORMATION 获取更多资讯 判断哪些信息真正重要
THINKING 接收别人的结论 形成自己的判断
FROM EXPERT JUDGMENT TO REPEATABLE DELIVERY 从专家判断,到持续交付
VALUE DELIVERY CHAIN
RUNTIME ORCHESTRATION
Hermes

定时触发 · 内容调度 · 流程编排

CORE PRODUCT ASSET
Product Thinking Skill

问题识别 · 方法路由 · 推理分析 · 判断输出

INDEPENDENT QUALITY GATE
AI Eval + Product Correctness

独立评审 · 证据校验 · 最终结果验收

REPEATABLE DELIVERY
HTML Reader + 微信直推

定时运行 · 主动分发 · 持续交付

SYSTEM PRINCIPLE

“Skill 形成判断,Eval 独立裁决,运行与交付链路让价值持续发生。”

01 THE REAL DEFICIT // 真实认知匮乏
从知道进入理解

信息越来越多,但“知道”不会自动变成“判断”。

Information ≠ Insight

知道发生了什么,不等于理解为什么发生。传统资讯停留在“事实罗列”,而高阶产品经理真正稀缺的是从事件中穿透出:因果逻辑、核心矛盾、系统关系、趋势变化与价值流向。

02 THE PSEUDO-DEPTH TRAPS // 伪深度生成陷阱
拒绝虚假繁荣
Summary ≠ Judgment

AI 很容易写出一篇“看起来很深”的分析,但形式完整不等于结论可靠:

✕ 结构完整 ≠ 推理深入
✕ 字数堆砌 ≠ 洞察增量
✕ 术语专业 ≠ 决策可靠
CORE CHALLENGE // 核心挑战

怎么让 AI 不只是写得像高手,而是真的按照高手的方式一步步形成判断?

COGNITIVE PENETRATION FRAMEWORK // 4 级穿透推演阶梯

从“信息捕捉”到“产品决策”的 4 级思考深度递进

PROGRESSIVE REASONING
L1 真实动因

这个变化真正说明了什么?

穿透表面 PR 公关修辞与事件表象,锁定最核心的真实动因。

L2 底层因果

系统约束与供需机制是什么?

解构供需关系、技术代差、上下游生态依赖与系统性约束。

L3 价值博弈

谁获得了价值?谁受到了挤压?

推演产业链上下游博弈格局,精准判断利润转移与价值流向。

L4 决策取舍

如果是我,做何产品取舍与验证?

将宏观洞察转化为可落地、可证伪的产品策略假设与验证闭环。

CORE PRODUCT AXIOM // 核心产品判断

“真正值得产品化的,不是一份日报,而是高手‘怎么看信息、形成判断’的过程。”

高阶判断力的稀缺性本质

高阶产品经理真正稀缺的是在模糊、复杂、证据不完整的情况下,知道:先判断什么 · 追问什么 · 相信什么证据 · 怎么找到真正的矛盾 · 什么时候继续深挖 · 什么时候已经足够做决策。

架构因果递进 (Architectural Causality)

为了让这件事成立,我才进一步设计了 Case Selection、8Q Reasoning、Method Routing、Fact Confidence、Independent Review、Quality Rubric、Gate 和 Reader。
把这种隐性的 Product Judgment 拆成:AI 可以执行、用户可以理解和训练、结果可以被检查的 Product Thinking Process。

02 / PIPELINE ARCHITECTURE // 完整执行链路

HOW HERMES WORKS · 生产级自动化认知训练链路

“一条行业异动,如何全自动转化成一次高阶产品判断力训练?”

从晨间定时唤醒、Agent 装载 Skill SOP,经过 5 步显式化 PM 推理与独立质量门禁,最终生成 Reader 并推送到微信完成认知闭环。

07:00 Cron 定时唤醒 Hermes Agent 载入 SOP 5 步高阶判断推演 🛡️ 独立 Gate 质量审查 微信直推 ➔ 07:30 完成训练
TIER 01 RUNTIME INITIALIZATION // 触发与智能体挂载
系统定时触发 ➔ 智能体初始化 ➔ 挂载方法论 Skill
01.1 TRIGGER
SCHEDULE · 每天定时自动启动

晨间 Cron 定时唤醒任务,全天候无人值守自主运转。

Cron @ 07:00
►
01.2 AGENT
AWAKEN · Hermes Agent 唤醒

实例化执行智能体,初始化推理会话与上下文工作区。

Agent Initialized
►
01.3 SKILL
MOUNT · 加载 Product Thinking Skill

注入高阶产品经理思考框架、8Q 推理规范与质量标准。

SOP Loaded
按照 Skill SOP 标准流程启动 5 步显式化深度推演 ▼
TIER 02 COGNITIVE PRODUCTION ENGINE // 自动化思考流水线
显式化产品经理思考方法 ➔ 从泛信息抽取高阶决策判断
01 SIGNAL
DISCOVER · 检索关注异动

检索当天值得关注的全球 AI 与产品重大异动。

全网异动雷达扫描
02 FILTER
SELECT · 筛选训练 Case

筛选最具产品思考训练价值与认知增量的 Case。

高阶认知价值过滤
03 PROOF
VERIFY · 事实核验与分级

事实严格核验,区分事实(Fact)与推断(Inference)。

Fact vs Inference 分级
04 8Q SCAFFOLD
REASON · 8Q 深度推理推演

按高阶 PM 思考路径穿透系统因果、机制约束与价值转移。

穿透因果与价值流向
05 STRATEGY
DECIDE · 形成判断与取舍

输出明确的产品策略判断、行动建议与可证伪假设。

明确行动建议与取舍
DATA BUS // 数据流向
全球 AI 异动与 PRD ➔ 5 步深度分析推演完成 ➔ 生成候选分析稿件,定向移交独立质量门禁 ➔
候选稿件送审 ➔ 独立 Gate 质量审查与多通道交付闭环 ▼
TIER 03 GOVERN & DELIVER // 独立门禁审查与闭环交付
解耦质量审查 ➔ 自动化编译排版 ➔ 微信即时触达 ➔ 每日认知内化
🛡️ STEP 06 // QUALITY GATE
CRITICAL GATE
REVIEW & GATE · 独立门禁质量审查

“引入与生成解耦的独立 Reviewer,按照严格的多维 Quality Rubric 进行逻辑深度、因果严密性与事实证据把关。”

通过门禁 (PASS):进入排版渲染与微信推送链路
未达标准 (REJECT):自动拦截阻断,绝不进入最终日报
07 COMPILE
RENDER · 编译生成 Reader

自动编译生成适合深度阅读的纯净 Daily HTML Reader。

Daily HTML Reader
08 DEPLOY
PUBLISH · 静态部署上线

静态资产部署上线,生成全局可直接访问的独立网页。

云端静态站点部署
09 DISPATCH
DELIVER · 微信即时触达

将当天 Reader 链接与核心要点精准推送到微信端。

微信即时推送触达
10 COGNITION
TRAIN · 完成每日认知训练

用户晨间打开微信链接,完成一次高阶产品思维训练与内化。

每日产品判断力沉淀
03 / PRODUCT THINKING ENGINE // 把“高手怎么想”显性化

PRODUCT THINKING ENGINE

把“高手面对一条信息时怎么形成判断”,拆成 8 个连续问题。每一步先明确为什么问,再根据当前不确定性动态选择分析方法,形成阶段判断,并把结果传递给下一步。

8Q REASONING SCAFFOLD 三阶段判断路径 · Dynamic Method Routing

8Q 定义“必须想清楚什么”,Method 根据当前 Case 动态选择,不做固定框架绑定。

STAGE 01 · 理解问题
STAGE 02 · 解释机制
STAGE 03 · 判断变化
STAGE 01 · 理解问题 01 / 08

Q1 · WHO // 谁真正受到影响?

01 / WHY THIS QUESTION 为什么现在必须想清楚它?

如果没有先确认真正承担成本、获得收益或拥有决策权的人,后面的场景、损失和机会都可能围绕错误对象展开。

02 / HOW TO THINK & ROUTE 这一层应该怎么分析?

区分 使用者、决策者、执行者、受益者和阻碍者,判断谁才是真正的价值主体。

Stakeholder Map JTBD 主体动机与决策链模糊时启用
03 / WHAT SHOULD WE LEARN 这一层最终要得到什么?

明确谁真正被这次变化影响,以及谁承担主要成本、获得主要收益。

04 / WHAT CHANGES NEXT 它如何约束下一步判断?

锁定主体之后,进入 SCENARIO:只分析这个主体在真实业务或生活情境中的变化。

STAGE 01 · 理解问题 02 / 08

Q2 · SCENARIO // 变化发生在什么场景?

01 / WHY THIS QUESTION 为什么现在必须想清楚它?

同一个技术或产品能力,在不同场景里的价值可能完全不同。脱离真实场景讨论,很容易停留在“功能好不好”的表层。

02 / HOW TO THINK & ROUTE 这一层应该怎么分析?

还原事件发生前后:触发条件 → 用户任务 → 时间 / 空间 → 流程约束 → 环境限制。

User Journey Scenario Slicing 交互上下文与流程约束复杂时启用
03 / WHAT SHOULD WE LEARN 这一层最终要得到什么?

找到真正高频、高痛或高价值的关键场景,而不是讨论一个抽象的“用户需求”。

04 / WHAT CHANGES NEXT 它如何约束下一步判断?

场景确定以后,进入 LOSS:这个场景里,用户到底付出了什么真实成本?

STAGE 01 · 理解问题 03 / 08

Q3 · LOSS // 现在真正损失什么?

01 / WHY THIS QUESTION 为什么现在必须想清楚它?

没有真实损失,就很难形成强需求。“感觉不好用”不是一个足够清晰的产品问题。

02 / HOW TO THINK & ROUTE 这一层应该怎么分析?

把损失继续拆成:时间 / 金钱 / 认知负担 / 错误风险 / 机会成本 / 控制权损失。

Friction Audit First Principles 隐性摩擦税与成本归因不明时启用
03 / WHAT SHOULD WE LEARN 这一层最终要得到什么?

明确当前最值得解决的核心损失,以及这个损失为什么足够重要。

04 / WHAT CHANGES NEXT 它如何约束下一步判断?

明确 Loss 后进入 GAIN:用户真正希望得到的改善是什么,而不是立刻开始列功能。

STAGE 01 · 理解问题 04 / 08

Q4 · GAIN // 真正想得到什么?

01 / WHY THIS QUESTION 为什么现在必须想清楚它?

功能只是手段。必须继续追问:用户最终到底希望自己的状态发生什么变化?

02 / HOW TO THINK & ROUTE 这一层应该怎么分析?

区分 Feature Request 与真正的 Outcome / Gain(例如:更快、更准、更省、更稳定、更可控、更有确定性)。

JTBD Value Proposition 需求表象与深层收益混淆时启用
03 / WHAT SHOULD WE LEARN 这一层最终要得到什么?

形成清晰的目标收益和价值命题,而不是一张功能 Wishlist。

04 / WHAT CHANGES NEXT 它如何约束下一步判断?

进入 CAUSALITY:既然这个收益有价值,为什么用户今天仍然得不到?

STAGE 02 · 解释机制 05 / 08

Q5 · CAUSALITY // 为什么会这样?

01 / WHY THIS QUESTION 为什么现在必须想清楚它?

如果只解决表面症状,产品很容易不断增加功能,却没有真正改变结果。

02 / HOW TO THINK & ROUTE 这一层应该怎么分析?

沿着 现象 → 约束 → 机制 → 根因 持续追问。

5 Why Constraint Theory First Principles 表面归因穿透与本质解构时启用
03 / WHAT SHOULD WE LEARN 这一层最终要得到什么?

形成一个可以被验证或推翻的根因假设,而不是把相关性直接当成因果。

04 / WHAT CHANGES NEXT 它如何约束下一步判断?

进入 SYSTEM:检查这个问题是不是由多个角色、激励和约束共同造成,而不是单一原因。

STAGE 02 · 解释机制 06 / 08

Q6 · SYSTEM // 哪些角色和力量共同作用?

01 / WHY THIS QUESTION 为什么现在必须想清楚它?

复杂产品问题通常不是一个点坏了,而是多个参与者、利益关系和约束共同作用的结果。

02 / HOW TO THINK & ROUTE 这一层应该怎么分析?

识别 用户 / 平台 / 供应方 / 渠道 / 技术 / 组织 / 商业利益 / 监管 之间的关系、反馈和制约。

Systems Thinking Causal Loop Stakeholder Map 多方博弈与闭环反馈时启用
03 / WHAT SHOULD WE LEARN 这一层最终要得到什么?

找到真正的控制点、反馈回路和系统瓶颈。

04 / WHAT CHANGES NEXT 它如何约束下一步判断?

进入 EVOLUTION:如果这些角色的能力、成本、激励发生变化,整个系统接下来会怎么演进?

STAGE 03 · 判断变化 07 / 08

Q7 · EVOLUTION // 未来什么变量会改变?

01 / WHY THIS QUESTION 为什么现在必须想清楚它?

今天成立的产品判断,不一定明天还成立。真正的趋势判断必须解释“什么变化会让系统改变”。

02 / HOW TO THINK & ROUTE 这一层应该怎么分析?

识别 关键变量、触发条件、领先信号、边界条件和失效条件。

Scenario Planning Trend Decomposition S Curve 趋势分叉与敏感变量推演时启用
03 / WHAT SHOULD WE LEARN 这一层最终要得到什么?

形成 2–3 个可能的演进方向,并知道应该观察什么信号来判断哪一种正在发生。

04 / WHAT CHANGES NEXT 它如何约束下一步判断?

最后进入 VALUE FLOW:如果这个变化继续发生,谁最终获得更多价值、利润和控制权?

STAGE 03 · 判断变化 08 / 08

Q8 · VALUE FLOW // 最终价值会流向哪里?

01 / WHY THIS QUESTION 为什么现在必须想清楚它?

只有知道价值最终流向哪里,才能真正判断产品机会、商业空间和长期护城河。

02 / HOW TO THINK & ROUTE 这一层应该怎么分析?

分析 谁创造价值?谁捕获价值?谁承担成本?谁掌握入口、数据、关系或分发?

Value Chain Incentive Mapping Business Model 利润池迁移与商业控制点时启用
03 / WHAT SHOULD WE LEARN 这一层最终要得到什么?

形成最终产品判断:机会在哪里、谁会受益、哪个控制点最重要。

04 / WHAT CHANGES NEXT 它如何约束下一步判断?

8Q 在这里结束,进入最终 DO / DON'T / VALIDATE:把洞察转成真正的产品取舍和下一步行动。

DYNAMIC METHOD ARSENAL

“分析方法只是回答问题的工具。核心准则是:如果拿掉某个分析方法并不改变最终 Insight,它就不应该出现在推演链中。”

DIM 01 STAKEHOLDER & SCENARIO
主体动机与场景
Stakeholder Map Q1 / Q6
权责博弈不清 ➔ 谁真正承担成本、获得收益与拥有决策权?
JTBD Q1 / Q4
用户价值不清 ➔ 当在【情境】下,用户想完成什么任务以获得什么结果?
Scenario Slicing Q2
时空边界不清 ➔ 还原真实时空切片、触发条件与流程环境约束
Value Proposition Q4
收益主张不清 ➔ 解决后用户状态发生什么实质改变(非功能清单)
DIM 02 TRUTH, LOSS & CAUSALITY
物理本质与归因
First Principles Q3 / Q5
公理假设不清 ➔ 剥离类比与直觉,回归物理极限与底层经济常识
Loss & Friction Tax Q3
真实损失不清 ➔ 量化用户付出的时间、金钱、认知摩擦与试错风险
5 Why Q5
底层根因不清 ➔ 沿“现象→约束→机制→根因”连续追问穿透表象
Constraint Theory Q5 / Q6
系统瓶颈不清 ➔ 哪一个单一约束决定了全局吞吐上限?
DIM 03 SYSTEM & EVOLUTION
系统生态与演进
Systems Thinking Q6
系统结构复杂 ➔ 多方利益、因果回路与延迟效应如何锁死局面?
Scenario Planning Q7
长期演进不清 ➔ 构建2–3种合理情景并提前准备策略,捕捉领先信号
Trend & S-Curve Q7
周期拐点不清 ➔ 判断技术处于S曲线孕育、陡升还是饱和期
Value Chain Q6 / Q8
价值捕获不清 ➔ 价值流向哪一环?大规模投入前核心假设是否成立?
04 / SKILL PRODUCTIZATION
VALUE → SKILL → EVAL → CORRECTNESS → DELIVERY
价值定义 → 判断 Skill 化 → 独立评测 → 产品正确性 → 持续交付

从高手经验,到可执行、可评估、可持续交付的 AI Skill

围绕五个关键产品问题,我逐步完成这套判断能力的产品化:先定义用户真正需要的判断价值,再将专家认知显式化为 Skill,建立独立 Eval 与 Product Correctness,最终接入定时运行与微信分发链路。

01 · VALUE [用户价值定义]
从“提供更多信息”,重新定义为“训练高质量判断”

用户真正需要的是更多内容,还是持续获得高质量判断?

PRODUCT DECISION

将产品价值收敛到判断质量:以持续变化的 AI / 产品案例作为真实训练素材,帮助用户识别信息价值、形成判断并做出决策。

SYSTEM CHANGE
信息获取 ➔ 判断训练
EVIDENCE · 用户价值定义
02 · SKILL [认知结构化]
把高手的隐性判断,拆成 AI 可重复执行的 Skill

为什么一句“像高级 PM 一样分析”,仍然无法稳定复制高手判断?

PRODUCT DECISION

将高手依赖经验完成的判断过程显式拆解为案例选择、问题识别、方法路由、推理分析与判断输出,并固化成可重复运行的 Product Thinking Skill。

SYSTEM CHANGE
案例选择 ➔ 问题识别 ➔ 方法路由 ➔ 推理分析 ➔ 判断输出
EVIDENCE · Product Thinking Skill · 方法路由
03 · EVAL [独立质量裁决]
把“生成”和“质量裁决”拆成两个独立角色

一篇看起来很专业的分析,怎样判断它真的够好?

PRODUCT DECISION

执行 Agent 负责使用 Skill 形成判断;独立评审 Agent 根据评分标准、证据与推理边界进行裁决,质量门禁决定结果是否进入交付。

SYSTEM CHANGE
Skill 执行 ➔ 独立评审 ➔ 证据审计 ➔ 质量门禁
EVIDENCE · AI Eval · 独立质量裁决
04 · CORRECTNESS [产品级验收]
把 Skill 的“推理正确”,推进到“用户最终收到的结果正确”

Skill 已经通过评测,为什么最终交付仍然可能出错?

PRODUCT DECISION

将验收继续推进到最终产品结果,分别检查结构、语义、呈现与用户最终内容,把真实内容验收纳入 Product PASS。

SYSTEM CHANGE
Skill 评测 ➔ 真实内容验收 ➔ 最终呈现 ➔ Product PASS
EVIDENCE · Product Correctness · 真实内容 UAT
05 · DELIVERY [持续服务闭环]
把一次可用的 Skill,变成持续发生的产品服务

Skill 已经能稳定完成判断以后,怎样让价值每天自动发生?

PRODUCT DECISION

将 Skill 接入完整交付链路:定时触发内容获取与分析,经 Skill 执行、AI Eval 和质量门禁后,将最终结果主动分发到微信。

SYSTEM CHANGE
定时触发 ➔ 内容获取 ➔ Skill ➔ AI Eval ➔ Product Gate ➔ 微信直推
EVIDENCE · 定时运行 · 微信直推 · 持续交付
WHAT THIS DEMONSTRATES // AI PM WORK

这套 Skill 产品化过程,覆盖了 5 类关键 AI PM 工作

从用户价值定义,到 Skill 设计、AI Eval、产品验收与持续交付,这个项目覆盖了一条完整的 AI 能力产品化链路。

01 问题定义 · 用户价值
Problem Framing

从表层需求中重新定义真正需要解决的用户问题。

02 能力抽象 · Skill 产品设计
Agent / Skill Design

将专家隐性判断拆成 Agent 可重复执行的方法、规则与流程。

03 独立评审 · 质量治理
AI Eval & Governance

建立生成之外的独立质量裁决、证据与门禁机制。

04 产品验收 · 最终结果正确性
Product Correctness

将验收从 Skill 输出推进到用户最终看到和收到的真实产品结果。

05 持续运行 · 产品交付
End-to-End Productization

把 Skill 接入定时触发、质量控制与微信直推,形成持续交付闭环。

03 / PRODUCTIZE

· OPEN-SOURCE WORKFLOW

UI Skill Lab

让 AI 前端从「能生成」走向「可交付」

我独立设计并开源的一套 Visual-first AI Frontend Workflow:先建立可确认的视觉目标,再转化为 Agent 可执行的规格合同;最后通过真实浏览器验收与结构化修复,让 Codex / Claude Code 实现逐轮收敛。

7 CORE SKILLS · 154 STARS · 9 FORKS
OPEN SOURCE · AI CODING SKILLS WORKFLOW
$ npx skills add Jason904/ui-skill-lab --all

代码能运行 ≠ 产品可交付

01 ● 目标不可见

PRD 能描述功能,
不代表视觉目标清楚

PRD 可以定义功能逻辑,却无法完整表达空间层级、布局、视觉风格与细节。产品、设计和 Agent 可能各自在脑中形成不同页面。

GAP EQUATION PRD ≠ VISUAL TARGET
02 ● 目标不可执行

人能看懂 Reference,
不代表 Agent 能直接执行

参考图对人直观,却没有显式定义 layout、tokens、component hierarchy、states 与 responsive rules,Agent 仍需自行补全。

GAP EQUATION REFERENCE ≠ SPEC CONTRACT
03 ● 结果不可验证

Build Pass
不代表 Product Pass

编译和测试通过只能证明工程正确,无法证明真实浏览器结果符合视觉目标、文字截断和交互状态等产品要求。

GAP EQUATION BUILD PASS ≠ PRODUCT PASS
[ CORE PRODUCT JUDGMENT // 核心产品判断 ] ROOT CAUSE // MISSING CONTROL LAYER

问题不在于 Agent 不会写,而在于人的视觉意图没有被转化为 Agent 可执行的合同。

UI Skill Lab 补上的,就是 Human Visual Intent 与 Agent Implementation 之间的 Control Layer。

INPUT →
01 VISIBLE
目标可见
Visual Target

让团队先确认目标形态,在编码前建立可对照的视觉真值。

CONTRACT →
02 EXECUTABLE
规格可执行
Spec Contract

把视觉目标转换为 Agent 必须服从的结构化设计约束:layout、tokens、components、states 与 rules。

EVIDENCE →
03 VERIFIABLE
结果可验证
Browser Evidence

用真实浏览器截图作为产品证据,而不是把 Build Pass 当成 Product Pass。

REPAIR ↺
04 REPAIRABLE
差异可修复
Structured Fix

把视觉差异转成局部、结构化的 fix-tasks,限制修改范围,并在修复后重新验收。

HUMAN VISUAL INTENT [ 视觉意图 ]
[ THE CONTROL LAYER ] VISUAL TARGET · CONTRACT · QUALITY GATE · FEEDBACK LOOP
AGENT IMPLEMENTATION [ 前端实现 ]
HOW THE CONTROL LAYER WORKS CONTROLLED DELIVERY

从视觉意图到可验收页面的受控闭环

4 STAGES · 7 STEPS · 4 CONTROL POINTS

UI Skill Lab 在 Human Visual Intent 与 Agent Implementation 之间建立一层 Control Layer。
用 Target、Contract、Gate、Feedback 把实现过程变成可约束、可验收、可修复的闭环。

TARGET · CONTRACT · GATE · FEEDBACK
01 // BEFORE UNCONTROLLED LOOP

传统方式 · 黑盒试错回路

PRD TEXT INPUT

只有文字需求

Agent Guess NO CONTRACT

无视觉合同,Agent 自行补全结构与样式

Page Runs BUILD PASS

代码能运行,但没有产品级视觉校验

Subjective Review EYEBALL CHECK

“感觉不太对”

↺
Ad-hoc Repair GUESS & FIX ↺

根据自然语言局部重调 CSS / Layout

× 无稳定视觉目标 (NO TARGET)
× 无显式实现合同 (NO CONTRACT)
× 无客观验收证据 (NO EVIDENCE)
× BLACK-BOX LOOP
每轮修改都可能重新解释目标,难以稳定收敛。
02 // UI SKILL LAB CONTRACT-GOVERNED · 契约治理

UI Skill Lab · 7 步受控交付闭环

STAGE 01 · ALIGN
先确定“要做什么”
01 PRD
INPUT

定义产品目标、页面任务与核心需求,作为系统原始输入。

02 Visual Target
TARGET

将文字需求转成团队 / 人可确认、可比较的目标画面,建立后续实现的视觉基准。

STAGE 02 · FORMALIZE
把目标变成合同
03 Visual Spec
CONTRACT

把 Reference 中看得见的结构转成可执行规格。layout / tokens / hierarchy

04 Design System
RULES

补齐静态 Reference 中看不见但产品必须有的规则。states / responsive / reusable rules

STAGE 03 · IMPLEMENT
Agent 按合同实现
05 Agent Implementation
EXECUTION

Codex / Claude Code 按 Visual Spec 与 Design System 实现前端,而不是自行补全页面结构与视觉规则。

STAGE 04 · VERIFY & REPAIR
用真实结果验收与受控回流
06 Browser Acceptance
GATE

用真实浏览器多视口渲染结果作为产品验收证据,检查页面是否真正符合 Visual Target 与 Contract。

✓ CONTROLLED LOOP
目标保持不变,按合同修复,并在每轮修改后重新验收。Same target · Explicit contract · Bounded repair · Re-check
// OPERATIONAL DEEP DIVE

从 7 步受控闭环,到 12 步执行架构

4 PHASES · 12 OPERATIONAL STEPS · 4 DECISION GATES
READING GUIDE // 架构展开

上一屏的 7-Step Product Workflow 在这里展开为真实协作架构,重点展示 Actor、Artifact 与 Decision Gate 如何共同完成交付。

SPEC COMPILER PRD → VISUAL CONTRACT → BROWSER EVIDENCE
REFERENCE ARCHITECTURE // CONTRACT-GOVERNED DELIVERY
FIG 03.1 · CAD BLUEPRINT
01
PHASE A · INPUT & GOAL 需求定义
02
PHASE B · VISUAL ALIGNMENT 视觉探索与意图共识
03
PHASE C · CONTRACT & DESIGN RULES 规格化与设计规则
04
PHASE D · IMPLEMENT · VERIFY · REPAIR 实现、验收与修复闭环
UI Skill Lab 工作流总览:从 PRD 到可验收页面
WORKFLOW DECISION GATES
4 个流程决策门禁
GATE A 方向共识

阻止错误视觉方向进入规格化与开发。

GATE B 规格审查

阻止错误、缺失或未经确认的规格进入实现。

GATE C 契约合规

阻止偏离 Visual Contract 与 Design Rules 的实现进入产品验收。

GATE D 浏览器验收

阻止真实浏览器结果不符合目标的页面进入最终交付。

// 7 CORE SKILLS

UI Skill Lab 七个主流程 Skill

围绕 Target、Contract、Acceptance 与 Repair 拆出的职责隔离 Skill,每个节点都有明确输入、产物与上下游边界。

CONTROL PLANE 01 · TARGET

视觉目标生成与共识

1 SKILL
01 [TARGET] image2-prompt-pack
职责 将 PRD 转成可复用、可比较的视觉生成 Prompt Pack
控制作用 为 Human Visual Alignment 提供稳定候选方向
ARTIFACT ui/01_prompt_pack/
CONTROL PLANE 02 · CONTRACT & GOVERNANCE

规格合同与设计系统治理

3 SKILLS
02 [SPEC] visual-to-struct-spec
职责 将 Final Reference 转成结构化 Visual Spec
控制作用 把人的视觉判断变成 Agent 可执行的页面级合同
ARTIFACT ui/03_visual_spec/
03 [SPEC REVIEW] visual-spec-review
职责 审查 Visual Spec 的证据、完整性与推断边界
控制作用 阻止错误或未经证实的 Spec 进入实现
ARTIFACT ui/04_visual_spec_review/
04 [DESIGN SYSTEM] design-system-generator
职责 补齐静态 Reference 无法表达的 states、responsive 与 reusable rules
控制作用 将页面级 Visual Spec 扩展为可复用的产品设计规则
ARTIFACT ui/05_design_system/
CONTROL PLANE 03 · ACCEPTANCE & REPAIR

浏览器门禁与结构化修复

3 SKILLS · RE-CHECK LOOP
05 [COMPLIANCE] spec-compliance-review
职责 检查实现是否符合 Visual Spec 与 Design Rules
控制作用 阻止偏离合同的实现进入浏览器产品验收
ARTIFACT ui/06_spec_review/
06 [ACCEPTANCE] visual-acceptance-review
职责 基于真实浏览器截图检查页面与 Visual Target 的差异
控制作用 将 Browser Evidence 转成结构化验收结果
ARTIFACT ui/07_validation/
07 [DIFF FIX] visual-diff-fix
职责 将视觉差异转换为局部、结构化的修复任务
控制作用 用 fix-tasks.json 限制修改范围,并在修复后重新验收
ARTIFACT ui/08_diff_fix/

UI Skill Lab 里,解决 5 类 AI 产品工作

从问题抽象、Agent Contract、产品验收到 Workflow 架构与开源产品化,UI Skill Lab 覆盖了一条完整的 AI 产品设计与落地链路。

01 [FRAMING // 问题抽象]
PROBLEM FRAMING

把反复出现的 UI 漂移,抽象成可设计的问题结构

从真实 AI Coding 中反复出现的目标漂移、规格缺失和验收失真出发,将问题收敛为 Target、Contract、Evaluation 三个关键缺口,并据此定义 Control Layer 的产品边界。

EVIDENCE · 3 GAPS → CONTROL LAYER
02 [CONTRACT // 契约设计]
AGENT CONTRACT DESIGN

把视觉判断,转成 Agent 能执行的合同

将 layout、tokens、component hierarchy、states、responsive rules 等视觉约束结构化,形成 Visual Spec 与 Design Rules,明确 Agent 在实现阶段需要遵循的规则与边界。

EVIDENCE · VISUAL SPEC + DESIGN RULES
03 [EVAL // 产品验收]
EVALUATION & PRODUCT CORRECTNESS

为“页面做对了”建立可验证的产品标准

将代码合规、真实浏览器渲染与视觉差异评估串成完整验收链路,建立 Spec Compliance、Browser Acceptance 与 Visual Benchmark,让交付结果可以被检查、比较和持续回归。

EVIDENCE · BROWSER ACCEPTANCE + VISUAL BENCHMARK
04 [ARCH // 工作流架构]
AGENT WORKFLOW ARCHITECTURE

把端到端交付,拆成职责明确的 Agent Workflow

将视觉目标、规格治理、实现验收与定向修复拆成 7 个 Core Skills,并定义上下游 Artifact、Control Point 与 Re-check Loop,使整套流程可以复用、组合和持续扩展。

EVIDENCE · 7 CORE SKILLS · 3 CONTROL PLANES
05 [PRODUCTIZE // 开源产品化]
OPEN-SOURCE PRODUCTIZATION

把内部方法,做成可复用的开源产品

将完整 Workflow 整理为可安装、可迁移、带文档与测试的 Open-source Skill Workflow,并通过真实的 GitHub Star 与 Fork 获得外部开发者反馈。

EVIDENCE · 154 STARS · 9 FORKS

04 / VALIDATE · AI PRODUCT CONCEPT

AI Product Concept Validation 把抽象概念更早成为团队能够共同看见、体验、判断和讨论的产品证据

CORE THESIS // 核心命题

如果一个产品还不存在,怎么让组织提前看见它?

● THE RESOLUTION // 验证逻辑

在高成本 Build 之前,先用 AI 做低成本 Experience Simulation,让团队在研发投入前即可更直观地判断产品方向、体验方案与可行性,支持早期验证与决策沟通。

CASE STUDY / 光帆 AI 全感耳机
SIMULATION READY
01 / METHOD
AIGC + AI Coding 蓝图推演 →
02 / OUTCOME
可交互体验原型与决策对齐 →

三个核心杠杆

01 TECHNOLOGY → USER VALUE

把技术能力翻译成体验

把模型、算法、硬件等抽象技术能力,重新组织成用户能够直接理解和感知的产品体验,而不是停留在 Feature List。

02 KILLER SCENARIO

用故事验证存在价值

把产品能力放进具体人物、场景和任务里,用 Experience Story 验证:用户为什么需要它、什么时候真正有价值。

03 SHARED DECISION OBJECT

让未来产品成为共同讨论对象

用视觉稿、Storyboard、Video 和 Interactive Prototype,把不同角色脑中的“产品想象”变成同一个可见对象,推动跨团队对齐、MVP 取舍和下一步投入决策。

/ 递进赋能 · 从可见到可玩

AIGC + AI Coding,让产品概念更早变得可见、可体验。

AIGC PHASE 01
视觉形态合成 SYNTHESIS

Make the invisible visible

把抽象产品概念快速变成可见的产品形态、场景和体验故事。

● 产品形态 Form
● 使用场景 Scenario
● 分镜故事 Storyboard
● 概念短片 Film
● 关键体验时刻 Moment
AI CODING PHASE 02
交互体验推演 SIMULATION

Make the concept explorable

把静态表达进一步做成可浏览、可交互、可快速迭代的产品概念体验。

● 可交互原型 Prototype
● 产品体验流 Story
● 核心热区探索 Hotspots
● 全感体验模拟 Simulation
OUTPUT // 核心产出 统一团队产品认知与评估基准 (Shared Understanding) → 驱动关键立项决策
●
● LIVE ARTIFACT // 01

光帆 AI 全感耳机 · 完整体验推演

LIGHTWEAR AI WEARABLE · 0-TO-1 CONCEPT PROTOTYPE

ARTIFACT 01 LIGHTWEAR AI OS SIMULATION
LIVE ENGINE // WEB 3D · AUDIO SIM
光帆 AI 全感耳机 4K 概念硬件外观展示 光帆 AI 全感耳机 4K Interactive Concept 交互热点全貌展示
VERIFIED CAPABILITIES 原型核心验证维度
01
三端协同交互流 Multi-Device Sync
02
全感感知状态机 Sensory State FSM
03
硬件结构解析 Hardware Structure
04
意图仲裁与优先级 Intent Arbitration
●
● 4-STAGE WORKFLOW

从模糊构想推进到组织确定性决策的 4 步验证流

FOUR-STAGE CONCEPT VALIDATION & DECISION PIPELINE

01 / 04
DEFINE

定义产品概念

把技术输入转成清晰的产品价值、用户问题和 Experience Proposition。

● CORE CAPABILITY // 沉淀能力
0→1产品概念定义 · AI 技术 → 用户价值
02 / 04
VISUALIZE

用 AIGC 快速具象化

把抽象概念转成产品形态、用户场景、Storyboard 和动态体验。

● CORE CAPABILITY // 沉淀能力
AI 多模态原型表达
03 / 04
PROTOTYPE

用 AI Coding 构建原型

把静态概念做成可浏览、可交互、可迭代的线上产品体验。

● CORE CAPABILITY // 沉淀能力
低成本产品验证
04 / 04
ALIGN

推动跨团队共识

让产品、算法、硬件、设计和决策者围绕同一个产品对象讨论,而不是围绕各自脑中的想象讨论。

● CORE CAPABILITY // 沉淀能力
跨团队沟通与组织推动
05 // PROFILE & CONTACT
ACTIVE CANDIDATE PROFILE · 2026

THANK YOU.