AI-Wiki

定义

生成式界面设计自评审是指 AI 在产出界面后，依据预设的质量维度对自身结果进行检查、评分和反馈；当评分偏低或发现明显问题时，系统自动重新生成或调整方案。它不是单次生成提示的一部分，而是将“生成—检查—重做”串成闭环的质量辅助机制。

本文档中的语境

在本文所述的 Open Design 工作流中，自评审位于 Agent 生成界面之后、成品实时渲染预览之前。系统先将自然语言需求、标准化需求表单、技能库与品牌规范组合后交给本地编码 Agent，再对其生成的 CSS、HTML 与布局结果执行五维检查。该流程随后进入实时预览和在线局部微调，并可导出 HTML、PDF、PPTX、ZIP、Markdown、MP4 等格式。因而，自评审既服务于首次生成，也为预览后进一步调整提供质量基线。

五维检查

自评审覆盖以下五个维度：

品牌贴合度：检查页面是否符合品牌规则、视觉调性和既有设计语言。
结构：检查信息层级、页面区块与布局组织是否合理。
工艺：检查排版、间距、样式细节及整体完成度。
可用性：检查界面是否有利于理解、操作与使用。
创意：检查方案是否具有适当的设计表达，而非机械套用模板。这些维度应由设计令牌与组件规则及项目品牌规范提供可参照的颜色、字体、间距、圆角、组件外观和使用约束；缺少此类依据时，“品牌贴合度”与“工艺”的判断会更依赖生成模型的主观推断。

低分自动重做闭环

核心闭环为：生成界面 → 按五维维度自评 → 发现低分结果 → 自动重做 → 再次评审 → 渲染预览与局部微调。 “低分自动重做”意味着系统不应把首次输出直接视为最终成品，而应把评分结果作为下一轮生成的触发条件。原文未说明各维度的权重、及格分数、最大重试次数或重做时如何保留用户已作出的局部修改，因此这些实现参数不能据此确定。

Slop 黑名单与数据约束

本文还将自评审与反“AI 假设计”的约束结合，设置严格的“Slop 黑名单”，用于限制常见的生成式设计问题。黑名单明确针对：过度使用紫色渐变、通用 Emoji、手绘式假人脸、滥用 Inter 字体，以及编造虚假数据等做法。当没有真实数据可用时，界面应统一以破折号作为占位，而不是虚构数值、业务指标或其他事实性内容。该规则既可作为生成约束，也可作为自评审时的检查项。

与规范驱动生成的关系

设计规范驱动的 AI 界面生成将视觉风格、设计令牌、组件规则与界面约束写入可被 AI 读取的项目规范；生成式界面设计自评审则在结果产生后验证这些约束是否得到遵守。两者分别对应“生成前提供依据”和“生成后检查结果”。自评审可降低样式跑偏和明显生成瑕疵出现的概率，但不能替代明确、可执行且持续维护的设计规范。

边界

自评审是质量辅助措施，不构成专业人工设计审查、事实核验或可用性测试。即使五维评分较高，视觉结果仍可能不符合真实品牌判断，页面中的事实数据仍可能错误，实际用户的理解与操作体验也仍需通过人工审阅、真实数据校验和测试验证。原文对该机制的效果带有“接近专业设计师”等宣传性表述；据此只能确认其声称的流程与规则，不能据此保证生成结果达到商用设计、无障碍、数据准确性或专业人工审查标准。