设计的难点在于，如何把一个大家比较有共识的感受用具象化的手段呈现出来。并且，每个时代有每个时代对于情绪和感受的独特理解。因此，由表入里的模仿很难跟上时代。

一、两个方向的难点

由表入里的模仿，为何跟不上时代？

视觉语言是感受的投影。但这里有个常被忽略的结构：

形式不是感受的函数，而是「感受 × 时代参照系」的函数。

同样是"孤独"，1980 年代、2000 年代、2025 年的形式语言完全不同——不是因为孤独感本身变了，而是它所对比的参照物变了：孤独对比的是人群？是连接？还是算法推送里的虚假陪伴？参照系一变，原来的投影方程就失效了。

模仿者拿到的是旧参照系下的投影结果，把它套到新参照系的输入上，结果必然"像"而"空"。

更根本的原因在于：感受无法被直接传授，它必须被亲身经历。模仿者学的是"这种感受对应这种形式"，但如果没有真正经历过那种感受，他就不具备校验能力——他不知道自己做出来的东西是否真正击中了。

设计不是传达一个私人感受，那是艺术。设计要传达的，是某个时代里大多数人模糊共享但说不出口的感受。好设计的击中感，来自于它把那个"我也有这种感觉"说清楚了。

由里入表，同样有难点

从感受出发找到形式，并不更容易。核心障碍往往是：

感受精度 > 形式语言储备

内心的感受是高分辨率的，但能调用的形式工具是低分辨率的，所以永远"不对味"。这个"不对味"本身是能力的证明——它说明有隐性的校验机制在运作，能感知差距，只是说不出差距在哪里。

需要进一步区分的是，"不对味"其实有两种，解法完全不同：

• 带宽不对味：形式库不够宽，根本找不到能承载这种感受的形式类别。解法是扩库。
• 分辨率不对味：找到了形式类别，但语言粒度太粗，调不出那种特定质地。解法是建立个人化的高分辨率词典。

后者才是"风格"的来源。一个设计师的个人风格，本质是 ta 发展出了一套别人没有的、高分辨率的私人映射词典。这也意味着：拆解感受与形式的语言必须是自己的——一旦用"压迫感""松弛感"这类公共标签，就立刻退回到低分辨率层，风格无从生长。

二、由里入表的两条路径

路径一：偶遇式

感受在前，形式还没有，直到撞见某个外部事物，才发现"这就是我要的"。

这个过程不是在创造，而是在辨认。感受早就存在，只是没有对应的形式语言。直到某一刻，所见所感所知某一事物，才恍惚——原来这才是想要表达的感受，这种感受可以以这种形式呈现。

路径二：拼接式

在已有认知中，将感受相似的事物进行重组，通过不断的发散再聚合，逐渐接近自己想要的感受。

这是主动的方法，上限取决于素材库的宽度和质量。

三、一个反直觉点

阅历增长不直接等于形式语言的扩充。

很多人见了很多东西，但都停在"见过"的层面，没有完成"这种感受可以用这种形式承载"的映射。

阅历转化为形式语言，中间需要一个主动的翻译动作。"撞见的瞬间"是这个翻译被动发生了，"拼接重组"是主动触发这个翻译。

更进一步：由表到里，才是由里到表的前置条件。

• 由里到表，是在有限形式库里搜索无限感受空间——结构上是被约束的优化问题
• 由表到里，是拆解外部作品调用了哪些感受维度——它在扩充形式库本身

前者的上限被后者决定。很多人卡在"做不出对味的东西"，真正的瓶颈不在创作环节，而在输入环节：形式库没有在持续扩容。所以与其苦练由里到表，不如把大部分精力花在由表到里的拆解上。

四、可操作的训练方式

下面的方法按扩库 / 用库两类组织：

扩库类（更重要，优先投入）

情绪版（Mood Board）——加一层拆解

多数人用情绪版只是"收集感觉对的图"，停在感性层面。要真正建立形式→感受的映射，需要在收集之后加一层主动拆解。

最小可行动作：每次收集时，在旁边写一行字。

格式：

感受是什么 + 是哪个元素在做这件事

示例：

“压迫感——画面四周被暗角压缩，主体无处可逃” “松弛——行距很宽，字体轻，没有任何元素在抢注意力”

不要求准确，不要求完整，只要求每次都写。感受还新鲜时完成一次翻译，积累几十条后，高频词和高频形式元素会自然浮现，形式语言库才真正开始成型。

关键约束：用自己的语言，不用行业通用词。宁可写"像冬天早上手伸进冷水里的那种收缩感"，也不要写"冷峻"。私人化的语言保留的是分辨率，公共词汇会把分辨率压缩掉。

进阶做法：

• 相同感受，不同形式：把传达同一感受的东西跨领域放在一起（建筑、音乐、文字），找它们共同在做什么——逼自己找到感受背后更底层的结构
• 相同形式，不同感受：同样是大面积留白，有的平静，有的压抑，有的疏离——找是什么细微差异导致感受不同
• 用语言强制翻译：不允许用"感觉""氛围"这类词，只能用可观察的形式元素来描述

反向工程一个"对味"的东西

找一个让你强烈感受到"就是这个"的作品。然后问：如果要用语言给别人描述这种感受，让他从零复原出这个东西，需要说哪些参数？

不只是描述看到的，而是描述为了产生这种感受，创作者做了哪些决策。

临摹 + 复盘

不是为了学技法，而是在临摹过程中强迫自己做每一个决策。临摹完之后问：原作和我的版本差在哪里？那个差距对应的是什么感受上的差距？

临摹对象不限于视觉——文字、界面、音乐编曲结构均可。关键是逐元素还原，还原过程本身就是拆解。

用库类（在扩库基础上才有效）

感受日记

不是灵感日记，不记"我看到了什么"。记的是：

我今天在什么处境下产生了什么感受，那个感受的质地是什么

和设计没有直接关系，但在训练对自己内部状态的感知精度。对自己感受的描述越精确，"由里到表"的起点就越清晰。

做减法实验

找一个认为完成度高的作品，开始做减法——去掉某个颜色、去掉某个元素、改变某个比例——看感受在哪一步开始崩塌。

崩塌的那个临界点，就是那个元素真正在承载感受的证明。

五、与 AI 时代的接口

AI 极其擅长"由表入里"的模仿——给足够多的风格样本，它能还原得非常像。但它替代不了设计师的核心判断，原因不在输入侧，而在架构侧：

感受校验，需要一个亲历过那种感受的主体来拍板"对了 / 不对"。AI 没有这个主体。

这个区分很关键。常见的说法是"AI 没有在当下的社会文化语境里生活，所以捕捉不到活的感受"——但这个论证经不起推敲，AI 的训练语料恰恰大量来自当下语境，这种"输入缺失论"会随模型迭代被反证。

真正站得住的点是：即便 AI 能生成形式上完美的候选方案，谁来判断哪一个"对味"？ 这个判断需要一个曾经被那种感受击中过的人，拿自己内部的校验机制去比对。没有过那种感受的主体，无从校验，只能依赖外部反馈兜底——而外部反馈永远是滞后的、平均化的。

这也划出了设计师在 AI 时代真正不可替代的位置：

• 可替代：风格执行、形式枚举、参考图合成
• 难替代：判断"这个时代、这群人、此刻——这种感受是真实的，且这个形式真的击中了它"

这不是风格问题，是校验主体是否在场的问题。

延伸阅读：AI 时代的核心能力框架

AI 让执行的门槛近乎归零。当所有人都能"做出来"时，竞争的焦点向上游迁移——你能不能把想要的东西说清楚，以及判断 AI 给出的结果对不对。

一、核心观点

AI 时代真正比拼的，是个人对事物的抽象能力。抽象得越精准，AI 还原出来的结果就越到位。无论是提示词工程、设计风格提炼，还是需求拆解，本质都是同一件事：把模糊意图转化为结构化表达。

但抽象只是链条中的一环。你还需要能判断 AI 还原出来的结果对不对——这依赖于你对原始事物的真实认知深度。没有深度，就没有校验能力；AI 交出一个差的结果，你甚至看不出来。

因此，AI 时代真正在放大的，是鉴赏力与判断力，而非仅仅是抽象能力。

一句话总结：抽象能力的价值，建立在你对事物有真实理解的基础上；否则，抽象出来的不过是对幻觉的精确描述。

二、完整能力链：拆解 → 感知 → 抽象 → 表达 → 校验 → 元认知

0. 拆解 — 链条之前的"第零步"

在感知之前，还有一个常被忽略的前提能力：问题拆解。

很多人面对 AI 时的困境，不是"说不清楚"，而是根本不知道该把一个大问题拆成哪几个可被 AI 处理的子问题。你让 AI"帮我做一个完整的商业计划"，和你把它拆成"市场分析 → 竞品对比 → 财务模型 → 风险评估"分步推进，结果天差地别。

拆解能力的本质是一种架构思维：

• 识别可分解性：判断哪些子任务适合交给 AI，哪些必须自己完成——AI 擅长信息整合和模式套用，但不擅长价值判断和创造性跳跃
• 设计协作流：先让 AI 做什么，再做什么，中间自己在哪里介入。这不是写一个 prompt 的问题，而是设计一整条人机协作工作流的问题
• 控制颗粒度：任务拆得太粗，AI 自由发挥空间过大，结果不可控；拆得太细，AI 失去上下文，输出碎片化。找到恰当的颗粒度，本身就是一种高阶能力

拆解能力决定了你能不能用好 AI，而不仅仅是用上 AI。

1. 感知 — 训练"看见细节"的习惯

感知退化的主因是信息消费节奏太快——刷完就过，没有停留，更没有加工。

• 刻意放慢：看完一个设计 / 文章 / 产品，先不看别人的评价，自己先描述"它在做什么，为什么这么做"
• 建立对比意识：把好的和差的放在一起看，差异本身就是最好的感知训练素材
• 跨领域迁移：将一个领域的观察视角迁移到另一个领域，不同领域的感知模式会相互激活

2. 抽象 — 训练"剥掉噪音找结构"的能力

抽象弱的典型表现：说不清楚，或者说了一堆却没有层次。

• 练习"一句话本质"：面对任何事情，逼自己用一句话说清核心是什么
• 反向剪枝：拿一段你觉得已经说清楚的描述，逐词自问"去掉这个词，意思会变吗"——留下每一个有意义的词，删掉所有装饰性的
• 归纳共性：把 10 个看似不同的案例摆在一起，找出它们共同的底层逻辑

3. 表达 — 训练"让接收方准确还原意图"的能力

抽象是你想清楚了；表达是你把想清楚的东西成功传达出去了。二者之间常有落差。

• 以终为始：写完一段描述，先切换到"接收者"视角通读一遍，检验能否还原自己的意图
• 用提示词练习：给 AI 写提示词是绝佳的表达训练场——AI 会毫不留情地暴露你表达中的模糊地带
• 掌握结构化表达框架：背景 → 目标 → 约束 → 示例（详见第四章）

4. 校验 — 训练"知道好坏标准"的能力

四个维度中最难速成的一环，因为它依赖真实的认知深度积累，没有捷径。

• 建立"样本库"：主动收集你所在领域里公认的优秀案例，内化为判断标准
• 培养复盘习惯：AI 给出结果后，不要停留在"够用就行"，而要追问"哪里还不对，为什么"
• 刻意拔高标准：定期接触高出你当前水平一个层级的作品，避免陷入低水平自洽

5. 元认知 — 校验你的校验能力

校验依赖认知深度，但还有一个更深层的问题：你怎么知道自己的标准是对的？

这就是元认知（metacognition）——对自己认知过程本身的监控能力。现实中很多人不是没有标准，而是持有错误的标准却浑然不觉。

• 警惕"流畅性陷阱"：AI 最擅长用流畅的表达包装平庸的内容。文字越通顺，你越容易放松警惕——这是邓宁-克鲁格效应在 AI 时代的新变种
• 建立外部校准机制：定期把你认为"好"的结果拿给同行或专家看，用他人的反馈修正自己的标尺。标准不能只靠内部生长，需要外部碰撞
• 让 AI 反过来质疑你：刻意让 AI 扮演"挑刺者"角色，对你的判断提出反驳。如果你无法有力地回应这些反驳，说明你的标准可能不够扎实
• 追问"我为什么觉得这个好"：每次做出判断后，逼自己说出理由。说不出理由的"感觉"，往往只是习惯的伪装

校验能力让你发现 AI 的错误；元认知能力让你发现自己判断中的盲区。后者的天花板更高，也更难练。

贯穿所有维度的元方法

大量输入 + 强迫输出 + 对比反思

输入建立感知与校验的基准线，输出倒逼拆解、抽象与表达的精度，对比反思驱动元认知的迭代。三者缺一，能力就会偏科。

三、品味的分层：鉴赏力的四个层级

第一章说 AI 时代放大的是"鉴赏力与判断力"。但"品味"不是一个笼统的词，它是分层的——不同层级对应不同的认知深度，也对应不同的竞争壁垒。

第一层：正确性 — 有没有硬伤

最基础的判断：事实有没有错、逻辑有没有漏洞、代码能不能跑通。

这是门槛最低的校验层——AI 自身也在快速提升这一层的能力。如果你的品味止步于此，你的价值正在被 AI 快速追平。

第二层：完整性 — 有没有遗漏

结果覆盖了主线场景，但有没有遗漏关键的边界条件、异常路径、特殊用户群体？

这一层需要你对问题域有全局视野。AI 往往只回答你问到的，不会主动想到你没问的。能看见"缺了什么"的人，比能判断"对不对"的人更稀缺。

第三层：优雅性 — 有没有多余

方案可行，但是否简洁？有没有不必要的复杂度？有没有更直接的路径？

优雅性判断需要你见过足够多的好方案，才能识别出冗余。AI 倾向于给出面面俱到的答案，而真正有品味的人知道该砍掉什么。少即是多，这个判断力远比"做加法"难。

第四层：洞察性 — 有没有超越预期

最高层级的鉴赏力：结果不仅正确、完整、优雅，还有没有让你"没想到"的东西？有没有超出预期的创造性跳跃？

这一层几乎无法通过清单式的检查完成，它依赖于你对领域的深层直觉——知道什么是"平庸但正确"的，才能识别出什么是"眼前一亮"的。

多数人的校验停留在前两层，而真正拉开差距的是后两层。从"能判断对错"到"能判断好坏"再到"能判断高下"，每上一层，竞争者就少一个数量级。

四、结构化表达框架：背景 → 目标 → 约束 → 示例

框架的本质

让接收方（人或 AI）在理解你的意图之前，先建立正确的上下文。

人和 AI 接收信息时有一个共同特点——在缺乏上下文的情况下，会自动填充默认假设。这个框架的作用，就是用你的真实意图去替换对方的默认假设。

四个要素详解

① 背景 — 我在什么处境下提出需求

回答的问题：这件事发生在什么环境里？

不是流水账式的介绍，而是会影响结果的关键上下文。

区别在于：强背景里的每一句话都会切实影响后续答案的方向。

② 目标 — 我想达到什么结果

回答的问题：成功长什么样？

目标描述的是终态，而非过程。越具体越好，最好能量化或可验证。

③ 约束 — 什么是不能碰的

回答的问题：哪些方向是死路？

约束往往比目标更能有效收窄答案范围。可分为两类：

• 硬约束：技术限制、资源上限、不可改变的前提
• 软约束：风格偏好、已有决策、不想走的方向

示例：“不能引入新的 UI 元素（UI 改动成本高）；不做连招系统（已验证玩家学不会）”

很多人表达时只说目标而忽略约束，结果对方给出的方案方向正确却无法落地。

④ 示例 — 我说的像什么

回答的问题：有没有已经存在的参照物？

示例是最快消除模糊的手段，有三种用法：

• 正例：“我想要类似《哈迪斯》那种手感”
• 反例：“不要像《原神》那种重量级前摇”
• 类比：“战斗节奏上像格斗游戏，但操作复杂度像消消乐”

没有现成参照物时，可以自己构造一个最小示例——哪怕不完整，也远比没有强。

实战演示

场景：让 AI 帮你设计一个技能系统

❌ 没用框架的版本

帮我设计一个战斗技能系统，要有策略性。

✅ 用了框架的版本

背景：手机 roguelite，单局 20 分钟，玩家每局从零开始积累技能，美术资源有限

目标：技能组合之间能产生有意义的协同效果，让玩家有"搭配出奇招"的满足感

约束：技能总数不超过 30 个，不做主动技能（只有被动和触发式），不引入状态栏 UI

示例：协同效果类似《杀戮尖塔》的卡牌组合，但触发方式更接近《弓箭传说》

同样是"设计技能系统"，后者给 AI（或同事）的信息密度高出几个量级，还原出来的方案精准度也会天差地别。

使用技巧：四要素自检

四个要素不必每次都写全，但每次表达完之后值得做一轮自检：

我有没有让对方知道：我在哪里、我要什么、什么不能做、像什么？

缺哪个，补哪个。缺得越多，对方脑补的空间越大，结果偏差也就越大。

五、不同领域的抽象图谱

"抽象能力"在不同领域的表现形式差异很大。理解这些差异，能帮你找到更贴合自身领域的训练路径。

各领域的抽象挑战

跨领域迁移的杠杆

不同领域的抽象能力虽然表现形式各异，但底层的认知机制是共通的：识别模式、提取结构、压缩信息、验证还原。

这意味着：

• 一个领域的抽象训练可以迁移到另一个领域。例如，写代码时培养的"分层解耦"思维，可以直接用于产品需求的拆解；做视觉设计时训练的"比例与节奏"感知，能帮你写出更有呼吸感的文章
• 跨领域的人往往抽象能力更强——因为他们被迫在不同的表达体系之间翻译同一个概念，这个翻译过程本身就是深度抽象训练
• 最强的抽象能力，来自于"用一套语言描述多个领域"的能力。这也是为什么好的技术负责人往往也能把产品逻辑讲得很清楚——不是因为他们懂产品术语，而是因为他们能穿透术语看到底层结构

找到你的训练入口

如果你不确定从哪里开始，一个简单的方法是：在你最擅长的领域里，把你的隐性知识显性化。

比如你是一个资深设计师，试着把"这个设计为什么好看"说清楚——不是用"感觉"，而是用结构、比例、对比度、信息层级来解释。这个"说清楚"的过程，就是在训练抽象和表达。而当你能在设计领域做到这一点后，你会发现同样的思维方式可以迁移到写作、产品甚至管理沟通中。

六、人机协作的反馈回路

前面几章都是单向视角——人如何更好地驱动 AI。但实际上，长期与 AI 协作会反向改变你的认知结构。这是一把双刃剑，值得认真对待。

正向回路：AI 作为加速器

• 缩短反馈周期：过去从"想法 → 产出 → 反馈"可能需要数天，现在可以压缩到几分钟。更快的反馈意味着更快的迭代，学习效率成倍提升
• 降低试错成本：你可以用极低的成本同时验证多个方向，而不是押注一条路走到底。探索变得更安全，创造性也更容易释放
• 暴露认知盲区：AI 有时会给出你完全没考虑过的角度——即使这些角度不一定对，它们也在拓展你的思考边界

负向回路：AI 作为拐杖

• 感知退化：当 AI 可以帮你"看"的时候，你自己"看"的意愿和能力都会下降——类似 GPS 导航让方向感退化
• 抽象偷懒：你可能越来越倾向于把模糊的意图直接丢给 AI，而不再自己先想清楚。短期效率提升了，长期抽象能力在萎缩
• 标准下滑："够用就行"的心态会随着 AI 产出速度的提升而加剧。当你可以在 10 秒内得到一个"还行"的结果时，花 10 分钟去追求"很好"的动力就变弱了

关键问题：如何让 AI 成为训练器而非拐杖？

• 先想后问：在向 AI 提问之前，先自己形成一个初步判断或方案草稿，再用 AI 的结果与自己的对比。这个"对比"的动作本身就是训练
• 定期裸练：周期性地在没有 AI 辅助的情况下完成完整任务，检验自己的核心能力是否在退化
• 把 AI 当镜子而非答案：关注 AI 的输出中哪些是你想到了的、哪些是你没想到的——"没想到"的部分恰恰是你的成长空间
• 明确自动化边界：哪些环节你让 AI 全权处理，哪些环节你必须亲自过手——这条边界不能无限后退

AI 越强，你就越需要刻意维护自己的核心能力——就像电梯越方便，你就越需要刻意去爬楼梯。

七、从个人能力到团队协作

前面的讨论聚焦于个人，但 AI 对团队协作模式的冲击同样深远。当团队中每个人都能借助 AI 快速产出时，新的瓶颈和机会随之出现。

瓶颈迁移：从产能到对齐

过去团队的瓶颈常常是"人手不够、做不完"。AI 时代，这个瓶颈转移到了对齐——大家对"好"的标准是否一致？对问题的拆解方式是否兼容？

一个人用 AI 写出的方案可能很快，但如果五个人各写各的、标准不统一，整合的成本可能比从零开始还高。速度不是瓶颈了，共识才是。

结构化表达：不只是对 AI，也是对团队

第四章的"背景 → 目标 → 约束 → 示例"框架，同样适用于团队内部的需求沟通。一个团队如果能统一采用结构化表达规范：

• 需求评审效率大幅提升——信息密度高了，脑补空间小了，会上扯皮少了
• AI 辅助的质量更一致——输入标准统一了，不同人用 AI 产出的结果差异更小
• 新成员上手更快——沟通有模板可循，隐性知识被显性化

新的角色分工

AI 时代的团队分工正在重塑。关键角色可能不再按"谁来执行"划分，而是：

• 标准制定者：定义"什么算好"——制定校验标准、设计评审清单、把控质量基线
• 架构拆解者：决定"怎么拆"——设计人机协作流程、分配任务颗粒度、规划整合方式
• 品味把关者：做最终裁决——在正确性和完整性之上，守住优雅性和洞察性的标准

传统团队里，执行能力强的人最有价值。AI 时代，定义标准和守住标准的人最有价值。

八、AI 时代的不可替代性

文章至此，一个更根本的问题浮出水面：当 AI 什么都能做的时候，人的价值到底在哪里？

正在被追平的能力

以下能力，AI 正在快速逼近甚至超越人类：

• 信息检索与整合：AI 能在秒级扫描海量资料并给出综合摘要
• 模式套用：给定模板和范例，AI 的复制能力远超人类
• 逻辑推理：在规则明确的前提下，AI 的推理速度和一致性优于多数人
• 格式转换：翻译、编码解码、文档格式转换——这类"格式映射"任务已基本被覆盖

如果你的核心竞争力建立在以上任何一项之上，红灯已经亮了。

短期内难以替代的能力

以下能力的壁垒更高，AI 在可预见的未来仍然薄弱：

• 身体性经验：需要真实物理交互才能获得的直觉——手感、空间感、材质判断。设计一把椅子的舒适度，不是看参数能解决的
• 社会性直觉：理解人际关系中的微妙动态、组织政治、文化语境。AI 可以分析情绪文本，但它不"活"在社会关系里
• 审美的文化根基：品味不是抽象的"好看"，它扎根在特定的文化土壤中。AI 可以模仿风格，但缺乏对风格背后文化含义的真正理解
• 价值判断：在"能做"和"该做"之间做选择。这不是能力问题，而是立场问题——AI 没有立场

价值的迁移方向

如果要用一句话概括这个趋势：

人的价值正在从"知道答案"转向"提出好问题"，从"能做出来"转向"知道该做什么"。

具体来说：

• 从执行者到判断者：AI 负责产出，你负责评判和选择
• 从信息的拥有者到意义的赋予者：信息获取几乎免费了，但"这意味着什么"的判断仍然是人的领地
• 从技能的深度到视野的广度：单一技能的深度越来越容易被 AI 模拟，但跨领域的整合视野仍然稀缺

写在最后

AI 不会取代有判断力的人，只会取代没有判断力的人。

在这个执行成本趋近于零的时代，你对世界的理解深度，就是你最后的护城河。拆解、感知、抽象、表达、校验、元认知——这六项能力不是彼此孤立的技能点，而是一条环环相扣的链条。任何一环薄弱，整条链条的输出质量都会打折。

在个人能力之上，品味的分层决定了你能走多高，反馈回路的设计决定了你能走多远，团队协作的范式决定了你能影响多广。

好消息是，这些能力都可以刻意训练。坏消息是，没有人能替你训练。

而更残酷的好消息是：正因为没有捷径，愿意下笨功夫的人反而拥有最宽的护城河。

延伸阅读：设计中的感受与形式——由表入里与由里入表