让助手自己过一遍设计评审:给技能包加一条验收规则
让助手自己过一遍设计评审:给技能包加一条验收规则
AI 写 UI 的返工,多数不是"审美不行",而是"没人验收"。模型交出一版页面,人看一眼说"间距不对、按钮没状态、字体又用了 Inter",然后开始第二轮。这些判断在项目里其实早就有共识,只是从来没被写成助手能自己执行的形式。
ai-design-skills 这个仓库提供了一个很小的样本:整个项目只有五个文件,两个技能各是一份 SKILL.md,没有一行可执行代码。但这两份文件里已经藏着一套相当接近"验收"的东西——20 条与 28 条勾选项、一组 PSNR 阈值、一份强制报告格式。本文把这套东西拆开,指出它缺的那一环,并给出一条可以直接贴进 SKILL.md 的验收规则。
先看清体量:两份 Markdown,没有脚本
仓库根目录下的全部内容是 README.md、LICENSE、.gitignore 和两个技能目录。git log 只有一次提交 5e57840,提交信息里写着这份技能是"Folds in fixes from a fresh-agent screenshot test"——一次新会话助手实测的产物。
| 技能 | 行数 | 勾选项 | 定位 |
|---|---|---|---|
| landing-page-design | 431 | 20 | 落地页策略 + 视觉系统 |
| design-to-motion | 563 | 28 | 静态设计转动画展柜 |
这个体量决定了一件关键的事:这里的"可执行"只能是"可判定",不能是"可运行"。 社区里成熟的技能库通常给足四件套——SKILL.md 加 scripts/、references/、examples/,校验逻辑写成脚本挂上去。而本仓库没有 scripts/ 目录,.gitignore 里只有 .DS_Store、node_modules/、.env 这类常规条目。所以任何验收规则如果依赖"跑一个脚本",在这套结构里都会立刻断掉。
反过来说,这也逼出了更通用的一条路:把验收写成助手必须在回复里产出的判定表,让检查发生在对话内,而不是发生在 CI 里。
现有清单:一半是构建指南,一半才像验收
两个技能的结尾都有一个 Quick checklist,结构几乎一样:分组、- [ ] 勾选、语言全是肯定句。但把它们当成"验收规则"读,会发现问题。
landing-page-design 的 20 条分三组:Strategy 6 条、Visual 10 条、Content and ship 4 条。写得已经比多数提示词精确,例如"Single approved typeface, no italics, no ultra bold"、"Every spacing value comes from the spacing table"、"No dead links, current nav item indicated"。这些都能判——但它们描述的是要做成什么样,没有规定"谁在什么时候判、判完怎么报"。
design-to-motion 的 28 条则明显更硬。它不只列项,还给阈值:
- 整帧 PSNR 高于 35 dB,单容器高于 30 dB,文字密集容器若低于 30 dB 改用
sigma≈2.5重测(A7); - 照片背景区域高于 45 dB,"A crop or offset error shows up instantly"(A4);
- 溢出检查要求容器外像素与首帧完全一致,判定标准直接写
PSNR inf(B9); - 接缝检查、空拍检查、复位检查三条并列,其中复位检查要求动画结束帧与入场结束帧
PSNR inf,再与?still比对"above about 38 dB"。
这里的差别值得单独拎出来:inf 不是形容词,是一个可证伪断言。 它把"动画有没有溢出卡片"这种原本靠眼睛看的判断,变成了"取两帧逐像素比,差值必须为零"。同一份文件里还留了一句很诚实的话——复位帧与 ?still 不会完全相同,"because Chrome rasterizes an element that has run a transition slightly differently",所以阈值降到 38 dB,并且补了一句"结构性差异是 bug"。这是把测量的物理限制也写进了规则。
对照之下,两个技能共同暴露的缺口在 landing-page-design 的 frontmatter 里。它的 description 长达 670 字符(design-to-motion 是 930 字符),明确写着 "Use this skill whenever building, editing, styling, reviewing, or writing copy for ANY landing page",Scope 一节也重申适用于 "design reviews"。但正文里没有任何评审流程:Part A 是策略与结构,Part B 是视觉系统,Output format 规定的是"动手前先交 7 项",Quick checklist 是自查参考。声明了评审能力,却没有评审动作——这正是需要补的那条规则。
从规则文本反推五条硬规则
仓库里没有团队评审记录可抄,但规则文本本身已经反复暴露同一批关注点。把它们收敛,能得到五条彼此不重叠的硬线:
| # | 规则 | 仓库依据 | 判定方式 |
|---|---|---|---|
| R1 | 每个值都必须能回溯到一张表或一个公式 | B1 类型阶梯、B2 间距表、B3 嵌套圆角公式、Make it yours 单一取值源 |
静态可判定 |
| R2 | 交互状态与交付件必须齐全 | B9 的 hover / active / focus / loading / empty / error 六态,B10 的 404、法务链接、favicon、alt | 静态 + 需渲染 |
| R3 | 起点必须是空态,不是成品帧 | design-to-motion B1 "Never open on the finished frame",B5 溶解回空态 | 需帧比对 |
| R4 | 不许静默猜测 | A2 "What is hidden stays hidden"、"Never invent it silently",A4 "Never swap in a flat colour silently" | 只能靠过程留痕 |
| R5 | 报告必须点名未达成项 | Output format 交付后必须报 "Anything not reproduced exactly, named plainly" |
文本可判定 |
R1 的强度容易被低估。landing-page-design 的 B2 只写了一句 "Only these values. Nothing between them, nothing outside them.",然后给 13 个 token;B3 给了一个带守卫条件的公式——内圆角等于外圆角减间隙,但"Apply this only when the result is greater than 2"。这类规则一旦成立,就可以用集合比对来验,不需要审美。
R4 和 R5 是另一类。它们无法从产物反推,只能要求模型把动作说出来:先说"哪些是重建的、哪些是抠出来的、哪些是猜的"(A2 "Tell the user before animating, in a short list"),再在交付时报"哪些没做到"。所以验收规则必须是"清单 + 报告格式"两件套,缺任何一半都会退化成"看起来很严格但没人执行"。
还有一个前置动作常被跳过:先声明冲突时的优先级。两份文件在这点上做得很规范,Scope 一节用的是同一句式——"When a rule here conflicts with a framework default, this file wins. When the user's explicit prompt conflicts with a rule, the user wins.";B1 甚至专门补了一段,防止"字号吸附阶梯"和"单独设行高"两条规则互相打架:"so the two rules never fight each other"。新加的验收规则如果不写清与 Quick checklist 的关系,结果就是两份清单各说一套。
把形容词改写成判定式
社区里讨论技能写法时反复强调两点:description 要"可触发",步骤要"可决策"。落到验收上,"可决策"的具体形态就是:每条检查都要能回答"谁、看什么、什么算过"。拿仓库里的真实条目做三个改写示范。
第一条,禁用字体。 原文是 "Never use: Inter, Roboto, Arial, Open Sans, Helvetica."——已经是白名单式写法,只差一个执行方式:
grep -rnE "font-family:[^;]*(Inter|Roboto|Arial|Open Sans|Helvetica)|font-\[(Inter|Roboto)" src/ \
|| echo "PASS: no banned typeface"
第二条,间距必须来自表。 允许值不该由人肉记,直接从 SKILL.md 的 B2 表里抽出来最稳:
ALLOWED=$(awk -F'|' '/^\| Spacing-[0-9]+ \|/ {gsub(/px/,"",$3); gsub(/ /,"",$3); printf "%s ", $3}' \
skills/landing-page-design/SKILL.md)
# 得到 0 2 4 8 12 16 24 32 40 48 64 80 96
grep -rhoE '\b(p|px|py|pt|pb|pl|pr|m|mx|my|mt|mb|ml|mr|gap|space-x|space-y)-\[[0-9.]+px\]' src/ \
| grep -oE '[0-9.]+' | sort -un | while read -r v; do
case " $ALLOWED " in *" $v "*) ;; *) echo "FAIL: ${v}px not in B2 table";; esac
done
这个脚本的价值不在命令本身,而在它把"规则文档"变成了"规则的唯一来源":表改了,校验自动跟着改。这也正是 Make it yours 一节的设计意图——"Edit this section and the rest of the skill follows"。
第三条,也是最需要克制的:孤儿词。 B1 要求 "A single word must never sit alone on the last line",给的方案是 text-wrap: balance(标题)和 text-wrap: pretty(正文)。这条无法静态判定,必须渲染后看。诚实的做法不是硬编一个正则假装能查,而是在验收表里给它一个 UNVERIFIED 状态,并写明原因:需要浏览器排版结果。
同理,design-to-motion 里那条"动效必须在 800×500 GIF 里看得见"——原文是"if a moving element is smaller than about 4px there... enlarge it within the design's style, add a halo, or pick a bigger story"——只有拿到导出文件量像素才能判,属于"需渲染"类,不能靠读代码过。
触发点:写进"回复的形状",而不是文末清单
到这里会遇到真正决定成败的问题:规则写在哪,决定它会不会被执行。
landing-page-design 里有两段相邻但性质完全不同的内容。第 355 行起的 Output format 说:动手写代码之前,按顺序返回 7 项——页面大纲、首屏文案、利益点、三步流程、FAQ、SEO 建议、布局选型及理由。这段一定会被执行,因为它规定了这一轮回复长什么样。而第 371 行起的 Quick checklist 在文件末尾,读者读到它的概率很高,被执行的概率很低——它没有绑定任何输出槽位。
design-to-motion 把这一点做得更彻底。它的 Output format 分两段:构建前先说 6 项(上下文、布局、背景、编排、故事、循环),构建后必须报 4 项(保真度 PSNR、溢出与接缝结论、三个文件的尺寸帧率时长、"Anything not reproduced exactly, named plainly")。加上正文第 12 行那句 "never encode anything before the checks in A7 and B9 pass",验收被前移成了一道硬门:检查不过,不许进入编码。
所以新增的验收规则应该插进 Output format,成为第 8 项,而不是追加在 Quick checklist 后面。它需要满足三个约束:
- 短。 20 条 + 28 条全塞进回复,输出会膨胀到没人看,模型自己也会偷工。只保留"最容易失败且能判定"的 8 条左右,其余留在原清单里作为参考。
- 可留痕。 每条必须带证据:文件行号、命令输出、测量数值,或一句"未验证及原因"。
- 允许失败。 没有
FAIL和UNVERIFIED两个状态的清单,最后一定全是PASS。
这也回答了"提交前自检 vs 生成后追问"这个选择。自检必须发生在同一轮。 技能是按 description 命中后加载的,另起一轮说"帮我评审一下这个页面",模型手里没有当时的取舍上下文——比如 A2 里"哪些区域是猜的"、A4 里"背景图为什么用了这张",这些信息只存在于生成时的会话里,事后只能靠读代码重新猜一遍。而自检的天然缺陷是"自己判自己",抵消办法不是换人,而是把判定交给不依赖主观的断言:像素差为零、文件名存在、字号落在集合内。
仓库自己已经跑过一轮:commit 5e57840 的五个补丁
最有说服力的证据不是设计稿,而是那条提交信息。它写着新增了 "Screenshot or flat image" 一整节,并 "Folds in fixes from a fresh-agent screenshot test",随后列出五个具体问题:half-pixel placement、glyph splitting for typing、surfaces-only PSNR、a workable rest check、clearer 800×500 crop margins。
这五条在文件里都能找到对应的落地位置:
- half-pixel placement → A2 要求按像素中心测量,"Pixel
icoversitoi + 1, so its centre isi + 0.5"; - glyph splitting → B4 的逐字打字说明,处理
tt、/w、fi这类"没有空白列"的连字对; - surfaces-only PSNR → A7 要求把抠图层和裁剪区遮掉再打分,否则重建的表面错误会被盖住、分数虚高;
- rest check → B9 改成"与入场结束帧
PSNR inf,与?still约 38 dB",并解释 Chrome 光栅化差异; - 800×500 裁切边距 → C2 写明"about 40 CSS px of margin"。
这就是一次完整的"返工变规则"闭环:新会话助手跑一遍 → 暴露五处失败 → 每处失败改写成一条可判定条款 → 下次同类失败不再需要人来指出。 它比任何"效率提升百分比"都更值得抄,因为过程可复现。
效果验证:没有返工数据时该怎么量
必须说清楚:这个仓库里没有任何评测目录、没有测试、没有埋点,find 出来就是那五个文件。任何"接入自检后返工下降 60%"的说法在这里都是编的。
能给的是一套最小度量方案,用来替代拍脑袋:
| 指标 | 取法 | 说明 |
|---|---|---|
| 首轮 FAIL 数 | 同一 prompt 跑 3 次,取中位数 | 衡量规则本身的严格度是否合适 |
| 二轮修正请求数 | 统计人发出的"再改一下"次数 | 最接近"返工"的定义 |
| 二轮 diff 规模 | git diff --stat 的行数 |
区分"改一个值"和"重写整段" |
| 未验证项占比 | UNVERIFIED 数 / 总检查项 |
高于 30% 说明规则设计脱离可观测范围 |
关键在于把"返工"拆成可归因的两种:一种是规则漏了(首轮 FAIL 却没人发现),一种是规则没被执行(清单里有、回复里没有)。前者要补条款,后者要改位置。这两种混在一起数,得到的数字没有指导意义。
一条可以贴进 SKILL.md 的验收规则
下面这段可以直接加进 landing-page-design 的 Output format 之后(第 355 行那一节末尾),作为第 8 项;design-to-motion 则并进它已有的构建后报告,不必新增顶层小节——它已经有 6 + 4 项的报告结构,再加一份并列清单只会让两份清单互相打架。
8. **Acceptance** — run this before you reply. It is part of the output, not a reference.
Fill every row. Maximum 8 rows; move anything else back to the Quick checklist.
| # | Check | Result | Evidence |
|---|---|---|---|
| 1 | Every font size resolves to a B1 step | PASS / FAIL / UNVERIFIED | class or file:line |
| 2 | Every spacing value exists in the B2 table | | the offending value |
| 3 | Nested radii satisfy `inner = outer − gap`, applied only above 2 | | the two radii and the gap |
| 4 | No banned typeface, no italic, no weight above bold | | grep output |
| 5 | Hover, active, focus, loading, empty, error all present | | component:line per state |
| 6 | No single sided card borders, no background gradients | | file:line if failed |
| 7 | Every claim of proof sits next to the claim it supports | | section name |
| 8 | Unverifiable items, named with the reason | | e.g. orphaned words: needs layout |
Reporting rules:
- `PASS` requires evidence: a file:line, a measured number, or a command output. No evidence, no PASS.
- `FAIL` requires one minimal fix per line, not a rewrite plan.
- `UNVERIFIED` is required whenever the check needs a render you did not run. Never upgrade it to PASS.
- Do not restate the page. This table ends the reply.
三个细节是刻意的:
- 限行。 "Maximum 8 rows" 直接对应前面那条判断——长清单会被跳过,把
Quick checklist里能自动判定的项提上来就够,剩下的留在原处当参考。 UNVERIFIED是一等状态。 孤儿词、4px 可见性、PSNR 这类需要渲染或测量的项,必须显式降级,否则模型会用"看起来没问题"把它填成PASS,整张表立刻失效。- 最后一句 "This table ends the reply"。 它把验收从"补充说明"变成"回复的终点",这是让规则真正被执行的位置约束——和
Output format里"动手前先交 7 项"是同一个机制。
回到开头那个问题:助手能不能自己过一遍评审。能,但前提不是给它更长的清单,而是给它三样东西——一条能判死的规则(PSNR inf 而不是"不要溢出")、一个必须填的槽位(回复末尾的表格,而不是文末的勾选框)、以及一个诚实的出口(UNVERIFIED)。缺任何一个,验收都会退化成又一段没人读的文档。