ui-ux-pro-max-skill:Logo 配色心理学参考指南——从颜色语义到可检索的 55 组调色板数据
本文围绕 ui-ux-pro-max-skill 仓库中 design 技能的配色心理学参考文档 logo-color-psychology.md 展开:先完整解读八大基础色的心理语义、行业配色矩阵、色彩和谐类型与可访问性约束,再结合仓库内的结构化数据文件 colors.csv 与 BM25 检索脚本 core.py,说明这套"颜色心理学"如何被 Logo 设计流水线检索、推荐并最终消费到 AI 生成环节。读完后你可以掌握一套可直接复用的行业选色决策框架,并知道如何在该技能的 CLI 中按"颜色语义"而非"色相"检索调色板。
文档在 design 技能中的位置
该参考文档属于 design 技能内置的 Logo 设计子模块。在技能主入口 SKILL.md 的 References 表中,它被登记为 "Logo Colors" 条目,与 logo-design.md、logo-style-guide.md、logo-prompt-engineering.md 并列;而 logo-design.md 的 "Detailed References" 一节则明确把它标注为 "Color meanings and combinations"(颜色含义与搭配)。也就是说,它的职责是回答"为什么选这个颜色、和谁搭配、什么时候必须避开"这三个问题,风格问题交给 style guide,提示词问题交给 prompt engineering 文档。
design 技能的 Logo 工作流(见 logo-design.md 的 Workflow 一节)是:
- 生成设计简报 →
scripts/logo/search.py --design-brief - 生成 Logo 变体 →
scripts/logo/generate.py --brand --style --industry - 通过
AskUserQuestion询问用户是否需要 HTML 预览 - 如需要,调用
/ui-ux-pro-max生成画廊
配色心理学文档正是第 1 步"设计简报"中颜色推荐的决策依据。
八大基础色的心理语义
文档的 "Primary Color Meanings" 一节逐色定义了四组信息:心理联想(Psychology)、适用行业(Industries)、十六进制示例(Hex Examples)、推荐搭配(Pairings)。以下是完整继承:
蓝色(Blue)
- 心理: 信任、稳定、专业、冷静
- 行业: 金融、医疗、科技、企业
- Hex 示例: Navy
#003366、Royal#0055A4、Sky#0EA5E9 - 搭配: 白色、金色、浅灰
红色(Red)
- 心理: 能量、激情、紧迫感、兴奋
- 行业: 餐饮、体育、娱乐、促销
- Hex 示例: Crimson
#DC2626、Scarlet#EF4444、Burgundy#9F1239 - 搭配: 白色、黑色、金色
- 警示: 医疗行业避免使用(血液联想)
绿色(Green)
- 心理: 成长、自然、健康、可持续
- 行业: 环保、健康、有机产品、金融("增长"语义)
- Hex 示例: Forest
#228B22、Sage#2E8B57、Mint#10B981 - 搭配: 白色、棕色、蓝色
黄色 / 金色(Yellow/Gold)
- 心理: 乐观、温暖、奢华、吸引注意
- 行业: 餐饮、儿童、奢侈品(金色)、能源
- Hex 示例: Gold
#D4AF37、Amber#F59E0B、Lemon#FACC15 - 搭配: 黑色、藏青、深棕
紫色(Purple)
- 心理: 创意、智慧、奢华、神秘
- 行业: 美妆、创意、灵性、高端
- Hex 示例: Royal
#7C3AED、Lavender#A78BFA、Deep#581C87 - 搭配: 金色、白色、粉色
橙色(Orange)
- 心理: 友好、活力、自信、年轻
- 行业: 餐饮、体育、娱乐、零售
- Hex 示例: Tangerine
#F97316、Coral#FB923C、Burnt#EA580C - 搭配: 白色、藏青、深灰
黑色(Black)
- 心理: 精致、力量、优雅、权威
- 行业: 奢侈品、时尚、科技、高端
- 搭配: 白色、金色、银色
- 备注: 用于高端定位
白色(White)
- 心理: 纯净、简洁、洁净、现代
- 用途: 背景、负空间、对比
- 搭配: 任意颜色(通用中性色)
值得注意的是文档为每个颜色给出了精确到十六进制值的示例(如 Navy #003366),这些值并非孤立的装饰——它们与下文结构化数据中的 Primary Hex / Secondary Hex / Accent Hex 字段一一对应,使得"心理语义 → 具体色值 → 生成提示词"之间形成了可机读的链路。
按行业选择的配色矩阵
文档 "Color Combinations by Industry" 表格给出了七个行业的四列约束:主色(Primary)、辅色(Secondary)、点缀色(Accent)、禁忌(Avoid)。完整继承如下:
| 行业 | 主色 | 辅色 | 点缀 | 避免 |
|---|---|---|---|---|
| 科技 Tech | 蓝、紫 | 灰、白 | 青、绿 | 棕色、米色 |
| 医疗 Healthcare | 蓝、绿 | 青、白 | 浅紫 | 红、黑 |
| 金融 Finance | 藏青、蓝 | 金、灰 | 绿 | 鲜艳色 |
| 餐饮 Food | 红、橙 | 黄、棕 | 绿 | 蓝(抑制食欲) |
| 时尚 Fashion | 黑、白 | 金、腮红粉 | 藏青 | 霓虹色(除非刻意) |
| 环保 Eco | 绿、棕 | 米色、蓝 | 黄 | 霓虹、黑 |
| 儿童 Children | 多彩 | 粉彩 | 明亮点缀色 | 暗色、低饱和 |
这张表的核心价值在于 "Avoid" 列——它把配色决策从"选什么"扩展到"不能选什么"。例如餐饮行业明确标注蓝色会抑制食欲,医疗行业避免红色(呼应上文红色的"血液联想"警示)。
该表在结构化数据 industries.csv 中有对应的机器可读版本,且扩展到了 55 个行业。抽样对比可看出两份内容的一致性:
- 医疗行(Healthcare):主色
#0077B6 #00A896 #059669,Avoid 字段写着 "Red (blood) overly clinical aggressive",与参考文档"医疗避免红色"完全同义; - 餐饮行(Food Restaurant):主色
#DC2626 #F97316 #CA8A04,Avoid 写着 "Cold colors overly complex",对应"避免冷色(蓝)"; - 时尚行(Fashion):主色
#000000 #FFFFFF #D4AF37,即"黑、白、金"。
从 industries.csv 的完整覆盖范围看(含牙科、网络安全、儿童保育、婚庆等 55 行),可以推断 CSV 是该参考表格的"扩展数据集":参考文档保留了决策框架与最重要的禁忌说明,CSV 则支撑 CLI 的按行业检索。
四种色彩和谐类型
文档 "Color Harmony Types" 一节定义了四种构色策略,每种都给出了构成方式和适用气质:
| 类型 | 构成方式 | 特征 |
|---|---|---|
| Monochromatic(单色系) | 单一颜色的深浅变化(tints/shades) | 安全、统一 |
| Complementary(互补色) | 色轮上相对的两色(如蓝-橙) | 高对比、鲜明 |
| Analogous(邻近色) | 色轮上相邻的色(如蓝-青-绿) | 和谐、自然 |
| Triadic(三色组) | 色轮上等距的三色 | 均衡、动态 |
这四类是"从哪个角度组合颜色"的策略层,与前面的行业矩阵("哪个行业用哪些颜色")正交:先按行业定色系,再按和谐类型定组合方式。例如一个环保品牌,按行业矩阵定"绿 + 棕",按和谐类型可选单色系(不同深浅的绿)或邻近色(蓝-青-绿)来控制整体调性。
可访问性约束
文档 "Accessibility Considerations" 列出四条硬性检查项:
- 最低对比度:4.5:1(WCAG AA)
- 避免仅用红-绿做指示(色盲不可读)
- 以灰度模式测试清晰度(去色后信息是否仍可辨识)
- 考虑色盲用户(约 8% 的男性)
这四项应作为配色方案的验收门槛,而不是设计完成后的装饰性检查。结合前文的行业矩阵看,约束是互相咬合的:医疗行业避免红色既出于心理语义(血液联想),也部分出于红-绿指示的色盲风险。
快速参考调色板
文档最后给出五组"即取即用"的三段式调色板(主色 / 辅色 / 点缀),完整继承如下:
| 名称 | 主色 | 辅色 | 点缀 |
|---|---|---|---|
| Tech Professional | #6366F1 |
#8B5CF6 |
#06B6D4 |
| Eco Sustainable | #228B22 |
#2E8B57 |
#DEB887 |
| Luxury Premium | #1C1917 |
#D4AF37 |
#FFFFFF |
| Healthcare Trust | #0077B6 |
#00A896 |
#FFFFFF |
| Food Warm | #DC2626 |
#F97316 |
#CA8A04 |
可以验证这些调色板与前文规则自洽:Tech Professional 用蓝紫主色 + 青点缀,避开"棕、米色";Luxury Premium 以近黑主色 + 金点缀,对应"黑色用于高端定位";Healthcare Trust 用蓝-青 + 白,完全落在医疗矩阵的允许区间内。
结构化落地:55 组调色板与 BM25 检索
参考文档中的心理语义被进一步结构化进了 colors.csv。该文件共 55 行调色板,表头为:
No,Palette Name,Category,Keywords,Primary Hex,Secondary Hex,Accent Hex,Background Hex,Text Hex,Psychology,Best For,Avoid For
相比参考文档只有主/辅/点缀三个色值,CSV 额外提供了 Background Hex(背景色)与 Text Hex(文字色),并把"心理"扩展为独立的 Psychology 文本列、把适用性拆成 Best For / Avoid For 两列——这正是"配色心理学"从散文变成可检索数据的体现。举三行为例:
| Palette | 主色 | 辅色 | 点缀 | 背景 | 文字 | Psychology |
|---|---|---|---|---|---|---|
| Classic Blue Trust | #003366 |
#0055A4 |
#FFD700 |
#FFFFFF |
#1A1A1A |
Trust reliability professionalism |
| Luxury Gold | #1C1917 |
#44403C |
#D4AF37 |
#FAFAF9 |
#0C0A09 |
Luxury prestige exclusivity wealth |
| Bold Red | #DC2626 |
#EF4444 |
#F97316 |
#FEF2F2 |
#1F2937 |
Power passion urgency action |
其中 Luxury Gold 的主/点缀(#1C1917 / #D4AF37)与参考文档 "Luxury Premium" 调色板逐值相同,印证了两者是同一套配色的两种载体:文档供人阅读,CSV 供脚本检索。
检索引擎实现在 core.py:
CSV_CONFIG(core.py)声明了三个域:style查styles.csv、color查colors.csv、industry查industries.csv;- color 域的检索列(
search_cols)是Palette Name、Category、Keywords、Psychology、Best For——即 BM25 直接对"心理语义"和"关键词"建索引,而不是对色相值建索引。这意味着python3 scripts/logo/search.py "trust stability professional"能命中 Classic Blue Trust,尽管查询里没有一个十六进制值; - 输出列(
output_cols)则包含全部五个 Hex 值,保证检索命中后能拿到可直接使用的完整调色板; detect_domain(core.py)会按查询中的关键词自动判定域,其中 color 域的关键词包括color、palette、hex、#、rgb及各色名——所以提到 "blue / gold / pastel" 等词时查询会自动路由到颜色域;- 默认返回
MAX_RESULTS = 3条,且只保留得分大于 0 的结果。
命令行入口是 search.py,支持四个参数:
# 按颜色语义检索调色板(默认 color 域可自动识别,也可显式指定)
python3 scripts/logo/search.py "tech professional" --domain color
# JSON 输出(便于下游程序消费)
python3 scripts/logo/search.py "calm natural" --domain color --json
# 生成完整设计简报:跨 style/color/industry 三个域各取前 2 条
python3 scripts/logo/search.py "tech startup modern" --design-brief -p "BrandName"
参数说明:--domain 取值为 style / color / industry;--max-results(默认 3)控制返回条数;--design-brief 加 --brand-name 时,generate_design_brief 会按"行业分析 → 风格推荐 → 调色板选项"三段输出,其中调色板段逐条打印 Primary / Secondary / Accent / Background 与 Psychology 字段——这就是参考文档的心智模型在 CLI 中的投影。
从配色决策到生成:与 generate.py 的衔接
检索到的色值最终如何进入生成?从 generate.py 的源码结构看,STYLE_MODIFIERS 与 INDUSTRY_PROMPTS(generate.py)中的部分条目直接内嵌了颜色语义描述,例如:
"luxury": "luxury, elegant, gold accents, refined, premium feel, serif typography"
"corporate": "corporate, professional, trustworthy, stable, conservative colors"
"organic": "organic, natural, flowing lines, earth tones, sustainable feel"
"food": "food and beverage, appetizing, warm colors, welcoming"
同时 LOGO_PROMPT_TEMPLATE 要求输出"高对比、边缘清晰、白色或透明背景"的方图,这与参考文档"白色为通用中性背景"以及 SKILL.md 中 "ALWAYS generate output logo images with white background" 的硬规则一致。可以推断的典型协作方式:先用 search.py --domain color 拿到符合行业心理的 Hex 组合,把具体色值写入 --prompt(或 --brand-context),再由 generate.py --style --industry 补齐风格与行业修饰。生成命令示例:
# 默认 Gemini Nano Banana(gemini-2.5-flash-image)
python3 scripts/logo/generate.py --brand "TechFlow" --style minimalist --industry tech
# 高质感模型(gemini-3-pro-image-preview)
python3 scripts/logo/generate.py --brand "TechFlow" --pro
# 批量 9 个风格变体
python3 scripts/logo/generate.py --brand "Unikorn" --batch 9 --output-dir ./logos --pro
环境依赖为 export GEMINI_API_KEY 与 pip install google-genai(Atlas 供应商为可选,需额外设置 ATLASCLOUD_API_KEY),见 SKILL.md 的 Setup 一节。
小结:从一张心理表格到一条检索链路
| 层 | 载体 | 作用 |
|---|---|---|
| 决策框架 | logo-color-psychology.md | 八色语义、行业矩阵、和谐类型、WCAG 约束、五组速查调色板 |
| 结构化数据 | colors.csv / industries.csv | 55 组调色板与 55 个行业约束,含 Background/Text Hex 与 Avoid 列 |
| 检索 | search.py + core.py | BM25 按 Psychology/Keywords 语义检索,自动域识别,--design-brief 跨域汇总 |
| 生成 | generate.py | 风格/行业修饰词注入提示词,白底方图输出,支持 Gemini/Atlas 与批量模式 |
对使用者而言,参考文档给出的心智模型是:先按行业矩阵定色系并遵守 Avoid 约束,再用四种和谐类型控制组合方式,最后用 4.5:1 对比度与灰度测试做验收;而仓库中的 CSV + BM25 脚本则把这套流程变成了一条可直接在终端执行的检索链路,让人类可读的心理学与机器可查的数据互为印证。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0622
Hy4-previewHy4 preview 是由腾讯混元团队研发的新一代混合专家(MoE)旗舰模型。模型总参数量 770B,每个 token 激活 49B,主干共包含78层,第一层采用标准 FFN,其余 77 层均为 MoE 结构,每层包含 256 个路由专家与 1 个共享专家,每个 token 激活 top-8 路由专家及共享专家。主干之外原生内置 1 层 MTP(总参数量 10B,激活 0.7B)以支持投机解码。Python00
GLM-5.3GLM-5.3 与 GLM-5.2 使用相同的基座模型——所有提升均来自后训练。与 GLM-5.2 相比,它在复杂编程和长程任务上的表现显著提升。Jinja00
GLM-5.3-FlashGLM-5.3-Flash (320B-A18B),是GLM-5系列的首个原生多模态模型。320B总参数,能力超过GLM-5.2Jinja00
Spark-X2.5-4BSpark-X2.5-4B 旨在让强大的 AI 更实用、更高效、更易获得。在广泛日常任务中表现强劲,涵盖对话、写作、翻译、推理、编码、工具调用以及智能体工作流,并在同等规模的开源模型中取得领先成绩。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00
Spark-X2.5-1.7BSpark-X2.5-1.7B 旨在让强大的 AI 更加实用、高效且易于获取。这些模型在广泛的日常任务中表现出色,涵盖对话、写作、翻译、推理、编程、工具调用和智能体工作流,并在同等规模的开源模型中取得领先结果。Spark-X2.5 将面向效率的架构与最高 1M tokens 的原生上下文窗口相结合,并支持 200 多种语言。Python00