Muse 项目放出来之后我朋友圈里的产品设计同行几乎都在聊它。大家的反应很一致第一眼觉得惊艳第二眼开始疑惑——它看起来像一个 AI 绘图工具但用起来又跟市面上那些“输入一句话出张图”的东西完全不是一回事。为什么会有这种差异作为一个长期做设计工具、也在 AI 产品上踩过不少坑的产品设计师我花了一周时间把公开演示、交互细节和相关访谈反复看了几遍从产品定位、交互逻辑、信任机制、团队协作四个维度做了拆解。这篇复盘不聊模型参数不聊市场预测只回答一个问题如果我们要做一个类似的 AI 创作产品最应该学的几板斧到底是什么。1. 项目到底在做什么先搞清楚它解决了什么问题1.1 它不是滤镜而是一套嵌入创作流程的辅助系统只看宣传片很容易误判觉得它就是一个生成图片的工具。用户输入描述AI 给结果这不新鲜。新鲜的是它把生成能力嵌进了“正在画一张画”的过程里——不是在空白画布前替用户画完而是在用户画到一半时提供符合当前画面上下文的建议、补全、扩展和参考。首批体验用户里有人形容得很好“它不是来替我的它是站在我旁边看我画的那个人。”这个定位上的差异会直接决定产品后续的所有设计决策。如果定位成“AI 生成器”产品设计的重心一定在提示词、模型参数、结果画廊这些环节上如果定位成“创作辅助系统”重心就变成了画布交互、操作反馈、撤销栈、笔刷联动。Muse 项目很显然是后一种而且执行得很彻底。整个界面刻意保持了传统绘图软件的框架——画布在中间工具在两侧历史记录在下——AI 功能像一件件普通工具一样被“摆”在那里而不是单独跳出来告诉你“我可以帮你”。1.2 服务对象不是围观的人而是真正动手创作的人这个项目从第一天起就没有打算迎合泛用户。看它的默认工作流、快捷键布局、图层管理方式就能判断出来目标用户是插画师、概念设计师、视觉工作室里每天都在画图的人。这些人不会因为“AI 很酷”就留下来他们在意的只有一件事——这个工具能不能让我的工作更快、更好、更可控。想清楚这一点之后很多产品决策就顺了。比如不提供“一句话生成整幅作品”的入口因为专业用户不做这种事再比如生成的每一个建议都可以被直接编辑、微调、推翻因为专业用户不可能接受一个“不可改的答案”。反观不少 AI 创意产品为了首发效果拼命做“生成一整张壁纸”的仪式感结果吸引来的全是玩一次就走的用户留存数据非常惨。Muse 项目选择了一条更难但对的方向把 AI 变成一个专业工具里的好用功能而不是让专业工具去迁就 AI。2. 做对的第一个判断让 AI 当助手而不是当作者2.1 主动权的三个设计落点我在自己经手过的一个 AI 绘画工具里曾经吃过“AI 太上进”的亏AI 会主动帮用户画完背景会自作主张把颜色调好用户觉得自己像在审核机器人干活而不是在创作。Muse 项目显然吸取了同类产品的教训把主动权牢牢放在用户手里体现为三个具体设计。第一所有 AI 建议都是被动出现或者半被动出现的用户可以通过快捷键、笔势、右键菜单主动呼出而不是 AI 自己弹出来刷存在感。第二AI 生成的内容默认不是“最终结果”而是“候选参考”用户选中后可以继续用笔刷修改直接改到面目全非也没问题系统不会拦你。第三即使你完全不使用任何 AI 功能它依然是一套完整好用的绘图软件不存在“不联网就废了”的情况。这三点加在一起传达的信息很清楚你才是作者AI 只是那个手速很快的助理。2.2 从生成结果到生成过程的转变传统 AI 绘图产品把“生成结果”当核心增值点产品设计的主战场在结果展示与筛选。Muse 项目的思路则完全相反它把 AI 能力拆碎分散到创作过程中的每一个动作里。你做选区时它帮你补全选区你铺色时它帮你预测下一个笔触的方向你画完草稿它帮你快速铺一版底色。整个过程里用户始终在“画”AI 只是在背后做计算和预测。这个转变对设计团队的要求完全不同。设计一套“生成结果展示”的界面相对简单无非是卡片、瀑布流、筛选器设计一套“贯穿创作过程”的 AI 体验需要设计师懂绘画流程、懂笔压、懂图层习惯甚至懂右撇子和左撇子在画布上的操作差异。难度高但护城河也在那里。竞品如果要抄抄界面容易抄“对创作过程的理解”很难。2.3 为什么这种定位很难复制一句话因为“助手”型产品要求 AI 对创作状态有持续的理解而“作者”型产品只需要在调用那一刻理解用户需求。前者是连续的语义场后者是离散的问答。Muse 项目和传统 AI 绘画工具之间差的不是几个功能而是一整套状态建模——它需要无时无刻不回答一个问题用户此刻到底想干嘛这个问题只有同时懂产品、懂设计、懂模型能力边界的人才能回答。3. 做对的第二个判断整个体验围绕“信任感”设计3.1 每次 AI 介入都必须可解释AI 生成类产品有一个通病它给你一个结果但不告诉你为什么给你这个结果。一开始用户觉得新鲜多来几次就会产生不信任感最终放弃使用。Muse 项目在可解释性上做了很多不起眼但很关键的设计。比如 AI 补全选区的时候会显示一条半透明的“AI 预测路径”用户能直观看到它打算补向哪里而不是闭着眼睛等待一个魔法的发生。再比如它给画面添加元素时不只是一个孤零零的生成结果而会附带一个简短的原因标签“根据当前光线方向补充了环境光”。这个标签不需要多复杂但对建立信任至关重要。心理学上有个概念叫“系统可信度”用户只有理解了系统的行为逻辑才会把控制权交出一部分。不可解释的 AI 功能用户只会当玩具玩不会当工具用。3.2 展示中间态而不只是展示最终态我在拆解过程中注意到一个很聪明的设计Muse 项目在生成流程中会刻意展示“中间版本”——草稿阶段、结构阶段、上色阶段、细化阶段会被完整保留用户可以像回看别人画画过程一样拖动这些中间状态。这看起来只是一个小交互背后却藏着对用户心理的深刻理解。创作者最焦虑的时刻不是作品画得不好而是“不知道眼前这一步是怎么从上一部走过来的”。如果 AI 只给一个最终结果用户会觉得这个东西是“飞”出来的自己没法对它负责也没法修改它。而展示中间态相当于把 AI 的工作过程“拆开”给用户看让用户可以在任意中间状态喊停、改写、重新出发。这种可控感远比“生成质量高一点点”更能留存用户。3.3 反馈速度优先于生成精度另外有一个很务实的取舍Muse 项目在生成反馈上明显选择了“先快后准”的策略。首批生成的预览图清晰度不高但延迟极低基本在用户松手后一两秒内就会出现如果用户选中某个候选系统后台再去做高分辨率细化和细节增强。这个顺序对创作体验极其重要。原因很朴素人在画画时工作记忆是有限的。如果点击一个 AI 功能后要等几十秒才能看到结果用户早就切换到别的动作了等结果出来他的思路已经断了AI 生成的东西跟当前画面也就脱节了。先出一个低清但即时的预览用户判断方向合不合适再投入算力细化实际上是让“机器等待人”而不是“人等待机器”。4. 做对的第三个判断诚实呈现 AI 能力的边界4.1 功能边界越清晰用户越敢放心用做 AI 产品的人容易陷入一个误区觉得功能越强越好最好什么都能干。Muse 项目恰恰相反它很清楚地划出了“不做的事情”这一点在产品策略上非常难得。有几个典型的“不做”不做“一键生成他人风格”的功能因为这会引发严重的版权和风格争议不做“帮你自动完成整幅作品”的入口因为这会剥夺创作的署名感不做“完全脱离人工干预的全自动绘画管线”因为这与它的用户群体的需求背道而驰。这些功能砍掉之后产品在功能上“少了”很多但用户的确定性却大大增加了我知道我用的是什么也知道边界在哪里我不会担心它突然做出什么我意料之外的事。选择方向用户感受长期影响全都能做的 AI混乱、不敢依赖用户当成玩具无法进入核心工作流边界清晰的 AI明确、放心、可预期用户愿意深度使用形成依赖追求炫技效果惊喜但短暂新鲜感消退后留存断崖追求流程嵌入平淡但持续融入肌肉记忆替换成本变高4.2 把底层参数翻译成“意图语言”另一个让我印象深刻的点是它没有把模型的底层参数直接暴露给用户。市面上一堆 AI 产品喜欢把 controlnet、denoising strength、CFG scale 这些技术概念直接做成滑块交给用户自己调还美其名曰“高阶功能”。Muse 项目没有这么做它的界面里只有用户能理解的语言“更贴近参考图”“更大胆一点”“保持结构不变”“在细节上更丰富一些”。把技术参数翻译成意图语言看起来只是换了个文案实际上是产品定位的体现普通用户不关心某个参数到底是控制噪声还是控制引导力他们只关心“我想要的结果”和“我得到的结果”之间怎么拉近距离。设计师在这个转换里扮演的角色极其重要——因为只有懂用户、又懂模型机制的人才知道“更大胆一点”背后应该调节的是哪几个参数以及它们的联动效果是什么。4.3 历史记录是所有 AI 创作工具的地基还有一个极其基础、极其容易被忽略的点历史记录与版本回溯。Muse 项目把每一次 AI 介入、每一次笔触修改、每一个中间版本都完整记录在历史面板里用户可以随时回到任何一步。这件事看起来不炫酷却是创作工具的生死线。想一想传统绘图软件里用户为什么敢放手做实验因为能撤销。AI 工具如果只是“生成一个结果”而且还经常不可控撤销能力就成了最后的安全网。如果这个安全网不完整用户会变得极其保守不敢尝试新操作产品的价值也就大打折扣了。我在以前的 AI 项目里就栽过这个跟头当时只把操作记录到图层级别结果用户用 AI 生成后想局部回退却没有办法只能整体撤销很多用户就此流失。历史记录这种基础能力做到位了没人夸做不好一定被骂。5. 做对的第四个判断设计师深度介入产品定义与模型迭代5.1 设计师负责定义“审美标准”外行人容易把模型迭代当纯技术活但真正做出好用 AI 创作产品的团队都知道评价标准本身就非常关键。Muse 项目让设计师深度参与了“什么叫做好”的定义。生成结果的评估不能只靠指标比如 FID、CLIP score 这些自动化指标再好也不一定代表设计师觉得好看。设计师做的事情包括为模型输出的样本做多维打分——构图、色彩、光影、结构合理性、艺术风格一致性参与构建评测集把真实创作场景中的案例整理成模型迭代的基准甚至直接参与写训练数据的描述文本让模型学到更真实、更贴近创作者语境的语义。这种“审美标准”如果只靠工程师自己定很容易变成“像素平均质量”加入设计师视角之后才会变成“创作中真正可用的质量”。5.2 设计师负责把模糊意图翻译成产品方案我在实际工作经验中发现AI 产品里最难的一个环节不是技术而是“用户说不清自己要什么”。用户描述需求时经常是“我想要这里更有氛围”“这个人物再生动一点”“感觉不对但不知道哪不对”。这些模糊表达背后有一整套隐性的设计逻辑。Muse 项目的做法是让设计师承担“意图中间层”的职责设计师通过用户访谈、行为观察、绘画流程分析把模糊意图归纳成可执行的产品功能。比如“更有氛围”可能被拆解成“背景光源增强”“景深层次增加”“环境色扩展”三个可调维度再把这些维度映射到模型可理解的条件输入。没有设计师做这层翻译产品要么只支持精确指令把大量用户拒之门外要么就是什么都做但每个方向都做不深。5.3 失败案例库是设计师给模型团队的关键输入最后值得一提的是项目里“失败案例库”这个概念。设计师会持续收集用户在与 AI 协作时产生的失败体验——生成结果诡异、修改无效、生成内容与画布语义冲突、用户需要反复尝试才能得到理想结果等等。这些案例被整理成结构化文档定期交给模型团队作为迭代方向和评测数据的重要来源。这个机制的价值在于它让模型迭代不再只依赖工程师自己发现问题而是让真实用户的使用痛点直接进入技术排期的优先级序列。很多 AI 项目常年存在“技术很强、产品难用”的问题根源就在于技术团队和用户之间隔了一个巨大的真空层。Muse 项目用失败案例库把这个真空层填上了设计师在这里就是用户与模型之间的桥梁。6. 从中可以复制的方法与避坑清单6.1 四步落地法直接照着做复盘分析到最后如果不给出能带走的东西就只是纸上谈兵。我把 Muse 项目里最有复用价值的设计方法整理成了四步你可以直接拿去做其他 AI 创作类产品。第一步列出你产品中“AI 可以做主”和“用户必须做主”的场景清单。凡是涉及审美方向、最终决策、风格归属的场景一律归用户凡是重复劳动、预判补全、搜索匹配类场景才交给 AI。第二步为所有 AI 操作设计完整的可取消与可修改路径。没有任何 AI 操作应该让用户感到“一旦生成无法回头”。第三步建立过程可视化机制。让每一次生成都有中间态让每一个版本都可回溯让用户理解 AI 的行为逻辑。第四步明确写下这个产品“不做什么”并把它放在产品文档第一页。功能边界就是信任边界。6.2 三类常见误区的现场还原第一个误区是“AI 能力必须外显”。有些产品觉得用户进来必须马上看到 AI 很厉害于是把生成能力堆在首页结果用户玩完即走完全没有进入真实创作场景。Muse 项目的做法恰好相反AI 是藏在画笔后面的用户画着画着才意识到它的存在这种发现的惊喜比一开始的炫耀更有黏性。第二个误区是“内部概念可以直接变成用户界面”。潜空间、迭代步数、噪声强度这些词工程师觉得很简单用户看到只会头大。做设计的人要时刻记住界面上的每一个词都应该是目标用户能无意识理解的词。第三个误区是“只优化首次体验忽略第 100 次体验”。生成类产品常见的做法是把首次演示做得非常惊艳但用户用了一周之后操作路径是否顺畅、历史记录是否完整、撤销是否彻底这些问题才真正决定留存。Muse 项目把大量功夫花在“长期使用才会感知到”的细节上这正是它跟一次性玩具的区别。6.3 最小团队如何快速验证这个方向如果你也想在团队里验证这个方向最小的配置是三个人设计师、前端工程师、算法工程师。两周一个验证循环节奏可以这样定第一周做使用流程的纸上原型把“AI 介入的时刻”全部标出来找 5 个目标用户做访谈第二周做高保真交互 Demo只做一条核心路径——比如“画一个局部区域AI 补全选区”然后记录用户的操作时间、困惑点和惊喜点。不需要做完整功能只需要验证一个假设AI 在创作流程中的介入到底是打断了用户还是帮助了用户。这个方法成本很低但能快速验证产品方向是否正确。等到方向验证通过再逐步增加模型能力才是稳妥的路径。我在自己的 AI 创作工具项目里体会最深的一点是模型能力决定天花板但产品设计决定地板。用户会不会留下来往往不取决于 AI 生成的图有多惊艳而取决于他画到第 20 分钟的时候AI 有没有在他需要的地方递上一把合适的工具。每次看到 AI 产品团队急着堆功能的时候我都会想起一个很朴素的判断标准用户停下来盯着屏幕的那一下究竟是困惑还是惊喜。如果是困惑功能再多也没用如果是惊喜哪怕只是一个很小的一次点击它也会成为用户留下来的理由。