去年四月，Anthropic 推出的 Claude Design 产品引发了广泛关注。用户只需用自然语言描述界面或网页设计需求，几十秒内就能获得可用的高保真原型。这种将自然语言直接转化为设计稿的效率，在当时确实令人印象深刻。

大约一周后，GitHub 上出现了一个名为 open-design 的开源项目，定位为“Claude Design 的开源替代品”。其 star 数在短时间内迅速攀升至数千，如今已积累超过 38k star，成为 AI 设计工具领域的热门项目。

这引起了我的深度好奇。最初以为这只是一个功能类似但实现粗糙的仿制品，但深入分析其代码仓库后，却发现了一些更具启发性的核心逻辑。

产品的核心竞争力，隐藏于几个 .ts 文件和一堆 .md 文件中

从技术架构看，它采用了主流的现代 Web 技术栈：Next.js 前端、本地 Express 服务、SQLite 数据库。这些技术组合本身并无特殊，搭建门槛并不高。

然而，真正决定这款 AI 设计工具用户体验与输出质量的关键，却在于另外几个非传统的文件。

一个名为 discovery.ts 的文件，严格定义了用户输入第一条指令后必须遵循的交互流程。规则明确：模型不允许直接生成设计图，而是必须先输出一份结构化的需求问卷，系统性地询问目标用户群体、视觉风格偏好、现有品牌规范等。这不是可选的建议，而是强制性的硬约束。

另一个 directions.ts 文件，则预定义了 5 种清晰的视觉风格方向。每种风格都配备了精确到 OKLch 色彩空间的调色板、完整的字体栈以及详细的版式倾向描述。用户选定方向后，模型便会严格绑定这套设计规范进行生成，有效避免了输出结果的随机性与不一致性。

此外，每个设计技能模块下都有自己的 references 文件夹，里面存放着一系列细致的设计检查清单和约束规则。部分规则读起来颇具洞见，例如“禁止使用大面积紫色渐变”、“避免出现手绘风格的 SVG 图标”、“在缺乏真实数据的位置必须使用灰色占位符，不可虚构数值”。

正是这些规则的总和，将大语言模型从一个“自由发挥的创意助手”转变成了一个“遵循专业流程的 AI 设计师”。

关键在于，这些核心文件本质上是结构化的“提示词”（Prompt）工程，而非传统业务逻辑代码。项目文档中的一句话点明了本质：“The prompt stack is the product.”——提示词堆栈本身就是产品。产品的核心价值不在 UI 界面或后端服务，而在于那几个定义了工作流与规则的 .ts 和 .md 文件。

代码生产的边际成本，正无限趋近于零

过去开发软件，核心护城河在于代码实现。你花费数月编写的复杂算法或系统，竞争对手若要复制，需要投入相近的时间与工程资源。代码是核心资产，工程能力是稀缺资源，这套逻辑主导了软件行业数十年。

但在 AI 编码助手普及的当下，这套逻辑正在发生根本性变化。

无论是 Cursor 还是 Claude Code，这些 AI 编程工具正在显著提升代码产出效率。一名熟练的工程师借助这些工具，其日均产出可能相当于过去一个小团队数日的工作量。这并非夸大，许多技术团队已切身感受到这种生产力变革。

代码生产的边际成本正在急剧下降，并无限趋近于零。

那么，当代码本身变得易于生成时，什么东西的创作成本并未同步降低，其价值便随之凸显和攀升。

提示词是可持续积累的资产，而非一次性技巧

回到 open-design 项目，那几个核心的提示词文件完全由开发者精心编写。这背后是有人深入思考了“一套高效的 AI 设计工作流应如何架构”、“模型容易在哪些环节产生低质量或不符合预期的输出”、“如何通过提示词层的约束系统性解决这些问题”，并将这些专业判断逐一编码为规则。

这些文件固然可以被复制，它们开源公开，git clone 即可获取。

但真正的竞争壁垒在于：后来者能否构建出一套质量更高、体验更优的提示词组合与约束体系？这种能力无法由 AI 自动生成，它深度依赖于人类在特定领域的经验、审美判断与问题抽象能力。

由此，我们对“学习提示词工程”的认知也需要升级。

过去常将“学提示词”类比为掌握一种工具的使用技巧，如同学习 Excel 高级函数，属于即时性、消耗型的技能。

但这种看法如今显得过于局限。

你系统化构建的提示词体系，你设计的能让 AI 高效协同的流程，那套能将输出质量从及格线提升到优秀水平的约束规则——这些是你的数字资产，而不仅仅是临时技巧。

资产与技巧的根本区别在于，技巧随时间可能过时或遗忘，而资产可以持续积累、迭代复用，并随着应用场景的拓展而不断增值。

你在一个领域内沉淀下来的优质提示词与工作流，其长期价值很可能超越许多短期内编写的、易被替代的业务代码。

AI 将更擅长编写代码，但有一项核心能力它难以替代

AI 在代码生成、补全和重构方面会越来越强大，这是明确的趋势。

然而，知道如何撰写精准、高效的提示词，知道在关键决策点应对模型施加何种约束，知道如何设计一套稳健的 AI 协作流程——这些判断力源于你在特定领域的深度经验、踩过的“坑”以及验证过的成功路径。这部分人类独有的洞察与设计能力，目前 AI 仍难以替代。

这绝非宣扬“无需学习编程”，相反，理解代码逻辑更为重要。

而是在 AI 时代，个人技术价值的来源正在迁移。从过去的“你能编写何种复杂代码”，越来越转向“你能如何驾驭与引导 AI 去可靠地完成何种价值创造”。

后者应当被视为一项严肃的专业能力来建设，绝非随意拼凑几个提示词那么简单。你在一个垂直领域构建的、经过反复验证的提示词体系与工作流，正逐渐成为你在这个领域内难以被替代的核心竞争力。

归根结底，一名软件工程师最具价值的部分，从来不是“会写代码”，而是“知道在何时、为何目的、以何种方式构建何种解决方案”。当 AI 将代码的实现成本大幅降低后，这种高阶的判断力、架构设计与流程把控能力，反而变得更为稀缺和珍贵。对于提示词工程而言，其内在逻辑，亦是如此。