5月底临时需要在团队内做一场“设计师 x AI Coding”的主题分享。时间非常紧，基本只能靠工作之外的时间来准备。思来想去，干脆放弃了传统PPT的形式，决定从零开始，用AI工具链构建一个分享网站。

这篇文章既是对这次AI协同实验的复盘，也聊聊对当前Agent Coding工具能力边界、Agent交互方式以及协作模式变化的一些新思考。

往期AI编程干货回顾：

这次用到的核心工具：V0（用来制作分享网站）、Flowith Neo（构建AI Coding知识库）、Manus（前期表现惊艳，但最终任务执行失败）、Gemini（负责内容策划）。

先来看看最终成果：

设计师 x AI Coding 主题分享网站： https://kzmkbx8qajeeywvv0thi.lite.vusercontent.net/

面向设计师的 AI Coding 知识库： https://flo.host/mJIyFLi/

一、Agent 实践复盘 —— 7天，2个网站，1场AI协同实验

这次实验主要用了当下很火的Flowith Neo和Manus这两个通用Agent。说实话，Agent对编码效率的提升是碘伏性的，让我能把更多精力放在内容本身，而不是纠结于分享形式（比如过去那种PPT美化）。不过，在Agent对垂直领域优化还不够成熟的情况下，也确实走了些弯路。

先说说Agent的特点

Agent接入了LLM、生图、生视频等大模型，能理解复杂、长期的目标，并且能自主规划、调用多种工具来达成目标。这种特性，非常适合在极短时间内交付那些非精确的任务。

和之前项目里用的Cursor这类IDE产品相比，Agent最大的便利在于，它能自动完成数据存储、网站部署上线等一系列事情。网站内容本身成了创作的核心，人类参与制作和执行的时间大幅下降。

整体使用下来，目前通用的Agent更适合0-1的阶段。到了1-100的阶段，还是得由垂直的Coding工具来接手。具体对比一下，优势和劣势会更清晰：

网站 Coding 全过程

① Agent 的“惊艳开局”与“脆弱的 1-N”

这部分展开讲讲和Agent的协同过程，方便大家理解前面的结论是怎么来的。

我把同一段Prompt输入给了Flowith和Manus，并通过输入简单的设计要求、参考图、参考网址等方式，简单调教了几版风格：

起初，Manus生成的效果（左上图1）让我非常满意。它在理解图片和链接参考上的功能支持比Flowith更好，生成的网页设计风格和动效也高出一筹。在0到1的阶段，Agent能快速把模糊想法具象化，这个能力已经足够让人惊讶了。

然而，当你试图从1开始进行深度迭代时，Manus的脆弱性就暴露无遗了。

对边界失败场景应对不足：

在我尝试持续修改时，Manus很快提示上下文达到上限，并反复弹出付费页面，声称会员有更高的上下文长度。但即便我花了20多刀付费后，限制依然存在。这种在关键付费节点上的履约失败，直接让我对其可靠性失去了信任。

核心交付物质量也严重不足。抱着“不能白付费”的心态，我尝试让Manus导出源码，结果交付的代码竟然缺失了一半的样式。

至于缺失的代码，确实没有动力再打字去重新描述了。对设计师来说，用详细的Prompt去定义设计内容，还不如自己动手设计来得快。用文字详细定义设计规范，总感觉哪里不对，这违背了设计师“视觉感受优先”而非“文字优先”的直觉。

可以大胆猜测，90%的设计师都不愿意写这样的Prompt

② 垂类 Coding 工具来救火

就在我以为AI协同实验要失败时，我把Manus产出的残缺代码和需求交给了垂类Coding工具V0。结果出人意料：V0不仅迅速复刻并补全了所有样式和动画，还提供了结构清晰、可供二次开发的完整代码。

相比Manus的不确定性，V0给我的“安全感”非常强。它在垂类产品中审美在线、版本可随时回溯、网站无需部署可直接预览，项目支持无限修改。终于，分享材料有眉目了。

当视频在手机上无法加载，可前往PC查看。

③ 知识库生成，Agent 的舒适区

和分享网站的坎坷经历不同，制作“AI Coding知识库”就顺利多了。这次用Flowith完成任务，也找到了当下Agent真正的优势所在：处理那些以复杂内容调研和逻辑为核心，而非以视觉调优和持续迭代为重的任务。

访问地址 (PC体验更佳)： https://flo.host/mJIyFLi/

当视频在手机上无法加载，可前往PC查看。

展示了从初版到终版的演进，略去部分对话调整

④ Flowith 的核心优势体现在：

强大的信息整合能力：得益于Flowith Neo无限制的长文本分析整合能力，它出色地完成了“调研-总结报告-报告转化为结构化网页”的任务，完整度远超预期。单就这一点，垂类Coding工具是做不到的。

较高的指令遵循度：后续持续要求调整内容和结构时，能准确执行指令，体验流畅。

较高的执行效率与性价比：对于复杂的信息处理任务，运行速度快，积分消耗也相对合理。

不过，它也暴露了Agent在“迭代”上的核心短板：Flowith会过早判定任务完成而终止对话，同时无法提供源代码。这两个限制，导致我无法对生成的初版网页进行持续、精细化的修改。

以V0为代表的垂类工具，允许用户直接对代码进行编辑，支持下载代码到Cursor等专业环境再次编辑，能满足“AI快速完成0到1，人来高效掌控1到N”的开放体验。

而以Flowith和Manus为代表的Agent，目前更像一个“封闭系统”。虽然0到1可能更自动化，但后续迭代的“天花板”却很低。这正是当前对Agent模式最不满意的地方。

小结：Agent Coding 的正确打开方式

综合两个网站的构建经验，当前Agent Coding的核心价值在于极速完成从0到1的构建，尤其适合以下两类场景：

MVP与概念验证：Agent能将一个模糊的产品或设计构想，在几小时甚至几十分钟内，变成一个功能可用、可交互的MVP。这极大降低了创新和试错的成本。过去需要一个团队数周才能完成的工作，现在一人一AI即可实现。

内容驱动型网站的生成：对于知识库、Landing Page、活动页这类以信息展示为核心、结构相对标准化的网站，使用Agent可以发挥极大价值。创作者可以跳过调研、资料整理、信息设计阶段，直接完成从初步想法到结果的快速跨越。

当然，由于通用Agent对垂直领域的打磨不足，以及“持续编辑能力”这个核心症结尚未解决，它在以下场景中就显得力不从心：

需要精细化视觉调优的生产项目：正如我的经历，试图用文字指令去对齐高度定制化的视觉细节，效率低下且违背设计师直觉。在这方面，V0这类垂类工具优势明显。

需要长期迭代和维护的核心产品：Agent“一次性的交付”和“封闭生态”（如无法提供源码）的特性，使其几乎无法被纳入需要多人协作、持续更新的严肃项目工作流中。

对稳定性和可靠性要求极高的任务：Manus的履约失败就是一个警钟。现阶段，还没法将一个有明确deadline的关键任务，毫无保留地完全托付给Agent。

二、重新思考 —— Agent Coding 还有哪些改进空间？

在开始思考之前，先试着问两个问题：

从现有用户体验出发，当下AI Coding有哪些痛点值得被改善？

相比V0、Lovable、Bolt等垂直Coding工具的直接竞争，Agent Coding工具如何才能发挥更大优势？

像设计领域有Agent Lovart一样，未来很可能出现Coding领域的Agent产品，来解决通用Agent当下无暇顾及的问题。基于这个假设，有几条迭代方向值得思考：

为 Agent 注入设计品味，弥补创造力短板

从之前的实践中可以感受到，不同产品之间存在着明显的“审美差异”。例如，V0和Manus支持人为输入参考图、参考网站，甚至默认输出的效果都还不错；而Flowith如果不经过Prompt调教，其产出物更像“功能实现”，而非“设计作品”。

Flowith最初输出的网页效果

大模型本身并不会设计，它本质上是在模仿其训练语料中的代码与视觉风格。它的“品味”，源自Github海量的开源项目和网络上无数的网页示例。

除了等待大模型自身的进化，Coding工具也可以主动为AI注入审美：

通过系统级提示进行预期管理：Agent可以通过系统级的指令约束大模型生成，通过预设AI的角色和行为来约束输出物的下限。

通过绑定组件库进行审美兜底：比如V0集成了Tailwind CSS和Shadcn UI，AI的任务不是自由地创造一个按钮，而是被强制要求去调用一个本身就设计得很好的按钮组件。这等于借助一套成熟的设计系统来兜底，巧妙地避免了模型自由发挥导致的审美崩坏。

通过“多模态理解”实现精准还原

一个更符合用户直觉的体验是：用户上传一张喜欢的网站截图、链接、Figma设计稿 → Agent分析其设计语言（色彩、字体、布局、圆角等） → 自动生成结构化的设计参数（Design Tokens） → 调用模型去精准还原或模仿其风格。这种方式能把用户从繁琐的文字描述中解放出来，让AI真正成为视觉意图的延伸。

Runway可以参考用户上传的草稿进行构图

也许有一天，Coding Agent也可以做到这一点，这才是更符合用户直觉的体验。

那么，未来的基座大模型会强大到让这些“微调”失去意义吗？大概率不会。

基座大模型就像iPhone相机，它的目标是拍出让大多数人满意的“好照片”。而AI Agent或垂类Coding工具，则更像是为这台相机配备的“专业镜头与风格滤镜”。它们让创作者有机会超越“标准美”，去实现更具个性的艺术表达，让你从“记录”走向“创作”。

当视频在手机上无法加载，可前往PC查看。

主打生成更具设计品味代码的Coding产品Variant已经开启测试邀请，申请地址: https://www.variant.ai/

Chat 模式外，扩展垂类场景交互

当前多数AI产品还采取一个聊天框解决所有问题的范式。在处理专业、精细的垂直任务时，这种模式显得低效且违背直觉。这种割裂感体现在各种需要深度介入的场景中：

比如Manus可以生成需求文档，但我无法直接在其中修改，必须经历“下载到本地 → 用Word编辑 → 再重新上传”的繁琐步骤。

比如网站设计优化时，当需要进行像素级微调时，用语言去精确描述，其效率远低于所见即所得的视觉操作。

当视频在手机上无法加载，可前往PC查看。

一些Coding工具已经开始向这个方向优化。V0上周更新的Design Mode，允许用户在预览窗口中，像使用Figma等设计软件一样，通过图形化的控件去修改组件的字体、颜色和间距等细节。

另外，Lovable和V0都集成了专业后端服务，让用户可以直接在一个成熟、强大的专业界面中管理自己的数据。

V0集成了后端服务、数据库、数据缓存等基础设施

Agent的未来，也不应只是一个聊天框，而应是一个能根据需要，调用各领域专业工具台的中枢。

拓展能力边界，从编码执行到全链路助理

在产品打磨好以上两点体验之前，谈这个话题可能有点为时尚早，但这确实是Agent产品存在的意义所在——连接产品与市场，打通从“想法”到“增长”的全链路。

上游：市场调研到产品定义

目前，领先的通用Agent已经初步具备了处理“上游”任务的能力。但当前，这些任务往往是孤立的。Agent生成的分析报告，还需要手动消化，再转化为对编码任务的具体要求。

想象一下未来的工作流：

用户下达一个模糊的想法。Agent首先自主完成市场扫描和竞品分析，然后与用户一同进行头脑风暴，将讨论结果固化为一份结构化的PRD。最关键的是，它接下来的编码工作，会严格依据这份自己参与制定的战略蓝图，比如优先开发哪个核心功能，采用什么样的技术栈能更好地服务目标用户等。

这时的Agent，不再是被动响应指令生成代码，而是带有充分商业理解和产品思考去生成代码。

下游：从被动交付到主动增长

在充分发挥前期调研、信息整合的优势后，网页产品制作完成只是一个开始。后续的数据跟踪、主动优化、运营推广、SEO优化等场景，都有Agent可发挥的空间。

再想象一下：

网页上线后，Agent持续监控数据。当某些页面核心指标异常或未达平均水平时，Agent会给出进一步分析及优化方案。在你发布产品新功能后，Agent可以根据优化点自动撰写推广文案，甚至自动化广告投放与社媒运营……

AI驱动网址内容优化工具，根据实时数据调整页面细节并创建SEO友好的内容

Agent领域的未来，也许不是写出更好、更快的代码，而是将“写代码”这个原本孤立的技术环节，深度融入到“定义产品、创造产品、运营产品”的整个商业闭环之中。

结语 —— Coding 和设计领域正在迎来范式转移

即便当下通用Agent还存在种种不成熟，也面临“只能做玩具”的质疑和挑战。但只要你体验过这种效率的直线提升，就会感受到新的协作模式正在悄然形成。我们正身处一个新协作模式的开端。

这种模式下，人类的价值回归到了战略思考、需求洞察和创造性定义上。AI则成为了最高效的执行引擎，负责将定义好的What，转化为最终的How。

在这场变革中，单纯的执行技能正被快速标准化。无论是绘制标准化的UI组件，还是编写模板化的功能代码，AI的效率都将远超人类。这也不可避免地导致了专业边界的模糊化：懂需求的设计师通过Agent涉足了实现，而开发者也更多地参与到产品的前期构思与快速验证中。

传统的、线性的协作模式正在瓦解。取而代之的，是创作者这一角色的崛起——善于思考，洞察本质，以AI为杠杆，将想法高效转化为现实。