Wegic 面向的核心用户，并不一定具备设计或工程背景。他们可能是咖啡店主、独立摄影师、自由职业者，是运营小型业务的人。他们也许能说清楚自己想要什么，但通常没有能力判断网页设计细节，比如一个页面的信息层级是否合理，或者品牌气质是否和业务匹配。

他们需要的是一个完整的服务：说清楚想要什么，拿到一个可以直接用的，且品质还不错的网站。

这意味着，产品不仅要解决“生成”问题，更要为最终的设计质量兜底。以下是我在 Wegic 内部参与这条“对抗AI slop”的生成链路演进时，对几个关键阶段的观察和判断。

Section/Slot 阶段：过渡期的拼接方案

早期的代码生成或 Agent 工具在设计维度的输出往往表现平庸。Wegic 起初采用了 Section 与 Slot 的拼接方案——由内部预设模块，AI 根据需求进行组合。当时 Wegic 尚未完全具备 Agent 形态，但在那个阶段，这种方式在用户视角下确实提供了相对更优的视觉结果。

然而，内部的视角则是：AI 始终在有限的几个 Section 中轮换。许多长尾需求无法交付，并非由于模型能力受限，而是模板库的规模和组合机制存在物理瓶颈。

局部质量的总和并不等于整体质量。虽然模板拼接带来了极低的成本与极快的响应速度，但受限于底层的拼接逻辑，在专业设计的标准下，这套流程的上限不高。

HiFi Prompt 阶段：稳定性成了问题本身

转向真实的 Agent 形态后，我们投入大量精力编写高保真 Prompt，试图在系统层面规定首屏气质、色彩策略、卡片布局以及动效的克制程度。

这套方法至今依然有效。Prompt 越详尽精准，输出越稳定，设计的基准完成度也越高。

但这引发了另一个悖论：稳定性本身成为了瓶颈。Prompt 越具体，生成结果越收敛。当间距、圆角和色彩被死死框住后，AI 对具体项目的语义理解，根本不足以撑起最终结果的差异化。不同行业、不同品牌气质的诉求，最终都在严苛的文本约束下走向了视觉趋同。

Skill 阶段一：把 Prompt 装进 Skill

当内部引入 Skill 体系时，我们的第一反应是将高保真 Prompt 封装进 Skill 中。这在架构上更干净，渐进式披露也允许系统延展出更多风格分支，部分缓解了趋同问题。

但其底层逻辑并未改变：这依然是一种“锁定风格”的机制，只是换了存放的容器。从一个风格对应一个包，到了一个风格对应同一个系列不同变种的包，本质上维护的仍是一套风格模板库。

Skill 阶段二：从锁定风格回到约束边界

真正的转机出现在多模态模型成熟之后。我们早期“先生成图片、再根据图片生成网站”的构想终于具备了可行性。

图片能够精准传递文本难以描述的感官信息：比例、空间、材质、光感与整体气质。有了图片作为视觉锚点，Agent 在搭建阶段的任务就从“凭空猜测设计方案”变成了“高保真还原视觉意图”。这一流程也将设计的选择权前置交给了用户，允许他们通过极低成本的“抽卡”来确认方向。

此时，Skill 的职责发生了根本性转变。它不再负责“生成特定风格”，而是专注于两件事：一是确立负面边界，禁止 AI 执行低级设计（如过重的阴影、不统一的圆角、突兀的渐变色）；二是在视觉确认后，提供精准的还原能力。

Skill 从“定义风格”退位为“约束边界与提升执行精度”，这恰恰是该机制最擅长的领域。

图片驱动：目前的最佳路径

图片驱动的业务流构建了一个完整的反馈闭环：AI 根据诉求生成多张视觉意向图，用户确认方案，随后 Agent 依据图片进行高保真还原。在这个闭环中，用户获得了真实的决策节点，AI 拥有了可供对比回归的视觉锚点，交付结果与预期之间的偏差被大幅收窄。这并非秘密路径，且确实有效，但鲜有产品真正将其运用。或许，视觉意图的传递本就该交由模型的视觉层，而非文本层来解决。

但这远非终点。静态图片不包含响应式规则、缺乏滚动节奏的设计、更无法定义内容增长后的边界，甚至当前生图模型的长宽比往往也与真实的 Web 场景不相符。它在当下作为一种取巧的交互策略，切实改善了用户满意度，但从根本上，它依然无法替代系统性的专业设计决策。

(本文仅记录我在 Wegic 内部观察与参与此演进过程的真实视角，不代表公司官方立场。)