KeyFrame內部研究專用

How to Design In Lovable Better than 99% of People

Max Max·8月17日週一·37 min英文

三句話摘要

Loveable 的四個設計控制功能——用系統化工具替代無盡提示詞,掌握 AI 生成網站的視覺風格。 Loveable 的設計控制不在於更長的提示詞,而在於在對的時機用對的工具——方向決定基礎、參考維持一致、重設計改善全局、標註精細調整。 設計方向解決通用感問題。新項目建立時,Loveable 暫停並呈現三個視覺方向選擇,各自預設排版、色彩、間距、容器風格的完整系統。在程式碼生成前就鎖定方向,使所有後續組件自動遵循該規則,避免 AI 回退預設的通用介面(間距可預測、卡片重複、缺乏個性)。

重點整理

重點
  • 1

    設計方向解決通用感問題。新項目建立時,Loveable 暫停並呈現三個視覺方向選擇,各自預設排版、色彩、間距、容器風格的完整系統。在程式碼生成前就鎖定方向,使所有後續組件自動遵循該規則,避免 AI 回退預設的通用介面(間距可預測、卡片重複、缺乏個性)。

  • 2

    跨專案參考維持品牌一致性。用戶在新項目的聊天框按 @ 鍵參考既有項目後,Loveable 以只讀方式讀取原項目的 Tailwind 配置、全局主題、色板、排版、組件樣式,自動適應並應用到新項目。無需手動複製代碼,新專案自動繼承一致的視覺語言,防止多個專案間的設計漂移。

  • 3

    重設計是結構化的整體改善工具。當介面經多次迭代變得混亂時,/redesign 命令觸發自動審計,檢查佈局、組件層級、排版、色彩是否符合現代標準,生成診斷報告並提出至少兩個改善方案。用戶選擇後才應用變更,避免文字提示導致的不可預期樣式替換,確保改變是協調而有針對性的。

  • 4

    設計標註透過視覺反饋消除文字歧義。用戶在即時預覽激活標註工具,可直接繪製圓圈(標記需移動元素)、箭頭(指示新位置)、刪除線(移除部分)。Loveable 將圖形映射到佈局坐標和原始碼組件,精確執行變更,完全避免「往上移」被誤解為移動錯誤容器的問題。

實用技巧與重點

乾貨
  • 設計方向示例
  • 「The Ritual of the Bean」:溫暖有機極簡風(米色/奶油背景 + 優雅襯線字體 + 開放空間 + 水平列表排版)
  • 「Precision Alchemy」:高級工業深色風(深黑背景 + 白色文本 + 金色襯線標題 + 幾何網格 + 對稱分割佈局)
  • 「The Ritual of the Perfect Roast」:現代非對稱瑞士網格風(灰色背景 + 粗體襯線 + 最少容器邊框 + 多欄文本 + 圓角元素)
  • 操作指令
  • 跨專案參考:聊天框按 @ 鍵 → 選擇工作區項目 → 提示「Pull the design system of @[project] to design this application」
  • 重設計命令:/redesign [評估請求,例如「evaluate this app and update the look to match its functionality」]
  • 設計標註工具:預覽容器底部的鉛筆圖標
  • 平台網址:https://loveable.dev
  • 工作流順序
  • ① 設計方向(新專案建立時)→ ② 跨專案參考(創建相關產品時)→ ③ 重設計(功能完成後整體改善)→ ④ 設計標註(最終細節調整)
  • 實例專案
  • BrewBase Pro(精品咖啡超市)採用工業風 → Pastry Lab(精密烘焙廚房)參考後自動繼承同一視覺系統
  • Archform Studio(建築作品集)建立高對比結構風格 → Archform Specs(技術藍圖入口)參考後保持一致性同時強化功能性

結論

結論

Loveable 的設計控制不在於更長的提示詞,而在於在對的時機用對的工具——方向決定基礎、參考維持一致、重設計改善全局、標註精細調整。

完整解析

詳細

大多數 Loveable 用戶過度依賴文字提示,導致設計通用、不一致、需反覆修改。講者系統展示了四個功能如何聯動破解這個困境。

設計方向是起點。新項目時 Loveable 自動暫停,呈現三個預設視覺方向。每個方向都是完整的設計系統——不僅規定色彩和字體,更包括間距邏輯、容器樣式、佈局密度、背景處理。用戶在程式碼生成前選擇,之後所有組件都遵循該系統,防止 AI 回退通用預設。以咖啡超市 BrewBase Pro 為例,選擇工業風(深黑、金色、幾何網格)後,整個網站從色彩搭配到卡片排列都體現精品感。

跨專案參考解決多產品品牌一致性。傳統做法需手動重新配置設計元素。這功能讓新專案通過 @ 符號參考既有專案,Loveable 以只讀方式讀取原專案的所有設計配置——Tailwind 類別、全局主題、色板、排版規則、組件樣式——然後適應套用到新專案。原專案不變,新專案自動繼承一致視覺語言。Pastry Lab 參考 BrewBase Pro 後,儘管主題不同(烘焙廚房 vs 咖啡超市),卻因共享深黑背景、金色點綴、幾何網格而明確關聯,節省了大量一致性維護工作。

重設計適合已成型但需整體改善的階段。多次迭代後介面往往混亂、不一致,此時文字提示(「讓這看起來更專業」)效果很差,易導致意想不到的樣式替換。/redesign 命令啟動結構化流程:Loveable 先審計介面,檢查佈局、組件層級、排版、色彩是否符合現代標準,生成診斷報告列出問題,最後提出至少兩個改善方案讓用戶選擇(例如「Warm Refined Product Forward」vs「Keep the Dark Thing Double Down on Precision」)。用戶確認方案後才應用,避免反覆試錯,確保改變協調而有針對性。

設計標註是最後一環。用戶在即時預覽激活標註工具(鉛筆圖標),像在紙本上標註一樣直接繪製:圓圈框出要移動的元素、箭頭指示新位置、刪除線標記要移除部分。Loveable 將圖形映射到佈局坐標和原始碼組件,精確執行變更。這解決了文字描述空間變更的歧義——「把這往上移」可能被誤解為移動錯誤容器,但視覺標註完全明確。

整個工作流的力量在於層次性和順序性。先用設計方向建立全局基礎,再用跨專案參考保持一致性,然後用重設計進行結構化整體改善,最後用標註微調細節。每個功能在恰當的專案階段發揮最大效用。講者用兩個完整示例演示:BrewBase 系列(咖啡超市 + 烘焙廚房)和 Archform 系列(建築作品集 + 藍圖入口),都遞進地應用四個功能,展現如何從混亂的文字迴圈轉變為可控的視覺系統。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。