你打开设计软件，左侧是图层，右侧是属性面板，中间画布上漂浮着几个AI生成的方案。这场景三年前还像科幻，现在成了日常。但工具换了这么多，真正进工作流的没几个。
这篇梳理来自一位一线设计者的实战观察。他筛掉了所有"演示很酷、落地很难"的产品，只留能交付的。我们按这个标准，看看哪些AI工具真的在设计师的Stack里站稳了脚。
先厘清一个前提：设计师要AI做什么
不是替代创意，是压缩机械劳动。具体来说三件事：生成初稿、处理素材、管理设计系统。
生成初稿最直观。给一句描述出五版方案，选方向再细化。处理素材包括抠图、扩图、改风格、批量出尺寸。设计系统管理则是让组件库、样式规范能被AI理解和调用，减少重复搭建。
这三件事里，前两件工具最多，第三件几乎空白。这也是筛选的关键标准——能进工作流的工具，必须解决具体问题，而不是创造新问题。
图像生成层：Midjourney与Stable Diffusion的分野
正方观点：Midjourney是创意探索的首选。
出图质量稳定，美学完成度高，对提示词的容错率强。设计师用它做概念发散、情绪板、提案视觉，效率提升明显。缺点是可控性差——你无法精确指定某个元素的位置、层级关系，导出后必须进传统软件二次处理。
反方观点：Stable Diffusion（稳定扩散模型）才是生产端的答案。
开源、本地部署、可训练专属模型。配合ControlNet（控制网络）插件，能用草图、深度图、姿态图精确控制构图。对需要批量出图、风格统一、品牌资产沉淀的团队，这是唯一能规模化的路径。
我的判断：两者不是替代关系，是工序分工。
创意阶段用Midjourney快速试错，确定方向后切到Stable Diffusion做可控生产。真正落地的团队，两套工具都在跑，中间靠人工筛选和参数调优衔接。声称"一键出终稿"的，要么没做过真实项目，要么交付标准极低。
界面与原型层：Figma的AI布局与独立工具的突围
正方观点：Figma内置AI足够用了。
2023年起陆续上线的First Draft（初稿生成）、Auto Layout（自动布局）建议、图层命名辅助，直接嵌入现有工作流。不用切换软件，学习成本为零，协作链路完整。对绝大多数团队，这是理性选择。
反方观点：垂直工具在特定场景更锋利。
Uizard从草图生成可交互原型，对早期验证极快。Galileo AI用文字直接出高保真界面，适合没有设计资源的初创团队。Framer的AI站点生成，把设计到发布的链路缩到最短。这些工具牺牲通用性，换取单点效率的极致。
我的判断：Figma是默认基础设施，但"默认"意味着保守。
它的AI功能优先级是稳住现有用户，而非突破体验边界。真正需要提速的场景——比如每周要出十个Landing Page验证的Growth团队——会主动引入垂直工具，再回Figma做精修。工具链的复杂度在增加，但单点效率的提升值得这个成本。
素材处理层：传统软件的AI化与原生AI工具的较量
Photoshop的生成式填充（Generative Fill）可能是2023年最被低估的设计工具更新。
选区、输入描述、生成融合画面，操作流程符合既有肌肉记忆。对修图、扩图、去杂物这类高频需求，它把外包给素材网站或手绘修补的时间，压缩到几分钟。Adobe Firefly（萤火虫）模型在版权训练数据上的谨慎，也让企业客户更敢用。
但原生AI工具在蚕食边缘场景。
Remove.bg（去背景）这类单功能工具，API集成成熟，批量处理成本极低。Magnific AI专攻图像放大与细节重建，对印刷级输出是刚需。Krea的实时生成画布，把"调整参数-等待出图-再调整"的循环，变成滑块拖拽的即时反馈。
这里的关键变量是工作流的嵌入深度。
Photoshop的优势是上下文完整——你在处理一个PSD，生成填充的结果直接在图层体系里可编辑。独立工具需要导出导入，破坏连续性。但如果你是电商运营，每天处理五百张商品图，Remove.bg的API自动化显然更优。场景决定工具选择，没有 universal 答案。
设计系统与代码层：最薄弱的环节
前面提到，AI对设计系统的理解几乎空白。这是当前Stack里最明显的断层。
现有工具能生成单个界面，但无法理解"这个按钮在品牌规范里的三种状态、五种尺寸、响应式断点规则"。Tokens Studio这类变量管理插件，和AI生成层之间没有桥梁。设计师仍需手工把AI产出对齐到系统规范。
代码生成侧稍有进展。
Anima、Locofy能把设计稿转React/Vue代码，准确率从"能跑"提升到"能看"。但设计稿里的交互逻辑、状态管理、数据绑定，仍需工程师大量改写。对设计师而言，这解决了"交付物格式"问题，没解决"设计意图传递"问题。
这个断层的商业含义：谁能打通"生成-规范-代码"的闭环，谁就能定义下一代设计工具的形态。Figma在做，但步伐谨慎。初创公司有机会，但需要同时理解设计系统工程和AI模型能力，人才稀缺。
一个被忽视的维度：团队协作的AI化
工具层之外，工作方式的改变同样深刻。
Notion AI、FigJam AI把会议纪要、头脑风暴、用户研究的整理工作部分自动化。这对设计师的间接收益是：减少了信息同步的摩擦，把更多时间留在深度工作。
更隐蔽的变化是反馈循环的加速。
以前设计评审是周期性事件，现在AI生成的多版本方案让"随时对比"成为可能。决策者看得更多，决策更快，但也更容易陷入选择过载。工具提升了产出速度，没提升判断质量——这是组织层面的新课题。
落地 checklist：你的团队该关注什么
如果你正在评估AI工具进工作流，按这个顺序排查：
第一，输出物是否可编辑。AI生成的结果必须能进现有文件格式，图层结构清晰，不能是黑箱图片。
第二，风格一致性如何保障。单次生成好看容易，十张图保持同一设计语言难。看工具是否支持风格参考图、模型微调、或设计系统联动。
第三，协作链路是否完整。生成、评审、修改、交付，哪个环节会断？断点需要人工还是工具弥补？
第四，版权与数据安全。训练数据来源、生成内容的商用授权、企业数据的隔离机制，逐一确认。
第五，真实时间成本。算上学习、调试、返工，总耗时是否真的减少？很多工具演示的是最优路径，实际使用是另一回事。
最后一点观察
设计师的AI工具演进，和开发者当年的DevOps转型有相似结构：从"写代码"到"编排工具链"，核心技能发生了迁移。
未来的设计师竞争力，可能不在于单点工具的熟练度，而在于如何组合工具、设计流程、管理AI与人工的交接界面。工具越强大，流程设计的能力越关键。这不是降级，是专业深度的重新定义。
热门跟贴