你想做一个衣橱应用。以前，你会先在 Figma 里画出几张页面，再把按钮连起来，模拟一次使用流程。现在，你只要对 AI 说几句话，它就能生成一个可以点击、保存数据，甚至带登录功能的网页应用。门槛确实低了。问题是：当界面、流程和代码都由工具补全，学生究竟是在学习设计，还是在学习怎样让 AI 猜中自己的意思？
UPM Fashion School 教师 Jay Aragones 最近把一门数字原型课的工具全部换成生成式 AI，并记录了课堂中的收获与不安。这是一次个人教学复盘，没有学生人数、前后测或作品评分，因此更适合当作一线观察，而不是已经得到验证的教育结论。
从画产品外壳，到生成一个应用
这门课面向时尚设计本科生和硕士生。学生要构思能够丰富时尚体验的应用，过去的题目包括服装社群、品牌游戏、旧衣改造、VR 穿搭推荐和室友共享洗衣应用。
此前，学生使用 Figma 和常规设计软件。最近一个学期，Aragones 改用了 Google Stitch、Google AI Studio 和 Lovable 等 AI 工具。原型——用来验证想法、流程和交互的临时模型——也随之发生变化。学生不再只是把几张界面串起来，而是生成包含动态交互、部分功能可以运行的应用。它们更像真实产品，但仍不等于能够部署、维护的成品。
Aragones 认为，Lovable、Bolt 一类工具更适合探索动态行为和交互流程，而不只是静态页面。不过，这个判断来自他的课堂经验以及他对一篇 pre-LLM 论文的转述，材料没有提供对照任务或测试数据。它适用于哪类原型，仍需具体讨论。
看起来更真，不等于想得更清楚
AI 提高了原型保真度——也就是原型在视觉、交互和内容上接近成品的程度。可这种逼真也制造了误会。一些学生以为，既然应用由 AI 生成，它自然就会识图、做语义搜索或生成视频。教师不得不解释：工具生成的仍是普通 JavaScript 和 HTML 应用。真正接入模型，需要额外设置，超出了课程范围。
最后，课堂又回到了原型设计的老办法：用预设状态、假数据和预先生成的媒体，模拟尚未实现的智能功能。也就是“fake it, don’t make it”：先验证体验是否成立，不急着把所有技术真正造出来。
更棘手的问题发生在动手之前。学生起初常用宽泛的提示词开工，结果很快对生成结果失望。原因不只在画面，而在于他们自己也没有想清产品应该展示什么、允许用户做什么。Aragones 让学生从首页开始，逐页写清信息、操作和主要栏目。产品愿景明确以后，提示才变得有效。
这正是设计意图：设计者对用户、场景与取舍作出的明确判断。AI 可以补全一个合理答案，却不知道哪个答案才符合这项产品的目标。学生还需要梳理对象、属性、动作和关系，把脑中的使用方式翻译成应用结构。工具能生成流程，但不能替学生决定流程为何如此。
省下操作，却增加了检查
据 Virtual Job Guru 对这次课程的记录，AI 原型制作甚至比使用 Figma 略慢。学生生成的不再是可点击的“外壳”，而是接近真实应用的代码。一次局部修改可能破坏已经完成的页面、流程或功能，于是他们需要反复检查，并用版本书签应对破坏性更新。
这解释了课堂中的另一组矛盾。Aragones 观察到，学生减少了概念构思和基础设计技能的练习，却把大量时间花在反复提示、修改和排错上。与此同时，最终成果又增强了他们自行构建 AI-enabled apps 的信心。工具降低了“做出东西”的门槛，却没有自动降低判断、检查和取舍的负担。
不教Figma之后，更要教什么
Aragones 的结论不是简单地拥抱或拒绝 AI。他认为，达到 production-quality experiences——足以面向真实用户的高质量体验——仍然需要基础设计能力。变化在于，原型课需要一种新的设计素养：少把重点放在某款软件的操作步骤上，多训练学生解释自己为何这样设计。
这可以落实为反思性实践：学生一边制作，一边审视自己的假设、选择和结果。他们需要持续追问：这个功能解决谁的问题？这个流程来自我的判断，还是模型的默认答案？这次修改改善了体验，还是只让界面显得更完整？
AI 没有让设计基本功消失。它只是把基本功从“能不能亲手画出来”，推向了“能不能看出哪里不对，并说清应该怎样改”。当生成越来越容易，清楚的产品愿景、概念结构和质量判断反而更难被工具代劳。
局限与未知
- 这是一门课程的教师复盘，材料未披露学生人数、课程周期、评价量表或作品质量指标，不能据此推断普遍教学效果。
- “任何人都能在大致相同时间内做出部分可运行应用”没有基准任务和耗时数据，属于作者的泛化判断。
- 供稿原文后半部分被截断；现有材料也不足以比较不同 AI 工具的成本、稳定性和长期学习效果。