企业官网建设流程全解析

之前在设计一款桌面咖啡机时，最大的痛点不是“画不出来”，而是“改不动”。外观草图、CMF 配色、内部结构、模具可行性这几个环节会互相影响，往往改了颜色又要调整材质，调整材质又会牵动结构布局。传统流程里，一轮完整的方向探索可能要花掉好几周时间。最近我在研究如何用 AI 智能体重构这条流程，把产品需求直接变成概念方案、草图提示词和结构风险备注。这篇文章就围绕“AI 爆改设计咖啡机”这个实战主题展开，梳理工业设计智能体的搭建思路、核心提示词、Python 调用示例、常见坑点和工程建议。无论你是工业设计师、产品经理，还是对 AI 辅助硬件开发感兴趣的开发者，都可以照着这篇文章把一套轻量的 AI 设计工作流跑起来。

1. 为什么“AI 爆改设计”对工业设计有意义

1.1 “爆改”不是一键生成，而是流程重构

短视频平台上经常看到“AI 爆改”类视频：给一台老式收音机、吹风机或咖啡机换一个未来感外观，几秒钟生成一张高质感的渲染图。很多人以为这只是“给图片加滤镜”，但其实背后的核心不是单张图片生成，而是“智能体”在串起整个设计流程。

“AI 爆改设计咖啡机”更准确地说是这样一件事：先让大语言模型理解咖啡机的用户场景、产品约束、风格倾向，然后由智能体把模糊的设计需求拆解成可执行的子任务。比如：

• 生成 3 个外观概念方向；
• 提取每个方案的 CMF（颜色、材质、表面处理）；
• 输出适合 AI 绘画工具使用的草图提示词；
• 结合结构经验，标记可能影响模具、散热、水箱安装的位置。

这样做的好处是，AI 不只给你一张好看的图，还能给你一套可继续演化的设计文档。设计不是终点而是过程，智能体负责把过程中反复出现的“发散—收敛—评估”自动化掉一部分，设计师把精力放在更关键的判断上。

1.2 工业设计智能体到底是个什么东西

工业设计智能体，可以理解成“会做产品设计决策的大模型 Agent”。它通常具备以下能力：

• 理解自然语言需求，包括目标用户、场景、尺寸、预算、风格；
• 调用外部工具，比如资料库、设计规范库、AI 绘画接口；
• 执行多轮对话，在设计方向跑偏时接受反馈并修正；
• 输出结构化结果，例如 Markdown 设计文档、JSON 格式的 CMF 建议、用于 3D 建模的形态描述。

它和普通“聊天机器人”的区别在于：聊天机器人只负责回答问题，智能体则要围绕一个目标，按步骤完成一连串任务，并生成可用产物。在咖啡机设计这个场景中，智能体的产物包括：设计方案、草图提示词、评审表、结构风险清单。

1.3 为什么拿咖啡机作为入门案例

咖啡机是一个非常适合验证“AI 工业设计智能体”的品类，原因有三点：

1. 结构复杂度适中。它既有箱体、水箱、手柄、旋钮、屏幕等部件，又不需要像汽车那样处理极其复杂的曲面和空气动力学。
2. 形态与品牌文化强相关。意式复古、北欧极简、工业风都可能在同一个外形框架里呈现，适合用来测试 AI 的风格迁移能力。
3. CMF 影响显著。金属拉丝、喷涂、原木贴皮、磨砂塑料这些工艺对成本影响很大，AI 如果能给出合理的 CMF 建议，就能明显减少设计师调研材料库的时间。

所以，掌握了“AI 爆改咖啡机”的流程，后续再延伸到吹风机、空气炸锅、智能家居中控台等产品，思路是通用的。

2. 环境准备与智能体搭建方式

2.1 两条技术路线怎么选

搭建工业设计智能体，目前主流有两条路线：

路线 A：低代码智能体平台

适合设计师、产品经理，不要求编程经验。常见平台包括扣子（Coze）、Dify、百炼等。在这类平台上，你可以通过拖拽节点完成“接收需求—调用大模型—输出文档”的工作流，再发布成一个小应用或服务。优点是上手快，缺点是编排复杂逻辑时不够灵活。

路线 B：Python 自建智能体

适合有 Python 基础的开发者。通过调用大模型 API，用代码封装自己的“设计 Agent”，可以自由控制提示词、输出格式、外部工具和错误处理。缺点是前期开发成本高，需要自己维护脚本和环境。

本文会先给出一条不依赖特定平台的通用思路，再给出 Python 脚本示例。原因是不同平台界面差异较大，但底层逻辑都是“提示词 + 模型参数 + 流程节点”，学通用思路更容易迁移。

2.2 环境清单与版本说明

下面是一份推荐的环境清单：

注意：以上版本不需要完全一致。大模型平台的接口、模型名称、参数格式更新速度很快，本文示例代码只是“可运行的通用思路”，放到你的实际环境里时，必须按你调用的 API 文档调整endpoint、model和请求体结构。

2.3 项目目录规划

不论用低代码平台还是 Python，都可以用下面的目录结构管理你的设计产物：

ai-coffee-design/ ├── requirements/ # 需求描述、用户调研原始材料 ├── prompts/ # 提示词模板库 ├── scripts/ # Python 调用脚本 ├── workflows/ # 智能体工作流配置 ├── outputs/ # AI 生成的设计文档、草图提示词 └── design_docs/ # 人工确认后的最终设计说明

这样的好处是，每次“爆改”都有据可查。提示词、模型输出、人工修改记录分开存放，后续复盘时知道是哪一次改动影响了最终结果。

3. 核心方法：把咖啡机需求拆成智能体能理解的提示词

3.1 需求拆解是整套流程的地基

很多人用 AI 做产品设计，上来就问“帮我设计一台咖啡机”，得到的一定是大而空的回答。因为大模型不知道你的目标用户是谁、放在哪里使用、外观想走什么风格、成本控制在什么范围。智能体再聪明，也需要清晰的输入。

在把需求交给智能体之前，至少要先回答下面五组问题：

1. 产品类型：半自动台式机、全自动胶囊机、还是便携手冲咖啡机？
2. 目标用户：家庭用户、办公室用户、咖啡馆吧台用户？年龄和审美偏好？
3. 使用场景：摆在家里餐边柜，还是放在办公室茶水间？周围环境是原木家具多，还是科技感更重？
4. 设计约束：长宽高尺寸、水箱容量、预算、模具成本、量产工艺。
5. 风格关键词：极简、复古、工业风、暖感、科技感等，尽量给出 3 到 5 个。

这个拆解过程可以直接由人类完成，也可以先让 AI 辅助完成。本文示例采用“人工先给约束，智能体再发散方案”的方式，所有步骤都在文本层面完成，不需要复杂的数据集。

3.2 一套可复用的咖啡机设计提示词模板

下面是一份可以直接放入prompts/coffee_design_prompt.md的提示词模板：

你是一名资深工业设计师，专注小家电产品设计，尤其擅长咖啡机设计。 请根据以下产品需求，生成 3 个外观概念方案。 【产品需求】 - 产品类型：桌面半自动咖啡机 - 目标用户：20-35 岁家庭用户 - 使用场景：家庭餐边柜 / 办公室茶水台 - 设计风格：现代极简，带一点复古元素 - 尺寸约束：长不超过 40cm，宽不超过 25cm，高不超过 32cm - 功能模块：水箱、冲煮头、蒸汽杆、接水盘、旋钮、压力表 - CMF 偏好：深空灰主体 + 原木色侧板 + 磨砂金属点缀 【输出要求】 1. 每个方案包含以下字段：方案名称、设计理念、形态特征、人机交互、色彩材质工艺（CMF）、结构备注。 2. 形态特征要足够具体，方便后续生成 3D 模型和渲染图，避免只写“简洁”“好看”。 3. 结构备注要提示可能影响模具、散热、水箱安装、蒸汽管道布置的位置。 4. 整体使用 Markdown 表格或分点描述，不要输出与方案无关的内容。

这个模板有几个关键点：

• 角色设定放在最前面，告诉模型“你是资深工业设计师”，缩小回答空间。
• 功能模块必须显式列出，否则 AI 容易漏掉蒸汽杆、压力表这类咖啡机标志性元素。
• 尺寸约束帮助模型在后续生成图像提示词时保持比例稳定。
• 输出要求明确字段，让结果可控、结构化，方便直接转成文档。

3.3 控制随机性的模型参数

大模型生成文本有随机性，设计场景下需要平衡“创意”与“稳定”。最常调整的是temperature参数：

• temperature接近 0 时，输出更保守、更倾向于高频词汇，适合生成标准化检查表。
• temperature在 0.7-0.9 时，输出更有发散性，适合概念方案生成。
• temperature高于 1 时，内容可能混乱、语法破碎，不建议使用。

如果你是第一次跑，建议先用 0.8 生成三个概念，再逐步降到你满意的范围。后面代码示例会演示怎么传这个参数。

4. 搭建一个“咖啡机工业设计智能体”工作流

4.1 工作流节点设计

在低代码平台里，智能体工作流通常长这样：

开始节点（接收用户需求） → 需求解析节点（大模型提取约束关键词） → 设计方向生成节点（大模型生成 3 个概念） → 草图提示词生成节点（把概念转成 AI 绘画提示词） → 结构风险检查节点（大模型结合经验输出备注） → 文档汇总节点（输出 Markdown）

这一步看似简单，却对应着工业设计中最常见的“需求—方案—表现—检查”四步循环。低代码平台的优势是每个节点都可以可视化测试：你先单独跑“设计方向生成”，看到输出不错，再把它接到下一个节点。

如果你用的是扣子这类平台，通常还要为每个大模型节点填写独立的系统提示词。可以把 3.2 节的模板拆开，一部分放在“需求解析节点”，一部分放在“设计方向生成节点”。不要把所有任务都塞到同一个大模型节点里，否则输出会变得不可控。

4.2 Python 脚本调用大模型生成设计方向

低代码平台适合日常使用，但如果你想批量生成、自动归档，或者把智能体嵌入自己的设计工具，还是需要 Python 脚本。下面是一个通用调用示例，不绑定任何一家 API，重点展示结构：

# 文件路径：ai-coffee-design/scripts/generate_design.py import requests import os def call_llm(prompt, system_prompt=None, temperature=0.8): # 请根据实际调用的 API 修改 endpoint、model、鉴权方式 api_key = os.getenv("LLM_API_KEY") endpoint = os.getenv("LLM_ENDPOINT", "https://your-llm-endpoint.example.com/v1/chat/completions") headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } body = { "model": os.getenv("LLM_MODEL", "your-model-name"), "messages": [ {"role": "system", "content": system_prompt or "你是一名资深工业设计师"}, {"role": "user", "content": prompt} ], "temperature": temperature } resp = requests.post(endpoint, headers=headers, json=body, timeout=120) resp.raise_for_status() data = resp.json() return data["choices"][0]["message"]["content"] if __name__ == "__main__": with open("../prompts/coffee_design_prompt.md", "r", encoding="utf-8") as f: prompt_text = f.read() result = call_llm( prompt_text, system_prompt="你是一名资深工业设计师，输出要专业、结构化、可落地。", temperature=0.8 ) with open("../outputs/design_concepts.md", "w", encoding="utf-8") as f: f.write(result) print("已生成设计概念方案，输出路径：outputs/design_concepts.md")

运行时，按你的实际环境配置环境变量：

export LLM_API_KEY=your_key_here export LLM_ENDPOINT=https://your-llm-endpoint.example.com/v1/chat/completions export LLM_MODEL=your-model-name cd ai-coffee-design/scripts python generate_design.py

说明几点：

• LLM_ENDPOINT和LLM_MODEL是示例写法，不同服务商差异很大。有些平台还需要appid、workspace等字段，请按官方文档补齐。
• 如果返回结果解析失败，先打印原始响应，检查是不是接口返回了choices以外的结构。
• 建议设置timeout=120，因为设计场景下提示词较长，生成耗时可能比普通聊天更久。

4.3 把输出转成 AI 绘画提示词

视觉概念设计阶段，我们往往还需要把文字方案变成草图或效果图。这个过程可以通过两个大模型节点完成，也可以手动写一个转换提示词：

请把下面的产品方案转换成适合 Stable Diffusion 或 Midjourney 使用的英文提示词。 要求： 1. 包含主体视角、材质、色彩、光影、构图。 2. 使用工业设计渲染风格关键词，比如 3D render, product design, studio lighting。 3. 不要出现语义冲突的词汇，比如同时说 “极简” 和 “繁复”。 待转换方案： （这里粘贴第 2 节生成的某一个概念方案）

写转换提示词时，常见误区是让 AI 直接输出包含品牌名的图片。建议提示词里只写“咖啡机”，不要写具体品牌，否则容易生成商标混淆的参考图，也容易涉及版权风险。

4.4 与 AI 绘画工具联动

如果你用的是 Stable Diffusion WebUI 或 ComfyUI，可以直接把上一步生成的英文提示词复制到绘图工具里。以 ComfyUI 为例，你通常需要一个文本节点（CLIP Text Encode）来接收提示词，然后进入采样器生成图像。这段属于外部工具操作，不同版本界面的路径可能有差异，但核心思路一致：智能体负责把产品需求翻译成图像生成语言，图像工具负责视觉化，三维软件负责结构化。

5. 完整实战：用智能体爆改一台桌面咖啡机

5.1 输入需求

为了演示完整流程，我们使用一个简化需求：

产品：桌面半自动咖啡机 用户：22-35 岁独居或合租用户 场景：小型厨房台面，面积有限 风格：复古与现代极简结合 尺寸：长小于 35cm，宽小于 22cm，高小于 30cm CMF：哑光灰绿色机身，黄铜色旋钮，木材或仿木纹侧板 特别注意：水箱要容易拆卸，蒸汽杆不能影响收纳

5.2 智能体输出的三个设计方向

把需求放入 3.2 节的提示词模板后，智能体可能输出类似下面的方案摘要：

这个阶段不要急着下结论，重点是看 AI 是否覆盖了不同思路。通常让 AI 多给几个方向，比只给一个方向更容易激发灵感。

5.3 生成可落地的 AI 绘画提示词

针对“复古圆角”方案，转换后的英文提示词可以是：

industrial design product render, retro-modern espresso machine, compact desktop size, matte gray-green metal body, walnut wood side panels, brass rotary knob, small round pressure gauge, minimalist front panel, removable water tank, steam wand folded, soft studio lighting, neutral background, 3/4 side view, high detail, 8k, product concept design

这里的关键词“matte gray-green metal body”“brass rotary knob”都直接来源于智能体输出的 CMF 方案。不要不加修改地复制 AI 绘画网站上那些只强调“beautiful, masterpiece”的提示词，因为对工业设计来说，材质和视角的描述比抽象美学词汇重要得多。

5.4 结构风险检查

下一步，把方案重新交给智能体，要求它做一次结构可行性评估：

你是结构工程师，请对下面的咖啡机外观方案做风险检查： 1. 蒸汽杆收纳是否影响水箱拆卸？ 2. 压力表放在正面是否与内部锅炉、水泵冲突？ 3. 灰绿色金属喷涂在小批量生产时，色差控制难度如何？ 4. 如果机身高度限制在 30cm，内部加热块和豆仓还能否布置？ 请用风险等级 + 解决建议的格式输出。

这个环节体现了“智能体”和“简单搜索”的区别。AI 不一定能给出绝对的工程答案，但可以帮你列出一份结构检查清单，让你在进入三维建模前就意识到潜在问题。

5.5 输出设计文档并人工签名

最终，所有智能体生成的文本都要汇总到design_docs/coffee_concept_v1.md，由设计师或产品负责人逐条确认。AI 可以承担发散工作，但“最终签名字”的必须是人类。这一步既是对设计负责，也是所有 AI 辅助流程中的核心安全边界。

6. 常见问题与排查思路

6.1 问题速查表

6.2 提示词跑偏怎么回溯

建议把每一次实际输入和输出都保存到自己项目目录里。不要只保留最终结果。比如outputs/design_concepts_v1.md、outputs/design_concepts_v2.md按版本命名，方便对比。很多时候，“AI 设计质量不稳定”的问题出在输入侧：今天是“给 3 个方向”，明天是“给 3 个方向再加外壳材质”，结果自然不一样。只有记录输入，才能定位输出变化原因。

6.3 关于“AI 版权”和安全边界

使用 AI 生成设计概念时，要特别注意：

• 不要直接上传未公开的专利图纸或客户机密资料到第三方平台，除非你已经确认数据不会被用作训练。
• AI 生成效果图如果基于某品牌外观做“致敬”，不要用于商业发布。
• 涉及结构强度、电气安全、食品接触材料时，AI 建议只能当参考，必须由专业工程师做仿真和测试。

这也符合工业设计智能体的最佳实践：AI 是“前期发散工具”，不是“合规签单工具”。

7. 最佳实践与工程建议

7.1 用版本管理维护提示词库

提示词会随着项目迭代不断优化。建议把prompts/目录纳入 Git 管理。当你发现某条提示词生成的方案质量明显更好，就提交一次更新，并记录效果备注。这样团队其他人也能复用你的提示词，而不是靠微信消息传递零散文本。

7.2 多智能体协作，而不是一个巨型 Agent

一个什么都管的智能体，往往什么都不精。更推荐拆成几个职责单一的子智能体：

• 需求解析智能体：把用户访谈和产品 brief 转成结构化约束；
• 形态设计智能体：负责外观方向、比例、造型语言；
• CMF 智能体：负责颜色、材料、工艺、表面质感；
• 结构评审智能体：负责模具可行性、装配顺序、散热风险。

在低代码平台上，这几个子智能体可以通过数据库或文件互相传递结果。在 Python 自建方案中，可以用类或函数封装成不同模块。

7.3 建立企业私有设计规范库

如果公司已经积累了大量设计规范和成功案例，可以把它们整理成文本或知识库，通过 RAG（检索增强生成）嵌入智能体。比如：

• 品牌色规定：不能使用哪些潘通色号；
• CMF 标准：金属拉丝纹路的宽度范围；
• 安规约束：电源开关必须具备断电保护；
• 历史教训：某类造型在注塑时容易出现缩水。

这样一来，AI 生成的设计方案从一开始就不会触碰这些红线。如果没有现成规范库，可以先拿 10-20 条最常见的设计禁忌做一个小文本库，再逐步扩充。

7.4 人机分工要明确

我比较推荐这样一条分工原则：

• AI 负责：发散、整理、翻译、检查遗漏、生成草图提示词、对比方案优劣；
• 人负责：设定边界、确定方向、评估审美价值、判断品牌是否契合、做最终决策。

不要让 AI 自动生成“唯一确定方案”，也不要在没有结构验证的情况下把钱花在开模上。设计这件事仍然需要人的判断力，AI 只是把重复劳动压缩掉了。

7.5 关注智能体应用安全

随着智能体应用越来越广，也要关注它可能带来的风险。比如提示词注入、越权读取、敏感数据泄露等。工业设计智能体如果接入了公司私有数据，必须做权限控制：

• API 密钥不要写死在代码里，使用环境变量或密钥管理服务；
• 外部调用要限制单次请求数据量，避免一次上传完整图纸；
• 对智能体输出做内容审核，防止生成与品牌形象冲突的方案。

AI 智能体的价值，只有在“可控”的前提下才能稳定发挥。

8. 总结与下一步实践建议

回顾整篇文章，最核心的一条经验是：AI 爆改咖啡机，不是让 AI 包办设计，而是把需求拆解、方案发散、视觉转换、风险检查这几个环节塞进智能体工作流里。你需要先掌握一套高质量的提示词模板，再配置一个多节点工作流，最后用 Python 或低代码平台把它落地。整个过程对新手很友好，不需要一开始就深入算法原理。

接下来你可以按这个顺序继续进阶：

1. 先复制本文的提示词模板，手工跑通一次“需求到方案”；
2. 把方案输入 AI 绘画工具，生成一组概念图；
3. 在低代码平台上复刻工作流节点，体验自动化；
4. 然后尝试用 Python 脚本批量生成，并加入版本管理；
5. 最后再逐步引入结构评审和 RAG 私有规范库。

如果你现在正在做小家电或消费电子类产品，建议从“给现有产品换一个外观方向”开始练手。这样做试错成本很低，但能快速看到智能体对设计探索效率的提升。AI 设计工具的更新速度很快，但“拆任务、写提示词、控输出、人工审校”这套工作流，会是你长期可以复用的底层能力。