Meta 亲述如何把 AI 设计产出从“看着像”做到 87% 可直接投产，方法论可整套照抄
Designed to be read: making a system AI can actually use ft. Harvey Whiting (Meta) | Config 2026 · Harvey Whiting
全片 15 分钟·真正值得盯屏约 2 分钟·2 个必看点
- 0:12 – 3:20听
AI slop：快但错的设计
开场抛出问题：AI 生成设计绝大多数“看起来合理”，但一对照真实设计系统就露馅，失败呈现三种一致模式——低保真、低可重复性、复杂度下的上下文崩塌。
同一 prompt 每次结果不同的低可重复性，比单次出错更侵蚀设计师的信任
此段以口头论述铺陈问题，章节标注无关键画面，通勤听完全不损失信息▶ 跳到 0:12讲者 · Harvey Whiting - 3:20 – 5:30听
三个根因与一句判词
拆解 AI 表现差的三个根因：开放网络训练的模型不懂专有系统且“不知道自己不知道什么”；设计系统复杂到人都记不全；以及期望 AI 一次成型本就不合理。
“没有质量的速度只是昂贵的噪音”——设计师不会用以质量换速度的工具
纯论证段落，金句密度高但不依赖画面，适合听▶ 跳到 3:20讲者 · Harvey Whiting - 5:30 – 7:13略
Golden sets：给 AI 迭代的机会
既然迭代是设计师达到质量的方式，就给 AI 同样的机会：用 golden sets 反复运行系统、量化度量每轮产出，并设定“至少 80% 达到高精度”的合格线。
把“AI 输出好不好”从主观感受变成可量化、可迭代的评测指标
评测方法配幻灯片呈现，扫一眼指标定义即可，重点在讲解▶ 跳到 5:30讲者 · Harvey Whiting - 7:13 – 10:25略
87% 达标，然后是 MCP
迭代评测把高精度产出率做到 87% 后，Meta 发现手动反馈循环无法规模化，转向 MCP 构建“上下文交付系统”：把组件、文档、颜色、间距、内容规范等全维度装进基础设施，让任何 AI 工具按需精确取用。
地基是上下文——设计系统若没有以 AI 可消费的方式结构化，一切都建在沙子上
87% 结果页是 LLM 判定的关键视觉时刻（433s），值得停帧看一眼，其余为架构图讲解，可快速扫过▶ 跳到 7:13讲者 · Harvey Whiting - 10:29 – 13:00略
第三支柱：Agents 登场
上下文是知识，技能是知道何时为何运用知识，两者组合交给 agents 后：晚上派任务次日拿结果、多个 agent 并行探索 10 个方向、六个词生成一个功能的完整设计。
这些工具到来得比所有人预期都快，提前备好上下文和技能的团队将是行动最快的一批
633s 处是 LLM 标记的视觉时刻，agents 工作流的演示画面值得看，配合口头描述扫读即可▶ 跳到 10:29讲者 · Harvey Whiting - 13:00 – 15:29听
三条建议与“黏土”范式
收尾给出三条可执行建议：审计你的上下文、拥抱反馈循环（re-prompt 不是返工，就是工作流本身）、为 agents 做准备；并抛出范式转变——对语言模型而言 Swift、HTML、Figma 都是代码，“生产级产品像黏土一样随手塑形”已在 Meta 开始运作。
把 AI 当新入职设计师对待：给足背景与问题定义，迭代纠正本身就是工作流
行动清单与愿景论述以口头为主，无演示画面，听完记下三条建议即可▶ 跳到 13:00讲者 · Harvey Whiting