Muse 项目放出来之后，我朋友圈里的产品设计同行几乎都在聊它。大家的反应很一致：第一眼觉得惊艳，第二眼开始疑惑——它看起来像一个 AI 绘图工具，但用起来又跟市面上那些“输入一句话出张图”的东西完全不是一回事。为什么会有这种差异？作为一个长期做设计工具、也在 AI 产品上踩过不少坑的产品设计师，我花了一周时间把公开演示、交互细节和相关访谈反复看了几遍，从产品定位、交互逻辑、信任机制、团队协作四个维度做了拆解。这篇复盘不聊模型参数，不聊市场预测，只回答一个问题：如果我们要做一个类似的 AI 创作产品，最应该学的几板斧到底是什么。
1. 项目到底在做什么：先搞清楚它解决了什么问题
1.1 它不是滤镜，而是一套嵌入创作流程的辅助系统
只看宣传片很容易误判，觉得它就是一个生成图片的工具。用户输入描述，AI 给结果，这不新鲜。新鲜的是，它把生成能力嵌进了“正在画一张画”的过程里——不是在空白画布前替用户画完，而是在用户画到一半时，提供符合当前画面上下文的建议、补全、扩展和参考。首批体验用户里有人形容得很好：“它不是来替我的，它是站在我旁边看我画的那个人。”
这个定位上的差异，会直接决定产品后续的所有设计决策。如果定位成“AI 生成器”，产品设计的重心一定在提示词、模型参数、结果画廊这些环节上；如果定位成“创作辅助系统”，重心就变成了画布交互、操作反馈、撤销栈、笔刷联动。Muse 项目很显然是后一种，而且执行得很彻底。整个界面刻意保持了传统绘图软件的框架——画布在中间，工具在两侧，历史记录在下——AI 功能像一件件普通工具一样被“摆”在那里，而不是单独跳出来告诉你“我可以帮你”。
1.2 服务对象不是围观的人，而是真正动手创作的人
这个项目从第一天起就没有打算迎合泛用户。看它的默认工作流、快捷键布局、图层管理方式，就能判断出来：目标用户是插画师、概念设计师、视觉工作室里每天都在画图的人。这些人不会因为“AI 很酷”就留下来，他们在意的只有一件事——这个工具能不能让我的工作更快、更好、更可控。
想清楚这一点之后，很多产品决策就顺了。比如不提供“一句话生成整幅作品”的入口，因为专业用户不做这种事；再比如生成的每一个建议都可以被直接编辑、微调、推翻，因为专业用户不可能接受一个“不可改的答案”。反观不少 AI 创意产品，为了首发效果拼命做“生成一整张壁纸”的仪式感，结果吸引来的全是玩一次就走的用户，留存数据非常惨。Muse 项目选择了一条更难但对的方向：把 AI 变成一个专业工具里的好用功能，而不是让专业工具去迁就 AI。
2. 做对的第一个判断：让 AI 当助手，而不是当作者
2.1 主动权的三个设计落点
我在自己经手过的一个 AI 绘画工具里，曾经吃过“AI 太上进”的亏：AI 会主动帮用户画完背景，会自作主张把颜色调好，用户觉得自己像在审核机器人干活，而不是在创作。Muse 项目显然吸取了同类产品的教训，把主动权牢牢放在用户手里，体现为三个具体设计。
第一，所有 AI 建议都是被动出现或者半被动出现的，用户可以通过快捷键、笔势、右键菜单主动呼出，而不是 AI 自己弹出来刷存在感。第二，AI 生成的内容默认不是“最终结果”，而是“候选参考”，用户选中后可以继续用笔刷修改，直接改到面目全非也没问题，系统不会拦你。第三，即使你完全不使用任何 AI 功能，它依然是一套完整好用的绘图软件，不存在“不联网就废了”的情况。这三点加在一起，传达的信息很清楚：你才是作者，AI 只是那个手速很快的助理。
2.2 从生成结果到生成过程的转变
传统 AI 绘图产品把“生成结果”当核心增值点，产品设计的主战场在结果展示与筛选。Muse 项目的思路则完全相反：它把 AI 能力拆碎，分散到创作过程中的每一个动作里。你做选区时它帮你补全选区，你铺色时它帮你预测下一个笔触的方向，你画完草稿它帮你快速铺一版底色。整个过程里用户始终在“画”，AI 只是在背后做计算和预测。
这个转变对设计团队的要求完全不同。设计一套“生成结果展示”的界面相对简单，无非是卡片、瀑布流、筛选器；设计一套“贯穿创作过程”的 AI 体验，需要设计师懂绘画流程、懂笔压、懂图层习惯，甚至懂右撇子和左撇子在画布上的操作差异。难度高，但护城河也在那里。竞品如果要抄，抄界面容易，抄“对创作过程的理解”很难。
2.3 为什么这种定位很难复制
一句话：因为“助手”型产品要求 AI 对创作状态有持续的理解，而“作者”型产品只需要在调用那一刻理解用户需求。前者是连续的语义场，后者是离散的问答。Muse 项目和传统 AI 绘画工具之间差的不是几个功能，而是一整套状态建模——它需要无时无刻不回答一个问题：用户此刻到底想干嘛？这个问题，只有同时懂产品、懂设计、懂模型能力边界的人才能回答。
3. 做对的第二个判断：整个体验围绕“信任感”设计
3.1 每次 AI 介入都必须可解释
AI 生成类产品有一个通病：它给你一个结果，但不告诉你为什么给你这个结果。一开始用户觉得新鲜，多来几次就会产生不信任感，最终放弃使用。Muse 项目在可解释性上做了很多不起眼但很关键的设计。比如 AI 补全选区的时候，会显示一条半透明的“AI 预测路径”，用户能直观看到它打算补向哪里，而不是闭着眼睛等待一个魔法的发生。
再比如它给画面添加元素时，不只是一个孤零零的生成结果，而会附带一个简短的原因标签：“根据当前光线方向补充了环境光”。这个标签不需要多复杂，但对建立信任至关重要。心理学上有个概念叫“系统可信度”，用户只有理解了系统的行为逻辑，才会把控制权交出一部分。不可解释的 AI 功能，用户只会当玩具玩，不会当工具用。
3.2 展示中间态，而不只是展示最终态
我在拆解过程中注意到一个很聪明的设计：Muse 项目在生成流程中会刻意展示“中间版本”——草稿阶段、结构阶段、上色阶段、细化阶段会被完整保留，用户可以像回看别人画画过程一样拖动这些中间状态。这看起来只是一个小交互，背后却藏着对用户心理的深刻理解。
创作者最焦虑的时刻，不是作品画得不好，而是“不知道眼前这一步是怎么从上一部走过来的”。如果 AI 只给一个最终结果，用户会觉得这个东西是“飞”出来的，自己没法对它负责，也没法修改它。而展示中间态，相当于把 AI 的工作过程“拆开”给用户看，让用户可以在任意中间状态喊停、改写、重新出发。这种可控感，远比“生成质量高一点点”更能留存用户。
3.3 反馈速度优先于生成精度
另外有一个很务实的取舍：Muse 项目在生成反馈上明显选择了“先快后准”的策略。首批生成的预览图清晰度不高，但延迟极低，基本在用户松手后一两秒内就会出现；如果用户选中某个候选，系统后台再去做高分辨率细化和细节增强。这个顺序对创作体验极其重要。
原因很朴素：人在画画时，工作记忆是有限的。如果点击一个 AI 功能后要等几十秒才能看到结果，用户早就切换到别的动作了，等结果出来，他的思路已经断了，AI 生成的东西跟当前画面也就脱节了。先出一个低清但即时的预览，用户判断方向合不合适，再投入算力细化，实际上是让“机器等待人”，而不是“人等待机器”。
4. 做对的第三个判断：诚实呈现 AI 能力的边界
4.1 功能边界越清晰，用户越敢放心用
做 AI 产品的人容易陷入一个误区：觉得功能越强越好，最好什么都能干。Muse 项目恰恰相反，它很清楚地划出了“不做的事情”，这一点在产品策略上非常难得。
有几个典型的“不做”：不做“一键生成他人风格”的功能，因为这会引发严重的版权和风格争议；不做“帮你自动完成整幅作品”的入口，因为这会剥夺创作的署名感；不做“完全脱离人工干预的全自动绘画管线”，因为这与它的用户群体的需求背道而驰。这些功能砍掉之后，产品在功能上“少了”很多，但用户的确定性却大大增加了：我知道我用的是什么，也知道边界在哪里，我不会担心它突然做出什么我意料之外的事。
| 选择方向 | 用户感受 | 长期影响 |
|---|---|---|
| 全都能做的 AI | 混乱、不敢依赖 | 用户当成玩具，无法进入核心工作流 |
| 边界清晰的 AI | 明确、放心、可预期 | 用户愿意深度使用，形成依赖 |
| 追求炫技效果 | 惊喜但短暂 | 新鲜感消退后留存断崖 |
| 追求流程嵌入 | 平淡但持续 | 融入肌肉记忆，替换成本变高 |
4.2 把底层参数翻译成“意图语言”
另一个让我印象深刻的点是它没有把模型的底层参数直接暴露给用户。市面上一堆 AI 产品喜欢把 controlnet、denoising strength、CFG scale 这些技术概念直接做成滑块，交给用户自己调，还美其名曰“高阶功能”。Muse 项目没有这么做，它的界面里只有用户能理解的语言：“更贴近参考图”“更大胆一点”“保持结构不变”“在细节上更丰富一些”。
把技术参数翻译成意图语言，看起来只是换了个文案，实际上是产品定位的体现：普通用户不关心某个参数到底是控制噪声还是控制引导力，他们只关心“我想要的结果”和“我得到的结果”之间怎么拉近距离。设计师在这个转换里扮演的角色极其重要——因为只有懂用户、又懂模型机制的人，才知道“更大胆一点”背后应该调节的是哪几个参数，以及它们的联动效果是什么。
4.3 历史记录是所有 AI 创作工具的地基
还有一个极其基础、极其容易被忽略的点：历史记录与版本回溯。Muse 项目把每一次 AI 介入、每一次笔触修改、每一个中间版本都完整记录在历史面板里，用户可以随时回到任何一步。这件事看起来不炫酷，却是创作工具的生死线。
想一想传统绘图软件里，用户为什么敢放手做实验？因为能撤销。AI 工具如果只是“生成一个结果”，而且还经常不可控，撤销能力就成了最后的安全网。如果这个安全网不完整，用户会变得极其保守，不敢尝试新操作，产品的价值也就大打折扣了。我在以前的 AI 项目里就栽过这个跟头：当时只把操作记录到图层级别，结果用户用 AI 生成后想局部回退，却没有办法，只能整体撤销，很多用户就此流失。历史记录这种基础能力，做到位了没人夸，做不好一定被骂。
5. 做对的第四个判断：设计师深度介入产品定义与模型迭代
5.1 设计师负责定义“审美标准”
外行人容易把模型迭代当纯技术活，但真正做出好用 AI 创作产品的团队都知道，评价标准本身就非常关键。Muse 项目让设计师深度参与了“什么叫做好”的定义。生成结果的评估不能只靠指标，比如 FID、CLIP score 这些自动化指标再好，也不一定代表设计师觉得好看。
设计师做的事情包括：为模型输出的样本做多维打分——构图、色彩、光影、结构合理性、艺术风格一致性；参与构建评测集，把真实创作场景中的案例整理成模型迭代的基准；甚至直接参与写训练数据的描述文本，让模型学到更真实、更贴近创作者语境的语义。这种“审美标准”如果只靠工程师自己定，很容易变成“像素平均质量”；加入设计师视角之后，才会变成“创作中真正可用的质量”。
5.2 设计师负责把模糊意图翻译成产品方案
我在实际工作经验中发现，AI 产品里最难的一个环节不是技术，而是“用户说不清自己要什么”。用户描述需求时经常是“我想要这里更有氛围”“这个人物再生动一点”“感觉不对但不知道哪不对”。这些模糊表达背后，有一整套隐性的设计逻辑。
Muse 项目的做法是让设计师承担“意图中间层”的职责：设计师通过用户访谈、行为观察、绘画流程分析，把模糊意图归纳成可执行的产品功能。比如“更有氛围”可能被拆解成“背景光源增强”“景深层次增加”“环境色扩展”三个可调维度，再把这些维度映射到模型可理解的条件输入。没有设计师做这层翻译，产品要么只支持精确指令，把大量用户拒之门外；要么就是什么都做，但每个方向都做不深。
5.3 失败案例库是设计师给模型团队的关键输入
最后值得一提的，是项目里“失败案例库”这个概念。设计师会持续收集用户在与 AI 协作时产生的失败体验——生成结果诡异、修改无效、生成内容与画布语义冲突、用户需要反复尝试才能得到理想结果等等。这些案例被整理成结构化文档，定期交给模型团队，作为迭代方向和评测数据的重要来源。
这个机制的价值在于，它让模型迭代不再只依赖工程师自己发现问题，而是让真实用户的使用痛点直接进入技术排期的优先级序列。很多 AI 项目常年存在“技术很强、产品难用”的问题，根源就在于技术团队和用户之间隔了一个巨大的真空层。Muse 项目用失败案例库把这个真空层填上了，设计师在这里就是用户与模型之间的桥梁。
6. 从中可以复制的方法与避坑清单
6.1 四步落地法：直接照着做
复盘分析到最后，如果不给出能带走的东西，就只是纸上谈兵。我把 Muse 项目里最有复用价值的设计方法整理成了四步，你可以直接拿去做其他 AI 创作类产品。
第一步，列出你产品中“AI 可以做主”和“用户必须做主”的场景清单。凡是涉及审美方向、最终决策、风格归属的场景，一律归用户；凡是重复劳动、预判补全、搜索匹配类场景，才交给 AI。第二步，为所有 AI 操作设计完整的可取消与可修改路径。没有任何 AI 操作应该让用户感到“一旦生成，无法回头”。第三步，建立过程可视化机制。让每一次生成都有中间态，让每一个版本都可回溯，让用户理解 AI 的行为逻辑。第四步，明确写下这个产品“不做什么”，并把它放在产品文档第一页。功能边界就是信任边界。
6.2 三类常见误区的现场还原
第一个误区是“AI 能力必须外显”。有些产品觉得用户进来必须马上看到 AI 很厉害，于是把生成能力堆在首页，结果用户玩完即走，完全没有进入真实创作场景。Muse 项目的做法恰好相反：AI 是藏在画笔后面的，用户画着画着才意识到它的存在，这种发现的惊喜比一开始的炫耀更有黏性。
第二个误区是“内部概念可以直接变成用户界面”。潜空间、迭代步数、噪声强度这些词，工程师觉得很简单，用户看到只会头大。做设计的人要时刻记住：界面上的每一个词，都应该是目标用户能无意识理解的词。
第三个误区是“只优化首次体验，忽略第 100 次体验”。生成类产品常见的做法是把首次演示做得非常惊艳，但用户用了一周之后，操作路径是否顺畅、历史记录是否完整、撤销是否彻底，这些问题才真正决定留存。Muse 项目把大量功夫花在“长期使用才会感知到”的细节上，这正是它跟一次性玩具的区别。
6.3 最小团队如何快速验证这个方向
如果你也想在团队里验证这个方向，最小的配置是三个人：设计师、前端工程师、算法工程师。两周一个验证循环，节奏可以这样定：第一周做使用流程的纸上原型，把“AI 介入的时刻”全部标出来，找 5 个目标用户做访谈；第二周做高保真交互 Demo，只做一条核心路径——比如“画一个局部区域，AI 补全选区”，然后记录用户的操作时间、困惑点和惊喜点。不需要做完整功能，只需要验证一个假设：AI 在创作流程中的介入，到底是打断了用户，还是帮助了用户。
这个方法成本很低，但能快速验证产品方向是否正确。等到方向验证通过，再逐步增加模型能力，才是稳妥的路径。
我在自己的 AI 创作工具项目里体会最深的一点是：模型能力决定天花板，但产品设计决定地板。用户会不会留下来，往往不取决于 AI 生成的图有多惊艳，而取决于他画到第 20 分钟的时候，AI 有没有在他需要的地方递上一把合适的工具。每次看到 AI 产品团队急着堆功能的时候，我都会想起一个很朴素的判断标准：用户停下来盯着屏幕的那一下，究竟是困惑，还是惊喜。如果是困惑，功能再多也没用；如果是惊喜，哪怕只是一个很小的一次点击，它也会成为用户留下来的理由。
