高校AI原型教学实践：效率提升背后的设计技能退化风险

教学生用 AI 工具而非 Figma 做原型，揭示了令人兴奋的可能性和令人不适的取舍。这也为了解非技术人群如何用生成式 AI 创建应用提供了宝贵洞见。

我在 UPM 时装学院向服装设计本科生和硕士生教授数字原型设计。我的课程聚焦于探索能够丰富时尚体验的应用概念。过往项目想法涵盖从审美共鸣社交社区（及约会）和真人实境时尚品牌游戏，到智能服装升级改造、VR 时尚推荐，甚至室友共享洗衣应用等。

在之前的学期里，我要求学生使用 Figma 和标准设计软件制作原型。然而，上个学期，我们转向了完全基于 AI 的工具集，包括 Google Stitch、Google AI Studio 和 Lovable。

这一转变的主要原因是，正如 Philip van Allen 在其前 LLM 论文中所预见的那样，新型 AI 设计工具（如 Lovable 或 Bolt）比经典的静态屏幕式设计工具（如 2025 版 Figma）更适合探索动态交互行为和流程。Precious Ogar 在其文章 AI-Focused Prototyping: A Practical Guide for UI/UX Designers 中更详细地讨论了这种方法。

这种转变的影响超出了我的预期，并带来了一系列新挑战。首先，生成式 AI 改变了原型的本质：我们不再构建相互关联的模型来模拟体验，而是创建感觉更接近真实产品的动态功能应用。

更重要的是，它也改变了学生练习设计技能和思考产品设计的方式——可能变得更糟。对工具的更大依赖意味着用于概念化的时间减少。无尽的提示和细化取代了掌握基础设计技能所需的动手实践。而这些技能对于创建生产级体验仍然高度相关。

然而，最终成果让我的学生真正有信心自己构建 AI 赋能的应用——这让我深感满足，并相信这是 事实。

最终，这次经历让我确信，使用新一代工具进行原型设计需要一种新的设计素养——它更强调思考我们的设计，而不是构建它的机制。

以下是我在向服装设计学生教授 AI 原型设计时学到的一些关键经验教训。它们没有特定顺序，范围和相关性也各不相同，但我认为每一条都为教育者和设计师提供了有价值的见解。

我们在构建什么？

传统上，原型只是一组交互式模型——一种快速、低投入的方式来测试概念，而无需构建 MVP 或真实 应用。

但 GenAI 模糊了这一界限。如今，任何人都可以在大致相同的时间内创建一个部分可用的应用。而且由于这些应用由实际的 JavaScript 和 HTML 代码组成，它们可以包含实时用户认证、持久存储和支持所有类型的业务逻辑等真实功能。换句话说，你正在创建一个常规 Web 应用，而不是经典原型。

但这种令人印象深刻的能力给我的学生设下了一个概念陷阱。许多人认为，他们正在创建的应用程序天生就具备构建这些应用程序所使用的工具所具有的同样“神奇”的 AI 能力。有些人甚至将这些工具视为神谕，正如 Olmanson 等人在对设计学生的研究中所观察到的那样。

他们期望自己的原型能够开箱即用地识别图像、执行语义搜索或生成视频。他们似乎忽略了 GenAI 工具生成的是常规 Web 应用程序。添加真正的 AI 功能需要大量的设置工作，这远远超出了我们课堂的 范围

我不得不在课堂上直接解决这一误解。我需要让学生理解他们在构建什么以及其局限性在哪里。当他们的概念要求复杂的 AI 能力时，我会引导他们回到原型设计的基本原理：使用模型、预定义状态和预生成的媒体来模拟体验。

即使在 AI 时代，原型设计的黄金法则依然成立：假装它存在，而不是真正去实现 它。

产品愿景属于 你

不可避免地，大多数学生开始使用高层次、通用的提示词进行原型设计。他们对结果很快感到失望。不仅仅是视觉效果或交互，而是产品本身不符合他们的预期。

当我要求学生描述他们想要构建的产品时，很快就发现大多数人自己也无法想象出它的样子。因此，我让他们对自己想要构建的东西形成更清晰的愿景。从主页开始，写下产品将向用户展示哪些信息，以及允许用户执行哪些操作。然后，确定应用程序的主要部分，并对 每个部分重复同样的练习。

一旦他们理清了这些思路，他们的进展就快得多，因为他们能够更清晰 地传达自己的意图。

概念模型也属于 你

这直接引出了下一个挑战。在详细说明应用程序行为和流程时，反复出现的挑战是心智模型错位。即使学生对产品的运作方式有了更清晰的想法，AI 工具经常生成的东西与他们的意图完全不同。这些替代方案可能是完全合理的。但它们并不适合学生试图构建的 产品。

当我们讨论如何为他们的应用程序指定高层设计方面时，帮助随之而来。我向他们介绍了心智模型和概念模型。在某些情况下，我们应用了非常粗略的 概念语法（映射对象、属性、动作和关系）。这使得我们能够更有效地将用户的心智模型映射到他们的应用程序中，并帮助学生更有信心地提示他们期望产品具备的详细行为。

这一课也适用于专业设计师。生成式 AI 擅长为常规问题提供平均水平的解决方案。但如果你正在设计复杂、新颖或非传统的东西，AI 可能会默认采用标准模式并忽略你的意图。要有效地利用 AI 进行设计，拥有清晰的概念模型是不可妥协的。

提示词编写可能令人生畏

因为每个人每天都在使用应用，起初我的学生认为向 AI 工具描述一个应用应该很容易。这似乎简单得有点过头了。但在经过最初几轮提示后，这种信心很快变成了挫败感。结果往往达不到他们的预期，在某些情况下，输出与他们原本想要的内容完全不同。Olmanson 等人在他们的研究工作中也观察到了类似的看法。

为了提供帮助，我建议他们先使用 LLM 优化提示词，然后再将其输入到原型制作工具中。这在某些情况下效果很好。然而，一些学生最终在 ChatGPT 或 Gemini 中无休止地打磨提示词，而不是在实际的 vibe-coding 工具中进行测试。对某些人来说，优化提示词成了一种回避审视原型本身的方式。

那时，我不得不提醒他们，迭代是关于改进和评估原型（即工具的产出），而不是无休止地完善提示词。

设计词汇至关重要

始终能提高结果质量的一点是使用标准的设计词汇。当学生用日常语言描述界面时，输出往往平庸或不一致。一旦他们开始使用既定的设计术语——如 button group、navigation menu、card、accordion、modal dialog 或 splash screen——AI 就变得精确得多。对于常见的 UI 行为术语也是如此，例如 transition、persistence、overlay、scroll 和 animation。在某些情况下，一些基本的软件开发词汇也被证明很有用。

这非常有道理，因为 AI 工具的内部通用货币是语言。我们的词汇越精确，它们就能更好地理解构成界面的元素以及这些元素应如何表现并响应用户交互。

Azamnouri 等人 (2026) 设立了一个类似的 AI 教育项目，也发现他们的学生需要掌握某些技术能力才能成功地将他们的应用创意制成原型。

英语产生了更好的结果

我们的课程在马德里进行，大多数学生自然是用西班牙语编写提示词。虽然这绝非一项受控研究，但我们注意到用英语编写的提示词往往能产生更准确的结果，并很快成为课堂上的一个实际考量因素。

这可能反映了 AI 工具中的隐性偏见，部分原因是用于训练它们的大量材料都是英语的。如果我们看到这种现象出现在西班牙语这一世界上使用最广泛的语言之一上，那么对于在线资源少得多的语言（如加泰罗尼亚语或马其顿语）来说，差距可能会更大。语言支持为 AI 工具带来了真正的包容性设计挑战。

元素定位的价值

这看起来可能是一个小问题，但它提供了一个非常实用的教训。学生们常常难以控制优化的范围。工具经常将修改应用到远超学生预期的地方。这反映了提示词由于其自身的描述性质，使得定义精确的范围变得困难。

幸运的是，大多数现代 AI 设计工具允许你选择屏幕上的特定元素——卡片、按钮、图像或区域——作为提示词的目标。

那次小小的互动带来了巨大的差异。通过在提示前缩小范围，学生获得了更准确的结果，并遇到了少得多的麻烦。这也强化了与 AI 协作的一个重要原则：上下文越清晰，结果就越 好。

定价是一个教育问题

定价是一个重要的限制因素。在准备课程时，我联系了几家 AI 公司，包括 Lovable、Base44 和 Claude，询问学术定价事宜。没有针对班级的特定方案，而且对于需要学生自由探索的课程来说，他们的标准方案既昂贵又不可预测。不幸的是，在这些条件下，我的大学拒绝提供 资金。

这是一个严重的局限。探索并非设计教育的可选部分。学生需要空间去尝试想法、犯错、放弃方法并重新开始。在教育环境中，基于积分的定价显然惩罚了这种类型的实验。

Google 的 vibe suite

因此，我们最终大量使用了 Google 的 AI 设计产品，因为它们提供了最慷慨且全面的免费方案。我们本来就要使用 Google Stitch。它是 Google 的 vibe 设计工具，对于视觉和交互概念的广泛探索特别有价值，而这些概念在快速原型设计的早期阶段至关重要。一旦方向明确，学生们就转向 Google AI Studio，这是一款真正的 vibe coding 工具，用于构建交互式应用并完善他们的 想法。

不利的一面是，我们确实遇到了一些显著的性能问题，尤其是在 Google AI Studio 方面。我们的课程在马德里（CET）的晚上进行，这恰逢美国上午和中部的办公时间。我只能推测我们是在这些工具的 需求高峰期使用时遇到了问题。

Vibe coding 是一场 QA 噩梦

使用 AI 工具进行原型制作促使学生采用一种更常与软件开发相关的策略：回归测试。

在 Google AI Studio 中修改一个功能通常会改变应用中已经完成的另一部分。新的添加可能会更改布局、破坏流程、移除功能或修改看似与提示无关的内容。在经历几次此类事件后，学生们了解到每个重要变更都需要更广泛的审查。他们必须重新测试整个应用，而不仅仅是刚刚修改的功能。此外，版本书签和历史记录在处理一些灾难性更新时非常有帮助。

虽然代码依赖关系可以部分解释这种行为，但有时它看起来相当随机。无论如何，这是目前应用创建者不得不面对的 vibe coding 相当令人沮丧的现实。

AI 原型制作更慢吗？

这是本课程最令人震惊的结果。总体而言，我的学生使用 AI 工具创建原型比使用 Figma 花费的时间略长。

原因可能在于他们实际上正在构建更接近完整应用程序的东西，而不是像传统原型制作那样通常只是带有某些交互的应用外观。

虽然 vibe coding 工具可以在几分钟内产生惊人的结果，但创建一个完全可用的原型的明显过程涉及更多的决策、更多的调试和更多的测试。这也要求学生对他们试图原型化的产品有更深入的理解。

AI 与设计师技能退化

迄今为止，最令人担忧的教训与教育体验有关。使用 AI 工具的学生能够创建更丰富、更完整的体验。他们探索了更具雄心的产品概念，甚至构建了可运行的应用。这些仅靠 Figma 是无法实现的。

然而，这也意味着练习核心 UI 设计技能的机会减少了，例如布局排列、通过尺寸、颜色和间距建立视觉层次结构，或运用格式塔原理对元素进行分组。相比之下，我以前的学生群体使用传统原型工具，毫无疑问在这些关键 领域培养了更强的能力。

也许，正如 Lee 等人（2025）在其研究中证实的那样，依赖生成式 AI 工具会减少用户的认知过程和批判性思维。最终，这种影响可能导致技能水平降低。Slava Polonski 在他的文章“AI 技能萎缩：我们是否正在忘记如何思考？”中也表达了类似的担忧。

这里存在一个令人不安的悖论。我们目前目睹了产品设计师的角色正转向在设计过程中更高程度的参与，从业者可能从更繁琐的 UI 工作中被取代。然而，为了有效地监督设计，设计师仍然需要扎实掌握基础知识，以识别和纠正 AI 生成输出中的任何问题，无论是概念、视觉还是交互方面的问题。

另一方面，我们面临着学生核心设计技能退化的可能性。这些技能传统上是通过使用 Figma 等工具的动手实践获得的。现在的诱惑是将课程时间转向基于 AI 的设计实践。这实际上存在着使那些很快将被要求监督 AI 生成输出的人技能退化的风险。

这对设计教育有着明确的影响。我们不能用基于 AI 的工具实践来替代核心技能学习。但也不能因为基于 AI 的设计实践具有巨大潜力而忽视它。我们的挑战是将这两种类型的学习整合到课程中，使学生为他们未来作为 AI 设计师的角色做好准备。

最后想法

用 AI 工具取代 Figma 不仅仅是加速原型制作。它改变了学生实际构建内容的本质。他们不再仅仅创建体验的外壳，而是能够构建功能性的应用程序，其外观可以惊人地接近真实产品。一个关键的收获是，学生需要了解 AI 工具实际在创建什么，如何以及何时融入 AI 相关功能，以及何时逼真的模拟是更好的 选择。

进步最大的学生是那些形成了清晰的产品愿景和某种形式概念模型的学生。能够解释他们的产品应该展示什么以及应该如何表现，使他们成为更有效的构建者。设计词汇、英语提示词、针对特定元素以及在大语言模型中对提示词的有限优化，在大多数 情况下都被证明是有用的。

与此同时，这段经历也暴露了氛围编程不那么吸引人的一面。构建一个功能原型比制作传统的交互式模型需要更多的决策、测试和调试工作。这通常意味着付出更多的精力和时间。基于积分的定价机制和不稳定的性能也限制了我们课程所依赖的探索性工作。而且，由于 AI 工具处理了大量细致的 UI 工作，学生花在练习视觉和交互设计基础上的时间减少了，而这些基础技能可能是他们 未来所需的。

这是给设计教育者的核心启示。我们需要保留那些让学生通过动手实践来培养设计基础能力的环节，同时教会他们如何负责任且有效地使用 AI 工具。我们不能将这两者视为相互竞争的方法：学生两者都 需要。

尽管存在这些缺点，我发现最终成果确实令人鼓舞。我的学生在结课时感到自己有能力独立将产品创意转化为 MVP 应用。我相信，这种建立在对这些工具的可能性与局限性理解之上的自信，是他们收获的最宝贵的东西。

资源

• Azamnouri, A., Hörauf, D., Schönberger, B., Bogner, J., & Wagner, S. (2026). Teaching AI competencies: 指导跨学科团队开发 AI 原型的经验.
• Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). 生成式 AI 对批判性思维的影响：一项针对知识工作者的调查中自我报告的认知努力减少与信心效应.
• Nielsen Norman Group (2025). 真实设计情境中的 AI 原型制作.
• Olmanson, J., Hassani, A., & Larsen, G. (2025). 利用生成式 AI 学习教育技术原型制作.
• Ogar, P. (2025). AI-Focused Prototyping: UI/UX 设计师实用指南.
• Polonski, Slava (2026). AI 技能退化：我们是否正在遗忘如何思考？
• Van Allen, P. (2018). AI 原型制作的方式。Interactions.