当前位置：首页 > news >正文

GPT-Image-2：中文UI生图新范式，从提示词到可交付界面

news 2026/7/14 5:16:58

1. 项目概述：当生图模型真正开始“听懂人话”

GPT-Image-2 这个名字在产品、设计、运营圈子里最近一周几乎刷屏了。不是因为又出了个新模型，而是它第一次让我这个干了十年AI产品的人，在凌晨两点盯着屏幕愣住——不是被惊艳到，是被“省心”到。我试过不下二十个主流图文生成工具，从早期靠堆参数硬凑的 Stable Diffusion WebUI，到后来需要写三段式 Prompt 的 MidJourney v6，再到号称“专为 UI 设计”的 Nano Banana Pro，它们都卡在一个死结上：你得先是个懂构图、懂排版、懂前端语义的“准设计师”，才能让 AI 吐出一张能用的图。而 GPT-Image-2 的突破点很朴素：它不再要求你翻译需求，它直接理解需求。你告诉它“做一个深色主题的健身App首页，中央大圆环显示卡路里，周围三个小卡片分别是步数、心率、时长”，它输出的不是一堆风格混乱的抽象画，而是一张你打开就能截图发给开发说“照这个切”的图。中文不糊、间距不崩、层级不乱、配色不土——这四个“不”，在过去三年里，是所有生图工具对中文工作流最顽固的背叛。现在，它被一次性收编了。这不是参数调优的胜利，是多模态理解范式的迁移。它背后不是更强的扩散模型，而是更扎实的视觉-语言对齐训练、更鲁棒的文本布局引擎，以及最关键的——一个把“用户要什么”和“画面该是什么样”之间那层薄纸捅破的推理架构。所以这篇文章不叫“GPT-Image-2 全功能评测”，它只聚焦一件事：哪些事，你现在就能关掉 Figma、退出 Sketch、合上 Axure，直接用两句话搞定？我把过去72小时实测的全部过程、所有翻车现场、每一条提示词的迭代逻辑、每个结果背后的可复用经验，全拆给你看。适合三类人：产品经理想甩掉原型绘制的体力活；运营同学想30秒出一张朋友圈长图；设计师想把重复性切图、风格探索、方案比稿的时间腾出来做真正的创意决策。别信“AI替代人类”的虚话，信这个：你花在执行上的每一分钟，现在都变成了可以投资在判断力上的本金。

2. 核心能力解构：为什么这次真的不一样

2.1 审美进化不是玄学，是结构化视觉理解的落地

很多人看到第一张图就说“哇，好漂亮”，但漂亮不等于可用。我拆解了它生成的127张UI图，发现它的“审美提升”有非常具体的工程落点，不是靠滤镜堆出来的，而是三个底层能力的协同：

第一是空间语义建模能力。传统模型把“首页”当成一个整体标签去渲染，GPT-Image-2 则会主动解析“首页”这个概念下的子结构：“中央区域”、“顶部导航栏”、“底部Tab栏”、“内容区瀑布流”。它甚至能理解“中央大圆环”必须占据视觉重心，且周围三个小卡片需呈120度角均匀分布以维持平衡感。我在测试中故意写“首页中央放一个很小的圆环，旁边挤满文字”，它生成的图里圆环确实变小了，但立刻自动调整了文字字号和行高，避免视觉压迫——这是在做实时的视觉权重计算。

第二是中文排版的物理引擎。以前模型处理中文，本质是把汉字当像素块贴图。GPT-Image-2 内置了一套轻量级的排版规则库：它知道中文标点不能出现在行首（禁则），知道段落首行要缩进两个字符，知道按钮文字必须居中且上下留白≥字体高度的25%。我上传一张含错位中文的草图让它重绘，它不仅修正了错位，还把“立即体验”四个字的字间距从默认的0调整为-20，让按钮更紧凑——这种微操，过去只有专业排版软件才做得到。

第三是色彩系统的上下文感知。它不会孤立地选色。当我写“深色主题配荧光绿点缀”，它生成的图里，荧光绿只出现在交互元素（按钮、进度条、选中态图标）上，而背景、卡片、文字等非交互区域严格使用#121212到#1E1E1E的灰阶。更关键的是，它会根据主色自动计算辅助色：深色背景+荧光绿主色时，它给“未选中Tab”的颜色是#4A4A4A（足够灰以示不可点击），而“加载中”的旋转图标则用#88FF88（同色系但明度更高，暗示动态）。这种基于功能语义的配色逻辑，已经逼近初级UI设计师的决策链。

提示：不要把它当“画图工具”，要当“视觉产品经理”。你的提示词不是指令，是需求说明书。写“做一个好看的地图界面”不如写“地图界面需突出显示用户当前位置（蓝色脉冲圆点）、三条推荐路线（红/黄/绿实线）、周边POI图标（统一24px尺寸，间距≥32px）”。

2.2 中文零错误的本质：从OCR识别到语义生成的跨越

“中文不乱码”是表象，背后是技术路径的根本切换。老一代模型处理中文，走的是“OCR反向路径”：先生成模糊图像，再用OCR识别其中文字，发现错误就重绘——这导致文字像被水泡过的报纸，边缘毛糙、笔画粘连。GPT-Image-2 则采用“语义锚定生成”：它把中文文本作为强约束条件，嵌入到扩散过程的每一个去噪步骤中。具体来说，当模型在生成“运动记录详情页”时，“配速”、“距离”、“海拔”这三个词会作为视觉锚点，强制模型在对应区域生成清晰、独立、符合字体规范的文字块，而非后期贴图。

我做了个破坏性测试：用PS把一张生成图里的“心率”二字用马赛克覆盖，然后上传这张图+提示词“修复被遮挡的心率数据区域，保持原字体和大小”。它不仅完美还原了“心率”二字，还同步修复了被马赛克波及的背景渐变，且新文字与原图的抗锯齿程度完全一致。这证明它的文字生成不是贴图，是原生渲染。

这个能力对落地场景的价值是颠覆性的。比如电商详情页，过去你得把卖点文案单独写好，再手动P上去，稍有不慎就穿帮。现在你直接写“耳机详情页：标题‘降噪旗舰’用思源黑体Bold，副标题‘通透模式+自适应降噪’用14px灰色，参数表格分三列‘续航’‘降噪深度’‘防水等级’，数据右对齐”，它输出的就是一张带完整、可读、可商用文案的成品图。你省下的不是P图时间，是反复校对字体、字号、行距、对齐方式的决策疲劳。

2.3 “会思考”的真相：多步推理与一致性控制的工程实现

文章里说它“会思考”，其实是指它内置了一个轻量级的多步推理模块。当你输入“生成4个AI旅行App界面，横向排列”，它并非生成4张独立图片再拼接，而是先构建一个全局布局框架：确定总宽度、单屏宽度、间隔像素、统一字体栈、主色值。然后在这个框架下，分步生成每个屏幕——但每一步都受全局约束。所以你会看到，4个界面的导航栏高度完全一致（64px），状态栏图标风格统一（线性图标），甚至“返回箭头”的粗细都是2px。这种一致性，过去需要设计师手动建立设计系统并严格执行。

更关键的是它的“纠错式生成”。我测试时故意写错提示词：“生成健身App首页，中央大圆环显示卡路里，周围有步数、心率、运动时长三个小卡片，下方是本周运动趋势折线图，折线图用紫色”。它生成的图里，折线图确实是紫色，但立刻在图下方加了一行小字标注：“注：根据健康类App设计规范，折线图建议使用绿色系以传达积极信号，已自动优化为#4CAF50”。它没按错误指令执行，而是调用了内置的设计规范知识库进行干预。这种能力，让提示词容错率大幅提升——你不用是专家，也能得到专业级结果。

注意：它的“思考”有边界。它能优化配色、调整布局、修正常识错误，但无法理解业务逻辑。比如你写“社区动态页显示用户打卡，按点赞数排序”，它能画出带点赞数的卡片，但不会自动把点赞数最高的卡片放在最上面——排序逻辑仍需你明确指定。

3. 六大落地场景详解：从需求到交付的完整链路

3.1 场景一：产品架构图——从半天手绘到30秒生成

为什么值得做？
架构图是产品方案的骨架，但90%的架构图只用于内部对齐，无需达到出版级精度。用Visio或飞书多维表格画，耗时主要在对齐节点位置、调整连线曲率、统一字体大小——全是机械劳动。GPT-Image-2 把这部分彻底自动化。

实操链路：

需求提炼：把你要表达的逻辑关系，用最简短的中文描述。避免模糊词如“相关”“连接”，用动词明确关系：“A模块调用B模块API”“C模块数据流入D模块”。

提示词构造：

生成一个智能体平台的产品架构图，包含以下模块： - 用户端（Web/App）：接收用户请求 - 智能体编排中心：调度多个AI智能体协同工作 - 知识库：存储行业知识图谱 - 工具集：提供API调用、数据库查询等基础能力 - 模型服务层：部署LLM、多模态模型、向量数据库 关系说明：用户端 → 智能体编排中心 → 知识库 & 工具集 & 模型服务层 要求：横向布局，模块用圆角矩形，连线用正交箭头，文字用14px思源黑体，背景纯白

结果处理：生成图通常带轻微阴影和渐变，用PS“去背景”功能一键抠白，保存为PNG。若需嵌入PPT，直接拖入即可，文字清晰度远超截图。

效果对比实测：

手绘耗时：平均4.5小时（含反复调整布局、导出失真修正）
GPT-Image-2耗时：输入提示词→等待12秒→下载→去背景（8秒）=22秒
可用性：生成图中“智能体编排中心”节点自动居中，“知识库”“工具集”“模型服务层”三个下游节点水平等距排列，连线无交叉，文字无重叠。唯一需人工调整的是将“用户端”节点移到左上角（因提示词未限定位置），耗时15秒。

避坑心得：

❌ 错误示范：“画一个AI平台的架构图”——太模糊，模型会生成一堆抽象符号。
✅ 正确做法：模块名必须准确（用你PRD里的正式名称），关系动词必须精确（“调用”“流入”“依赖”“触发”）。
⚠️ 关键技巧：在提示词末尾加“背景纯白”四字，能强制去除所有阴影和渐变，避免后续PPT嵌入时出现灰边。

3.2 场景二：App高保真UI——告别“看个大概”，直奔“可交付”

为什么值得做？
UI图的核心价值不是美观，是信息传递效率。一张能让开发一眼看懂组件层级、让运营快速提取文案、让老板确认方向的图，就是好图。GPT-Image-2 解决了过去生图UI最大的痛点：文字不可读、组件比例失真、交互状态缺失。

实操链路：

需求分层描述：按“页面-区块-元素”三级描述。例如首页：
- 页面级：“深色主题，荧光绿点缀”
- 区块级：“中央大圆环（直径200px，显示‘今日卡路里：328kcal’），上方标题‘今日运动’，下方折线图（宽400px，高180px，X轴日期，Y轴卡路里）”
- 元素级：“三个小卡片：步数（8623步）、心率（72bpm）、时长（42min），卡片圆角12px，内边距16px”

提示词构造（以健身App首页为例）：

生成AI健身运动App首页界面，深色主题（#0F0F0F背景），荧光绿（#00FF9D）作为强调色： - 顶部状态栏：白色时间，右侧信号/电量图标 - 导航栏：居中标题‘今日运动’，字号20px，字体加粗 - 中央区域：直径200px圆形进度环，填充色#00FF9D，显示文字‘今日卡路里：328kcal’，字号24px - 下方三个卡片：横向排列，圆角12px，背景#1A1A1A，内边距16px，文字白色，字号16px；内容分别为‘步数：8623步’、‘心率：72bpm’、‘时长：42min’ - 底部：本周运动趋势折线图，宽400px，高180px，X轴显示‘周一至周日’，Y轴范围‘0-500kcal’，折线色#00FF9D，网格线#2A2A2A - 所有文字使用中文，无英文混排

结果处理：
- 直接截图发给开发：“按此图切图，圆环直径200px，卡片间距24px，折线图区域预留400x180px容器”。
- 若需提取组件：再发一条提示词：“请将此首页的所有可复用UI组件（进度环、卡片、折线图、导航栏）平铺排列在一张新图上，组件间留白32px，标注组件名称”。

效果对比实测：

传统流程：Axure画低保真→找设计师出高保真→反复修改→交付切图 = 3-5天
GPT-Image-2流程：写提示词（8分钟）→生成（15秒）→微调（2分钟）→交付 =10分钟
可用性：开发反馈“比设计师初稿还准”，因文字、尺寸、间距全部原生渲染，无PS缩放失真。唯一需调整的是将“步数”卡片中的“8623步”改为“8,623步”（加千分位），耗时5秒。

避坑心得：

❌ 错误示范：“画一个好看的健身App首页”——得到一堆艺术化插画，无法落地。
✅ 正确做法：所有尺寸单位用“px”，所有颜色用十六进制，所有文字内容写全（包括标点）。
⚠️ 关键技巧：指定“无英文混排”，能强制模型不自动添加“Steps”“HR”等英文标签，彻底解决中英混排混乱问题。

3.3 场景三：Codex联动——从UI图到可运行前端页面的闭环

为什么值得做？
这是工作流的质变点。过去“设计→开发”是跨职能协作，存在理解偏差、返工成本。GPT-Image-2 + Codex 的组合，让“一句话需求→可交互页面”成为现实，特别适合内部工具、活动页、MVP验证等场景。

实操链路：

UI图生成（同场景二）：确保提示词中包含可交互元素描述，如“点击‘开始运动’按钮跳转课程页”“折线图支持点击查看详细数据”。

前端代码生成（关键步骤）：

将生成的UI图上传至Codex

输入提示词：

请根据上传的UI图，生成一个完整的HTML页面，要求： - 使用纯HTML/CSS/JavaScript，不依赖任何外部框架 - 深色主题（#0F0F0F背景），荧光绿（#00FF9D）强调色 - 中央圆环为SVG实现，支持动态更新卡路里数值 - 三个数据卡片为Flex布局，响应式适配 - 折线图为Canvas绘制，X轴显示周一至周日，Y轴0-500kcal - ‘开始运动’按钮为纯CSS实现，悬停有荧光绿描边动画 - 所有文字使用中文，字体为系统默认无衬线体

结果处理：
- Codex输出HTML文件，本地打开即见可交互页面
- 复制代码到VS Code，替换真实数据接口（如将静态卡路里值改为调用API）
- 部署到Vercel或GitHub Pages，获得真实URL

效果对比实测：

传统流程：UI设计→切图→前端开发→联调→部署 = 3-7天
GPT-Image-2+Codex流程：UI生成（15秒）→代码生成（42秒）→本地调试（8分钟）→部署（2分钟）=10分钟
可用性：生成的页面100%还原UI图，SVG圆环可JS控制，Canvas折线图支持鼠标悬停显示数值。唯一需补充的是真实API调用逻辑，但UI骨架已完全可用。

避坑心得：

❌ 错误示范：“把这张图变成网页”——Codex会生成一堆无效代码。
✅ 正确做法：明确指定技术栈（纯HTML/CSS/JS）、交互要求（“按钮悬停动画”）、数据来源（“静态数值”或“调用API”）。
⚠️ 关键技巧：在提示词中强调“不依赖外部框架”，能避免Codex引入React/Vue等增加复杂度，确保代码极简可维护。

3.4 场景四：电商详情页——一张商品图驱动的全案生成

为什么值得做？
电商运营最耗时的不是写文案，是文案与视觉的匹配。商品图固定，但卖点、场景图、参数表、促销信息需要反复调整排版。GPT-Image-2 让“以图生图”真正可用。

实操链路：

准备素材：上传一张高清商品图（如耳机正面图），确保主体清晰、背景干净。

提示词构造：

基于上传的商品图（无线蓝牙耳机），生成一张完整的电商详情页，要求： - 顶部：主标题‘降噪旗舰·自由之声’，副标题‘通透模式+自适应降噪，35dB深度降噪’，字体加粗，字号主标32px/副标18px - 中部：左侧为商品图（保持原比例），右侧为卖点图标化展示（3个图标：电池图标+‘30小时续航’、耳塞图标+‘舒适佩戴’、声波图标+‘Hi-Fi音质’） - 下部：使用场景图（3张小图：健身房佩戴、通勤地铁、咖啡馆办公），每张图下配10字场景文案 - 底部：参数表格，三列‘功能’‘参数’‘说明’，内容：‘蓝牙版本’‘5.3’‘稳定连接’、‘充电时间’‘1.5小时’‘快充技术’、‘防水等级’‘IPX5’‘防汗防雨’ - 全局：白底，文字黑色，卖点图标用荧光绿#00FF9D，场景图圆角8px

结果处理：
- 直接下载图片，用于淘宝/京东详情页上传
- 若需修改文案，用PS选中文字图层（GPT-Image-2生成的文字是独立图层），双击编辑即可

效果对比实测：

传统流程：找设计师+运营写文案+反复对齐排版 = 2-3天
GPT-Image-2流程：上传图+写提示词（5分钟）→生成（18秒）→微调（3分钟）=8分钟
可用性：生成图中商品图与原图100%一致，卖点图标位置精准，参数表格对齐工整。运营同事反馈：“比我们自己做的初稿还规范，直接上线了”。

避坑心得：

❌ 错误示范：“生成耳机详情页”——模型会虚构商品图，失去真实性。
✅ 正确做法：必须上传真实商品图，并在提示词中明确“基于上传的商品图”。
⚠️ 关键技巧：指定“白底”，能确保生成图无缝嵌入任何电商平台，避免背景色冲突。

3.5 场景五：攻略长图——生活化内容的批量生产利器

为什么值得做？
小红书、公众号、朋友圈的攻略类内容，核心是信息密度+视觉引导。传统做法是找设计师排版，但热点转瞬即逝。GPT-Image-2 让运营同学自己30秒出图，抓住流量窗口。

实操链路：

信息结构化：将攻略内容拆解为“标题-模块-要点”三层。例如广州周边游：
- 标题：“五一假期·广州周边游攻略”
- 模块1：“必去景点”（长隆、沙面、珠江夜游）
- 模块2：“美食地图”（陶陶居早茶、炳胜私厨、银记肠粉）
- 模块3：“交通贴士”（地铁线路、租车建议、停车指南）

提示词构造：

生成一张竖版攻略长图（尺寸1080x3000px），主题‘五一假期·广州周边游攻略’： - 顶部：标题大字，荧光绿#00FF9D，背景渐变蓝（#0066CC→#003366） - 模块1‘必去景点’：三个景点各占1/3高度，每景点含：景点名（24px加粗）、1句特色介绍（16px）、1张小图（风格统一为手绘风） - 模块2‘美食地图’：横向排列6家餐厅，每家含：店名（18px）、招牌菜（14px）、人均（14px红色） - 模块3‘交通贴士’：分点列表，每点前加地铁图标，文字16px - 全局：所有文字中文，无英文，行距1.6，段落间距32px

结果处理：
- 下载后直接发小红书/公众号，或导入Canva微调配色

效果对比实测：

传统流程：运营写文案→找设计师排版→修改→定稿 = 1天
GPT-Image-2流程：写提示词（3分钟）→生成（20秒）→下载 =3分钟
可用性：生成图信息完整，视觉节奏清晰，小红书发布后互动率比常规图文高37%（因排版更符合平台算法偏好）。

避坑心得：

❌ 错误示范：“生成广州旅游攻略图”——模型会生成模糊的风景图，缺乏信息。
✅ 正确做法：明确尺寸（1080x3000px是小红书最佳）、模块划分、每模块内容颗粒度。
⚠️ 关键技巧：指定“行距1.6”“段落间距32px”，能极大提升长图可读性，避免文字糊成一片。

3.6 场景六：产品宣传海报——品牌调性的精准传达

为什么值得做？
海报不是炫技，是品牌资产的一致性输出。过去每次出新海报，都要找设计反复确认VI规范。GPT-Image-2 能记住你的品牌色、字体、构图偏好，实现“一次设定，批量生成”。

实操链路：

品牌要素固化：在首次使用时，用提示词定义品牌规范：

请记住我的品牌规范：主色#0066CC（科技蓝），辅助色#00FF9D（荧光绿），字体：标题用思源黑体Bold，正文用思源黑体Regular，所有文字中文

海报生成：

生成一张A4尺寸（210x297mm）产品宣传海报，主题‘GPT-Image-2：让创意落地更快’： - 主视觉：抽象AI芯片图形，融入蓝色电路线条和绿色数据流 - 标题：‘GPT-Image-2’（48px，#0066CC，居中） - 副标题：‘让创意落地更快’（28px，#00FF9D，居中） - 底部：公司Logo位置（留白），Slogan‘AI，本该如此简单’（20px，#333333） - 背景：浅灰渐变（#F5F5F5→#E0E0E0）

结果处理：
- 下载后导入PPT，添加公司Logo即可使用
- 如需多版本，只需改标题和副标题，其他元素自动保持一致

效果对比实测：

传统流程：设计出3版→产品选1版→修改→定稿 = 2天
GPT-Image-2流程：定义规范（1次）→生成海报（15秒）=15秒/张
可用性：生成海报100%符合VI，电路线条粗细统一，数据流动态感自然。市场部反馈：“终于不用为每张海报开设计评审会了”。

避坑心得：

❌ 错误示范：“生成一张科技感海报”——得到一堆风格混乱的图。
✅ 正确做法：首次必须“定义品牌规范”，后续所有生成自动继承。
⚠️ 关键技巧：用“抽象AI芯片图形”代替“AI图标”，能避免模型生成具体品牌logo，规避版权风险。

4. 实战问题排查与避坑指南：那些没写在官网文档里的真相

4.1 提示词失效的三大高频原因与破解法

在实测的217次生成中，约12%出现“结果与预期严重偏离”。经逐条归因，问题集中在以下三类，且都有确定性解法：

原因一：动词模糊导致逻辑坍塌

现象：写“用户端连接智能体中心”，生成图中两者用直线相连，但实际应为“用户端调用API”。
根本原因：模型对“连接”“关联”“集成”等泛动词理解为视觉连线，而非功能调用。
破解法：强制使用领域动词。在架构图场景，只用“调用”“流入”“触发”“依赖”；在UI场景，只用“显示”“包含”“位于”“支持”。例如将“用户端连接智能体中心”改为“用户端通过HTTPS协议调用智能体编排中心API”。

原因二：尺寸单位缺失引发比例灾难

现象：写“三个小卡片”，生成图中卡片大小不一、间距随机。
根本原因：模型缺乏绝对尺寸概念，所有布局基于相对比例。
破解法：所有尺寸必须带单位。写“卡片宽200px高120px”而非“大卡片”；写“文字16px”而非“小字”；写“间距24px”而非“适当间距”。实测表明，带单位的提示词成功率提升至98.7%。

原因三：否定式描述触发反向强化

现象：写“不要有英文”，生成图中反而出现大量英文标签。
根本原因：扩散模型对否定词不敏感，它更关注“有”的内容。
破解法：用肯定式替代否定式。将“不要有英文”改为“所有文字使用中文”；将“不要模糊”改为“文字清晰锐利”；将“不要杂乱”改为“布局简洁，留白充足”。这是最易被忽视却最有效的技巧。

提示：建立你的“提示词原子库”。把已验证有效的短语存为模板，如“深色主题（#0F0F0F背景）”“荧光绿（#00FF9D）强调色”“文字中文，无英文混排”。每次新需求，只替换业务关键词，复用结构，效率提升3倍。

4.2 中文渲染的隐藏陷阱与应对策略

尽管宣称“中文零错误”，但在特定场景下仍有微妙偏差。我总结出三个必须警惕的“幽灵问题”：

陷阱一：标点符号的智能妥协

现象：在窄列文本中，“，”“。”等标点被自动替换为全角空格，以避免换行错位。
风险：导致文案语义断裂，如“支持快充，1.5小时充满”变成“支持快充 1.5小时充满”。
应对：在提示词中强制指定标点：“所有逗号使用中文全角‘，’，句号使用中文全角‘。’，不得替换为空格”。

陷阱二：长段落的自动截断

现象：输入200字文案，生成图中只显示前80字，后文被裁切。
根本原因：模型对文本长度有隐式上限，超长文本会被静默截断。
应对：分段提交。将长文案拆为3-4段，每段≤60字，用“第一段：”“第二段：”明确标识。生成后用PS拼接，比单次生成更可靠。

陷阱三：数字格式的地域混淆

现象：写“价格¥299”，生成图中显示为“¥299.00”或“299元”。
风险：影响价格感知，尤其对电商场景。
应对：用引号锁定格式。写“价格显示为‘¥299’，不加小数点，不加‘元’字”。实测100%生效。

4.3 效率瓶颈的真实定位：什么环节永远无法被AI替代

在狂喜于“10分钟出原型”后，我刻意回溯了整个工作流，发现真正的瓶颈从未移动——它始终在需求定义环节。举个真实案例：

需求原始描述：“做一个健身App，让用户爱运动”。
我用GPT-Image-2生成了12版UI，从极简主义到赛博朋克，全部被否决。
最终推倒重来，花2小时与用户访谈，提炼出核心洞察：“35岁职场人需要‘5分钟见效’的运动激励，而非专业训练”。
新提示词：“健身App首页，中央大圆环显示‘今日5分钟燃脂：128kcal’，上方标语‘碎片时间，即时满足’，下方三个卡片：‘晨间唤醒’‘午休塑形’‘晚间放松’”。
生成图一次通过。

这印证了开篇观点：AI抹平的是“方案→执行”，但“需求→方案”永远需要人。它无法回答：