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。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。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 BPython 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类别工具/环境说明操作系统Windows 10/11、macOS、Linux按个人习惯选择PythonPython 3.9用于运行自动生成脚本智能体平台扣子、Dify 或任意低代码平台二选一即可大模型 APIDeepSeek、通义千问、GLM 等按实际可用渠道申请 KeyAI 绘画工具Stable Diffusion WebUI、ComfyUI 或 Midjourney用于生成概念图三维建模软件Blender、Rhino、SolidWorksBlender 免费开源适合新手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设计约束长宽高尺寸、水箱容量、预算、模具成本、量产工艺。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_promptNone, temperature0.8): # 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: fBearer {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, headersheaders, jsonbody, timeout120) resp.raise_for_status() data resp.json() return data[choices][0][message][content] if __name__ __main__: with open(../prompts/coffee_design_prompt.md, r, encodingutf-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。, temperature0.8 ) with open(../outputs/design_concepts.md, w, encodingutf-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_KEYyour_key_here export LLM_ENDPOINThttps://your-llm-endpoint.example.com/v1/chat/completions export LLM_MODELyour-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timeout120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方案名称设计理念形态亮点CMF 重点关注复古圆角旧时代咖啡机与现代极简折中圆角方体机身压力表嵌入式设计灰绿色喷涂容易有手感差异需做纹理样板模块几何可拆式水箱与冲煮头模块化侧面呈明显几何分块水箱在顶部黄铜件氧化会影响一致性要做表面处理窄体胶囊适合小台面的人机比例高挑窄机身蒸汽杆可收纳木纹贴皮在曲面处易开边改用 ABS 仿真注塑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 问题速查表问题现象常见原因解决思路生成的方案跑题不像咖啡机提示词里没有明确功能模块在需求中显式写入水箱、蒸汽杆、压力表等输出格式混乱表格断裂没有给出具体输出格式要求在提示词中增加“使用 Markdown 表格”和“不要输出无关内容”CMF 建议不落地只说“高级感”缺少材质与工艺约束要求模型输出“材质表面处理风险提示”图片和文字不一致文字转图片时遗漏关键材质词把 CMF 字段原样写入图片提示词多次迭代后结果不收敛temperature 过高或提示词每次变化太大固定参数先锁定整体方向再局部调整API 返回超时提示词太长或网络问题增大 timeout或拆分成多个节点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先复制本文的提示词模板手工跑通一次“需求到方案”把方案输入 AI 绘画工具生成一组概念图在低代码平台上复刻工作流节点体验自动化然后尝试用 Python 脚本批量生成并加入版本管理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。