GitHub Next 设计工程师 Maggie Appleton 谈设计与 AI 智能体协作

流媒体播放最新一集

现在就在 YouTube、Apple 和 Spotify 上收听和观看。 本页顶部可查看本集文字稿，底部可查看本集时间戳。

本节目由以下赞助商支持

• turbopuffer – 不仅是构建在对象存储之上的向量和全文搜索引擎，而且我认为他们还拥有科技界最令人耳目一新的品牌之一。他们在着陆页上展示了 p50、p90 和 p99 性能的图表，手工制作的ASCII 图，以及一个为客户付出非凡努力的团队。

• O’Reilly 提前发布：在工程中扩展 AI 采用 – 作为工程负责人或 CTO，为什么从 AI 中获取商业价值如此困难？CTO Peter Bell 带来了行之有效的策略和战术。本书免费提供，由本季赞助商 Antithesis 赞助。在此下载您的副本 （本书目前已有 4 章准备就绪，作者完成后将发送更多章节。）

• Entire – 为智能体时代重建的 Git 托管。Entire 在区域内托管您的代码，速度比其他任何竞争对手快达 89 倍。从 GitHub 镜像只需一键 – 我已经这么做了。

在本集中

其他人能从设计师和设计工程师身上学到什么？事实证明，有很多，正如我在业内最优秀的设计工程师之一Maggie Appleton做客 Pragmatic Engineer Podcast 时发现的那样。她是GitHub Next的一名资深研究工程师，在那里她构建原型，探索软件工程师如何以新方式与 AI 协作。Maggie 处于设计、人类学和 Web 开发的交叉领域，是 AI 初创公司 Elicit 聘用的第一位设计师，也是 AI 初创公司 Normally 的首席设计工程师。

今天这一集比往常更具视觉性，因为 Maggie 带来了她的笔记本，所以可以一窥其中原型等内容的页面：

设计过程从哪里开始：Maggie 笔记本中的页面

我们深入探讨了设计师的工作，以及他们的设计流程如何适应 AI 并随之改变。我们探讨了为什么 Maggie 用笔和笔记本开始项目，设计工程师与其他设计师的区别，以及为什么理解工程约束能带来与工程师更好的协作。

我们还讨论了 Maggie 如何使用夹具来更好地控制 AI 智能体，为什么当模型能够生成设计时，人类判断力和风格仍然重要，以及不一致的 AI 能力如何误导我们。

与 Maggie 对话的要点

1. 毕业后，一条潜在的职业道路是为美国陆军发明酷刑技术。Maggie 说“不了，谢谢”，并决心转而投身科技行业。Maggie 学习文化人类学，她的背景至今帮助她走过科技职业生涯。软件是由人构建的，人际关系很重要。

2. Maggie 通过为 React 教程绘制插图，获得了前端工程教育。她在开发者教育公司 Egghead 担任了四年插画师，并晋升为艺术总监。为了给课程绘制插图，她必须理解自己画的内容：React 组件、useEffect 和 JavaScript 函数。Gergely 的备注：在 Maggie 为 Dan Abramov 的 Just JavaScript 课程完成出色的插图工作后，我一直关注她的作品。这是她为该课程制作的一个动画讲解：

3. 有些人认为最好的 UI 界面已经存在了。 2021 年，Maggie 所在的 AI 初创公司试图推出一个新界面，利用 LLM 加速科学研究——这比 ChatGPT 发布还早一年。他们投入了数月紧张工作，打造“面向 AI 的新 UI”，但结果发现，科研人员并不想要无限画布加卡片、可组合的 Notion 式文档之类的创新。他们想要的是自己早已熟悉、用起来很舒服的简单表格！Maggie 说，这段经历让她明白，从熟悉的原始形态入手是明智的——即使是在创新时也是如此。

4. 命名很重要！而且，解决问题的核心也是设计的核心——就像工程一样。 Maggie 认为设计和软件工程之所以相关，是因为它们都关乎解决问题。区别在于材料。为新生事物想出名称和动词，并让它们被人们采纳和使用，可能是一项艰难的工作。做在线球鞋商店时很容易，为 AWS 构建新产品时就难得多。

5. 笔记本是设计师工具包的重要组成部分。Maggie 经常通过勾勒想法来启动项目。她发现，手绘一个想法比向 Claude Code 这样的工具描述它更快。而且，当你把想法画在纸上时，第二天它仍然在笔记本里。相比之下，如果把它放进工具里，在几十条提示之后，再想回到它那里就难多了！

6. Maggie 经常构建她个人的 Figma，叫做“Jigs”，这也是木工工具的名称，用于帮助完成特定工作。她经常让编码智能体构建一个带有滑块和颜色选择器的原型，这样她就能实时调整它，就像拥有一个个人版 Figma！

一个 jig：可调整颜色、尺寸和动画速度的交互式原型

7. Maggie 在工作中已经不再看代码了。当生成 PR 时，她不会看代码，这种方法在构建原型时很合适。一旦她知道要构建什么，她就会写一份详细的规格说明，列出智能体将如何验证其工作。以前，她确实会留意代码，但有了新一代模型，这已经不再必要了。

8. 当文本过多时，用 AI 智能体做规划就会失败。“我有一个理论，认为目前的规划体验非常糟糕，”Maggie 说。“智能体会用 A、B 或 C 选项的问题反复盘问你上百次。到第 20 个问题时，你已经相当疲惫，大脑开始停摆，[因为]你无法在这么短的时间内做出这么多决定。而且，它还告诉你 A 是推荐选项。然后你就开始想，‘好吧，输入 A，我同意你。’”

9. “能力煤气灯效应”是指前沿模型让用户相信自己是专家，但第二天却在同一任务上失败。Maggie 创造了“能力煤气灯效应”一词，用来描述模型先让用户印象深刻，随后很快严重失败的现象。我们常常因为确信模型有能力而继续相信它们。对智能体也是如此，所以在使用 LLM 时我们应该保持警惕。

10. Maggie 认为，我们需要新型的人工制品，让人类和智能体更好地协作：“智能体生活在一个世界里：有权重、模型、技能和 MCP，”她说。“然后你有人类这一侧：它是物理性、质感、光线、材料，以及所有智能体不理解的东西。试图找到能让我们在中间相遇并共同创造东西的人工制品，是一个非常艰难的挑战，因为你面对的是两种完全不同的类型。我只是感到沮丧，智能体不能从我的肩膀后面看过来，看着我的笔记本，理解我在画什么，也无法帮助我推进我的想法。”

11. 工程师在学习设计时，应该尝试把 AI 智能体当作耐心的导师：作为工程师，我们可以让 AI 智能体教我们设计：它们很擅长解释诸如什么时候该调整行高、好的侧边栏是什么样，或者一行应该塞进多少个字符等等。过去，获得产品设计技能很难，但 AI 智能体让它稍微容易了一些

希望你喜欢这一集，也非常感谢 Maggie 教育我们所有工程师！