开源设计平台 Open Design 深度拆解：让 AI 做出「去 AI 味」的好设计
2026 年 6 月 6 日，WaytoAGI「未来硅世界」第 17 期邀请到 Open Design 创始人 Tom（黄巍），与主持团向阳乔木、姚金刚、尼克西、元子以及特邀嘉宾彭超一起，深度拆解了这款开源本地 agent 驱动的设计平台。Tom 现场演示了从抽取设计系统、优化网页到生成 PPT、视频的全流程，并分享了开源项目的运营逻辑、商业化路径与团队管理实践。无论你是设计师、开发者，还是想用 AI 做点好看东西的普通用户，这篇文章都能帮你理解 Open Design 能做什么、怎么用，以及它背后的产品思考。
产品定位：替代 Figma 的本地 Design Agent
Tom 用一句话定义了 Open Design：「我们希望成为一个可以替代 Figma 或者是 Cloud Design 的一款 Design Agent 产品。」它是一个本地客户端，下载后即可免费使用，完全开源，用户可以用任何客户端或 agent 访问。
产品最核心的特点是能自动识别用户本地安装的所有 code agent——包括 Claude Code、Codex、Harness 等——并直接把它们作为设计引擎参与设计。Tom 强调，产品本身完全免费，只要用户有自己的 agent，就能使用全链路能力。团队统计发现，只有 15% 的用户拥有本地 agent，因此产品也提供了开箱即用的收费 agent 服务，服务于剩下 85% 的用户。
社区目前已集成接近 388 个模板，包括归藏老师的各种设计 PPT，用户可以一键让 agent 基于模板做设计。产品支持设计原型、后台系统（Tom 称之为 live artifact，可基于多维表格数据生成每次刷新都获取最新数据的网页）、PPT，以及通过写代码的方式设计视频。
Tom 现场演示了几个实际案例：他访问 WaytoAGI 官网后，用 Open Design 的 design system 能力抽取了整套设计系统——包括品牌颜色、阴影、暗黑模式表现、圆角等——然后基于这套系统优化了官网，又用归藏老师的模板做了二次刷新，让页面「看上去更加专业和一致性一点」。他还用上一期分享嘉宾的 Kimi 设计系统做了一份 PPT，以及通过 HTML 方式生成了一个 30 秒的活动宣传视频。
除了设计本身，产品还打通了到下游交付的环节：设计完成后可以直接用 Cursor 打开代码，转成生产可用的 React 代码。Tom 总结：「你可以完成你从想法再到设计全链路，再到交付你产品上线的整个流程。」
去 AI 味与记忆沉淀：垂类工具的核心价值
Open Design 与传统 Claude Code、Codex 的最大区别，在于内置了一套完整的设计流程。Tom 解释，产品会做很多「反 AI 的检查」：「你最终设计的东西，那么一眼看上去那些 AI 味的东西，我们会帮你踢掉。」同时通过浏览器截图校验，避免字体重叠等问题，让作品「一次性就能出一个蛮好看的作品」。
姚金刚从 GEO 的角度呼应了这一思路：给 AI 看的内容信息密度要高、要结构化，但给人看的内容逻辑相反。Tom 认同这一判断，并分享了反 AI 味的具体规则。AI 味的本质是模型训练语料污染导致的场景错配：比如 Claude 默认生成米黄色背景，因为这是该公司的设计风格；再比如模型大量使用 Shadcn 这类组件库的语料，导致生成官网落地页时也默认带上网格背景——这在后台管理系统里是合适的，但在官网落地页就不合适。
「我们基本上可能梳理了二三十套这样的规则」，Tom 说，通过规则化方式告诉模型「你通过这样的方式设计的网页可能会存在着这些问题」，然后让模型反复校验修改，直到没有问题为止。向阳乔木补充了一个观点：大家讨厌 AI 味，本质上是讨厌「没有用心」——「即使你看到一个很好的 skill，或者是你很喜欢的风格，如果用的人多了，你可能也会讨厌它」，所以需要融入自己的思考和审美。
除了反 AI 味，记忆沉淀是另一个核心能力。Tom 指出，用通用工具做设计，每次生成都会重复同样的问题；而 Open Design 会把用户调优设计的整套体系化 memory 记忆下来：「你通过我们的工具调优过一次，你可能这一次为了去交付一个上线的设计，你可能调了 30 轮，那么我们其实会把你这 30 轮你的调优的记录给你记下来，那么下一次你再去生成的时候，你会发现，诶，我默认就不会有这些小字了。」
这套记忆是可以迁移的。因为所有数据都是代码层面的，用户可以把别人的 memory 直接导入复用，「去复用他这个审美的脑子」。Tom 认为这是最被低估的能力：一旦沉淀了关于「什么是一个好设计」的风格和审美，「我们可以用 DeepSeek V4 Flash，结合你的这套审美，我们可以做出媲美 Claude 4.8 OPS 的设计」，而 DeepSeek V4 Flash 比 Claude 便宜接近 100 倍甚至 1000 倍。
模型选择与 token 优化：实测排序与省钱策略
彭超从技术角度提问：日常使用中哪个模型在 Open Design 下表现最好？Tom 给出了实测结论，分两个维度：
- 完成任务能力：GPT 5.5 或 Claude 4.8 能做到接近 95 分；DeepSeek V4 Flash 能做到 85 分，「基本上是一个能用的」；Kimi、GLM、千问等模型在 85 到 90 分之间。
- 审美维度：Claude 断档领先，GPT 会弱不少，与 Kimi 在一个层次——因为 Kimi 专门优化了前端美学数据；再往下是 GLM 或 DeepSeek。
彭超追问 Kimi 与 DeepSeek 的对比，Tom 明确：「设计层面，我觉得 Kimi 确实大于 DS V4 Pro。」彭超补充自己的体感：Kimi 2.6 结合 Open Design 的 awesome-design.md 会有比较大的直观提升。关于 GLM 5.1，Tom 认为它 coding 能力不错，但「做好看这块还差一些，因为他们可能没有在这块有特训」。
在 token 消耗方面，Tom 对比了 Open Design 与直接使用 Codex、Claude Code 的差异。Codex 修改元素时需要通过搜索或工具定位，整个过程 token 消耗较大；而 Open Design 可以直接框选元素，针对元素直接提修改需求，「它其实是已经获取到这个元素了」，因此 token 消耗更小、速度更快。Tom 判断 Codex 和 Claude Code 不做这类功能，是因为要适配更通用的场景（比如未来支持 iOS、安卓界面），只能选择截图这种更通用的方案。
针对如何降低大模型依赖，Tom 给出了分层策略：
- 选择便宜但 ROI 高的模型：Kimi 2.6 或 DeepSeek 对审美要求不高的场景够用。
- 复用插件模板：每个插件自带 HTML，直接复用整套模板只改文字，消耗最小。
- 引入压缩和 cache 能力：压缩不必要的上下文，cache 已基本完全实现，多轮交互消耗不大。
- 建立评估指标：团队正在建立一套评估网页好看与否的指标，目标是「让你用 DeepSeek V4 Flash 这样的模型，也能做出媲美 Claude 这种模型的效果」。
开源项目的运营：贡献者数量是核心指标
Open Design 上线不到一个月已接近 60K star。Tom 提到两个数据：「它可能在全球只有差不多 350 个项目有超过 60K star，以及同期能在一个月之内做到 60K star 的，可能我们是前十，全球前十。」但他坦言，从 0 到 60K star 的过程中，团队一直很惶恐：「到底它是击中了什么样用户的一个核心点？」
姚金刚问了一个关键问题：如何衡量开源项目的成功？Tom 的回答很直接：核心指标是贡献者数量，而非 star 数。他举例说明：Andrew Capson 的一个 Skill 有 169K star，但只有 8 个贡献者。Tom 认为，如果项目没有被更广泛的人参与，「它其实我觉得它应该就是一个闭源的，它就应该是一个闭源的产品」。
Tom 对比了自家两款产品的数据：Refly 做了一年才 7.3K star、37 个贡献者；Open Design 一个月就有 300 多个贡献者。他总结：「开源的本质还是在于开放协作，你能不能吸收来自于全球……让他们看到你这个项目之后呢，能够参与进来，把他们的想法和他的思考贡献进来。」
贡献者数量之所以是北极星指标，Tom 给出了三层理由：
- 汇聚全球创意：不同背景的人加入，产品就能满足不同文化语境下的需求。比如来自西班牙的贡献者，他们提交的代码和需求，让团队能感受到「在他这个年龄，在他这个文化背景之下，他觉得这个产品在为他们解决什么样的问题」。
- 形成竞争壁垒：一旦项目被传播到 100 多个国家、有 1000 多位贡献者，「它本质上就是一个壁垒，就是一个竞争力」。代码可以被 fork，但贡献者生态是花钱买不到的。
- 成为事实标准：Google 搜索引擎会对贡献者做权重打标，贡献越多排名越靠前，项目就成为该领域的事实标准。
在开源项目的日常运营上，Tom 分享了团队踩过的坑。他们曾在一个社区贡献者合入代码后，发现主界面被改掉了——贡献者改的东西有价值，但放错了位置。为此团队建立了自动化截图和 CI 测试机制，确保外部贡献的代码能快速通过审核。Tom 透露，团队现在平均不到 3 小时就能合入外部贡献者的需求，并判断其价值。
团队里有很多以前不写代码的人——设计师、产品经理、运营——现在都在提交代码。Tom 说：「我们做的事情就是把去开发一个产品过程中，所有可能的边界、主框架的定义，把它们通过规则化的方式呈现出来，通过这套规则去约束它。」
从 Refly 到 Open Design：产品演进与团队愿景
向阳乔木问及从 Refly pivot 到 Open Design 的决策过程。Tom 回顾了产品演进的三段历程：从画布（Refly）到工作流，再到 Open Cloud，最后到 Open Design。他认为这条路线一脉相承：「我们一直在做一些画布相关的东西，我们现在觉得 HTML 是那个画布。」
Tom 详细拆解了演进逻辑：Refly 画布承载用户与 AI 的非结构化交互，沉淀了大量调优数据；用户高频行为是把画布上的轨迹固化成可重复运行的载体，于是自然过渡到工作流；工作流入口太深，于是包装成 Skill 和 webhook 嵌入高频入口；Open Cloud 火了之后顺势做了自己的版本；最后偶然尝试 Cloud Design 的复刻，发现「它可能火得特别的异常」，且用户有真实诉求，于是 all in。
必然的因素在于团队形态。Tom 介绍，团队今年过年回来后已实行「agent native」的团队形态：「全员不再写 PRD 了，以及不再用 figma 做设计了，而是说所有的人直接对到一份代码产物。」这种模式下，「我们可能之前两周要去开发一个需求，变成现在我们两个小时就可以交付上线」，效率提升接近 50 到 100 倍。
团队目前有十几人，正在疯狂招人，岗位包括增长工程师、算法、QA、SRE、产品工程师、设计、增长设计师和效果营销。Tom 强调招聘标准：「你必须得会写代码，就是你得用 vibe coding 的工具去解决问题，去在一线去和用户沟通。」团队福利包括无限 token——「我们的一些产品同学，他可能在一天能花到 1000 美金」。由于是开源项目，所有上下文集中在一处，新成员「当天就能够开始写代码去交付价值」。
团队有两个愿景：一是「把传统的以 figma 为中心的产品设计变成这种 agent native 的设计」，让设计师专注于创意表达；二是「希望能够成为一支能活 10 年以上的团队」，因为「10 年代表一个技术周期」。
现场问答
问：Open Design 能实现 Web 端和 H5 端两套设计吗？
现在理论上支持同时做 Web 端和移动端，但导出移动端非常兼容的代码（如 iOS 或安卓）还没做。团队已识别到这个需求，马上会去做——和小米交流时对方确实有这样的需求。
问：已有自己的代码库（如 React 项目），如何基于 Open Design 继续迭代？
现在已一定程度上支持选择本地代码库，可以基于现有插件和灵感库优化 React 或 Vue 代码。但最好的形态还是 HTML，因为「HTML 模型在这块的训练语料是足够多的」。写 React 或 Vue 框架代码时，模型 70% 到 80% 的注意力在写框架逻辑，只有 10% 到 20% 关注美观；而 HTML 单文件可以把 80% 到 90% 的 token 空间用于写美的东西。后续会支持对现有项目更好地润色，以及把 Figma 导进来变成网页再导出去。
问：能把 Open Design 做成 Skills，让 Claude Code 或 Codex 统筹项目开发吗？
可以。产品支持 CLI 能力，UI 只是建立在 CLI 之上的一套壳，整个 Open Design 可以嵌入 Codex 和 Claude Code 中使用。团队发过帖子演示在 Codex 里跑起 Open Design、基于 Skill 做交互。
问：有没有用 agent 框架，还是完全从头搭的？
驱动设计的引擎用了现存最强的 Harness 框架，目前支持市面上 22 个 Code Agent，包括 Gemini、Groq、Kimi Coder、Pie、Hermes 等。团队核心做的是设计工作流、上下文传递和 memory 优化。
问：用户用得最多的场景是什么？哪类付费比较高？
最多的场景是原型设计——专业设计师已经在真实替代 Figma 流程。第二个场景是 PPT 制作，因为集成了大量模板，借助先进的 Harness 框架，用户很容易做出 80 分的作品，再通过产品提供的优化工具提升到 90 分。最近做的 html-video 在视频方面也有不少诉求。
要点回顾
- 产品定位：Open Design 是本地优先、完全开源免费的设计 agent 产品，目标是替代 Figma，支持识别并调用本地 Claude Code、Codex 等 22 种 code agent 作为设计引擎。
- 核心能力：内置完整设计流程，通过二三十套规则做「反 AI 味」校验；支持抽取设计系统、优化网页、制作 PPT 和 HTML 视频；可沉淀用户调优记忆并迁移复用。
- 模型选择：完成任务能力上 Claude 4.8 与 GPT 5.5 接近满分，DeepSeek V4 Flash 可达 85 分；审美维度 Claude 断档领先，Kimi 2.6 优于 GPT 5.5，GLM 5.1 和 DeepSeek 靠后。
- 省钱策略：选便宜模型（Kimi 2.6、DeepSeek）、复用插件自带 HTML 模板只改文字、利用压缩和 cache 能力、建立审美评估指标让便宜模型做出好设计。
- 开源运营：核心指标是贡献者数量而非 star 数；通过自动化截图和 CI 测试保障外部代码质量；平均不到 3 小时合入外部贡献者需求。
- 团队形态：agent native 团队，全员直接对代码产物 vibe coding，不再写 PRD 和用 Figma；提供无限 token 福利，新成员当天即可交付价值。
- 商业化：85% 用户没有本地 agent，提供开箱即用的收费 agent 是商业化切入点；产品本身完全免费。
直播回放约 139 分钟
播放器来自飞书妙记 · 在新窗口打开