Figma Make一次原型设计消耗147条提示，Token相当于普通账号6-7个月的额度。问题不是工具，而是提示风格。本文提出8段式结构化提示框架：目的、角色、输入、指令、输出、约束、备用逻辑、语气——三思而后行，一次提示到位。
一套提示工程框架，能帮我把工作流程自动化，并将提示次数压缩到寥寥几次。
AI 设计工具承诺实现对话式创作。提问、迭代、完善、重复。
在出现 Token 限制，对话式 AI 设计的实际成本显现之前，这套方式看起来直观，甚至还挺有趣。
当我试图在 Figma Make 中重新创建一个 Figma 原型（ https://next-era.io/figma-make-or-break-is-ai-powered-prototyping-changing-design-for-good-94d686bc7bd3）时，我被敲响了警钟。输出效果确实不错，但 Make 消耗 Token 的速度远超我的预期。几天后我翻看提示日志，本以为也就几十条，结果一数竟有 147 条。
而我甚至还没完成流程的三分之一。照这个速度，完整做完项目所需的 Token，相当于一个普通 Figma Professional 账号 6～7 个月的提示额度。
（虽然 Figma 目前还没有对超额使用收费，但他们刚刚宣布将在 2026 年 3 月开始执行收费政策。）（ https://www.figma.com/blog/updates-to-ai-credits-in-figma/）这不是设计工具栈的问题，这是提示方式的问题。
这个流程大部分时候轻松快捷，但对话式提示会在不知不觉中带来偏差、模糊，以及不断飙升的 Token 计数。
事实证明：让这项工作成本高昂的是我的提示风格，而不是工具。
我决定不再临时随意提示，而是构建一个可重复使用的优化提示工作流程。这也是我目前发现的，能把模糊想法快速转化为高效设计提示的最佳方式。
Figma 也推荐同样的方法。他们对 Figma Make（ https://www.figma.com/blog/8-ways-to-build-with-figma-make/）的指导建议设计师应在第一条提示里就尽可能塞足细节—— 包括任务、上下文、关键设计元素、预期行为和约束条件，目标就是减少后续反复沟通，有效控制 Token 消耗。
由于 Make 运行在 Anthropic 的 Claude Sonnet 4 上，适用于 Anthropic 模型的结构化提示原则直接适用于此。
Figma 甚至建议在将提示粘贴到 Make 之前，使用 AI 助手优化提示。“最好让初次生成的结果就尽可能接近你的预期，只需要少量微调。用大量后续提示去修正输出，会耗费多得多的时间。”——Figma 设计师倡导者安娜・博耶（Ana Boyer）
我先系统研读了最新的 LLM 提示工程指南，发现核心思路出奇一致：表述明确、减少模糊、尽早定义约束、结构化指令，让模型清晰知道该做什么、怎么做。
接着，我用 NotebookLM 整合各类资料，提炼出提示最佳实践，最终打造出通用提示设计器 —— 一款可在 ChatGPT、Gemini 上使用的定制 GPT。它的工作很简单：
把你粗糙的想法，转化成一份密集、结构化的 8 段式创意简报式提示，让对话式 AI 设计工具用更少的迭代次数就能执行。
这个工作流程策略性地划分工作：在 Make 之外完善你的结构化提示，在那里迭代成本很低。
一旦提示经过微调，将其放入 Figma Make、v0（由 Vercel 开发）、Lovable 或任何其他按用量计费的工具中，以避免浪费不必要的令牌。
它更快地生成了出色的初稿，而且在绘制像素方面，它比我在同一任务上浪费的几十条对话式提示要好得多。
它还起到了一种工作流程自动化的作用，减少了通常会消耗令牌的几十次来回修正。
结构化简报并不能保证为这项工作提供正确的用户体验（UX）策略，（ https://next-era.io/can-figma-make-v0-and-lovable-handle-a-revenue-critical-subscription-upsell-ad8854ebf5dc）但它能让你更快摆脱 “从零开始” 的空白状态。
从临时对话式提示转向结构化提示工程工作流程，减少偏差、迭代和 Token 浪费。
如果这 8 个部分看起来复杂，别担心。这就是我的通用提示设计器存在的原因。
你只需要输入一个粗略想法（比如 “重新设计加购页面提升转化率”），定制 GPT 就会像一场快速访谈一样，只追问你没提供的关键信息。
一旦它有了足够的上下文，它会自动将你的想法扩展为一个完整、优化的 8 部分提示，格式正是 Figma Make 等工具实际需要的。
这是 GPT 从一个起始想法生成的结构化提示：
（这正是通用提示设计器从一个起始句子构建的结构。）
（完整版本见附录。）
1. 角色与人物设定。为模型提供一个明确的专业视角。
减少浪费的方式：消除语气偏差和不一致的建议。
2. 目的与目标状态。说明业务成果以及 “好” 的标准。
减少浪费的方式：防止范围偏差和反复澄清。
3. 输入。模型所需的所有材料、约束条件和上下文。
减少浪费的方式：避免无休止的 “忘了提……” 之类的后续补充。
4. 指令 / 逻辑步骤。将目标转化为带有触发条件的可操作步骤。
减少浪费的方式：消除模型的猜测，并梳理思考顺序。
5. 输出要求。指定可交付成果、保真度和格式。
减少浪费的方式：一次就得到正确的格式。
6. 约束条件。模型不能更改的硬性边界。
减少浪费的方式：避免模型随意发挥时重新生成内容。
7. 备用逻辑。告诉模型在某些内容缺失时应做何假设。
减少浪费的方式：防止停滞和矛盾的重写。
8. 语气指导。定义沟通风格和重点。
减少浪费的方式：避免对布局本身没问题但表述不佳的情况进行重写。
这是 “三思而后行，一次提示到位” 的视觉体现。
随着 AI 设计工具的成熟，结构化提示正成为一项核心工作流程技能，而不是一种专门技术。
设计师正在多一项全新职责：构建 AI 工具所依赖的提示逻辑。
我们不再只是把组件调整到位。我们正在设计定义以下内容的逻辑和架构：
这让设计师逐渐成为一个融合产品策略 + 系统设计 + 提示工程的复合型角色。
在 AI 工具不断成熟、Token 管控越来越严的趋势下，越早适应这种转变的团队，跑得越快、成本越低。
本质上，我们正在从设计界面，转向设计生成界面的提示。
如果你想看看这在你自己的项目中是如何运作的，从一个粗略的想法开始，让这个工具将其转化为一个完全结构化的简报，你可以直接将其放入 Figma Make、v0 或 Lovable 中。
等 Gemini 版本上线后，你还可以在两个模型上跑同一个想法，对比哪个起点更有力、更适配你的工作流。
本文源于实际的产品工作以及对提示工程最佳实践的研究。我使用以提示为界面的 AI 驱动设计和构建工具，专注于构建提示和工作流程，以减少迭代、偏差和浪费的令牌。通用提示设计器是我构建的一个定制 GPT，用于将这项工作付诸实践。
AI 确实加速了写作过程，但文中的思考逻辑与整套体系，均来自人为梳理与验证。
如果你想看看完整的结构化简报是如何组合在一起的，完整输出作为附录包含在下面。大多数读者可以到此为止，但如果你正在实施这个工作流程，这些细节会有所帮助。
打造一个重新设计的加购弹窗（支持桌面与移动端响应式），通过优化染发测评后展示订阅套餐的方式，提升 D2C 美妆订阅流程的升级转化率。
你是一名资深产品设计师，正在优化个性化染发测评后的关键加购环节。用户本应进入结算流程，却看到三个订阅层级（标准 / 增强 / 高级），因价值模糊、布局拥挤、层级不清、价格感知突兀导致大量流失。 redesign 需沿用现有设计系统，融入产品视觉，严格遵循自动布局与无障碍规范，同时简洁有力地传递价值。
用户行为
可选输入
若任何图片或输入无法解析，默认原布局为杂乱、标签式、文字过多、价值层级模糊、价格突兀。
保持中立、以用户为中心、注重转化的语气，优先考虑清晰度、信任度和决策的简洁性。
原文标题：Is Conversational AI Design Quietly Wasting Your Tokens?
原文链接：https://next-era.io/is-conversational-ai-design-quietly-wasting-your-tokens-e304f067c44f
作者|James Walsh 编辑|丁怡豪
本文由人人都是产品经理作者【TCC翻译情报局】，微信公众号：【TCC翻译情报局】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。