你想做的下一张图，何必从空白画布开始？
过去我们使用 AI 做视觉内容时，经常会遇到一个问题：
模型会画图，但它并不知道“为什么要画这张图”。
你给它一段文章，它可能生成一张漂亮的插画；你让它画一个产品流程，它也许能给你一张看起来像流程图的图片。
但真正进入内容生产场景后，我们需要的往往不是“随机生成一张好看的图片”。
而是：
- 这篇文章究竟应该配什么类型的图？
- 一段复杂的产品逻辑应该用流程图、架构图还是用户旅程图？
- 一篇文章如何拆成 6 页小红书内容？
- 一份 Markdown 如何直接变成一套 PPT？
- 一个故事应该如何拆成连续的分镜？
- 一个品牌应该从哪些视觉方向开始探索？
- 生成出来的内容，最终怎样真正交付，而不是停留在一张图片上？
GitHub 上的 Design Buddy，尝试解决的正是这一层问题。
它不是一个单独的 AI 绘图工具，而是一套面向内容创作者、产品经理、独立开发者和设计协作者的 Agent Skills 视觉生产工具箱。
一、从“AI 画图”走向“AI 设计”
Design Buddy 最值得关注的地方，并不是它能调用多少模型，而是它改变了一个工作流程：
从“告诉 AI 画什么”，变成“让 AI 先理解内容，再决定应该怎么表达”。
例如，你告诉它：
给这篇文章做一张公众号封面。
理想情况下，它不应该马上开始生成图片，而应该先理解文章主题，然后判断视觉方向。
README 中给出的示例是：
AI 生产力系统 / 上下文管理 / 个人工作流
然后进一步给出不同的设计方向：
- conceptual + warm editorial
- blueprint + technical schematic
- flat-vector + high contrast
最后才确定：
16:9 封面 + 标题可读区域。
这个过程其实非常重要。
因为真正的设计工作，从来不是“画一张图”这么简单。
设计首先是信息判断。
二、Design Buddy 到底是什么？
从项目结构来看，Design Buddy 是由多个独立 Skill 组成的视觉生产体系。
目前仓库包含了从图片生成、图表、品牌设计，到幻灯片、公众号排版、故事板等多个方向的 Skill。
例如：
| Skill | 主要用途 | 输出 |
|---|---|---|
space-gemini-image |
Gemini 文生图、图生图 | 图片 |
space-logo-generator |
Logo 方向探索 | Logo 图片 |
space-chart-html |
流程图、架构图、ER 图等 | HTML |
space-chart-html-plus |
更复杂的信息图表 | HTML |
space-architecture-diagram |
系统架构、部署拓扑 | HTML / SVG |
space-text-logic-diagram |
文章逻辑可视化 | HTML / SVG |
space-mermaid-diagram |
文本转 Mermaid 图 | Mermaid |
space-slide-deck |
Markdown 转幻灯片 | PNG / PPTX / PDF |
space-wechat-layout |
公众号文章排版 | HTML |
space-storyboard-generator |
故事分镜与故事板 | 分镜表 + 图片 |
space-markdown-poster |
Markdown 转分享海报 | PNG |
space-generative-art |
p5.js 生成艺术 | HTML / JS |
space-image-skill-builder |
创建自定义生图 Skill | Skill |
也就是说，它更像一个：
“内容 → 视觉表达 → 交付物”的 AI 设计流水线。
三、它真正解决的是“选择什么视觉形式”
很多 AI 视觉工具的工作方式是：
Prompt → Image
Design Buddy 更接近：
Content → Understanding → Visual Decision → Generation → Delivery
项目 README 把这个过程拆成了四层。
第一层：内容理解
先读取用户提供的：
- 文章
- 产品需求
- 故事
- 数据
- 产品逻辑
- 品牌信息
然后判断：
这段内容到底想表达什么？
第二层：视觉决策
接下来决定：
- 是图片还是图表？
- 是流程图还是架构图？
- 是概念插画还是场景图？
- 应该使用什么比例？
- 信息密度应该多高？
- 是否需要遵循某个品牌设计系统？
- 最终应该输出 HTML、SVG、PNG 还是 PPT？
这一步实际上才是“设计”。
第三层：资产生成
确定视觉结构后，再调用不同的工具生成内容。
项目支持的路线非常多，例如：
- 图像模型
- GPT-image-2
- Gemini
- HTML / SVG
- Mermaid
- p5.js
- PPTX
- 公众号 HTML 模板
所以它并没有把“所有问题都交给一个图像模型”。
第四层：交付整理
最后才是：
把生成结果变成真正可以使用的文件。
例如：
一篇 Markdown
↓
文章分析
↓
生成配图
↓
插入文章
↓
得到新的文章
或者：
Markdown
↓
生成 PPT 大纲
↓
生成逐页视觉方案
↓
批量生成页面
↓
PPTX / PDF
这也是 Design Buddy 和普通 AI 生图 Prompt 最大的区别之一。
四、最有意思的几个使用场景
1. 给文章自动配图
假设你写了一篇 5000 字的文章。
传统方式可能是：
- 找文章配图
- 搜索图片
- 下载
- 修改尺寸
- 插入文章
- 发现图片和内容并不匹配
- 重新找
Design Buddy 的思路则是：
让 AI 先理解文章，再决定每个位置应该出现什么视觉内容。
比如：
- 开头使用概念图
- 中间使用流程图
- 某一段使用对比图
- 某个复杂概念使用逻辑图
- 最后使用总结视觉
这实际上把“找配图”升级成了“内容可视化”。
五、把复杂产品逻辑画出来
这是 Design Buddy 很适合产品经理和技术团队的场景。
例如你告诉 AI：
把这个系统画成架构图。
它并不是只能输出一张普通示意图。
项目提供了：
space-architecture-diagram
以及：
space-chart-html
space-chart-html-plus
space-text-logic-diagram
space-mermaid-diagram
等不同工具。
因此，一个复杂系统可以根据关系类型选择不同表达方式：
- 系统架构图
- 部署图
- 网络拓扑
- 数据流
- 用户旅程
- 流程图
- 路线图
- SWOT
- ER 图
- Mermaid 图
- 逻辑关系图
这背后的思想其实非常朴素：
不同的信息结构，应该使用不同的视觉结构。
六、把一篇文章变成小红书多页图
另一个非常实际的场景，是社交媒体内容生产。
例如：
把这篇文章拆成小红书 6 页图。
Design Buddy 可以按照内容结构进行拆解：
- 封面：一句话钩子
- 痛点：为什么普通提示词不够
- 框架：核心方法
- 案例：具体怎么使用
- 清单：执行步骤
- 结尾：行动或保存引导
这里最关键的并不是“生成六张图片”。
而是：
先把长内容重新组织成适合移动端阅读的内容结构。
这已经从图片生成进入了内容编辑和视觉编排。
七、Markdown 直接变 PPT
对于开发者、产品经理和内容创作者来说，这可能是最省时间的能力之一。
你可以直接提出：
把这份 Markdown 做成 12 页 PPT。
Design Buddy 的 space-slide-deck 会围绕：
内容大纲 → 页面结构 → 设计系统 → 单页视觉 → PPTX / PDF
进行处理。
项目还支持从多个品牌设计系统中寻找视觉参考，再用于生成幻灯片。
这意味着：
Markdown 不再只是最终交给读者的文本，也可以成为视觉生产的源文件。
你甚至可以把：
一篇文章
直接转换成：
文章 → 信息图 → 幻灯片 → PDF → 分享海报
形成一整套内容资产。
八、公众号排版也被纳入了工作流
很多 AI 工具可以生成文章，却停在 Markdown。
真正发布时还要面对：
- 标题
- 小标题
- 段落
- 图片
- 引用
- 强调
- 间距
- HTML
- 编辑器兼容性
Design Buddy 提供了：
space-wechat-layout
目标就是把文章进一步转换成适合微信公众号发布的排版页面，并提供可复制的富 HTML。
因此它关注的不只是：
“内容有没有生成出来？”
而是：
“内容能不能直接进入发布流程？”
九、它甚至覆盖了 Logo 和品牌设计
如果只是文章配图，这个项目其实并不算特别特别新。
更有意思的是，它把品牌设计也纳入了整个 Skill 体系。
例如：
space-logo-generator
可以用于批量探索 Logo 方向。
而：
space-brand-ui-design
则尝试结合公开的品牌设计规范，为 UI 生成提供更加明确的视觉约束。
这背后的逻辑依然是：
不只是“生成一个漂亮页面”，而是先建立设计语言，再生成页面。
对于独立开发者尤其有价值。
过去做一个产品，可能需要分别解决：
- Logo
- 品牌色
- Landing Page
- 产品 UI
- 社交媒体图片
- PPT
- 产品说明图
现在这些任务可以被统一到 Agent 的视觉 Skill 工作流里。
十、它和普通 Prompt 最大的区别
如果把普通 AI 绘图理解成：
“帮我画一张科技感的图片。”
那么结果很大程度取决于 Prompt。
而 Design Buddy 尝试把 Prompt 背后的决策过程结构化。
例如：
用户需求
↓
内容理解
↓
判断视觉类型
↓
确定比例
↓
选择风格
↓
选择生成工具
↓
生成
↓
检查 / 修改
↓
输出最终文件
这其实体现了一个值得关注的趋势：
未来 AI Agent 的竞争，不一定只是模型能力的竞争，也可能是 Skill 和工作流的竞争。
模型负责“生成能力”。
Skill 负责：
什么时候用、怎么用、输出什么、如何交付。
十一、如何安装？
Design Buddy 基于 Agent Skills 协议，可以在多个兼容的 AI Agent 环境中使用。
项目 README 给出的推荐方式是：
npx skills add SpaceZephyr/design-buddy
也可以直接让支持 Skill 的 Agent 安装：
帮我安装这个 skill：
https://github.com/SpaceZephyr/design-buddy
项目 README 列出的兼容环境包括 Claude Code、Codex、Cursor、OpenClaw、Hermes、Gemini CLI、OpenCode 等。
如果不使用自动安装，也可以直接克隆仓库：
git clone https://github.com/SpaceZephyr/design-buddy.git
然后根据自己的 Agent 环境加载需要的 Skill。
十二、真正使用时，可以非常自然
安装之后，不一定需要学习复杂命令。
很多时候直接说人话就可以：
给这篇文章生成一张封面图
或者：
把这个系统画成架构图
把这篇文章拆成小红书 6 页图
帮我设计 10 个 Logo 方向
把这份 Markdown 转成 12 页 PPT
把这篇文章排成公众号格式
甚至可以明确指定某一个 Skill：
用 space-image-studio 做一张小红书封面
这种交互方式很符合 Agent 的使用习惯：
用户描述目标，Agent 负责决定调用哪个能力。
十三、但它并不是“AI 设计师替代品”
这一点其实是这个项目 README 中比较值得肯定的部分。
Design Buddy 明确说明了自己的边界。
比如：
AI 不一定能一次生成完美图片
文字、复杂结构、中文排版、人物细节等仍然可能出现问题。
图表不等于事实
如果输入的数据或者逻辑是错的，AI 完全可能把错误的信息制作成一张非常漂亮的图。
所以：
视觉质量不能证明信息正确。
Logo 不等于商标注册成功
AI 可以帮你探索 Logo 方向，但商标近似查询、行业冲突和法律可用性仍然需要独立处理。