国内直连！设计界首个“越用越懂你”的AI来了

设计需要反复磨合，AI需要持续学习

Personal Agent 这个概念刚出现时，我就觉得这种模式特别适合用在设计Agent。

因为做设计需要反复沟通，改一两次还好，但如果每开一个新项目，都得把审美偏好重新解释一遍，太心累了。

如果有个人助理能记住你喜欢什么、不喜欢什么，之前磨合出来的默契，还能延续到下一个项目里，那就省心多了。

Lovart 2.0发布Arti：首个面向设计师的个性化Agent

今天，Lovart 2.0带来了个人设计Agent，叫Arti。合作得越久，它就越懂你。

认识Arti：从一颗蛋开始养成

打开 Lovart，在左侧菜单栏就能找到新增的 Arti 入口。

这个小家伙还有点养成的意思。刚开始的时候都是一颗蛋的样子，随着对你的了解加深，它会根据你的创作习惯，长成不同的形象。

同样是 Arti，大家养出来的样子可能还不一样（该死的胜负欲又出现了）。

不过，要一起做设计，光有个形象肯定不够。刚开始，它会问几个问题，对你有个初步了解。

构建设计师专属记忆库

聊过之后，Arti 会建立一份关于你的「记忆」。审美偏好、平时做什么、习惯怎样沟通和确认方案，都能在这里看到。

如果发现理解偏了，可以通过对话纠正。

当然要是觉得自己的风格很难用几句话讲清楚，还可以把作品集交给它。

这就方便多了。有些偏好，嘴上只能说“差不多就这种感觉”，但把过去的东西摆出来，配色、排版、画面习惯就具体了。Arti 会从中提取特点，整理进记忆，我们再看看它理解得对不对。

这些记忆会在后续项目中继续使用。之前聊过的要求、调整过的偏好，就可以反馈到咱们之后的新项目当中。

主动式设计：从调研到交付全流程参与

让 Arti 认识自己之后，就可以一起做点东西了。

这次更新里，有一组叫「主动式设计」的能力。找参考、检查画布、整理修改意见，这些设计过程中零零碎碎的事情，Arti 都可以参与。相关开关就在它的页面里，可以按需要开启。

正好这两天我看到 Beats Pill 要联动宝可梦，就觉得这个组合还挺适合继续往下玩。

如果换成耿鬼、可达鸭、卡比兽，会做成什么样？干脆让 Arti 帮我做几个二创版本。

先把产品参考图传进去，告诉它保留 Pill 的胶囊形机身、网罩、按键和挂绳结构，再融入不同宝可梦的特点。

有了方向，再继续生成产品概念图。先把三个版本放在一起看，选出喜欢的设计，再往下完善细节和配套物料。

有点时候做着做着，画布上的东西就多起来了。这时候，Arti 的「画布巡检」就能帮忙检查作品与需求有没有对上，发现问题后给出提醒，我们再决定怎么调整。

有时候，做好的东西还得发给同事或客户确认。这时可以直接分享审阅链接，对方看到哪里有问题，就在作品上留下评论，具体改哪儿一眼就能对上。

收到反馈后，我们也不用再费劲巴拉地整理一大段改稿提示词。Arti 会帮忙汇总这些评论，整理成修改方案，我们确认后就能执行。

改完之后，原来的审阅链接也会同步更新，历史版本还能回看，方便对照。

反复做过的流程，Arti 还可以从中总结方法，沉淀成可复用的 Skill。在「技能—个人」，或者 Arti 的「我学会的—自进化技能」里，就能查看这些技能。

以后再做同类项目，就可以调用留下来的方法，接着往下做。

设计委托：把重复性工作提前安排

此外，有些时候做设计，也没必要等到自己有空坐在电脑前，才开始推进。像定期找参考、整理灵感这些事，就可以提前安排好，交给 Arti 按时去做。

可以从模板开始，也可以自己填写需求。然后设置执行时间、关联项目，再给每次运行设一个积分上限。除了每周执行，也可以按天、按月，或者只安排一次。

正式安排之前，还可以先试运行，看看找来的案例合不合口味。觉得范围太宽、分析太泛，就回头调整委托里的要求。

这样，找参考就成了一件平时也在慢慢积累的事。看到喜欢的可以继续研究，暂时用不上就先留着，哪天冒出个想法，也许正好能接上。

如果已经有了明确的出图要求，我们也可以让 arti 把批量物料、系列续作提前安排好

写在最后：AI是搭子，不是替代者

前面说Personal Agent适合做设计，我觉得很大一部分原因，就是设计需要磨合。

审美和默契也都需要时间。有些偏好，自己一开始也说不清，得看过几个方案、来回改一改，才知道想留下什么。如果这些磨合能慢慢积累，下一次冒出新想法时，就能接着往下做。

Lovart 2.0已于10月19日正式上线，国内用户可以直接访问。同时还开启了限时会员优惠，专业版与旗舰版订阅低至5折，旗舰版年包最高加赠3个月会员。

当然AI始终是辅助，画面细节依然得自己拿主意。

但身边多一个熟悉自己的搭子，做起来事半功倍。感兴趣的小伙伴现在就去试一试吧~

JOTO 企业落地观察

• 设计类智能体的长期价值不在单次生成质量，而在于能否构建跨项目的偏好记忆闭环。企业部署时需评估其记忆存储是否支持增量学习与冲突消解，避免因历史偏好覆盖导致设计一致性崩塌。
• 画布巡检这类功能对RAG知识工程提出新要求：需将设计规范转化为结构化规则库，并与设计工具原生API深度耦合。纯文本知识注入无法支撑像素级合规检查，企业需预留工具链集成预算。
• 设计委托功能揭示了智能体工程的核心矛盾——任务描述缺乏行业标准协议。企业若希望沉淀可复用技能，必须推动内部建立委托指令元模型，否则技能库将沦为特定工具的私有资产。
• 形象养成机制虽属用户体验层设计，但对企业AI安全治理构成隐性挑战：当用户情感依附增强，对Agent输出的信任阈值同步提高，可能弱化人工审核环节。需在人机协同流程中嵌入强制校验节点。