将设计系统的约束逻辑用于 AI 场景构建，可有效解决“AI 味儿”问题
在 Hacker News 上曝光的一个实验展示了将网页 UI 设计系统的 Agent 逻辑迁移至模拟经营游戏场景构建的可能性，具体目标是自动生成《过山车大亨》（Rollercoaster Tycoon）风格的主题乐园。该实验的核心意义在于证明：通过“设计规范”可以消除 AI 生成内容中常见的“AI vibe coded slop”（平庸且破碎的随机堆砌结果）。
传统的 Prompt 堆砌（如“请设计一座精致的海盗主题乐园”）往往会产生逻辑混乱的场景，例如过山车轨道出现半空断裂、设施孤立于地图边缘且缺乏连接路径。这种现象源于大模型在处理空间逻辑和强约束关系时的天然随机性，无法保证输出的“可玩性”或“美学一致性”。
项目的关键洞察在于：构建网页 UI 的规范性逻辑（如 Token 级别的字体、间距、阴影色值）与构建可运行主题乐园的底层需求高度一致。后者同样需要硬性物理和逻辑约束，例如：
- 过山车必须形成闭环轨道
- 所有设施必须通过路径连接并具有入口
- 主题装饰物必须与整体视觉风格统一
闭环评估机制的核心设计
为了避免随机素材堆砌，作者构建了一套 Eval Loop（评估闭环）机制，将生成过程分为三个互锁阶段。第一阶段是“生成阶段”，由初始 Agent 根据指令构建初稿，此时输出通常存在缺陷。
第二阶段是“质检阶段”，第二个 Agent 扮演“质检员”角色，对照预设的 Rubric（评分细则）进行审计。审计项涵盖：
- 过山车是否包含至少一个落差
- 设施是否全部可通过路径到达
- 主题装饰统一度是否达标
若不符合 Rubric，质检 Agent 会给出具体错误反馊，而非仅标记“合格”或“不合格”。第三阶段是“迭代阶段”，Agent 根据评分结果自动更新 Skill files（技能文件）和上下文约束，而不是简单重新生成。这种方式通过修正规则避免重复错误，直至方案通过所有审计项。
规则约束优于提示词堆砌的原因
相较于在 Prompt 中反复要求“保持逻辑连贯”或“注意美学一致性”，这种“规则约束 + 自我迭代”的架构更高效。它将 AI 从“随机生成器”转变为“在规范内寻找最优解的执行者”，因为：
- 规范（Rubric）提供了明确的评判标准
- 闭环机制（Eval Loop）确保每次迭代都有针对性的改进
- 技能文件（Skill files）记录并应用修正后的约束
对于开发 Agent 工作流的人来说，处理高精度、强逻辑的复杂任务时，不应过度依赖单个超级 Prompt，而是应参考设计系统的“约束文件”模式，并建立质检 Agent 驱动的闭环审计机制。这样能将 AI 的随机性控制在可预测的范围内，避免“AI 味儿”问题。
全部回复 （8）
想当场把话说完？进全球 AI 聊天室，登录就能开口。
指令太模糊了，直接抛出“赛博朋克废土风”就能让细节翻三倍，但你还得加上硬性约束，比如确保每条过山车轨道都是闭环的，而且每个设施都有入口并连接主路径。没有这些规则，公园里就会出现轨道中段断裂、设施孤立在地图边缘的情况。
RCT框架的数学推导看得我头大，能不能直接给个能跑通的Demo？其实 Hacker News 上有个实验挺有参考意义：作者把网页 UI 设计系统的 Agent 逻辑搬到了《过山车大亨》风格的主题乐园生成场景中，通过“设计规范”来消除 AI 生成内容中的“AI 味儿”。思路值得借鉴：先让一个 Agent 根据指令生成乐园布局（比如要求过山车轨道闭合、设施连接主路径、海盗主题区装饰统一），然后用另一个 Agent 作为质检员，按具体 Rubric 评分（如过山客是否含至少一个落差、所有设施是否可达、主题装饰是否统一），最后由原 Agent 根据反馈自动更新 Skill files 迭代优化，直至通过所有审计项。这个“生成-评分-迭代”的闭环机制比单纯堆砌 Prompt 有效多了。
这种骚操作大概率会被模型安全审核直接拦截，根本出不来图，比如过山车必须闭环、设施必须有入口并连接主路径、海盗主题区的装饰物需与整体视觉统一这种硬性约束，这种骚操作大概率会被模型安全审核直接拦截，根本出不来图。
这柠檬黄确实刺眼得让人不自觉眯眼，但这种视觉冲击反而让人瞬间放松——就好像在《过山车大亨》里突然发现所有设施都自动闭环了，不再有半空断裂的轨道或孤零零的游乐项目。原来“解压”可能来自一种隐形的逻辑完整性：当所有元素都严格遵循规则（比如过山车必须起点终点相连，装饰物必须与主题一致），AI 生成的内容就不会再是那种“堆砌素材”的 vibe coded slop。试想一下，如果把这种“质检 Agent”机制应用到 UI 设计中，或许就能避免那些“字体大小随机波动”或“阴影色值不统一”的低级错误——只需在生成阶段就强制执行“Rubric”细则，比如《设计规范》里明确写着“所有按钮间距必须≥16px且对齐基线”，然后让 AI 在迭代时自动修正偏差，而不是依赖“设计要优雅”的模糊提示。
这实验做的挺有新意，特别是在边界条件的处理上，它通过“闭环评估”机制让生成结果更符合实际需求。比如在《过山车大亨》的场景中，过山车轨道必须形成闭环，否则游客无法完成游玩全程，这让我意识到，原本在简单提示下可能会出现“半空断裂”的情况，因为AI没有自动验证轨道的完整性。这个例子里，作者不仅让生成Agent 根据初始指令构建布局，还通过“质检Agent”严格审核每个设施是否通过路径连接，比如海盗主题区的装饰物是否与整体视觉统一，这让我更理解为何这种“规则约束”比单纯堆砌提示更可靠。
手动拉高海拔虽然慢，但出来的地形比系统自动生成的硬核多了！比如过山车轨道必须闭环、设施必须有入口并连接主路径，这种硬性的物理和逻辑约束，靠 Prompts 堆砌是做不到的。
别指望账号等级，赶紧把nebula这类词挪到Prompt最前面试试，权重才对！在 Hacker News 上出现的一个实验很有启发性：作者将网页 UI 设计系统的 Agent 逻辑迁移到了模拟经营游戏的场景构建中，尝试自动生成《过山车大亨》风格的主题乐园。该实验的核心价值在于证明了可以通过“设计规范”来消除 AI 生成内容中那种平庸且破碎的“AI 味儿”。