Lovart官网：lovart.ai
Lovart 是由国内领先的 AIGC 平台 Liblib AI 的海外子公司独立运营的产品，在其发布时引起了相当大的声量。于5月12日 Lovart 上线后，我即时申请并获得了内测资格。实际测评几天后，作为一名设计师和AIGC领域的创作者，我认为我并不能随大流高歌猛进的、含糊其辞地夸赞，而是有必要提出一些真实的反馈和建设性意见，也是为 AI 从业者、创作者、设计师和更多用户提供另一个视角。
Lovart首页界面
先说结论：
要我说如何评价Lovart自称为“世界首个设计智能体”，我认为距离真正的设计智能体还有相当一段距离。若将 Midjourney、Stable Diffusion 代表的 AI 生图工具视为1.0，AI 设计智能体是2.0，那么 Lovart 目前或许处于1.2的阶段，我称之为“生成式画布工具”或“系列概念创意生成智能体”。它的价值在于交互方式创新，而不是也并不应该取代设计师。
Lovart处于1.0与2.0之间的1.2阶段
下面进入正文部分——
一、定位困境：当“设计”被简化为“视觉流水线”
首先让我们回归设计的本质——世界设计组织（WDO）在2015年更新的官方定义：
“设计是策略性解决问题的过程，驱动产品、系统、服务与体验的创新，需平衡商业目标与生活质量提升，并回应社会、经济、环境及伦理挑战。"
世界设计组织（WDO）对“设计”的定义
这一定义揭示了设计与创作、美工的核心差异：
- “创作”是个人化表达（如生成概念图）；
- “美工”是视觉执行（如调整海报尺寸）；
- “设计”则是基于可验证分析的系统性推理，需平衡用户需求、技术约束与商业目标。
“设计”的目标是要解决一个问题，而解决问题的核心在于收敛。（下文中的双钻模型）创作和美工很多时候被包含在设计的发散阶段，但如果将创作和美工等同于设计，这种定位偏差便让设计和设计师的价值被误解。索性 Lovart 还未能取代设计师，这也验证了 Lovart 距离“设计智能体”依然存在距离。
Lovart 的定位偏差在于其核心功能（生成视觉概念、品牌 logo、包装效果图）本质是服务于创作或美工的“系列图片生成智能体”（其官网案例也几乎都是视觉海报作品），却冠以“设计智能体”之名。“设计”一词涉及范围广泛，从城市环境、数字应用到家居产品，每个设计专业垂类中分别涵盖各自的设计范式、规范和标准。
细究起来，Lovart 目前可以辅助完成“设计概念提案”，正在成为视觉传达设计、品牌形象设计、平面设计等智能体的途中。锚定一个特定设计垂类领域，或许比成为一个大而全的“设计智能体”要更为现实。设计智能体应成为设计师的“第二大脑”，辅助设计师进行专业决策，而非仅生产视觉内容。
二、功能局限：模型堆砌与工作流缺失
“设计”是一个很大的词汇，也再次点题——所谓的“设计智能体”解决的是哪个细分设计类目的问题？Lovart 目前的表现似乎无法回答。这会让产品的定位稍显尴尬。
Lovart的技术实现依赖GPT-4o、Gemini 2.5 Pro等外部模型，并未继承Liblib原先的基于 Stable Diffusion 和 ConfyUI 的工作流基础。其所谓的“设计任务拆解”与“端到端”解决方案，实际上依旧是拆解“图像生成任务”，生成品牌 logo、产品概念、包装、装饰、空间、周边产品的视觉效果图，并非针对某一特定设计对象的设计需求的智能生成（这是一个需要更多的关于设计规范、形制、思维的多智能体协作才能完成的复杂任务）。
Lovart的画布式交互界面
但比起单纯的单一模态生成工具，Lovart 提供了画布式的交互（另一个国产智能体 Flowith 也采用画布式交互，确实对AI产品来说画布式相较于线性阅读方式更符合人的视觉-思维的反馈）这一点确实也更符合设计师的工作方式，与图像创作的交互方式有所区别。作为一个创意工具，是一个值得肯定的尝试。
Lovart 目前的画布式交互在使用方式上优于先前的AI生图工具（如 Midjourney 的线性对话），但作为一个设计智能体缺乏对设计思维的深度挖掘和利用，无法为设计师提供实际工作流程支持。
由此我认为 Lovart 在从 AI 图像生成工具到AI设计工具的进程中发展到了1.2的阶段，是一个值得肯定的尝试。但从功能上来说，并没有看到其针对特定设计行业所做的产品创新，本质是基于图像生成模型的交互方式优化，所以我更愿意称之为“生成式画布工具”。
三、设计智能体的灵魂：思维模型与落地能力
我想象中的“设计智能体”，应该由设计思维和大模型能力有机结合的嵌合式结构作为引擎，互相支持从而更有效地支持设计师完成工作。整合需求分析、原型迭代、规范校验等环节，并链接生产端数据。
若设计一款饮料包装，智能体需自动调用行业形制标准（容量、材质）、竞品分析、生产成本计算，而非仅输出一张“好看”的效果图。目前看来针对平面和 VI 设计似乎 Lovart 有更好的表现，那也是因为平面设计和 VI 设计的输出本就以平面图形为媒介，但 Lovart 产出的所谓“VI 设计”最终无法被深度拆解为设计师所用。
再以电商场景为例，中小团队需要的是符合平台规范的海报模板、包装尺寸自动校验，而非自由调度的“智能体”。若无法嵌入行业标准（如印刷参数、材质限制），其生成结果只能是“概念”提案，最终依旧会沦为生图玩具。
“目前的大部分 Agent（智能体）应用仍是 LLM（大模型）能力的简单 “封装” 或延伸，距离真正通用的智能实体尚有距离——在面对复杂的真实世界时，Agent 往往会暴露出推理规划、长期记忆、世界模型、自主进化以及安全对齐等核心能力不足的问题。”
而设计问题往往都是复杂问题。
Agent 框架（环境，循环与内部结构）
为了系统性地应对这些挑战，以构建真正具备通用能力的未来智能体，MetaGPT & Mila 联合全球范围内 20 个顶尖研究机构的 47 位学者，共同撰写并发布了关于“Foundation Agents”的长篇综述。我在写这篇评论时通过DeepSeek查阅到了Foundation Agents作为复杂系统模型与设计问题之间的关联性，或许在下一篇详细展开。
四、未来方向：从“生成工具”到“协作伙伴”
设计需要体现设计思维的过程，从需求到原型、再到设计呈现。这其中每个环节都需要多智能体系统协同工作，是一个复杂结构的任务。用双钻模型（在20年前的2005年由英国设计委员会提出的设计思维模型，该流程改编自匈牙利裔美国语言学家 Bla H. Bnthy 于 1996 年提出的“发散-收敛”模型）为例，一个设计任务需要通过“发散-收敛”的多次循环为复杂问题提供可参考的路径，强调定义问题和拆解问题的方法的重要性，其次再是专业的设计执行。以现有图像生成的“一次成型”的结果是无法满足一个设计任务的需要的。
2005年由英国设计委员会提出的双钻模型
Lovart 要成为真正的“设计智能体”，需要有这三个动作：
1. 转向行业垂直：选择细分领域，深入理解和融合行业规范与生产流程；
2. 嵌入设计思维引擎：将设计思维结构化嵌入，从“为什么”（需求定义）到“怎么做”（生产对接）；
3. 端到端链接：链接需求端信息和制造端数据，确保设计成果可直接落地，而非停留视觉层。
较为理想的设计智能体的架构首先应该以设计思维模型为大脑，各个专业设计执行工具为手，在 Lovart 现有的画布式交互基础上，生成可用的设计素材和物料，辅以设计师的专业能力来完成任务。
在探索设计师如何借助技术革命引领创新时，历史的镜鉴尤为深刻。距今100年前的1925年，包豪斯学派奠基人格罗皮乌斯的门生马塞尔布鲁尔，将工业革命催生的冷轧无缝钢管技术（源自于1885年曼内斯曼兄弟发明的斜轧穿孔工艺，使金属管材得以高效量产）创造性引入家具设计。
瓦西里康定斯基和瓦西里椅，1925年
伦敦维多利亚与阿尔伯特博物馆馆藏记录明确定义：“瓦西里椅（B3 Chair）是首件运用冷轧钢管的家具设计，其可拆卸结构预示了模块化生产模式，成为现代主义设计运动的物质宣言。" 当液压机将钢管弯折成瓦西里椅的流畅线条时，实木家具需要数月手工雕刻的时代就此终结（同时使得制造成本降低70%）这把现代设计史上的里程碑之作，以其标准化构件与工业美感，标志着机器化量产家具的开端。
一百年后的今天，人工智能正带来新的设计范式转型。
总结：设计的尊严，在于解决真实问题
真正的设计智能体需要实现最后一公里的落地性，作为设计师的第二大脑链接需求端和制造端；智能体的意义也在于增强和延伸专业能力以辅助决策，而非替代人类决策。
Lovart 相较于“世界首个设计智能体”的称谓，还需走相当长一段距离。首先一方面，需要在方向上向“设计”的定义对齐，也就是直面一个根本问题：它究竟在解决谁的问题？是满足创意工作者的概念生成需求，还是对接特定设计行业的标准化执行需求？若两者皆想兼顾，最终可能两者皆失。
在最后叠个甲，毕竟AI产品的迭代速度大家有目共睹，希望Lovart在不久的将来便能彻底蜕变为真正的设计智能体，从1.2迈向1.5，最终达到2.0完全体。
【完】
评论区 (0)
最新评论登录后发布评论并参与互动。
暂无评论，欢迎抢沙发。