兩個十萬星儲存庫,正試圖教會代理何謂品味

就在來自 Together AI 的一套設計技能,以及一名獨立開發者打造的規則引擎,雙雙在 GitHub 衝破十萬星的同一週,又有兩個儲存庫從不同方向出現,朝著同一個目標前進。其中一個是協作工作區,讓團隊與其代理一起打造影像、影片與產品。另一個則是一套指令,讓編碼代理建置出真正的公司網站,而不是制式登陸頁。
這兩個名字目前都還不熟悉,但都值得花一個下午看看。
open-design:代理就坐在同一個房間裡的工作區
open-design 自稱是第一個協作式 AI 設計代理工作區。它採本機優先、Apache 2.0 授權,并把動態效果、原型、網站、應用程式、儀表板、簡報、圖像與影片,全都放進同一個由團隊與其代理共享的專案裡。
安裝模式是有趣的部分,因為它針對的是一團混亂的代理用戶端,而不是試圖取代它們。
```shell od mcp install claude od mcp install codex ```
同一個指令涵蓋 Claude Code、Claude Desktop、Codex CLI、Cursor、VS Code with Copilot、GitHub Copilot CLI、Gemini CLI、OpenCode、OpenClaw、Cline、Trae、Kimi CLI、Mistral Vibe CLI、DeepSeek Reasonix、Raven、Pi、Antigravity 等。試執行旗標 --print 會在實際動作前顯示將安裝什麼,--uninstall 則可乾淨移除。DeepSeek Harness 則需先備妥自己的 dsh CLI。
如果你完全沒安裝任何 CLI,也有自備金鑰代理可處理。常駐程式暴露 POST /api/proxy/{anthropic,openai,azure,google,ollama,senseaudio}/stream,可在不啟動子程序的情況下執行同一套迴圈。你只要貼上 base URL、API 金鑰與模型名稱;系統也為 OpenAI、Anthropic、Azure OpenAI、Google Gemini、Ollama、LM Studio、vLLM 或任何 OpenAI 相容端點提供預設值。內部 IP、連結本地位址與 CGNAT 範圍都會在常駐程式邊緣被阻擋;對於會代理他人請求的工具來說,這正是你會希望看到的細節。
對一個生產影像與影片的團隊來說,實際吸引力很直接:產出物、提示詞、參考素材與回饋都集中在同一個地方,讓人類與多個代理可以共同編輯。
taste-skill:瀏覽器能檢查的規則
taste-skill 採用 MIT 授權,約有 111,000 顆星,是一套目標明確的單一代理技能。它的 README 開宗明義地說:這套技能存在的目的,是讓編碼代理打造出 figma.com 或 x.ai 這種等級的專業公司網站,而不是拼湊出制式登陸頁。
```shell npx skills add https://github.com/Leonxlnx/taste-skill --skill "design-taste-frontend" ```
Claude Code 使用者可以改走外掛市集,Codex 也有自己的外掛指令。儲存庫也附上 install.sh,會用符號連結把技能接進你的代理,因此 git pull 就能原地更新。在 Windows 的 Git Bash 環境中,若無法使用符號連結,它會建立目錄連接點,並會提醒你還有舊的複製資料夾留在原處。
需求不多但很明確:Node 22 或更新版本,以及 Chrome、Edge 或 Chromium 執行檔;若執行檔位在非典型路徑,則需設定 CHROME_PATH。PATH 中的 ffmpeg 是選用項,用於 WebP 輸出與主視覺照片的手機版裁切。整個過程不會安裝任何東西、不需要 API 金鑰,內附的 Wikimedia Commons 照片也能離線使用。
規則同樣具體。純文字文案、單一設計系統、每個畫面一個區塊、左右邊緣對齊、真實照片、真實品牌圖示、真實產品 UI,以及當產品沒有照片時使用產品渲染圖。微互動保持低調。著色器效果、創意亮點與滾動場景則保留給科技、遊戲與軟體頁面。每次建置都會先將業務分類為軟體、遊戲、科技、產品、服務或地點,並在撰寫任何標記前逐畫面規劃。
它特別之處在於產出結果的驗證方式。檢查器會在真實瀏覽器中執行並強制落實這些規則。代理不能靠描述成果看起來多好來替自己打分數;瀏覽器可以檢查邊緣對齊、區塊數量與圖片來源。
這波工具化浪潮為何存在
這些儲存庫要解決的問題,現在有個名字:AI slop(AI 垃圾感)。這個詞指的是:模型被要求做某件事、卻沒有得到進一步指示時所建構出的頁面,那種特定外觀;而破綻清單驚人地一致。紫到藍的漸層。卡片裡再塞卡片。彩色背景上的灰色文字。每個標題上方都有一個圓角方形圖示磚。每個大標上方都有一行眉標。主視覺圖片與所在畫面格格不入。每個頁面底部都有註冊表單,包括根本沒人會註冊的頁面。
先前的解答有兩種形式。Impeccable 推出 62 條確定性規則來標記這些破綻,將發現依 P0 到 P3 分級,且執行時不需要模型或 API 金鑰。來自 Together AI 的 Hallmark 則採取不同做法:50 個主題,每個主題都是一種材質,擁有自己的紙張、字體排印、色彩與元件;另有 755 張依主題挑選、採開放授權並在頁面上標註來源的照片,以及交付前在瀏覽器執行的 lint。
open-design 與 taste-skill 屬於同一波浪潮,卻朝不同方向拉扯。一個是給團隊用的基礎設施,另一個是你花一個下午就能安裝好的、一套有明確主張的單一技能。兩者都假定解方是程序性的。
這並未解決什麼
檢查器只驗證它們能量測的事。瀏覽器可以告訴你左右邊界是否一致、每個畫面是否只有一個區塊、主視覺是真實照片而非漸層、圖示集是否其來有自。它無法告訴你頁面是否有值得一讀的內容、標題是否為對的標題,或截圖裡的產品是否就是正在販售的產品。
這個落差永遠存在。通過一套規則,只能讓你得到一個結構穩固、視覺一致的頁面。它不會給你一個有人想看的頁面;那些聲稱不是如此的儲存庫,賣的是工作流程,不是保證。
還有一個值得指出的第二層效應。一旦有夠多頁面依照同一個參考實作來建置,檢查器就會變成新的制式風格。頁面不再彼此長得一模一樣,而是開始長得和儲存庫一模一樣。這比 AI 垃圾感問題小一點,但問題形狀相同;而解法和這個產業裡到處都適用的那一套一樣:用工具做出有觀點的作品,而不是把它當成過濾沒有觀點之作的篩子。
對同一個問題的兩種不同押注
兩個專案都假定,代理打造設計時缺少的那一塊是判斷力,而兩者都選擇用機制取代判斷力。open-design 把判斷力放進工作流程,讓人類與多個代理在同一個產出物上反覆迭代。taste-skill 則把判斷力放進檢查器,由規則決定頁面是否過關。
這兩個專案的分歧,正好落在團隊如何看待 AI 產出的真實分界上。一種做法假定你需要更多人參與迴圈;另一種假定你需要更嚴格的完成定義。兩者昂貴的部分都不是程式碼,而是素材;taste-skill 對此的答案,是一組隨技能附上、採開放授權並會標註來源的精選照片。
懸而未決的問題是:這兩者究竟有沒有改變使用者實際看到的東西,或者品味只是從模型轉移到儲存庫裡。到目前為止,每個 AI 垃圾感偵測器都帶來相同結果:頁面不再彼此相像,而是開始長得像參考實作。
無論如何,這都是進步:一個依照已知標準建置、使用真實照片並由檢查器驗證的頁面,勝過一個依照模型當下感覺的平均值所建置的頁面。