让生成式设计真正可编辑：Editable Visual Design 的智能体工作流

导语

生成式图像模型已经能够制作风格丰富的海报、信息图和营销视觉，但“看起来完成”并不等于“可以交付”。一张由扩散模型端到端生成的图片通常是扁平化位图，文字可能出现错误，元素也难以单独移动或替换。另一条路线是直接让模型编写 HTML/CSS：它具备明确的布局结构和可编辑性，却往往缺乏整体审美判断，也不擅长凭代码构造复杂的视觉资产。

论文《Editable Visual Design》试图把两条路线结合起来，提出由 Coding Agent 驱动的可编辑视觉设计范式。

核心要点

• 分工而不是单一模型包办。 视觉语言模型被定位为“创意大脑”，负责理解需求、拆分任务、安排设计步骤和判断视觉效果；图像生成模型则作为按需调用的“视觉世界模拟器”，专门生成插画、装饰物等独立资产。
• 先想象，再执行。 智能体不会直接把所有内容一次性写成代码，而是先构思所需的视觉元素，再将这些元素与真实文本、布局规则写入原生 HTML/CSS。
• 通过渲染反馈反复修正。 页面被渲染后，智能体根据实际视觉结果检查构图、层次和整体观感，并继续修改代码与资产组合，形成闭环工作流。
• 输出面向后期制作。 最终结果保留解耦图层和真实文本，用户可以在图形界面中直接拖动对象、调整布局，而不必重新生成整张图片。
• 记录设计过程。 Agent Design Replay 用于复现类似专业设计师的创作与推理轨迹，使设计过程不仅有结果，也有可追踪的操作路径。

意义与影响

这项工作的关键并不是让模型生成更漂亮的单张图片，而是改变视觉生成的交付形式：从“渲染一张图”转向“构建一个可继续工作的设计文件”。在海报、信息图等场景中，文字准确性、元素独立性和后续改稿能力往往与初始审美同样重要。HTML/CSS 提供了结构化的承载方式，图像模型补足了代码难以表达的复杂视觉细节，而视觉语言模型则负责协调二者。

这种架构也体现了多模态智能体的一种发展方向：模型不再只输出内容，而是调用不同工具完成分阶段任务，并利用环境反馈进行自我修正。不过，现有素材主要说明了方法框架及其在海报、信息图等场景中的验证，并未提供具体性能数字。因此，更适合将其理解为一种面向生产流程的设计范式探索，而不是已经全面取代传统设计软件的成熟方案。

如果这一思路继续发展，未来的生成式设计工具可能会同时具备生成模型的审美表现力、网页代码的结构化编辑能力，以及智能体的任务规划与迭代能力。对设计师而言，AI 的角色也将从一次性出图工具，逐步转向可协作、可调整的设计执行伙伴。

来源：Hugging Face Daily Papers