Figma
AI加速的是执行而非清晰意图,团队若放弃前置设计规范与上下文抽象,盲目依赖LLM只会放大空洞代码与技术债务。
AI-assisted summary of Figma deep dive: Agentic workflows and the MCP | Config 2026 — original source. Check the original for full context.
Source published:
Key ideas
- 警惕在 AI 时代陷入“认知放弃”(cognitive surrender),即未经审视就将大语言模型的判断直接作为自己的判断,导致产出看似高保真但缺乏业务意图与深度权衡的“虚假精致”。 (2:16)
- Code Connect 推出独立于前端框架的全新 Template API,支持 Slots 渲染与专用 MCP 工具/Skill,能以高密度语义向 Agent 传达组件规范,避免冗长代码噪声并减少 LLM 推理负担。 (12:05)
- 针对样式片段描述的断层,提出基于 DTCG 规范的“超令牌”(Hyper Tokens)与单一事实来源 Schema,实现 Figma 设计变量、基础 CSS、Svelte 展示层及复合组件的多端确定性编译。 (14:22)
- 将 FigJam 作为人类与 Agent 协同交互的单一上下文事实来源,通过 MCP 读取白板中的提示词、入职引导及作业验证闭环,甚至直接作为分发工程任务和汇报截图的人机界面。 (20:45)
- 通过在 Figma 中融合音频隐写算法源码与 Design Agent、FigJam 上下文编排、Make 原型沙盒及本地代码编写 Agent,演讲者在一夜之间极速完成了“Stegasound”互动网站的端到端落地。 (26:02)
Detailed notes
## Background 本内容由 Figma 官方频道于 2026 年 6 月 26 日在 YouTube 平台发布,记录了 Config 2026 大会上的深度分享。页面介绍指出,工作流程前期的清晰度是智能体工作流(Agentic workflows)取得成功的关键,优秀的设计上下文能够帮助团队更有目的性地运用 AI,本次演讲全面探讨了如何利用 Figma 的整个平台高效配合智能体展开协作。
## TL;DR 演讲警示团队警惕将大模型判断直接取代自身思考的“认知放弃”与表面精致陷阱,提出规范驱动开发(spec-driven development)是避免工程技术债的核心解法。通过 Code Connect 与“超令牌(Hyper Tokens)”等设计抽象,团队能以高密度、低推理成本的生产级语义取代冗余低阶代码。演讲展示了将 FigJam 作为智能体单一事实来源与协同界面的实践,并以一个夜晚内端到端落地音频隐写网站 Stegasound 的实战,证明串联 Design Agent、Make 与代码智能体的威力。最终呼吁创作者:AI 加速的是执行而非意图,人类深度的考量才是让技术真正产生价值的唯一支点。
## Atmosphere & style 整场演讲充满诚恳的自省与深厚的技术极客情怀,演讲者既不盲目鼓吹 AI 奇迹,也毫不掩饰自己备赛时曾陷入迷茫与“认知放弃”的脆弱时刻。叙事节奏层层递进,从尖锐的行业痛点剖析无缝切入硬核的技术架构演示,生动的“芝士三明治”比喻与全程手绘的幻灯片更添温暖的人性色彩。现场氛围兼具工业级实践的冷静严谨与重塑创造主权的感召力,让听众在目睹全自动开发奇观的同时,强烈感受到创作者对“设计意图”不可让渡的敬畏。
## Bulletin - [02:16](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=136s) 警惕在 AI 时代陷入“认知放弃”(cognitive surrender),即未经审视就将大语言模型的判断直接作为自己的判断,导致产出看似高保真但缺乏业务意图与深度权衡的“虚假精致”。 - [12:05](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=725s) Code Connect 推出独立于前端框架的全新 Template API,支持 Slots 渲染与专用 MCP 工具/Skill,能以高密度语义向 Agent 传达组件规范,避免冗长代码噪声并减少 LLM 推理负担。 - [14:22](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=862s) 针对样式片段描述的断层,提出基于 DTCG 规范的“超令牌”(Hyper Tokens)与单一事实来源 Schema,实现 Figma 设计变量、基础 CSS、Svelte 展示层及复合组件的多端确定性编译。 - [20:45](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1245s) 将 FigJam 作为人类与 Agent 协同交互的单一上下文事实来源,通过 MCP 读取白板中的提示词、入职引导及作业验证闭环,甚至直接作为分发工程任务和汇报截图的人机界面。 - [26:02](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1562s) 通过在 Figma 中融合音频隐写算法源码与 Design Agent、FigJam 上下文编排、Make 原型沙盒及本地代码编写 Agent,演讲者在一夜之间极速完成了“Stegasound”互动网站的端到端落地。
## Key takeaways - [02:16](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=136s) AI 加速的是执行过程而非清晰的意图;如果缺乏前置思考,“让工作流提速 100 倍”本质上只是在对零进行放大。 - [02:16](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=136s) “认知放弃”指人们放弃提炼独到见解,盲目采信 LLM 基于平均概率拼凑出的表面精致界面,进而偏离真实业务意图。 - [05:39](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=339s) 借鉴规范驱动开发(spec-driven development),设计规范是高精度的软件蓝图,设计系统能以最小表面积承载极高密度的业务意图。 - [09:54](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=594s) 默认的 MCP 映射会将视觉细节全部转译为繁复的 Tailwind 样式,如同为了吃芝士三明治却塞给整部百科全书,造成严重的上下文噪声。 - [12:05](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=725s) Code Connect 能够以紧凑结构传递带有数据槽位的高阶语义,不仅让 Agent 编写大部分有效代码,还能降低 AI 用量并减少技术债务。 - [12:05](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=725s) Code Connect 全新发布了框架无关的 Template API、Slots 渲染支持,以及指导 Agent 精确调用的 MCP 工具与专属 Skill。 - [14:22](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=862s) “超令牌”(Hyper Tokens)通过将语义化样式片段聚合为具名值,大幅降低大模型的推理计算负担,实现跨属性的稳定抽象。 - [14:22](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=862s) 基于 DTCG 规范的统一 JSON Schema 可作为唯一定义源,自动化、确定性地编译出 Figma 样式变量、生产代码及文档系统。 - [18:26](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1106s) Agent 的技能文件(Skills)不是取代人类的专业经验,而是将其规范化部署;应由人类维护核心上下文,再交由 Agent 针对不同目标模型定制编译 Skill。 - [20:45](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1245s) FigJam 可作为呈现复杂专业经验的可视化上下文载体,画布内设立“入职指引”、“课后作业”及“标准答案”以确保 Agent 吃透规范后再生成代码库技能。 - [23:03](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1383s) 将 FigJam 升格为人机交互界面:Agent 通过 MCP 读取任务 Prompt,拆解子计划由人类确认,操作 Figma 与代码库后将成果与截图写回画布汇报。 - [23:03](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1383s) 在画布中为 Agent 提供明确的入职示例代码与版面约束,能够有效防止模型产生幻觉,并降低在复杂协同过程中的推理消耗。 - [26:02](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1562s) 在 Stegasound 项目实战中,将底层隐写算法源码直接粘贴进 Figma 画布,使 Design Agent 充分理解几何与像素逻辑,生成高质量设计初稿。 - [27:31](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1651s) 利用 Figma Make 快速验证交互动效与视觉语言,再由 Coding Agent 提取视觉逻辑并在本地工程中用原生 JavaScript 落地,实现跨技术栈平滑接力。 - [27:31](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1651s) 在 FigJam 中沉淀探索过程与推导脉络(Show your work),其作为未来技术复用的资产价值往往超越单次生成的代码本身。 - [30:58](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1858s) 人类的意图与深入考量(Consideration)是人机协作中最不可替代的核心主权,切勿在高度自动化的浪潮中放弃这种把控责任。
## Detailed walkthrough ### [00:16](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=16s) 设计上下文的价值与工具演进
演讲者向全场观众问好,并开门见山地指出本次分享的核心主题:优秀设计上下文(design context)的重要性。在接下来的 30 分钟内,内容将贯穿设计系统(Design Systems)、Figma 的 MCP(Model Context Protocol)服务器、设计智能体(Design Agent)、Code Connect、Make 以及 FigJam 等多个层面。在展开这些具体工具之前,演讲者首先引导大家思考:为什么做这些事情是有价值的?
“好的事物需要时间来沉淀”,但日常工作中,每个人都面临着“求快”与“多产”的双重压力,这种紧迫感严重挤占了深入思考设计的空间,并带来了巨大的不确定性。回顾过去一年的技术演进,工具链的发展极为迅猛: - Figma 推出了 MCP 服务器,使大语言模型(LLM)能够直接获取来自 Figma 设计稿、Make 以及 FigJam 的上下文信息; - 随后,Figma 将 MCP 服务器与插件 API(Plugin API)相结合,赋予团队直接对 Figma 和 FigJam 进行写操作的能力; - 紧接着,Figma 的设计智能体(Design Agent)也正式入驻画布,使团队的产出效率达到了前所未有的高度。
然而,工具的爆发式增长并未消除设计者的焦虑与困惑。大家反而开始纠结:“我必须去学怎么用 IDE 或命令行终端(CLI)吗?”“我用得起最新的大模型吗?”或者自嘲“我现在是不是变成了一个只会盯着命令行转圈等待的设计师(command line spinner designer)?”
---
[02:16](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=136s) 认知放弃与“虚假精致”的陷阱
```mermaid flowchart LR accTitle: 认知放弃与提示词生成的恶性循环 accDescr: 展示了低投入模糊提示词导致表面精致但缺乏深度考虑的结果,并指出其脱离真实业务意图。 subgraph Input["低意图输入"] A["餐巾纸草图 / 模糊概念"] --> B["输入提示词:'帮我做好它'"] end subgraph Model["模型处理"] B --> C["LLM 根据统计概率拼合均值"] end subgraph Output["表面精致的结果"] C --> D["高视觉保真度产物"] D -.->|"误导 / 偏离最佳路径"| E["缺乏深度考量与业务意图"] end ```
在所有不确定性中,最为危险的现象是“认知放弃”(cognitive surrender)。演讲者对其下了一个明确的定义:“认知放弃是指我们将大语言模型的判断直接当作自己的判断。”这种做法虽然免除了人们去核实验证的负担,省去了提炼独到见解所需的艰苦工作,但却剥夺了设计中最重要的灵魂。演讲者坦陈,无论是在 Figma 的本职工作中还是在个人创作中,自己都会频繁陷入认知放弃。甚至为了准备这次演讲,他也曾走入死胡同:浪费了大量的 token 和时间干等 LLM 给予自己明确的方向与信念,却迟迟没有向内审视自己的真实想法。直到大会前一周,他才彻底重构了演讲内容。
演讲者剖析了认知放弃背后的心理动因:或许是担心自己的想法不够好,或许是害怕被技术浪潮抛在身后,又或者仅仅是想随大流。然而,AI 的核心优势在于加速执行,而非明晰意图。“这很令人遗憾,因为 AI 加速的是执行,而不是清晰的思路。”
当面对提示词输入框时,人们往往只带着“餐巾纸背面的草图与一个梦想”,轻飘飘地输入一句“电脑,把它做好(Computer, make this good)”。随后,模型返回了一个看起来非常精致的界面。人们习惯于信任精致感,因为在传统流程中,打磨视觉细节是对设计质量的天然筛选机制——不充分考虑业务背后的各种权衡,根本无法达到高保真状态。但在 LLM 时代,如果没有主动提供上下文,模型只能基于海量数据的平均概率进行拼凑,给出的精致界面在底层往往极其空洞。这种精致甚至是一种诱惑与误导,它会让团队偏离原本的思考轨道,走到一条与真实业务意图完全脱节的路径上。
---
[05:39](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=339s) 规范驱动开发与设计上下文的抽象层级
```mermaid flowchart TD accTitle: 软件生命周期中的意图演进与转化 accDescr: 展示从发散的可能存在到收敛的应该存在,再到最终转化至生产环境中真实存在的流程。 A["发散思考:可能存在什么 (Could Exist)"] --> B["收敛明确:应该存在什么 (Should Exist)"] B --> C["工程落地:真实存在什么 (Does Exist)"] subgraph DesignSpec["设计规范驱动"] B -.->|"通过 MCP / Code Connect 精确转化"| C end ```
这种缺乏前置思考的张力并不仅存在于产品设计领域,整个软件开发生命周期都在经历类似的阵痛。Google 最近的一篇白皮书明确指出:“低投入的氛感编程(vibe coding)会导致长期维护的高摩擦,对复杂系统而言更是一条死胡同。”与之相对的解法是前置的平台化设计(upfront platform design)——向 API、确定性执行层以及结构化的智能体上下文进行投资。虽然前置思考的开销更高,但在软件的可维护性上会带来长远回报。演讲者犀利地反问:“如果前期没有清晰的意图,那么大家常说的‘让工作流提升 100 倍’,到底是在放大什么?没有前期的清晰度,充其量只是乘以零罢了。”
要避免在生产中交付错误的产品,团队必须将精益求精的意图转化为实际可运行的代码: 1. **探索可能存在什么(What could exist)**:极度发散思维; 2. **界定应该存在什么(What should exist)**:收敛意图,形成明确、精确的设计规范; 3. **转化真实存在什么(What does exist)**:将规范高效落地为生产环境代码。
演讲者借用“规范驱动开发”(spec-driven development)的概念指出,设计远不止是一个视觉预览,它本身就是一种高精度的软件规范。在设计规范中,设计系统就是那套精密的语言,它能够以最小的表面积承载极高密度的意图: - **原始数值(Raw Values)**:分散、冗长,缺乏关联; - **设计变量(Design Tokens)**:虽然文本量略增,但抽象层级更高,单一变量即可同时包裹浅色与深色模式,在同等空间内实现了信息密度的翻倍; - **UI 组件(Components)**:进一步封装,仅用一个简洁的焦点环(focus ring)声明,就能向智能体传递全部交互与状态逻辑。
---
[09:54](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=594s) 生产语境下的组件传递与“芝士三明治”隐喻
将 Figma 上的组件意图转化为生产代码,需要借助精准的生产级上下文工具。演讲者以一个简单的按钮组件为例展示了实际的生产需求:真实代码中的文案并非写死的“Hello World”,而是从数据层异步拉取的欢迎词;按钮上还绑定了设计稿中未显式绘制的点击事件处理器。通过 Figma 的 Code Connect,团队可以通过 MCP 将这种生产级上下文注入给代码编写智能体: - Code Connect 模板编译出的代码片段为智能体提供了示例; - 使用字面量占位字符串引导智能体推断出正确的数据属性; - 使用桩函数(stubbed event handler)明确提示 LLM 这里的交互代码需要它去进一步编写业务逻辑。
```mermaid flowchart TD accTitle: 传统上下文与生产级上下文的区别 accDescr: 对比传统将整个表格转为低层 Tailwind 样式与提供紧凑结构化业务上下文的差异。 subgraph DefaultMCP["默认 MCP 方式:冗余噪声"] A["Figma 复杂表格组件"] --> B["转译为海量 React + Tailwind 代码"] B --> C["视觉细节占满上下文,缺乏数据与业务语义"] end subgraph IdealContext["Code Connect 生产规范:高密度意图"] A --> D["带槽位 (Slots) 的高阶语义描述"] D --> E["精确映射到生产 Svelte 代码、数据层与格式化器"] end ```
当场景过渡到复杂的带插槽(slots)的动态数据表格时,问题变得更加严峻。在生产级的 Svelte 代码中,不仅需要使用格式化器将原始字符串转为货币格式,数据行更是由底层真实数据驱动。如果完全依赖默认的 MCP 映射方式,系统会巨细靡遗地将每个视觉细节用 React 和 Tailwind 代码还原,生成铺天盖地的代码噪声。演讲者直言,为了把这些默认代码放进演示幻灯片,他不得不把字号缩减到了 7 磅。除了表头的静态文案,这些低层次的样式细节对于生成生产环境代码几乎毫无帮助。
为了说明这种上下文冗余的荒谬,演讲者打了一个生动形象的比喻:“这就好像我让你帮我做个芝士三明治,结果我塞给你整套关于面包的百科全书、芝士的发展历史,以及堆叠物体的力学数学原理;等你有能力去做三明治的时候,我早就已经饿过劲了。”相比之下,高效的沟通本可以极其简单干脆——直接告诉对方拿一片芝士夹在面包里即可。这一生动的对比深刻揭示了为什么必须借助结构化抽象为 AI 过滤低效噪声、提供高纯度的设计系统上下文。
[12:05](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=725s) Code Connect 与精确上下文的力量
就像点一份三明治只需交代“一片面包、一片奶酪、再来一片面包,夹在一起给我”一样,通过 Code Connect,我们也能以同样干脆、直白的方式来描述 Figma 中的表格组件。在展示的 Svelte 代码片段中,静态的 Figma 表格行被直接表达为一个数据数组,表头各列也得到了精确定义;其余代码则清晰明确地指明了应该引入哪个代码组件,以及数据应当如何灌入其中。这种清晰度对于 AI Agent 的表现起到了决定性作用。
```mermaid flowchart TD accTitle: 上下文精确度对 Agent 输出的影响 accDescr: 对比冗长上下文与精准上下文下 Agent 编写代码与人工填补的差异
subgraph VerboseContext["冗长上下文 (Verbose Context)"] A1["Agent 编写大量代码"] --> B1["人工仍需修补大量代码"] B1 --> C1["代码总量庞大 / 产生大量技术债"] end
subgraph PreciseContext["精确上下文 (Code Connect)"] A2["Agent 编写绝大部分代码"] --> B2["极少的人工介入"] B2 --> C2["代码总量更少 / 更低 AI 算力消耗"] end ```
在日常实践中,如果团队为某个设计向 Agent 提供冗长模糊的上下文,Agent 固然会写出大部分代码,但工程师为了让该功能真正上线交付,不得不回过头来手动填补大量空缺。而当为 Agent 提供类似 Code Connect 这样精准干练的上下文时,奇妙的化学反应发生了:Agent 编写了绝大部分代码,同时最终的代码总量反而更少。演讲者强调:“This is what we would call leaner code and lower AI usage. We're doing more with less.”(这就是我们所说的更精简的代码和更低的 AI 用量。我们正在以更少的资源实现更多的产出)。相反,那些在模糊上下文中由 Agent 肆意生成的多余代码,本质上就是技术债务。
- **框架无关的新 Template API**:Code Connect 推出了一套全新的模板 API,完全独立于具体前端框架,支持开发者为任何现有技术栈编写文档。 - **Slots 渲染能力**:API 现已支持 Slots 渲染,将 Code Connect 的精确映射能力扩展到了最复杂的复合组件。 - **MCP 工具与 Skill**:Figma 发布了用于发布 Code Connect 的 MCP(Model Context Protocol)工具,让 Agent 能够基于 Code Connect 的视角理解 Figma 组件库,并推出了专门指导 Agent 操作 Code Connect API 的技能(Skill)。
---
[14:22](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=862s) 超越组件:设计抽象与“超令牌”(Hyper Tokens)
设计的抽象层级远不止组件本身,排版、布局乃至动效同样需要类似的抽象机制。在当前的设计上下文中存在一个长期被忽视的巨大鸿沟,即如何描述语义化的样式片段(semantic style fragments),从而在将整组样式结合应用时最大程度减少大模型的推理负担。为了解决这个问题,演讲者提出了一个名为“超令牌”(Hyper Tokens)的概念。
尽管名字听起来时髦,但这种设计模式早已存在。在 Figma 内部,文本样式(Text Styles)就是典型代表——一个文本样式封装了字号、行高、字重等一系列决策,天然映射到 CSS 的声明块。如果退回到 Tailwind 或内联样式(Inline Styles),开发者就必须逐一配置每个属性,演讲者戏称这就像在翻阅一本“奶酪大百科全书”(encyclopedia of cheese)。而超令牌允许我们将所有这些样式组合缩聚为一个具名值,正如演讲者总结的那样:“Not only is this easier for us, it significantly reduces the amount of inference for LLMs, just like Code Connect. Agents love reliable and clear abstraction.”(这不仅让我们更轻松,还极大地减少了 LLM 的推理量,就像 Code Connect 一样。Agent 极度渴望可靠且清晰的抽象)。
```mermaid flowchart LR accTitle: 统一 Schema 确定性编译流水线 accDescr: 基于 DTCG 规范的 Schema 自动编译到 Figma、代码库及文档系统中
subgraph Source["单一事实来源 (Single Source of Truth)"] Schema["JSON Schema<br/>(DTCG 规范 + Hyper Tokens + Recipes)"] end
subgraph Targets["确定性编译产物"] FigmaArtifacts["Figma 系统<br/>• 文本样式绑定变量<br/>• 别名与代码语法<br/>• 图标库 / Code Connect"] CodeArtifacts["代码呈现层<br/>• 基础 CSS 层<br/>• Svelte 展示层<br/>• 日期选择器 / 表格 / 图表"] DocArtifacts["文档与分析<br/>• Storybook Stories<br/>• 样式片段交叉引用索引"] end
Schema --> FigmaArtifacts Schema --> CodeArtifacts Schema --> DocArtifacts ```
- **统一且强类型的 Schema 体系**:基于 DTCG(Design Tokens Community Group)规范编写 JSON Schema,并引入独立的超令牌结构文件,将各种样式片段组合成组件的“配方”(recipes)。 - **多端确定性编译**:从唯一的源 Schema 出发,不仅能在 Figma 中自动生成带有变量绑定、别名和代码语法的 Text Styles 及图标库,还能直接编译出基础 CSS 层、Svelte 展示层,以及日期选择器(Date Picker)、表格和图表等复杂组件。 - **双向洞察与快速绑定**:在 Storybook 或 Figma 设计端,超令牌可以充当设计思维的索引,帮助团队快速反查某个样式片段在哪些组件中被复用,并能在数次点击内批量将多项属性绑定到指定变量。 - **开放交流**:演讲者呼吁对该方向感兴趣的观众在下午 3:30 前往楼上的 Community Lounge 参与设计系统交流会(与 TJ Petri 一起),团队希望以完全公开透明的方式与社区共建这一能力。
---
[18:26](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1106s) 技能(Skills)的部署与管理痛点
谈及大模型技能时,演讲者指出一个核心认知:“Skills don't replace your expertise, they deploy it.”(技能并没有取代你的专业知识,它们部署了你的专业知识)。人类专家脑海中沉淀着海量经验,而技能正是将这些深层经验按需传授给 Agent 的最佳桥梁。只要行为规范定义得足够清晰,就能有效补充 LLM 的常识,使其执行任务时更加精准。
然而,技能文件通常庞大复杂,往往包含数千行说明文本。许多团队尝试让一个 Agent 来协助维护这堆技能说明,但这在人工介入修改时很容易演变成一场灾难。手工编辑 Agent 生成的 Markdown 文档,体感上极其类似于直接在被压缩混淆(minified)的代码里做修改——代码差异(Diff)中充斥着人类口吻与机器措辞生硬交织的碎片。很多人因此陷入了“认知投降”(cognitive surrender),索性撒手不管全部扔给 AI。但这种退让极其危险,因为 AI 往往缺乏全局业务上下文,根本无法做出最优判断。
```mermaid flowchart TD accTitle: 集中式上下文源编译多 Agent 技能 accDescr: 人类维护单一上下文源,Agent 负责按目标模型差异化编译对应技能
Human["人类专家维护<br/>单一上下文源 (Contextual Source)"] -->|更新输入| AgentCompiler["Agent 转换/编译层"] AgentCompiler -->|针对性适配| SkillA["Skill (Agent A 偏好/规范)"] AgentCompiler -->|针对性适配| SkillB["Skill (Agent B 偏好/规范)"] AgentCompiler -->|针对性适配| SkillC["Skill (Claude / Cursor 等)"] ```
演讲者主张将职责明确解耦:人类应当牢牢掌控源头的上下文信息,而将针对目标受众的文本转化工作托付给 Agent。更重要的是,不同的 Agent 往往具备不同的推理偏好与提示词偏见,传统的“一份技能分发给所有人”并不理想。理想架构是由人类维护一份真实上下文源,再由 Agent 针对不同 Agent 的运行环境定制编译出多套专属的 Skill 文件。
---
[20:45](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1245s) 将 FigJam 作为 Agent Skill 的事实来源
如何为人类提供一个既直观易读、又能清晰呈现复杂逻辑的上下文载体?演讲者给出的答案出人意料:FigJam。虽然纯 Markdown 文本非常适合 LLM 解析,但在面对两千多行由机器与人共同拼凑的文档时,人类极难把控专业经验究竟是如何被代码化的。当把整个 Code Connect 的技能内容搬到 FigJam 的白板画布上后,一切变得一目了然;在白板上梳理逻辑的过程,也反过来倒逼人类审视并提炼出表达更明确、结构更严谨的上下文。
```mermaid flowchart LR accTitle: FigJam 中 Agent 编写 Skill 的验证工作流 accDescr: Agent 阅读 FigJam 上的规范与作业,通过 MCP 答题并比对标准答案后生成 Skill
subgraph FigJamCanvas["FigJam 白板上下文"] Onboarding["入职引导与任务说明"] CoreGuides["指南 / 避坑要点 / API 参考"] Homework["课后作业 (Homework Assignment)"] AnswerKey["标准答案 (Answer Key)"] end
subgraph AgentExecution["Agent 执行流程"] MCPRead["通过 MCP 读取组件与上下文"] DoHomework["编写 Code Connect 并回填画布"] SelfCheck["比对 Answer Key 验证理解"] GenerateSkill["向代码库提交最终 Skill"] end
Onboarding --> MCPRead CoreGuides --> MCPRead Homework --> DoHomework MCPRead --> DoHomework DoHomework --> SelfCheck AnswerKey --> SelfCheck SelfCheck --> GenerateSkill ```
在实际的 FigJam 画布中,内容被划分为多个精密设计的模块: - **入职指引区(Onboarding)**:明确告知接单的 Agent 其最终任务是在代码库中创建 Skill 文件,并说明如何从该 FigJam 提取信息。 - **核心指南与参考引用**:包含分步操作指引、速查手册、踩坑指南、高级用例以及庞大的 API 参考手册(API Reference 通常作为需按需加载的 Reference,避免每次执行时全量塞入 Prompt)。 - **“课后作业”防错机制**:为了防止 Agent 在未完全吃透规则前就盲目生成代码,画布上特意设计了一个“家庭作业”环节——Agent 必须在写代码库技能之前,先利用所学上下文为三个特定组件编写 Code Connect。 - **自动化评测闭环**:Agent 会通过 MCP 抓取为其专门创建的 Figma 组件,将写好的 Code Connect 提交回 FigJam 画布,随后调取标准答案(Answer Key)进行自我比对与修正,确保理解无误后才执行最后的产出。
[23:03](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1383s) 基于 Code Connect 经验反哺 Skill,并将 FigJam 作为 Agent 协作界面
智能体编写代码的核心目的,并非一开始就指望它写出毫无瑕疵的 Code Connect,而是让它亲身体验如何协助完成这项任务。智能体可以对照自己生成的代码与一份优秀 Code Connect 文档之间的差异(Delta),在完成这一训练练习后,将提炼出的方法总结成自身版本的 Skill 写入代码库中。这种方式最大的优势在于,无论是底层模型更新、业界对 Skill 结构的组织规范发生转变,抑或是需要修改 Skill 本身的内容,团队都可以随时让智能体重新生成这些能力。“We now have a single source of contextual truth in FigJam that we can work on maintaining together and the agents we work with.” 这使得 FigJam 成为人类与智能体共同维护的单一上下文事实来源(Single source of contextual truth),智能体能够自行将其翻译转化为自身可消化的规范。
观察着画布上庞大的上下文脉络,演讲者萌生了一个更激进的想法:既然外部智能体可以通过 MCP(Model Context Protocol)直接访问 FigJam,为何不将 FigJam 本身打造成与智能体协同工作的人机交互界面?整个工作流被构想为一个严密的闭环:智能体首先读取 FigJam 中的 Prompt 分区,随后调用 Figma 插件 API 进行界面设计操作,接着进入底层代码库执行工程实现,最后将产出的结果与截图回传至 FigJam 的对应区域汇报。
为了让从未以这种方式接入 FigJam 的智能体快速上手,演讲者在画布中搭建了一套详尽的入职引导(Onboarding)区域。虽然全局的 `use Figma` 和 `use FigJam` 技能已经教会了智能体如何调用插件 API,但演讲者希望它能在当前的 FigJam 中遵循非常严苛的定制逻辑。因此,他直接在引导区提供了示例代码块,明确展示如何调整 FigJam 选区容器的尺寸结构,以及如何按指定的宽高比放置图片。由于这些规则属于演讲者个人的版面编排偏好,并不适合硬编码进全局的 FigJam Skill 中;同时,显式的代码示范也极大降低了智能体在画布中协同作业时的推理(Inference)成本与幻觉风险。
```mermaid flowchart TD accTitle: FigJam 智能体协作架构 accDescr: 展示智能体从 FigJam 读取 Prompt 到 Figma 与代码库作业再回传界面的闭环流 subgraph Human["人类上下文构建"] A["FigJam Prompt 区域<br/>(含入职示例代码与 Svelte 模板)"] end subgraph Planning["任务分发与规划"] B["主协调 Agent<br/>(基于 MCP 接入)"] C["拆解子任务计划<br/>(写回 FigJam 供人类审核修正)"] end subgraph Execution["跨环境执行"] D["Figma 界面设计<br/>(Schema 编译与 Hyper-tokens)"] E["底层代码库<br/>(组件与业务逻辑编写)"] end subgraph Review["反馈闭环"] F["截图与成果汇总<br/>写回 FigJam 汇报"] end
A --> B B --> C C -->|"人类确认后下发"| D C -->|"人类确认后下发"| E D --> F E --> F F --> A ```
- **任务拆解与子代理(Sub-agents)协同**:在执行同时生成表格组件、饼图以及对应底层组件的任务时,演讲者要求智能体基于 Schema 编译思路与 Hyper-tokens 保持单一来源,并在 Prompt 中提供了一段预期的 Svelte 代码样例。智能体接收到超大任务后,首先将其切分成若干份子计划写回 FigJam,待人类审阅校正后,再分派给各个子智能体执行。 - **后台自动化巡航**:这种工作模式解放了演讲者的精力,使其可以在准备演讲稿的同时,用余光目睹 FigJam 区域被智能体逐步填满、构建完整。
---
[26:02](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1562s) 实战加速:将隐写音频算法 Stegasound 从构想带入现实
为了打破抽象概念的局限,演讲者分享了他在一个夜晚内利用 Figma 全平台能力,以“极速通关”(Speedrun)的方式将脑海中的创意落地为高技术度互动网站的真实经历。该项目依托于演讲者深耕长达 8 年半的技术储备——将音频编码进静态图片中。这些图片不仅是视觉帧,还可以直接作为音频进行原生解码播放。在现场演示中,演讲者播放了一段嵌入在图像中的语音记录:“What's up, Config? It's Jake from the past and right now you're listening to audio that's been encoded into an image.” 图像中并没有任何外挂的音频文件,声音完全由图片本身的像素数据解码而来。
这项技术源自一个名为 `Stegaset` 的底层库。演讲者挑选了多段能够激起情绪共鸣的现场音乐演出(Live music performances)视频,将高潮段落的音频片段编码至该视频的某一帧静态截图中。多年来正是这类创意编程(Creative coding)项目驱动着他的探索,而这次他决定为这套复杂的音频隐写技术设计并实现一个完整的交互式科普网站。
开发的第一步始于 Figma 的设计智能体。演讲者不仅向智能体提供了一个包含所有 Stegaset 图像的 Frame,还做出了一个关键举措:将自己的图像编码底层库源代码直接完整粘贴进画布中。这一步让 Figma 智能体深刻理解了隐写算法的几何与像素概念,生成的初始设计草稿质量远超预期,为后续工程奠定了扎实基底。
- **算法可视化的技术机理**:在最终落地的互动网页中,当用户点击静态图片时,前端会即时调用解码器库解析像素并播放声音;随着蓝色像素条纹的淡出消失,原本被编码为像素的实际音频波形(Audio waveform)被逐段还原,带来直观的视听联动。 - **在线体验地址**:该项目的最终演示成果公开发布于 `stegasound.jake.fun`。
---
[27:31](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1651s) 串联 Design Agent、Make 与 Coding Agent 完成端到端构建
拥有了 Figma 中的设计草稿后,演讲者进入 FigJam 为 Coding Agent 撰写系统性的指令上下文。为了让代码智能体具备全局组件化意识,演讲者向其输入了前文探讨的 Hyper-tokens 概念与 Schema 架构规范,引导其着重梳理可复用的样式片段,尤其是字体排印(Typography)层面的 Token 结构。演讲者强调,在这一步必须保持高度的“考量严密性”(Consideration imperative),他通过在 FigJam 中汇集便利贴、外部链接、图像和示例代码,高效调控属于人类的“上下文窗口”。
代码智能体通过 MCP 读取 Figma 中的设计稿后,首先向演讲者提交了一份针对当前设计系统的模式分析报告。在人类修改并批准该计划后,智能体被授权利用 MCP 服务同时在 Figma 和本地代码库中生成设计系统资产。智能体不仅自动将 Figma 中的粗糙草稿重组成规范的设计系统组件,还将修改前后的对比截图直接贴回 FigJam,便于人类做视觉审查。
紧接着,面对极具挑战性的复杂编码算法可视化环节,演讲者切入 Figma 的 3 个 Make 试验场来构建网站的动画与可交互试验区(Playground)。虽然 Make 是基于 React 生态运行,而演讲者最终的网站工程选用的是原生 JavaScript(Vanilla JavaScript),但 Make 的核心使命并不是生成直接投产的代码,而是辅助探索“如何将高维度的算法构想转化为动态视觉语言”。当智能体的上下文会话因工作量激增而过长时,演讲者让当前的会话将关键上下文与决策总结写回 FigJam;新的智能体接入后,顺畅地接棒上下文,通过 MCP 解析 Make 的视觉逻辑,并用原生 JavaScript 将算法交互准确实现进代码库中。
```mermaid flowchart LR accTitle: Stegasound 端到端极速开发流水线 accDescr: 展示从算法源码、Figma 设计、Make 动态探索到代码库落地的全流程 subgraph Input["核心资产与上下文输入"] A["Stegaset 编码库源码"] B["现场演出视频静态帧"] end subgraph DesignPhase["设计与系统化 (MCP)"] C["Figma Design Agent<br/>(生成初始设计初稿)"] D["FigJam 上下文编排<br/>(Hyper-tokens 与规范)"] E["Coding Agent<br/>(重构 Figma 规范并写回前后对比)"] end subgraph PrototypePhase["动效与算法可视化"] F["3 个 Make 沙盒<br/>(React 交互动效探索)"] end subgraph Implementation["生产落地"] G["Vanilla JS 本地代码库<br/>(实现 Stegasound 交互页面)"] end
A --> C B --> C C --> D D --> E A --> F F -->|"MCP 提取视觉逻辑|无需搬运 React 源码"| G E --> G ```
- **单一工作流串联全平台**:仅用了一个晚上的时间,演讲者在 Figma 平台上走完了从创意构想、设计探索、系统抽象到全栈工程落地的完整闭环,产出了一份规范的设计文件、一套微型设计系统以及完整的工程代码。 - **过程透明化(Show your work)**:相比于代码本身,演讲者认为最有价值的收获是在 FigJam 中完整沉淀了所有推导步骤与决策轨迹;这些沉淀下来的过程上下文未来既可以通过 FigJam 的智能体重新提炼复用,也能作为珍贵的技术脉络归档留存。
---
[30:58](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1858s) 坚守意图:人机协作时代不可剥夺的考量责任
在演讲的尾声,演讲者将技术话题升华到创作者的核心心智层面。工具与 Agent 范式固然在以不可逆的节奏飞速演进,但人类将意图(Intent)与深入考量(Consideration)注入创作的形式也会随之进化。为了身体力行这种“考量严密性”,演讲者在准备这场 Config 大会的幻灯片时主动迈出了舒适区,挑战自己极不擅长的插画绘制:他坚持在 Figma Slides 中使用原生 Pencil 工具,一笔一画手工绘制了幻灯片里的每一个小人形象、箭头指示与手写文字。
这项决策在备赛时间极其严峻的情况下消耗了大量精力,但演讲者的初心是让这场聚焦冷冰冰人工智能的技术布道,能够带给现场听众属于人类的温度与个性连接。“Your intent is the only thing that's going to make working with AI make any sense.” 演讲者回顾了一年前自己站在舞台上面对 AI 爆发期的迷茫与不确定性,在全场听众即将结束 Config 旅程回归各自现实工作之际,郑重呼吁所有创作者绝不要放弃对产品设计的把控与推敲。
- **直面智能潮水的定力**:“Consideration is the most important part in all of this. Don't be fooled into giving that up. It's the only reason any of this matters.” 演讲者指出,AI 能够代劳执行、加速推演,但人类深度考量的意愿正是让一切技术产生价值的唯一支点,切勿在高度自动化的浪潮中被诱导放弃这种核心主权。
## Notable quotes > [02:16](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=136s) AI 加速的是执行,而不是清晰的思路。
> [05:39](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=339s) 如果前期没有清晰的意图,那么大家常说的‘让工作流提升 100 倍’,到底是在放大什么?没有前期的清晰度,充其量只是乘以零罢了。
> [05:39](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=339s) 低投入的氛感编程(vibe coding)会导致长期维护的高摩擦,对复杂系统而言更是一条死胡同。
> [02:16](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=136s) 认知放弃是指我们将大语言模型的判断直接当作自己的判断。
> [30:58](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1858s) Your intent is the only thing that's going to make working with AI make any sense.
> [18:26](https://www.youtube.com/watch?v=D5WUW9X_-L0&t=1106s) Skills don't replace your expertise, they deploy it.
## Mentioned Figma, FigJam, Figma Slides, MCP (Model Context Protocol), Code Connect, Make, Google, Design Agent, Design Tokens Community Group (DTCG), Hyper Tokens, Svelte, React, Tailwind CSS, Storybook, Stegasound, Stegaset, TJ Petri
## Video description Clarity at the front of a process makes agentic workflows successful, and design context can help you use AI with intentionality. In this talk we'll dive into how Figma's entire platform can be leveraged to work with agents efficiently. ____________________________________________________
Find us on ⬇️ X (formerly Twitter): https://x.com/figma Instagram: https://www.instagram.com/figma LinkedIn: https://www.linkedin.com/company/figma TikTok: https://tiktok.com/@figma Figma forum: https://forum.figma.com/
[Source](https://www.youtube.com/watch?v=D5WUW9X_-L0)