Design

核心用法

Auto-Adaptive Design Preferences 是一种自进化型设计偏好记忆技能，通过观察用户的选择、反馈和反应，自动构建个性化的视觉风格档案。

工作原理：

• 模式检测：分析用户在不同设计场景中的选择规律
• 多媒介支持：覆盖 UI、图形、视频、印刷等所有视觉创作类型
• 确认机制：同一偏好出现2次以上时正式确认收录
• 结构化存储：按 Aesthetic（整体审美）、By Medium（分媒介偏好）、Brands（品牌项目）、Never（明确排斥项）四个维度分类管理

显著优点

• 零配置启动：无需预设问卷，从实际交互中学习
• 跨项目一致性：确保用户在不同创作中保持风格连贯
• 动态更新：随用户审美进化而持续调整
• 极致精简：条目紧凑，避免信息过载

潜在局限性

• 冷启动期：初期需要足够样本量才能形成可靠偏好
• 确认延迟：需2次重复才确认，可能错过一次性强烈偏好
• 无主动探索：依赖被动观察，可能陷入偏好茧房
• 格式依赖：需配合 dimensions.md 和 criteria.md 使用，生态耦合度高

适合人群

• 设计师、创意工作者需要长期合作的AI助手
• 品牌运营者追求多触点视觉一致性
• 对审美有明确要求但难以系统化表达的用户

常规风险

• 学习阶段可能输出不稳定风格
• 误将探索性尝试记录为永久偏好
• 多用户共享时偏好混淆（需配合用户隔离机制）

Design 技能综合评估

核心用法

Design 是一款纯文档型记忆技能，旨在帮助 AI 助手长期学习和记录用户的视觉设计偏好。它通过结构化的 Markdown 模板，将用户在不同场景下的审美选择系统化归档，涵盖四大维度：通用审美倾向（Aesthetic）、分媒介偏好（By Medium）、品牌项目风格（Brands）以及明确排斥的视觉元素（Never）。

使用时，AI 通过观察用户的编辑行为、反馈语句和选择模式，自动识别并归纳视觉偏好规律，在获得 2 次以上一致信号后确认记录。所有条目保持极简格式，便于快速检索和跨会话同步。

显著优点

1. 零代码风险：纯 Markdown 文档结构，无脚本执行、无网络调用、无依赖引入，安全审计评分达 95 分（S 级）
2. 跨媒介适配：统一支持 UI 设计、平面设计、视频制作、印刷物料等全创意领域
3. 渐进式学习："2+确认机制"避免过早固化误判，偏好库随使用深度自然生长
4. 结构化可扩展：引用 criteria.md 和 dimensions.md 作为格式标准，便于团队协作和标准化迁移
5. 隐私优先：本地文档存储，无数据外泄风险，符合 GDPR/CCPA 合规要求

潜在局限

• 无主动推理能力：依赖 AI 会话中的被动观察，无法自主抓取外部设计案例进行分析
• 格式约束严格：条目需保持 "ultra-compact"，复杂设计系统（如完整 Design Token）需额外扩展
• 确认延迟：2+ 次一致性要求可能延长初期学习周期，对高频切换风格的用户适配较慢
• 无版本控制：缺乏内置的偏好变更历史追踪，需手动维护或依赖外部 Git 管理

适合人群

• 个人设计师/创作者：建立长期稳定的 AI 设计协作默契，减少重复沟通成本
• 设计团队负责人：作为团队共享的 "视觉 DNA 文档"，确保多成员输出风格一致
• 多领域创意工作者：需要 AI 同时理解其 UI、视频、品牌等多面设计身份的 freelancer
• Claude/类 Anthropic 模型用户：追求零代码、高透明度的安全敏感型用户

常规风险

• 偏好固化风险：长期记录可能形成路径依赖，需定期审视 "Never" 和旧条目
• AI 误判风险：用户一次性的临时选择可能被错误归纳为长期偏好
• 协作冲突：多用户共享同一 skill 文件时，风格偏好可能互相覆盖

安全认证摘要

通过 CLS-Certify v2.1.0 六维深度检测（静态分析、动态行为、依赖审计、网络分析、隐私合规、威胁情报），零安全发现。来源为 ClawHub 社区项目（T3 级别），建议个人及小团队安全使用。