他用 FigJam 造了一辆山地车，却给了 AI 从业者一套“思考系统”

一个看似与 AI 无关的视频里，Figma 的 Tom 用 FigJam 把“造一辆山地车”拆成了一套可复用的思考系统。更反直觉的是：这套方法，几乎完美映射了 AI 从业者做研究、搭系统、选模型的全过程。

最反直觉的一点：工具不是为了效率，而是为了“不丢想法”

Tom 一上来就点破了一个很多人忽略的事实：真正复杂的事情，难点不在执行，而在决策之前的“思考密度”。造车不是去商店买一辆成品，而是不断在重量、耐用性、美观、可维护性之间做取舍。问题是，这些判断大多发生在你刷网页、看评测、突然灵光一闪的瞬间。

他用 FigJam 的方式不是“整理结果”，而是“实时捕捉正在生成的想法”。对 AI 从业者来说，这几乎就是研究和工程的日常：你在对比不同模型结构、不同参数规模、不同数据来源时，最怕的不是算力不够，而是中途忘了自己为什么做过某个判断。

这个视频真正炸的点在于：FigJam 被当成了一个“外置大脑”。不是画流程图，不是做汇报，而是把混乱、未完成、彼此冲突的念头先全部摊开。很多人以为专业来自于条理，其实专业往往来自于你是否允许自己在一个空间里足够混乱。

从车架到轮毂：一场标准的“系统设计”示范

Tom 的第二个关键动作，是先锁定“不可动摇的核心约束”——车架。尺寸、几何结构、骑行风格不对，后面所有零件都是白搭。这一步，对 AI 人来说像极了：先明确问题定义和应用场景。

是做实时推理，还是离线分析？是追求极致性能，还是稳定可维护？这些决定一旦错位，后面选再好的模型、再贵的 GPU 都只是补救。

接下来是轮毂、辐条、轮圈的选择。他把价格、重量、性能指标、优缺点全部摊在 FigJam 里对比，甚至记录“我为什么没选另一个方案”。这点非常“老手”：真正有价值的不是最终选择，而是被放弃方案背后的理由。

尤其值得注意的是他提到的几个判断标准：是否长期支持、是否能买到备件、是否容易维修。这几乎是对当下 AI 技术选型的一次隐喻——一个模型或工具再惊艳，如果生态脆弱、维护成本高，迟早会变成技术债。

当设计变成“设计系统”，AI 工作流也该升级了

视频里最有意思的一句评价是：“你这是给自行车做了一个设计系统。”Tom 不只是选零件，而是建立了一整套状态追踪机制：哪些已经下单，哪些在路上，哪些还在犹豫。

这对 AI 团队来说，是一个被严重低估的能力。我们习惯用代码仓库管理结果，却很少系统性管理“决策过程本身”。为什么当初选这个模型？当时有哪些约束？如果半年后条件变化，我们还能不能快速回溯？

最后的颜色选择更是点睛之笔。在真正动手之前，他先在 Figma 里按真实尺寸做了整车 Mockup，把不同配色全部试一遍，直到“心理上确认”。这一步不是为了好看，而是为了避免不可逆的错误。

放到 AI 世界里，这几乎等同于：在真正大规模训练或部署之前，用最小成本做可视化、做模拟、做心理确认。不是所有问题都能靠跑实验解决，有些问题，先让自己‘看见’答案，反而更重要。

总结

这个视频表面讲的是造一辆山地车，底层却是在展示一种高阶工作方式：把复杂决策过程显性化、结构化、可回溯。对 AI 从业者来说，这意味着你不该只管理模型和代码，而要管理“为什么这么选”的全过程。一个可视化的思考空间，可能比再快 10% 的训练速度更值钱。最后留个问题：你现在做的 AI 项目，如果半年后换一批人接手，他们能看懂你当初的每一个关键判断吗？

关键词： FigJam， Figma， 思考系统， AI工作流， 设计系统

事实核查备注： 视频标题《FigJam Stories： Building Your Dream Bike | Figma》；作者/频道 Figma Config；发布时间 2025-01-08；视频中人物为 Tom（Figma advocacy 团队）；工具涉及 FigJam 与 Figma；内容为自行车构建过程的真实示例。