Figma 抛出一个反直觉结论：AI 越强，设计越需要“意图在前”

在 Config 2026 的这场分享里，Figma 并没有炫技式地谈 AI 多强，而是抛出一个让很多从业者不安的判断：AI 工具越多、不确定性反而越高。真正拉开人与人的差距的，不是会不会写提示词，而是你能不能在一开始就把“意图”说清楚。

AI 没让事情更确定，反而放大了混乱

分享一开始就点破了一个行业共识却少有人明说的事实：我们拥有了前所未有强大的工具，却依然感到不确定。IDE、CLI、自动生成、智能代理……选择多到让人迟疑。演讲者直言，AI 有时并不是在帮我们澄清问题，反而“挡住了清晰度”。当产出变得极其容易，真正困难的事情反而前移了——你到底想要什么？

最大的风险不是粗糙，而是“过度精致”

一个反直觉的警告贯穿全场：最大的风险，不是做得不够好，而是太容易被打磨得“看起来很对”。AI 可以迅速补全细节、优化表达、填满空白，但如果一开始的目标是模糊的，这种精致只是在放大错误方向。演讲中通过案例强调，真正决定结果质量的，是流程最前端是否明确了意图，而不是后端堆了多少智能能力。

设计系统的真正价值：把更多意图压缩进更小的表面

演讲者引用自己年初的一条观点：设计系统的核心，不是复用组件，而是“在更少的表面面积中，装下更多意图”。这也是为什么设计抽象远不止组件本身——它是一种上下文的容器。当上下文足够清晰，复杂的决策可以在极少的操作中完成，甚至“几次点击”就能把想法推向可执行状态。

Agentic workflows 真正改变的是技能部署方式

当话题转向 agentic workflows，重点并不在某个炫目的代理能力，而在“谁在什么时候做决定”。演讲者提出一个关键转变：AI 代理不是替代专业技能，而是让专业技能被更好地部署。人不再被困在重复执行里，而是把精力放在定义问题、校准方向、判断结果是否符合最初意图上。这是一种技能位置的迁移，而不是技能本身的消失。

从想象到现实的加速，本质是上下文先行

在最后的示例中，演讲者展示了如何通过一个代理读取明确的提示区块，把抽象意图转化为更“可触摸”的结果。这个过程看似是速度的胜利，实则是上下文的胜利：当目标、约束和判断标准被提前写清，系统才能真正替你工作，而不是不断追问你“是不是这个意思”。

总结

这场分享给 AI 从业者的最大启发是：下一阶段的竞争，不在谁更会用工具，而在谁更早、更清楚地定义意图。无论你是做模型、做产品还是做设计，都值得问自己三个问题：我有没有把目标写到足够前面？我是不是在用抽象承载上下文？我是否把 AI 当成放大器，而不是方向盘？未来能跑得最快的人，很可能是最会“先想清楚”的那一批。

关键词： AI Agent， Agentic Workflows， 提示工程， 设计系统， 意图表达

事实核查备注： 需要核查：1）Config 2026 的具体会议背景与时长；2）演讲中对 MCP 的完整定义与原话；3）“Design systems fit more intent into less surface area”的原始表述时间点；4）示例中 agent 的具体实现是否有明确技术名称。