产品经理必看:别再纠结AI设计工具会不会取代Axure了,学会配合才是正解

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

最近和产品经理同行们聊天,发现一个有趣的现象:

“工具焦虑”正在取代“技能焦虑”。

“AI工具这么多,我该用哪个?用在哪里?会不会被取代?”

这种焦虑可以理解。打开任意一个产品社区,“AI帮你10秒出原型”“一句话生成PRD”的帖子满天飞。墨刀AI、UXbot、Google Stitch、Figma Make……每隔几天就有新产品冒出来。

但说实话上,产品经理并不缺工具,面对AI工具的冲击,需要明确是“什么时候用什么工具”来提升产品工作效率和质量。

这篇文章,我打算分享一套我自己目前在用的原型工作流:用AI做快速探索和发散,用Axure深耕复杂交互和细节打磨。

就像前面文章说过的,拥抱AI,守住Axure。


01

AI和Axure各自擅长什么

在进入工作流之前,我们需要先搞清楚一个问题:AI原型工具和Axure,核心能力差异在哪里?

图1:AI原型工具与Axure能力对比

核心结论:

AI工具擅长"不知道做什么"时快速探索

——当你只有一个模糊想法时,AI能帮你快速可视化、发散方向。

Axure擅长"知道做什么"后精准表达

——当你已经明确了需求细节、业务逻辑、交互分支时,Axure能把方案做到极致。


02

AI+产品设计工作流模型

阶段一:AI快速探索(需求→概念→低保真)

目标: 把模糊的想法快速可视化,用于内部讨论和方向确认

工作流程:

1. 用AI生成初始方案

把产品需求或功能描述丢给AI工具(如墨刀AI、UXbot)

让AI生成3-5个不同方向的界面方案

不要追求完美,重点是多方案对比

2. 筛选与追问

基于业务目标选出最接近的方向

对AI方案进行追问调整

3. 界面框架确认

用AI生成的方案做内部对齐

快速验证“这个方向对不对”

如果方向错了,及时止损,避免在错误方向上投入太多时间

图2:探索阶段AI工具选择

这一步需要明白:不要期待AI生成“最终方案”,把它当成了一个超级资源库——给你一堆素材,你自己挑、自己改。

阶段二:Axure高保真交互设计

目标:在已经确认的方向上,用Axure把产品方案做完整

工作流程:

1. 建立页面结构

根据AI探索阶段确认的方案,规划Axure中的页面架构

定义页面层级、跳转关系

2. 设计状态与分支

这是AI工具最弱、AXure最强的环节

穷举所有状态:默认态、悬停态、点击态、禁用态、空数据态、加载态、错误态……

设计所有分支:正常流程、异常流程、边界情况

3. 实现复杂交互

使用Axure的动态面板、条件逻辑、中继器等高级功能

实现真实的交互效果,而不仅仅是“看起来像”

4. 细节打磨

加载状态、错误提示、等待时长

微交互、反馈机制

这些细节决定了原型的“质感”,也是AI工具目前无法替代的

阶段三:AI辅助输出PRD

目标:用AI工具提升PRD的输出效率

工作流程:

    1. 原型截图+AI生成文档

    用Axure导出高保真截图

    让AI工具基于截图生成需求说明

    人工审核并修正细节

    2. 演示材料制作(如需交付甲方)

    用AI工具将原型转化为演示视频

    自动生成用户流程讲解

    3. 团队沟通辅助

    让AI帮忙写PRD模板、评审要点

    生成测试用例建议

    辅助准备技术评审材料

    这一步的核心原则:AI负责“生成初稿”,你负责“审核把关”。不要完全依赖AI的输出,尤其是涉及业务逻辑的部分。


    03

    实战案例分享

    产品需求:

    做一个App的消息通知系统,需要包含:通知列表、通知详情、设置页面(免打扰时间段、通知渠道开关)

    Step 1:用AI快速探索

    提示词:做一个App消息通知系统,包含通知列表、通知详情、通知设置。通知类型有3种:系统通知、互动通知、交易通知。每种通知有不同的图标和展示样式。

    用AI原型工具生成,选择一个卡片式的列表布局,方向确认。

    图3:实战AI生成初稿

    Step 2:用Axure进行高保真交互设计

    穷举状态:

    通知列表:空数据态、有数据态、加载中态、刷新中态

    单条通知:未读、已读、置顶

    通知详情:正常显示、加载中、加载失败

    通知设置:开启、关闭

    用Axure实现以下核心交互:

    点击通知列表某条 → 跳转详情 + 标记已读(动态面板状态切换)

    左滑单条通知 → 显示“删除”按钮(手势交互)

    关闭某类通知 → 列表中该类通知隐藏(条件逻辑)

    免打扰时间段 → 定时切换“勿扰模式”状态(中继器+计时器)

    细节打磨:

    未读通知左侧显示红点

    删除动画:向左滑出后淡出

    免打扰时间段选择:滑块选择器

    通知图标根据类型切换:系统-齿轮、互动-爱心、交易-钱包

    【产出:完整可交互的高保真原型,包含所有状态和异常分支】

    Step 3:AI辅助输出

    用Axure导出关键页面截图

    让AI基于截图生成通知系统PRD初稿

    人工补充业务规则(如:免打扰时间段最长不超过12小时)

    生成测试用例清单

    【产出:PRD文档初稿 + 测试用例清单】


    写在最后:

    AI工具这么多,怎么用才高效?不要纠结“谁取代谁”,要想清楚“什么时候用什么”。

    AI工具的核心价值是降低探索成本。当你不知道方向时,它能帮你快速试错、找到方向。Axure的核心价值是提升交付质量。当你知道方向时,它能帮你把方案做到极致。

    船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

    相关推荐

    实战指南:基于Windows Server构建企业级AAA认证体系

    本文详细介绍了如何在Windows Server环境下构建企业级AAA认证体系,涵盖AD域服务部署、NPS服务器配置及华为设备对接实战。通过整合Radius协议与AD域账号管理,实现网络设备的统一认证与权限控制,提升企业IT安全管理效率。特别适用于需要零成本实现AAA认证的中大型企业。

    weixin_28304023的博客 422

    效率革命:用快马ai替代axure,十分钟搞定高保真交互原型

    最近在团队协作中,我们遇到了一个很实际的问题:每次用Axure RP9做高保真原型都要花大半天时间。特别是后台管理系统这类标准模块,明明需求很明确,却要反复拖拽组件、调整样式。直到尝试了,才发现原来十分钟就能产出可交互的演示原型。

    SilvermistFalcon19的博客 31

    Redmi K30 5G刷 LineageOS17.1

    前言 买手机前就观望了Xdr论坛,看Redmi K30 5G有LineageOS17.1的Rom并且还挺热,应该还不错,就入手了。晚上就刷机了。买了小米就是为了折腾,为发烧而生。 在开始前还请先安装adb工具,因为我自己是做Android开发的,自带adb,不会安装的可以百度“Android安装adb工具”。还有下载刷机文件:百度云 密码:2a0f 刷机的系统是刚买来的低版本,没有升级过Rom,如果高版本慎刷。 还有这个Rom是5G版本的,4G版本的不要刷。 建议没有刷过机器的最好不要尝试,变砖后果自负。

    u010436867的博客 1万+

    AI产品经理——06Agent

    本文系统阐述了Agent的核心概念、组成与决策机制,涵盖规划拆解(CoT、ToT)、思维树与ReAct框架应用,结合24点游戏案例展示智能体推理与反思能力。重点分析了Agent在复杂任务中的规划、记忆管理、工具调用及认知框架(Plan-and-Execute)的应用,并通过ReAct-RAG Agent实现知识增强型决策,凸显其在多步推理与动态环境中的优势。

    m0_74181321的博客 230

    手把手教你用RSoft BPM仿真一个1x2光分束器:从参数设置到结果分析全记录

    本文详细介绍了使用RSoft BPM模块设计和仿真1×2光分束器的完整流程,包括参数设置、结构建模、仿真配置和结果分析。通过实战指南,帮助读者掌握光波导器件的仿真技术,实现50:50功率分配的设计目标,适用于光通信和集成光学领域的研究与应用。

    weixin_30545945的博客 545

    CANoe之I/O功能采集电压

    在进入ECU自动化测试中,有时会用到采集ECU电压,CANoe除了可以仿真、监听CAN、ETH、LIN等网络报文外,部分设备(如VN5650、VN1630等)上还有一个I/O口,这个I/O口就可以用来满足我们自动化测试中采集电压的需求。CANoe上的I/O功能用处还是特别大,比如网络管理测试、相关诊断都会用到。

    测试领域技术分享 4827

    哪些AI产品经理证书考核实际业务能力?从需求分析到AI产品方案评估

    2026年选择AI产品认证,应超越关键词,聚焦需求判断、方案取舍、交付边界与效果验收四类核心问题。AIPM认证强调“需求证据链”与“验收闭环”,通过客观题、项目作业与试点验证组合评估能力。备考者可结合自身背景,优先补足模型边界、人机分工与评估指标知识,以真实项目输出转化学习成果。

    hrrrrxeeeee的博客 362

    基于Cesium实现,动态水面+大坝排水动画

    一、绘制面状水域,使用水波纹理,进行渲染,水体透明,可以看到底色。三、使用粒子系统,将喷泉改变方向,加上重力设置,实现排水动画。二、绘制线状三维体,用作模拟大坝拦截效果。四、最后,模拟水位上升,进行淹没分析,

    一醉千秋的专栏 1420

    面向技术产品经理的 Agent Harness 设计:从任务编排到可验证交付

    Agent 是否可靠,很大程度取决于工具是否设计清晰。Tool:namepermissionsideEffecttimeoutinput:titlepriorityoutput:recordIdurlstatus工具什么时候可以被调用;参数是否足够完整;返回结果是否足够支持下一步;工具是否修改外部系统;是否需要审批;调用失败后是否可以重试;是否允许重复调用;是否需要幂等键。

    sjkflw121150的博客 251

    Vibe Coding 工具实战案例全解:Cursor、Claude Code、Codex 真实项目 30 分钟到 4 小时快速构建指南(2026 年最新)

    2026年VibeCoding工具实战案例精选:1)使用Cursor在30分钟内构建现代TodoList应用(Next.js+TS+Tailwind);2)通过ClaudeCode纯终端2小时开发3D飞行射击游戏(Three.js+R3F);3)利用OpenAICodex多Agent并行4小时完成SaaS全栈开发(Next.js+Supabase+Stripe)。案例均来自真实项目,覆盖从入门到生产级开发,重点展示:自然语言Prompt技巧、迭代反馈方法、工具特性对比(Cursor可视化最佳/Claude推

    hy行者勇哥的博客 3175

    基于STM32设计的老人摔倒检测报警系统(OneNet+MQTT)(235)

    基于STM32设计的老人摔倒检测报警系统,不仅能够实时监测老人的位置信息,方便在紧急情况下快速定位,还能通过陀螺仪模块精确检测老人的身体姿态,一旦判断为摔倒状态,系统将立即触发蜂鸣器报警,并通过4G网络向指定联系人发送短信警示,确保老人能够迅速得到援助。此外,系统还支持老人主动按下设备上的按键发送求助短信,增强了系统的灵活性和实用性。

    4691

    视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

    在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

    Mysssone的博客 228

    国科大学习资料--图像处理(彭思龙、杨戈)--2020年期末考试题解析(学长整理分析)

    在对20年卷子分析前,先看看19年卷子的解析(后面有20年的变化,由于从核心课调整到了普及课,20年的卷子相对简单,但是还是有很多细节) 解析:(字写的不好别嫌弃!!!!) 20年的卷子 第一题:和19年基本一致,但是加了高斯核计算费用,要算一个节省计算成本比率,所以去多看看PPT 第二题:和19年基本一致,加了证明两个高斯卷积仍然是高斯卷积,相当于19年题2和3结合 第三题:采样定理,和19年基本一致,但要注意加了证明 第四题:考了形态学提取图像边界 第五题:直方图,和19年一

    无名何许人的博客 4364

    6 款电商 AI 图片生成软件实测|国内 + 跨境卖家工具清单

    电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言,现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求,显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强",而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率,通用生图工具强在创意上限,模板类工具赢在上手速度。建议根据自身业务阶段,搭配 1-2 款主力工具 + 1 款辅助工具,形成适合自己的视觉生产流程。

    Mardi_Ladin的博客 401

    jre9下载 jdk9

    (Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

    Statistics and Machine Learning Toolbox

    Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

    我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

    公司里经常要看电子发票。我想先做个小原型:把 PDF 发给一个自己部署的图文模型,让它提取发票类型、日期、交易双方和金额,再把结果交给同事核对。这个原型不用先接财务系统,先看看从部署到调用要走多少步,模型返回的内容能不能帮上忙。

    鸽芷咕的博客 2万+

    SIMATIC S7-1200, S7-1500 PID 控制[手册]

    SIMATIC S7-1200, S7-1500 PID 控制[手册]

    您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗?不是单条会话里面的多次会对话。AI导出鸭

    第三层是格式编译层。这个决策背后的判断很清晰:一个批量导出工具的价值,不在于“试三次”,而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后,它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载,AI导出鸭 在页面运行时建立旁路监听,捕获每一次分页请求返回的完整对话清单,包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是:导出不该是体力活,而应该是一次完整的、可预期的文件交付。注意:这里的“批量”指的是左侧列表里的多个独立会话,不是一条会话内的多轮对话。

    laoyunsi的博客 248

    Devexpress16.2.6破解工具

    Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

    【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

    上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

    nice_lcj520的博客 503

    河道漂浮物目标检测数据集

    目标检测,yolo,河道漂浮物目标检测数据集

    DL_data_set的博客 203

    AI Agent之核心框架

    A: 显式 Thought 有三类价值:可解释性(便于人类审计)、可调试性(定位哪一步选错工具)、学习信号(可做监督微调或评估中间步骤质量)。ReAct 把推理与 可执行行动 绑定,每一步行动后都有 真实 Observation 反馈,从而用工具结果约束生成,降低闭卷幻觉。做完不等于结束——还要 评估做得好不好,把 教训 记下来,下次 带着教训重试,反思作为 记忆,影响后续尝试的策略。工作流程:Action → Evaluation → Reflection → Retry。A: 普通 CoT 只在。

    剑雨巍巍的博客 201

    AI 应用开发工程师技术实践:大模型接入、通用组件封装与性能优化

    本文提出AI应用从PoC到生产的核心挑战:模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移,封装对话、工具调用与RAG组件以解耦业务逻辑,结合前缀缓存、批处理与流式背压治理等性能优化手段,形成“接通→接稳→接快”的工程路径,最终以工程化能力决定AI应用的生产可用性。

    2301_79189962的博客 559

    AI前沿日报 · 2026-11-04 | 祛魅时刻:Astra“纯读权重“神话的崩塌

    ①Astra"裸权重通吃"被spaCy创始人Honnibal精准祛魅——仅1/3实验真裸读,数学能力提升依赖Python+50次迭代;②Simon Willison用Qwen 3.8-27B端侧复现权重空间编程;③Nvidia开源Auto-Ontology自动知识图谱;④$800开源全域抓取机器人Stringman;⑤OpenAI悄然重开Codex训练开关引信任危机;⑥DeepMind发布Gemini 4 Argon机器人基础模型;⑦美国科技巨头隐性AI债务达3.2万亿美元,6个月增90%。

    johnsong2009的博客 575

    大模型 Embedding 与向量相似度详解

    Embedding 解决的问题:计算机不懂文字,但懂数字│▼文本 → 向量(1024维浮点数数组)│▼相似度解决的问题:怎么判断两个向量(文本)有多接近│▼余弦相似度:看向量方向的夹角,越接近0°越相似│▼最终效果:语义搜索——理解意思,而非字面匹配一句话总结:Embedding 把文字变成数字,余弦相似度比较数字的方向,两者结合实现了"理解语义"的搜索。

    T3165919332的博客 92

    GPT-1 架构和计算细节

    下面配合框图,对 GPT-1 的每个组件做公式展开 + 数值实例(配置:12 层 × 768,12 头,FFN 3072,词表 40478,共 117M 参数)。GPT-1 把翻译模型的编码器-解码器砍掉一半,只留解码器,然后以"预测下一个词"为目标在 BooksCorpus 上预训练。与 2017 原版的四个架构差异(框图中标 ★):h0=E[token]+Epos[position],E∈R40478×768, Epos∈R512×768h^0 = E[\text{token}] + E_{pos}[\

    eloudy的专栏 280

    终端 AI 审计与 “龙虾” 类智能体风险治理:从可见性到闭环溯源

    生成式 AI 办公普及之后,数据泄露风险逐步下沉到终端。员工将合同、源代码、客户资料粘贴至公有大模型,以及龙虾(OpenClaw)这类本地开源 AI 智能体的滥用,成为企业安全新挑战。传统网络边界防护存在审计盲区,本文从风险链路拆解、核心能力模型、分级治理策略、落地踩坑点以及技术局限性多角度,分享终端侧 AI 安全治理的实践思路。

    2401_86491085的博客 642

    2.53 基于极稀疏指纹的室内定位注意力图元学习

    该论文发表于IEEE Transactions on Mobile Computing(TMC)2026年6月,面向极稀疏指纹条件下的WiFi室内定位,针对指纹采集人力成本高、标记指纹稀缺时定位精度大幅下降的痛点,提出注意力图元学习模型AGML(Attentional Graph Meta‑Learning),结合图神经网络、元学习、两种指纹数据增强与分布对齐技术,在标记指纹极少的场景实现高精度室内定位,同时公开了多套真实+仿真定位数据集用于基准测试。场景:二维室内空间,障碍物造成信号遮挡,

    weixin_42963026的博客 339

    语音识别与语音合成的技术原理及应用

    语音识别 #语音合成 #人工智能 #大模型。语音识别与语音合成的技术原理及应用。一、语音识别的核心原理。二、语音合成的核心原理。三、工程落地的主要难点。五、需要关注的现实问题。

    weixin_62919816的博客 213
    上一篇: PM必看:解除工具焦虑,掌握交互设计能力才是唯一解
    下一篇: 重塑AI产品:国内首个智能体界面设计及用户体验评估标准发布
    霂靑城
    博客等级 码龄7年 0粉丝 6原创
    评论
    成就一亿技术人!
    拼手气红包6.0元
    还能输入1000个字符
     
     条评论被折叠 查看
    添加红包

    请填写红包祝福语或标题

    个

    红包个数最小为10个

    元

    红包金额最低5元

    当前余额3.43元 前往充值 >
    需支付:10.00元
    成就一亿技术人!
    领取后你会自动成为博主和红包主的粉丝 规则
    hope_wisdom
    发出的红包
    实付元
    使用余额支付
    点击重新获取
    扫码支付
    钱包余额 0

    抵扣说明:

    1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
    2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

    余额充值