（来源：科技行者）
你有没有想过一个问题：一个从来没在Adobe公司实习过、没用过Photoshop的AI，怎么才能学会专业设计师那种"一看就知道该怎么改"的手感？
这不是一个假设。2026年,Adobe的研究团队真的做了这件事。他们让一个语言模型去操作专业设计软件，通过230多个工具完成海报、Logo、宣传单这些复杂的设计任务。结果一开始很尴尬：在一个叫GenEval2的测试里，模型的执行成功率只有72.7%。换句话说，每做4个设计任务，就有超过1个直接失败。
但五轮迭代之后，这个数字变成了99.3%。没有更换模型，没有重新训练参数，没有请人工标注员打分。团队做的唯一一件事，是给这个AI设计师配了一本会自己越写越厚、越改越准的"经验笔记本"。
这篇论文讲的，就是这本笔记本是怎么"活起来"的。
**设计任务为什么这么难教**
先说清楚这件事到底难在哪。
图像生成，比如让AI画一张风景画，判断标准相对简单：像不像、美不美。但专业平面设计不一样，它要求产出的是结构化的、可编辑的作品，就像PSD文件里的图层，你能单独拖动、调色、删改每一个元素。这意味着一个设计任务往往需要几十个互相依赖的操作组合完成，抠图、建蒙版、调色阶、排版、加特效，环环相扣。
*长程决策问题*：当一个任务需要几十步操作才能完成时，如果只看最终结果打分，你很难知道到底是第5步选错了素材，还是第23步的蒙版没做好。这就是所谓的"信用分配"困境，好比一场足球比赛输了3比0，教练光看比分没法知道到底是后卫失误还是前锋没抓住机会。
更麻烦的是，设计任务没有标准答案。一段代码可以用单元测试验证对不对，但一张海报做得好不好，一半靠"文字有没有放对位置"这种硬指标，一半靠"整体构图有没有高级感"这种软指标。后者连人类设计师之间都可能意见不合，更别说让AI自动评判了。
所以传统的两条路都走不通。靠人类做示范样本来监督学习，成本高到没法规模化；靠一个自动打分系统去做强化学习优化，那个打分系统本身就是不靠谱的，容易被"钻空子"。
论文团队想的办法是绕开这两条路：不去改模型的参数，而是改模型外面挂着的那本"经验笔记本"。
**给AI配一本活的说明书**
这套系统的核心叫做程序性记忆库，英文是Skill Bank。
*程序性记忆*：一种用自然语言写成的、可复用的操作指南，介于单次工具调用和完整任务流程之间，专门保存"怎么做某类设计"的经验，而不是保存某一次具体做过什么。
你可以把它想象成一本活页笔记本，里面记着"双重曝光效果该怎么做"、"海报排版遇到文字溢出该怎么办"这类经验条目，每条都是一个独立的Markdown文件，写清楚什么时候该用这个技巧、要用哪些工具、有什么坑要避开。模型在接到设计任务前，先去这本笔记本里翻一翻，找到相关的几条经验塞进上下文，然后照着做。
这里有个关键设计：模型的底层参数完全冻结，笔记本才是学习发生的地方。这就像给一个经验丰富但记性不好的老师傅配一个徒弟，师傅的手艺（模型能力）不变，但徒弟会把每次干活的心得记下来贴在墙上（笔记本更新），师傅下次干活前扫一眼墙上的便签，就知道这次该注意什么。如果没有这本笔记本，师傅每次都是从零开始摸索，同样的坑要踩很多遍。
这本笔记本的进化沿着两条路径进行。
第一条叫**拓宽**，专门解决"没见过的活儿"。
系统会持续观察真实用户的设计请求，如果发现某类子任务反复出现，但笔记本里压根没有对应的条目（检索不到任何相关经验），这个空白就会被记录下来。等同一类空白出现满3次以上，系统才会真正去总结提炼出一条新经验，塞进笔记本。
第二条叫**加深**，专门解决"会做但做不好的活儿"。
如果一条经验被用过，但对应的任务却经常失败，系统会把这条经验标记为"需要修改"。修改的时候不是拍脑袋改，而是把这条经验在成功案例里的具体操作步骤，和它在失败案例里的操作步骤放在一起对比，找出真正出问题的环节，做针对性的调整。
*对比反思*：把同一条经验的成功执行记录和失败执行记录放在一起比较，让修改有理有据，而不是凭空猜测哪里错了。
拓宽负责扩大覆盖面，加深负责提高准确率，两者配合的关系有点像一家新开的餐厅。刚开业时菜单要不断加新菜（拓宽），把顾客点不到的菜补齐；但光加菜不够，某道菜如果总被投诉难吃，厨师就得反复调整这道菜的配方（加深），而不是继续加新菜掩盖问题。如果只顾着拓菜单不管口味，菜单越来越厚，但顾客满意度反而会下滑，这正是论文里观察到的现象。
**一道过滤闸门，专门防止好心办坏事**
光有"拓宽"和"加深"两个机制还不够，因为AI打分系统本身是不稳定的。
论文提到一个很实际的问题：同一张图，让打分模型看两次，给出的分数可能都不一样。如果单纯"分数变高就采纳新经验"，很可能把这种打分误差误判成真实进步，把一次坏的修改错误地上线了。
*位置偏差*：语言模型在做AB对比打分时，容易受到"谁先出现"这种无关因素影响，导致同样质量的内容因为出场顺序不同而得分不同。
为了解决这个问题，团队设计了一道叫做"回放门"的关卡，英文是Replay Gate。它的核心思路很朴素：不看绝对分数，只看新旧两个版本谁赢谁输，而且要在同一批次、同样的素材条件下重新跑一遍，公平对比。
具体规则更严格：一条新经验想要正式上线，必须在被抽查的所有案例里，一次都不能输给旧版本，同时至少要赢一次。哪怕新版本在90%的案例上表现更好，只要有一个案例明显变差，这条修改就会被拒绝。
这套逻辑背后是一种很保守的产品思维：在真实产品里，一次明显的倒退比错过一次微小的进步代价大得多。这就好比一家银行升级系统前必须做灰度测试，哪怕新系统平均效率提升了20%，只要有一类客户的转账出现问题，这次升级就得先叫停，因为对已经在用系统的人来说，突然出错造成的信任损失，远比效率提升带来的好处更致命。如果没有这道回放门，笔记本很可能被一次运气不好的打分误导，把有效经验错误地删掉或者改坏。
数据显示这道门确实很严格：五轮迭代里，团队一共提出了231次修改建议，被拒绝了100次；提出了136次新增建议，被拒绝了67次。差不多三分之一到一半的提案会被打回去，这个拒绝率相当高，也说明这道闸门确实在认真把关，而不是走过场。
**五轮进化，笔记本从76条长到139条**
这套系统在真实场景里跑了五轮，用了1406条来自用户真实需求的设计请求，一共产生1869条带打分记录的执行轨迹，全程没有一个人工标注的参与。
笔记本最开始有76条经验，这些是从Adobe内部产品文档里提炼出来的，算是"冷启动"的家底。经过五轮进化，笔记本长到了139条。
有意思的是进化的节奏并不均匀。第一轮几乎全是"加深"，因为刚开始笔记本里的经验没经过实战检验，问题最集中，系统忙着修修补补，59次修改提案里通过了39次，而新增经验只通过了4次。第二、三轮开始转向"拓宽"，新经验大量涌入，笔记本从77条一路涨到124条。到了第五轮，系统又回头去"加深"，提交了21次修改只有4次新增，把前几轮扩张留下的粗糙经验打磨扎实。
这个节奏其实很符合直觉：先把地图画大，再把地图上的路修好走。如果一开始就死磕已有的几十条经验反复打磨，永远发现不了那些"压根没被覆盖"的需求空白；但如果只顾着不停加新经验从不回头检查，笔记本会越来越厚却越来越不可靠，就像一个人不停报名新课程却从不复习，知识面广了但每门都学得半吊子。
团队还专门验证了新增经验是不是在"凑数"，用嵌入向量做了个数学检验，发现新增的63条经验和最初的76条老经验在语义空间里的距离，明显比老经验彼此之间的距离更远（0.215对0.158的中位数）。这说明新增经验真的是在填补此前没覆盖到的需求，而不是换个说法重复已有的内容。
评测结果用了一个叫"完整度"的指标，衡量一个设计任务里各项要求被满足的比例。数据显示，在完整度达到90%以上这个高标准上，五轮进化后的成功比例从43%提升到了56%，涨了13个百分点。这意味着原来每3个高质量任务里勉强有1个能做到几乎完美，进化后接近一半都能做到。
**跨模型、跨任务的验证：不是巧合**
单一测试集的提升可能是运气，团队用了更广的验证。
在三个不同的底层模型上（Claude-Opus-4.6、Claude-Sonnet-4、以及本地部署的Qwen3.6-27B），经过进化的经验库都带来了明显提升。Claude-Sonnet-4上的提升最突出：GenEval2执行成功率从72.7%涨到99.3%，DPG-Bench的成功率从82.7%涨到100%。
更实际的是延迟开销。很多人会担心，多检索一堆经验塞进上下文，会不会让响应变慢很多。答案是几乎不会，平均只增加了3.4%到6.2%的耗时，某些情况下反而因为流程更直接而变快了。这有点像一个新员工手里有份靠谱的操作手册，虽然要花几秒钟翻查，但比起自己反复试错走弯路，总时间反而更短。
在四个专门的图形设计基准测试上（OpenCOLE、GraphicBench、CreatiDesign、BannerRequest400），团队做了成对胜负对比，也就是让GPT-5.4去盲评同一个任务下"有经验库"和"没经验库"两个版本谁做得更好。结果Claude-Opus-4.6以67.6%的整体胜率击败无经验版本，Claude-Sonnet-4也拿到了61.8%的胜率。
论文还给出了几个直观的案例。比如让AI做一个"苹果Logo加双重曝光花朵效果"，没有经验加持的版本只是把花的图案叠在字母上，效果模糊发闷；有经验加持的版本会先把主体抠出来，做好蒙版再叠加第二张图，花朵的纹理透过字母清晰可见。再比如"男孩女孩走在玻璃通道上，鲸鲨在下方游过"这种需要空间关系的请求，没有经验的版本直接选了一张水下鲨鱼图，压根没有玻璃通道的元素，请求里的空间关系根本没法实现；有经验的版本则先找到一张合适的玻璃隧道图片，再把鲸鲨放在下方。这说明经验不仅指导了怎么操作，还反过来影响了一开始该选哪些素材，这是一个挺有意思的连锁反应。
**拓宽和加深，谁也离不开谁**
为了确认这两个机制到底谁在起作用，团队做了一个拆解实验，把"只加深不拓宽"和"只拓宽不加深"分开测试。
结果很清楚：单独用其中一个机制，效果都很有限。只做加深，完整度从冷启动的68.62分微升到69.02分；只做拓宽，涨到69.79分。但两个机制一起用，完整度直接跳到74.04分，比冷启动高了5.42分，胜率也从冷启动的46.4%涨到58.5%。
这个组合效应比两个机制单独效果之和还要大，论文里叫它"超加性"提升。原因不难理解：新增的经验条目如果描述写得不够精准，检索系统可能压根找不到它，这时候需要"加深"机制去优化它的检索描述；而"加深"机制修不好的顽固失败案例，则会被重新扔回需求空白池，成为下一轮"拓宽"的原材料。两个机制互相输送弹药，缺了任何一个，另一个都打不出全部威力。
这就像一支球队，光有前锋进攻能力强不够，还得有后防和中场组织衔接，单独强化某个位置的效果有限，只有整体配合起来，胜率才能真正上一个台阶。
**这套方法也有边界**
论文很坦诚地讨论了这套方法目前还没解决的问题，这也是我觉得整篇论文最有价值的部分之一。
第一个边界是自然语言经验条目本身的说服力有限。研究人员做了一个雪景效果的实验：模型默认用一种粒子生成的方式做雪花，但用户偏好教程里教的另一种叠加噪点的传统手法。光把这个偏好写成一条经验塞进笔记本，模型识别出"这是个我已经会的效果"之后，依然会自动切回默认做法。最后只能靠限定检索条件、砍掉默认工具的可用性，才强行让模型改用用户指定的方法。这说明一段文字描述有时候压根拧不过模型内置的"肌肉记忆"。
第二个边界是精细几何操作的感知极限。团队试着让AI做一个"画框里嵌套三层递归画面"的Droste效果（也就是俄罗斯套娃式的图中图），涉及到精确判断画框边界、图片是不是严丝合缝地贴合。结果无论怎么调整，模型对这种像素级精度的判断都不够准，连打分模型自己都经常把明显歪斜的摆放判定为合格。这暴露了一个更深的问题：不只是执行能力不够，连"怎么判断这件事做对了没有"这件事本身，AI都做不准。
第三个边界，团队称之为"氛围画"现象。给AI一个参考图案，让它画出对应的基础拼接单元，AI往往会画出一个"看起来很像、气质对了，但结构完全不对"的东西，就像你让一个学生临摹一幅画，他画出来的东西乍一看有那么点意思，但细看会发现比例、结构全都是错的，没法真正拿去用。团队发现，用经验库去指导短小、自包含的操作（比如画一个基础单元），效果很好，能做到一次成型；但把同样的思路推广到更长、更复杂的构造任务时，误差会在标注、提炼、执行这三个环节层层累积，最后结果明显走样。
这几个边界共同指向一个道理：语言描述能传递知识，但改不了模型的默认行为惯性；能提升检索准确率，但补不上底层感知能力的短板；能压缩短流程的经验，但压不住长流程里误差的累积。
写在后面
读完这篇论文，我印象最深的不是那个从72.7%涨到99.3%的数字，而是团队愿意花整整一个附录，老老实实写出这套系统三个明确的失败场景。这在很多论文里是不常见的，大部分工作报喜不报忧，但这篇论文把"氛围画"这种带点自嘲意味的失败现象也认真记录下来，甚至专门给它起了名字。
还有一个细节让我反复琢磨：为什么这套系统在"经验条目本身"和"检索这个经验条目的能力"之间要分得这么清楚。一条经验写得再好，如果检索系统匹配不到它，等于白写。这提醒我一个更普遍的道理，知识管理系统里，"内容对不对"和"能不能被找到"其实是两件独立的事，很多组织的知识库效果不好，未必是内容质量差，而是检索机制没跟上，内容再好也躺在角落里睡大觉。
这套框架目前只能算解决了"重复出现的常见问题"，那些长尾的、极度个性化的偏好，还得靠人工介入才能打磨到位。一本会自己进化的笔记本终究只是缓解了问题，而不是彻底终结了问题。
那么下一个问题来了：当这本笔记本积累到成千上万条经验的时候，检索本身会不会变成新的瓶颈？
Q&A
Q1：Skill Bank程序性记忆库是什么？
A：它是Adobe研究团队为AI设计代理配置的一个外部经验库，用自然语言记录可复用的设计操作流程，模型参数保持不变，只有这本"经验笔记本"在持续更新和优化。
Q2：拓宽和加深这两个机制分别解决什么问题？
A：拓宽负责发现用户请求中反复出现但经验库里没覆盖的空白需求，并总结出新经验；加深负责修改已有但经常导致失败的经验条目，让现有经验更可靠。两者单独用效果有限，组合起来效果会明显放大。
Q3：这套系统在实际测试中提升了多少？
A：在Claude-Sonnet-4模型上，GenEval2基准的执行成功率从72.7%提升到99.3%，在四个专业设计基准上平均胜率超过60%，而且几乎没有增加额外的响应延迟。
