视觉反馈如何变成结构化设计改动

设计师读图很快。

一张俯视图、截图或渲染图，能比文字更快暴露问题：比例不对、入口太窄、家具拥挤、墙体方向奇怪、灯光重点偏移。这让视觉反馈成为AI设计工作台的重要部分。

但视觉反馈也可能变成新的混乱来源。如果停留在"这看起来不对"，或者AI只修补当前画面，项目很快会被截图、意见和一次性修复填满。

核心问题是：视觉反馈如何回到结构化的设计项目中？

截图和渲染图有用，但它们不是设计项目唯一的真相来源。图像能展示表面现象，通常却无法回答：这个墙为什么在这里？这个开口依据什么证据？这条规则是否仍然适用？如果AI直接编辑图像，短期输出可能更好看，但原因丢失了。

可靠的工作台应该把图像当作评审产物，而非最终真相。

当设计师说"这不对"时，AI不应立即盲目修改。它应该先对反馈分类。常见类别包括：空间关系（太近、太远、遮挡）、几何问题（尺寸、角度、对齐）、证据冲突（与源文件或测量不符）、规则违反（不符合规范或预设条件）、表达问题（渲染角度、光照、材质误导）。分类之后，AI才能决定改动归属何处。

例如，"餐桌离交通流线太近"不只是审美评论。它可能意味着：餐桌组件应该移动、间距规则需要检查、或者当前相机角度夸大了拥挤感。这是三种不同的行动。

视觉反馈应该通过转换流程进入项目。

第一步，记录反馈：哪张图、哪个版本、谁提出的、问题是什么。第二步，定位对象：哪个空间、墙体、开口、组件、材料、灯光或规则受影响。第三步，决定行动：修改模型、更新源文件解读、调整规则、重新渲染、或记录项目偏好。第四步，执行并留下差异记录。AI改动的是结构化模型或相关文件，而非仅生成新图像。第五步，生成新的评审产物，让设计师确认问题是否解决。

这个循环看起来更慢，但它让项目可修复、可审查、可持续。

在空间设计和建模中，俯视图有特殊价值：比透视图更容易暴露结构性错误。透视图可能隐藏问题，俯视图却能揭示：墙体断裂、开口方向错误、房间边界未闭合、阳台朝向反了、家具侵入交通空间。

但俯视图仍只是评审产物。它能发现问题，并不拥有真相。

修复仍应回到结构化模型、源文件证据或设计规则。如果截图显示"门的位置不对"，AI应该询问或推断：是门洞证据解读错误、门组件放置错误、还是规则发生了变化？这就是视觉反馈进入工作台的方式。

许多AI工作流产生大量图像。每张图像都可能触发反馈，但反馈本身不是产出。产出是经过分类、定位、决策、执行、验证后的结构化改动。否则，项目会变成图像堆叠的意见集合，而非可演进的设计。

设计师需要快速读图的能力，也需要把读图结果转化为可维护结构的机制。两者缺一不可。