我以为 Claude 帮我省的是设计时间，结果它帮我省的是开会时间

结论前置（给没时间看完的人）： Claude Opus 4.6 + Figma 的组合，确实能在2小时内跑完一张 SaaS 落地页的可交付初稿——但"2小时"成立的前提是需求已经清晰、你有基础的 Figma 操作能力，且品牌规范已经存在。AI 真正压缩的不是视觉搭建时间，而是"想清楚要说什么"这件事。

---

一、实验设定：这次测试到底在验证什么

上周接了一个真实需求：一款 B2B SaaS 工具的落地页改版，客户给的 brief 只有一句话——"我们要做一个能让 IT 采购经理一眼看懂价值的页面"。

这种 brief 是设计师的噩梦，也是 AI 最好的试炼场。

我给自己设定的测试规则很简单：

  • 工具链：Claude Opus 4.6 负责信息架构 + 文案，Figma 负责视觉落地
  • 交付标准：不是可点击原型，是能发给甲方审阅的设计稿（含真实文案，视觉完成度 80% 以上）
  • 计时方式：从收到 brief 开始，到导出 PDF 发送，全程掐表
  • 不允许的操作：不用现成模板，不复用旧组件库，从零开始

我想验证的核心问题只有一个：Claude 介入之后，时间真的省在哪里？

先说结论：整个流程跑下来用了 2小时18分钟。其中有三个环节超出我的预期（正向），有三个环节让我踩了坑。

---

二、超出预期的三个惊喜

惊喜一：需求拆解——从一句话到完整 Section 清单，18分钟

我给 Claude 的第一条 Prompt 是这样的：

你是一位有10年经验的 SaaS 产品设计顾问。

我的客户是一家卖 IT 资产管理软件的公司，目标用户是企业 IT 采购经理（30-45岁，关注ROI、合规性和实施风险）。


客户的 brief 只有一句话："我们要做一个能让 IT 采购经理一眼看懂价值的页面"。



请帮我完成以下任务：


1. 分析这个目标用户的核心决策顾虑（至少5条）


2. 基于这些顾虑，设计一份落地页的 Section 结构清单（含每个 Section 的核心目的和预期内容方向）


3. 标注哪些 Section 是"必须有"，哪些是"可选"



输出格式：先给顾虑分析，再给 Section 清单，用 Markdown 表格呈现清单部分。

Claude 的输出让我当场觉得"值了"——它不仅列出了 IT 采购经理的 7 条核心顾虑（包括我没想到的"内部推动阻力"这条），还给出了一份 9 个 Section 的结构清单，每个 Section 都标注了"说服逻辑"和"内容方向"。

更关键的是：这份清单直接可以用来开客户会。

传统流程：我自己做这件事通常要 45-60 分钟，因为要查竞品、翻旧案例、写框架、再自我审查。 实测耗时：Prompt 撰写 5 分钟，Claude 生成 2 分钟，我审阅修改 11 分钟 = 18分钟。

---

惊喜二：文案初稿的"可用率"比我想象的高得多

拿到 Section 清单之后，我让 Claude 逐个生成文案。以 Hero Section 为例，我用的 Prompt 是：

基于我们刚才确认的 Section 清单，现在帮我写 Hero Section 的文案。


要求：


  • 主标题：不超过15个字，直击 IT 采购经理的核心痛点，避免"智能/赋能/一站式"等泛滥词汇
    • 

  • 副标题：1-2句话，补充说明价值，强调可量化的结果
    • 

  • CTA 按钮文案：2个版本，一个主动型，一个低压型
    • 

  • 语气：专业但不冷漠，有数据感但不堆砌参数
    • 



请给我3个不同方向的版本，我来选。

我对3个 Hero 文案版本做了一个简单的"可用率"评估：

| 评估维度 | 版本A | 版本B | 版本C | | 主标题 | ✅ 直接可用 | ⚠️ 微调可用 | ❌ 需重写 | | 副标题 | ⚠️ 微调可用 | ✅ 直接可用 | ⚠️ 微调可用 | | CTA文案 | ✅ 直接可用 | ✅ 直接可用 | ⚠️ 微调可用 |

把所有 Section 的文案段落汇总来看，大致比例是：直接可用约35%，微调可用约45%，需要重写约20%。

这个数字比我预期的好——我原本以为"需要重写"的比例会超过一半。

（本次测试的 API 调用环境：[api.884819.xyz](https://api.884819.xyz)，感兴趣的可以自己跑一遍对比）
传统流程：文案初稿通常要 60-90 分钟，且经常在"第一句怎么写"上卡住。 实测耗时：全部 Section 文案生成 + 初步筛选 = 22分钟。

---

惊喜三：Figma 组件命名建议——一个意外发现

这是我完全没有预期的收获。在进入 Figma 搭建阶段之前，我随手问了 Claude 一个问题：

我要在 Figma 里搭建这套落地页的组件库，请帮我生成一套符合设计系统规范的组件命名方案。

要求遵循 BEM 命名思路，区分 Atom/Molecule/Organism 层级，适配 Auto Layout 使用习惯。

它给出的命名方案相当规范，比如：

  • atom/button/primary--large
  • molecule/card/feature--with-icon
  • organism/section/hero--centered

这套命名直接用进了 Figma，后来在交付时客户的开发团队说"这个命名和我们的 CSS 类名对得上，省了很多沟通"。

这个环节我完全没有计入原始预算，算是纯赚的 10分钟。

---

三、必须人工兜底的三个"时间黑洞"

坑一：视觉节奏与留白——AI 给的布局太"教科书"

Claude 能给出信息架构，但当我让它给 Figma 布局建议时，问题出现了。它的建议非常"正确"，但也非常"平"——每个 Section 等高、间距均等、元素居中对齐。

这种布局放在教科书里是满分，放在实际落地页里会让人昏昏欲睡。

我花了多少时间修正：在 Figma 里手动调整视觉节奏（拉大某些 Section 的留白、压缩另一些、引入不对称构图）耗时约 20分钟，这是整个流程里最"纯人工"的部分。

坑二：品牌调性的细节拿捏——颜色和字体方向太泛

我让 Claude 推荐配色方向，它给的答案是"建议使用深蓝色系传达专业感，辅以橙色作为 CTA 强调色"。

这个建议没有错，但也没有用——因为"深蓝色"可以是 IBM 的蓝，可以是 Salesforce 的蓝，可以是 Notion 的蓝，它们传达的气质完全不同。

⚠️ 失败案例：我按照 Claude 的建议选了一个"专业深蓝"，结果客户看了说"感觉像政府网站"。这一来一回的确认沟通额外消耗了约 15分钟，且最终颜色是我自己拍板的，和 Claude 的建议关系不大。 根本原因：品牌调性需要对客户公司文化、竞品生态、目标用户审美有综合判断，这件事 Claude 没有上下文，给不了真正有用的答案。

坑三：响应式断点逻辑——Figma 侧仍需人工校验

Claude 能说出"移动端建议将双列布局改为单列"这种正确废话，但具体到 Figma 的 Auto Layout 约束设置、断点数值、图片缩放策略，它给的建议经常和实际 Figma 操作逻辑对不上。

实测耗时：响应式适配校验 = 约18分钟，且这部分完全无法用 AI 加速。

---

四、完整时间线——真实数字摊开来看

| 阶段 | 实测耗时 | 传统流程估算 | Claude 节省 | | 需求拆解 + 信息架构 | 18 min | 50 min | ~32 min | | 文案初稿（全部 Section） | 22 min | 75 min | ~53 min | | Figma 组件命名 | 8 min | 15 min | ~7 min | | Figma 视觉搭建 | 47 min | 60 min | ~13 min | | 视觉节奏人工调整 | 20 min | 20 min | 0 | | 品牌调性确认（含返工） | 15 min | 10 min | -5 min（负优化） | | 响应式校验 | 18 min | 20 min | ~2 min | | 导出 + 整理交付物 | 10 min | 10 min | 0 | | 合计 | 158 min | 260 min | ~102 min |

"2小时"成立的前提条件：

1. 需求清晰度：客户 brief 至少要包含目标用户画像和核心卖点，否则需求拆解阶段会翻倍

2. Figma 基础门槛：你要能熟练使用 Auto Layout，否则搭建阶段会成为瓶颈

3. 品牌规范已存在：如果有现成的设计 token 和品牌色板，颜色决策时间可以压缩到 5 分钟以内

4. 不需要从零建组件库：本次测试假设基础 UI 组件已存在

---

五、给不同类型读者的行动建议

如果你是设计小白

先用 Claude 做信息架构，再进 Figma，别一上来就要视觉稿。

很多人第一步就问"帮我设计一个落地页"，然后对着 Claude 给的文字描述不知道怎么落地。正确顺序是：先让 Claude 帮你想清楚"要说什么"，再进工具做"怎么呈现"。

从这条 Prompt 开始：我要做一个[产品类型]的落地页，目标用户是[用户画像]，请帮我列出 Section 结构清单和每个 Section 的核心目的。

如果你是设计师

把 Claude 当高级 brief 撰写员，不要当设计决策者。

Claude 在"把模糊需求翻译成清晰结构"这件事上是真的好用，但在"这个页面应该有什么气质"这件事上，它的判断力不如你。

最高效的用法：用 Claude 处理信息层（架构、文案、逻辑），你专注在感知层（节奏、调性、细节）。

如果你是产品经理

这个工作流最适合你，但你需要学会写结构化 Prompt。

PM 最大的痛点是"脑子里有想法，但说不清楚"——Claude 恰好能帮你把模糊想法变成结构化文档，而这份文档又能直接喂给设计师。

你现在最缺的不是工具，是第一条能用的 Prompt。把本文中的三条 Prompt 复制下来，改成你自己的产品背景，跑一遍，你会发现原来"写清楚需求"这件事可以这么快。

---

文中所有 Claude Opus 4.6 的调用都通过 [api.884819.xyz](https://api.884819.xyz) 完成——国内直连、按量计费，不用挂梯子也能跑完整个工作流。新用户注册即送体验 token，国产模型（Deepseek/千问等）完全免费，没有月租。如果你想复现今天的实验，这是目前我测过延迟最稳定的接入方式。

---

最后留一个问题给你思考——也是我在整理这篇文章时一直在想的：

这次测试还暴露了一个更大的问题：当 Claude 给出的信息架构"太合理"的时候，反而最危险。 它会让你跳过真正需要和用户确认的决策，因为那份架构看起来无懈可击，你不会想去质疑它。但"合理"不等于"正确"——下一篇我想聊聊「AI 生成的产品逻辑，为什么总在用户测试环节翻车」，以及我找到的一个反制方法。如果你曾经拿着一份"完美的 AI 输出"去做用户访谈，然后被打脸，那篇文章你一定会有共鸣。

---

本文由8848AI原创，转载请注明出处。关注8848AI，带你从零开始学AI。

#AI设计 #Claude #Figma #落地页设计 #AI工作流 #产品设计 #8848AI #Prompt技巧