AI 工具不是单选题：一位设计师的七件套工作流

在 AI 工具层出不穷的当下，与其追问「哪个模型最强」，不如建立一套按任务匹配工具的工作流。来自 UX Collective 的这篇分享来自一位有印刷设计背景的创作者，他把日常使用的七件套逐一拆解，核心思路是：工具服务于任务，方法比名单本身更值得拥有。

核心理念：没有万能模型，只有合适组合

作者认为「看任务选工具」的思维其实继承自传统设计行业。在排版与图像处理时代，Photoshop、Illustrator、QuarkXPress 各司其职，设计师的价值在于理解每个工具的能力边界并做出路由决策。AI 工具同样如此——每个模型都对应不同的「理想用户画像」和擅长的任务类型。

这种思路意味着：与其寻找「一统江湖」的模型，不如判断每个任务最该交给谁。他也坦承自己的偏好，例如对纯命令行工具不友好，因此 CLI 类的方案会直接被排除。该作者把自己这套方法视为「个人数据点」——今年他已经从 Perplexity、Lovable、OpenAI、Google 搜索中陆续迁出，工具名单会持续更迭。

NotebookLM：让阅读与检索回到文档本身

对于阅读型任务——PDF、报告、播客文字稿、自有内容库——作者选择 Google 的 NotebookLM。它的优势在于「只回答你喂给它的内容」，因此幻觉更少，更适合需要引证支撑的场景。

• 每个 notebook 最多 50 个来源，每个来源上限约 50 万字；
• 来源越多反而稀释质量，关键做法是「做减法」而非「加法」；
• 可一键从 notebook 生成粗略幻灯片大纲，作为起草的起点。

他把自己过去 30 篇文章和正在写的 ChatGPT 书放进同一个 notebook，用来查询「我之前讲过什么」，避免重复立论。

Claude：写与改的真正主场

写作环节他完全交给 Claude。理由是：起草只是表面工夫，真正耗时的剪裁、重组、逐句打磨才是写作的劳动量。直接让 AI 跳过后半段，得到的恰恰是「互联网平均值」那种平庸稿。

关键工作流：

• 先准备一份可复用的指令集（声音、结构、引用规则），再喂入主题与大纲；
• 一篇文章写完后，让模型同步生成 LinkedIn、Substack、Threads、X 四个平台版本，把分发成本压到分钟级；
• 用于砍掉冗余段落、重组不成立的论证。

他强调「冷启动提问」与「治理过的提示词」之间的差距，就是写作质量的全部差距。

Claude Code 与 CARE 技能格式：把方法沉淀为可复用资产

最近他用 Claude Code 做一件新事——写「技能」（skills）。技能是一份结构化指令文件，写一次即可反复调用，省去每次重新解释的麻烦。

他采用 nnGroup 提出的 CARE 格式来组织技能文件：

• Context：背景与场景；
• Ask：明确要完成的任务；
• Rules：执行时的约束；
• Examples：示范什么是好的输出。

这套结构让指令在数月后依然清晰可读，每次修正只需往 Rules 或 Examples 中补充迭代。

小结

作者的七件套只是「个人数据点」，名单会变，但「按任务匹配工具」的方法不会变。对设计师而言，这套思路的迁移价值在于：与其追逐每一个新模型，不如先想清楚每个工作环节真正需要的能力，再用合适的工具去承载它。