最近，我用 GPT 做了硅基源流的新 Logo。
最原始的 Logo 视觉稿来自 GPT 的图像生成模型。它先用绘图能力给出了 S 与 R 融合的视觉方向；随后，我再让 GPT 6 读取这张图，把它转成可以验证和继续修改的几何系统。
最后做出来的东西比一张图多得多。项目里有标准圆、圆弧和直线组成的几何轮廓，有一段展示构造过程的动画，还有一个检查原图差异的实验室和一个可以生成任意双字母组合的 Monogram 工具。
完整源码放在 SiliRootLogoDesign。下面这段 15 秒动画，也直接嵌入了本文。你可以暂停、拖动进度，或者点进某一个构造阶段。
动画使用 React、Remotion Player 和同一份几何数据生成；系统偏好减少动态效果时，会直接停在完成状态。
第一张图，来自 GPT 的绘图能力
这次创作确实从图像生成开始。GPT 的绘图模型根据品牌和字母要求，生成了最初的 Logo 设计，快速把一个抽象想法变成了可以讨论的视觉稿。
这张图解决了“方向是什么”的问题，但还没有回答“它是怎样构成的”。位图里的弧线来自哪个圆、连接处是否平滑、负空间如何导出，都没有可复用的数据。如果任务停在第一张图，它仍然只是一份视觉结果。
接下来，我把这张生成图作为真实输入交给 GPT 6，再把审美要求变成可以检查的约束：
- 曲线必须来自标准圆弧，横、竖、斜边必须来自直线；
- 交叉处要有真实透明的负空间，不能用白色图形遮盖；
- 构造线、最终填色和导出文件必须共用一份几何数据；
- 既要接近原始视觉稿，也要在 96、48、32 像素下保持可辨认；
- 最终结果要能看，也要能解释、比较、测试和继续修改。
我给 GPT 6 的主要是目标和验收条件。圆弧怎么拆、代码怎么组织、动画怎么做，由它自己寻找路径。边界讲清楚以后，我不需要提前规定每一个实现步骤。
把审美争论变成可观测的工程问题
有了原始视觉稿以后，下一步是回答几个连续的问题：弧线到底来自哪个圆？连接处是否共用切线？负空间是不是真的透明？导出的 SVG 和页面预览是不是同一个轮廓？
GPT 6 的价值，是把这些视觉问题逐步转成了可操作的工程对象。
项目建立了一个 520 × 505 的坐标系，用点、圆心和半径描述轮廓。圆和直线先求交，再通过区域合并与切除形成封闭边缘。最后的 SVG 只包含 M / L / A / Z 路径，没有字体描摹，也没有贝塞尔曲线拟合。
当视觉稿被表达成几何数据后，很多原本只能说“这里好像有点别扭”的判断，都有了明确的检查方法：
- 在相同坐标中叠加原图和构造结果，来回调整透明度；
- 使用差值模式放大错位边缘；
- 显示每个构造圆、弦和相切接点；
- 用同一份数据渲染静态标志、动画和导出文件；
- 对 234 组字母与参数组合运行几何回归检查。
做到这里，模型已经开始直接参与交付。它读取现有文件、修改实现、启动页面、观察结果、运行测试，再根据证据继续收敛。设计也有了一个和软件开发相似的反馈闭环。
这次我做对了哪几件事
这次实践之后，我对“万能提示词”更怀疑了。一句话写得再漂亮，如果模型看不到真实材料、不能操作工具、拿不到验证结果，工作还是很难深入。
1. 给目标和验收条件，不要替模型预写每一步
弱模型常常需要详细步骤，因为它很容易走偏。强模型更适合接收一个完整目标、一组硬约束和清楚的验收条件，然后自己决定先读哪些文件、建立什么表示、调用哪些工具。
信息要放在合适的层级。告诉模型“圆弧必须可证明、负空间必须透明”，比指挥它“先写一个 div，再改左边距”更能保留推理空间。
2. 把真实材料放进上下文
Logo 项目里有原始设计图、品牌名称、源码目录、目标尺寸和部署方式。GPT 6 可以直接查看这些材料，在实际项目里做判断。
我也没有把所有上下文一次性塞进对话。文件、代码、测试、构建脚本和浏览器页面都可以充当外部记忆。模型按需读取，每一步决定都有来源，工作跨越多轮后也能保持一致。
3. 让模型操作工具，拿到真实反馈
如果 GPT 6 只能输出文本，它最多给出一份设计方案。让它可以编辑文件、执行构建、运行测试、打开页面并检查渲染结果，它才有机会完成交付。
模型的推理能力和工具能力是乘法关系。没有工具，很多判断会停留在推测；缺少反馈，工具调用也只能完成一次自动化。这个项目一直在重复下面的循环：
理解目标 → 检查现状 → 修改产物 → 运行验证 → 观察差异 → 继续修正
4. 要求可继续演化的产物
一张 PNG 很容易交付，却很难继续设计。这次的核心产物是共享几何数据：网站、Remotion 动画、SVG 和 Monogram 工具都从它生成。
共享数据迫使模型处理各个输出之间的一致性，不能为每个展示场景单独做一份“看起来对”的结果。项目也因此继续长出了动画、尺寸检查和双字母生成器。
强模型改变的是协作粒度
过去我为 AI 编程设计过一套完整的 Feature Workflow，把需求、Feature 拆分、隔离执行、验证和归档组织成可恢复的研发周期。这套方法解决了多任务并行和质量控制等真实问题，也让我一直重视清晰的工作单元。
模型继续变强以后，我开始重新调整工作流的粒度：保留 Feature 边界、状态、权限和质量门，把搜索、局部拆解、实现顺序与失败修复更多交给模型。我在模型越来越强，研发工作流应该变重还是变轻？里做过一次详细复盘，最后删掉了一批已经无法提供新信息的步骤，工程约束则继续保留。
这次 Logo 项目就是一次具体实践。我把“从原始视觉稿到可解释、可验证、可继续演化的设计系统”作为一个完整工作单元交给 GPT 6。它要写代码，也要理解设计目标、发现矛盾、建立中间表示、选择验证方式，最后把结果整理成别人可以继续使用的项目。
人仍然要做决定。我需要定义什么值得做、什么不能妥协，也要完成最后的视觉判断。模型扩大搜索范围、提高执行密度，方向和品味仍由人来把握。
想让强模型充分工作，我得给它真实问题、完整环境、行动工具和可以闭合的反馈。一句更漂亮的提示词替代不了这些条件。
从一个 Logo 到一种新的工作方式
Logo 项目规模不大，里面却有视觉判断、几何推理、前端实现、动画编排、测试和交付。GPT 6 在这些环节之间来回工作，把最初那张生成图逐步变成了一个可以验证的系统。
现在项目里有一枚标志，也有解释几何构造、重放设计过程和继续生成新方案的工具。回头看这次过程，我对强模型的判断也更具体了：给它足够的工作空间，同时把目标、边界和验证条件讲清楚。