AI Engineer onepage / Vincent Wendy
速讀 · 系統化 · 實務清單 · 來源
Vincent Wendy, AI Engineer · 16:48
這支影片在講：一位設計師如何讓 AI 接住數百項交付物
面對 7,000 人活動、140+ 贊助商、300+ 講者與 600+ 場次，AI Engineer 的唯一設計師不是把設計工作「交給 AI」，而是先把規則、資料與驗證做成可重複的生產系統。
發布：2026-09-10 · Video ID：O1FN4awNEtM
01 / 問題
一千個細節，一千種失誤
單人要處理貼紙、導視、落地頁、講者素材與現場螢幕；規模越大，手工校對越不可靠。
02 / 反轉
先約束，再自動化
設計系統不是美學文件，而是讓模型、行銷同事與自動化工具都不能任意發明字級與版式的操作邊界。
03 / 解法
產生之後仍要驗證
從講者圖卡到贊助商 logo，都以資料驅動生成，再用 agent 找缺漏、處理例外與提供人工修改出口。
Signals
這場分享最重要的四個尺度
Event scale
7,000
與會者；設計不是少量高接觸任務，而是現場系統。
Sponsors
140+
贊助商 logo 牆需逐一核對，適合交給 agent 做 completeness check。
Program
300 / 600+
300 位講者、600+ 場次，素材與時程都必須從 live data 更新。
Operating model
5 steps
基礎、重用、自動化、驗證、去摩擦，是可複用的工作設計順序。
Core story
把「設計產能」改成一條可運作的管線
01
先把設計系統釘緊，才交出去
字體、尺寸與版式規則足夠明確時，行銷團隊能從網站延伸出 email 與傳單，不必每次都回到唯一設計師身上。AI 在這裡放大的是既有規則，不是替規則做決定。
02
讓 live data 取代重做的 Figma 檔
房間時程從即時資料拉取、輸出後交給現場螢幕；講者公告與 trading cards 也從資料和頭像自動生成。重點是把「每次改動」接回資料源，而非反覆複製設計檔。
03
把 agent 放在檢查與例外處理的位置
Devin 能把攝影照片對回正確講者，也能在需要當天加上一顆編輯按鈕；另一個 agent 則檢查 140+ logo 有無遺漏。自動化不是盲跑，而是為高風險細節增加第二雙眼睛。
Five-part method
可帶回團隊的五步工作法
1. 建基礎先定義可執行的設計 token、元件和資料欄位；沒有一致輸入，自動化只會穩定地產生不一致。
2. 做成可重用物將一次性的交付物轉成模板與元件，讓不同渠道能沿用同一套品牌與內容規則。
3. 自動化資料流優先處理會更新、會擴張、又需要大量複製的素材：時程、講者、照片、公告與現場畫面。
4. 驗證輸出建立 missing-item 檢查、比對與人工 review；產生速度越快，越需要快速發現「少了一個」的機制。
5. 移除摩擦保留可在當下修正的出口，例如現場需要的 edit button。例外不是失敗，是流程必須承認的真實情況。
先找真問題當工具供給不再稀缺，差異落在是否選中了真正耗時、容易出錯且值得系統化的工作。
Practical checklist
要把 AI 導入設計／營運流程，先問這五題
哪些成果可以直接由同一份資料重建？先把可變資訊抽出來；只要仍靠複製貼上維護，就尚未形成可靠管線。
品牌與格式規則是否已經可被機器檢查？可重用不是「有 template」而已，而是能阻止不合規輸出的共同限制。
最昂貴的錯誤，能不能在輸出後自動發現？從漏掉 sponsor 到配錯照片，先為 completeness 與對應正確性設計檢查。
誰能處理例外，時間會不會被卡住？為使用者保留小而清楚的編輯介面，避免每個例外都回流到專家隊列。
你是在試工具，還是在解決高頻真問題？以節省的重工、降低的遺漏與交付速度衡量，而不是以採用的工具數量衡量。
Source video