夜雨聆风你打开 Midjourney，对着空白输入框发呆：这张图，我脑子里有画面，但我不知道该怎么形容它。这种感觉几乎每个用过 AI 画图工具的人都经历过。你写了一大段提示词，生成出来的图差强人意；你修改措辞，再生成，还是不对。兜兜转转，花了半小时，图还没出来。问题出在哪里？
在一篇最新的论文综述中，研究团队系统回顾了 37 款 AI 图像生成工具（28 个学术原型和 9 个商业产品），试图回答一个核心问题：这些工具到底是怎么设计的？它们真的支持创作者的完整工作流程吗？
论文链接：
https://dl.acm.org/doi/full/10.1145/3772318.3790307
Method｜拆开 37 款工具，看它们的骨架
研究团队使用 PRISMA 系统综述框架，从 CHI、UIST、IUI 等十大 HCI 会议中筛选出 28 篇学术论文，并补充了 Midjourney、DALL·E 3、Adobe Firefly 等 9 款主流商业工具。时间范围定在 2022 年至 2025 年 7 月，正好覆盖了文生图技术从"能用"到"好用"的关键演变期。他们建立了三个分析框架，对每款工具进行逐项评分（0-3 分）：
- 交互方法：输入类型（文字/视觉/属性/参数）、控制粒度（全局/局部/精细）、交互风格（直接操作/GUI 控件/并行探索/迭代调整）
- 创作流程：构思、探索、精修、评估
- 工具功能：生成器、编辑器、混合器、变体探索器、提示词引导
最终，两名标注者的评分一致性达到 κ = 0.847（接近完全一致），为结果的可靠性提供了保障。
文字提示词至今仍是主流输入方式，而视觉输入和属性控制正在学术系统中逐步兴起——尤其是在需要精细调整的场景下。
Findings｜有好用的，也有缺失的
发现一：文字输入一统天下，但视觉思维者被冷落
37 款工具中，有 28 款对文字输入提供"强支持"，但对视觉输入提供强支持的只有 13 款。视觉输入在统计上与"精修"阶段强相关，与"构思"阶段几乎没有关联——这意味着大部分工具只允许你在最后阶段"贴个参考图"，而不支持从一开始就用视觉方式表达想法。
发现二：学术工具和商业工具，在走两条路
商业工具（如 Midjourney、DreamStudio）更倾向于暴露参数控制——种子值、采样步数、去噪强度；学术工具则更关注语义属性——风格、色调、构图，让用户用"设计语言"而非"机器语言"表达意图。两种路径各有优劣，但都没有很好地融合。
发现三：构思和探索很强，精修和评估很弱
31/37 款工具对"构思"提供强支持，28/37 款对"探索"提供强支持——也就是说，帮你"想出来"很容易。但到了"精修"阶段，只有 7 款工具有强支持；"评估"阶段更惨，仅有 3 款工具真正帮你比较、判断、选择。
换句话说：AI 画图工具擅长帮你起草，却几乎不帮你收尾。
发现四：直接操控几乎是稀缺品
能让你直接拖动、调整、操作图像元素的工具，在 37 款中只有 1 款（Brickify）达到"强支持"。大多数工具的"直接操作"仅限于用画笔框一个区域、填入文字描述——仍然绕不开文字。
Limitation｜清单的边界
研究的覆盖范围限定在 2D 屏幕界面，3D/AR/VR 等空间交互工具被排除在外。商业工具的筛选基于市场份额，可能遗漏一些新兴但小众的产品。此外，评分依赖研究者的主观判断，尽管已有双人校验机制，部分边界案例的分类仍存在争议（比如"属性控制"与"参数控制"的区分）。
学术原型的数量（28 款）相对于整个领域而言也偏少，结论的代表性有待更大规模验证。
Future Work｜下一代 AI 画图工具长什么样？
研究团队提出了 9 个设计机会，核心方向集中在三点：让视觉输入贯穿整个创作流程（而不只在精修阶段才出现）；让参数控制更直观，普通用户也能调；以及在工具内部打通构思、精修、评估的完整工作流。
这里有一个值得思考的开放问题：
既然专业设计师自称"视觉型思考者，不是语言型思考者"，那未来的 AI 创作工具，是应该继续优化提示词体验，还是彻底重新设计一套以视觉为中心的交互范式？答案或许不是非此即彼——但现在的工具，还远远没有给出令人满意的回答。
原论文：Park, H., Eiband, M., Luckow, A., & Sedlmair, M. (2026). Interaction Methods in Generative AI Image Tools: A Review of Trends and Design Opportunities Across HCI and Industry. CHI '26, Barcelona, Spain.
