夜雨聆风
多人一起做工业设计时，最容易留下来的往往是结果：一张图、几个关键词、一次生成记录。真正难保存的，是它们背后的路径：为什么选这个方向，哪些材料被试过，哪条分支被放弃，谁的判断改变了下一步。
生成式 AI 把这个问题放大了。它让团队更快地产生文本和图像，也让过程更容易碎掉。一个人去 ChatGPT 发散，另一个人去 Midjourney 出图，再把结果贴回白板；看似高效，实际上很多提示词、参考图、迭代逻辑和临场判断都掉在工具缝隙里。
这篇 CHI 2026 论文提出的 CoNode，值得读的地方不只是又做了一个设计工具。它盯住的是一个更底层的问题：AI 参与团队创意时，工具能不能不只保存产物，也保存团队如何想到这里。
01 问题不在 AI 不会生成，而在团队记不住生成过程
论文的出发点来自一个小规模形成性研究。作者观察了 6 名设计相关参与者组成的两支团队，关注他们如何在多轮任务中用 AI 做早期工业设计。结果并不意外，却很具体：团队会同时产生语义标签、草图、参考图和生成结果，但这些材料常常分散在白板、聊天工具、图像生成工具和口头讨论里。
更麻烦的是跨轮协作。第一轮做过的探索路径，到了第二轮换人之后，往往只剩下一些孤立素材。新成员能看到某个灯具方案，却不知道它来自哪张参考图、经过哪些风格尝试、为什么某个材料方向被保留。论文把这类信息称为 process knowledge，也就是过程知识。
如图1所示，CoNode 把这个问题拆成两层：第一层把 AI 节点嵌进共享白板，让生成过程变成可见的工作流；第二层用 CoSense 和工作流级功能，把值得保留的路径沉淀下来，供后续复用和重组。
02 CoNode 的关键动作，是把 AI 从聊天框搬进白板
很多 AI 创意工具默认的是一问一答。你输入提示词，模型返回结果；下一次生成和上一次生成之间，更多依赖聊天记录或人的记忆。CoNode 的选择不同：它把文本生成、图像生成都做成白板里的可拖拽节点，并让团队成员在同一个空间里连接、移动、复用这些节点。
图2展示了系统界面。左侧是工作流库和资源中心，中间是共享白板，底部有想法块、视觉块、文本生成器和图像生成器，右侧是 CoSense。这个布局的意义不是把按钮摆得更全，而是让每一次生成都带着上下文停留在团队共同可见的空间里。
这对多人协作很关键。过去一个成员离开白板去外部工具生成内容，其他人只能等待结果被复制回来。CoNode 试图减少这种中断：AI 生成不再是某个人暂时离场后的私有操作，而是团队可以共同观看、追踪和继续加工的过程。
03 Triplet workflow 让一个结果有了来路
CoNode 用一个很朴素的结构组织生成过程：输入块、AI 节点、输出块。输入可以是想法、关键词、草图或参考图；AI 节点负责发散、分解、总结、图像生成或图像转文本；输出块又可以被继续拖回白板，作为下一次生成的输入。
如图3所示，这个 triplet workflow 的好处，是把原本散落的试错过程串成一条可读路径。一个输出不再只是最终图片，而是能回溯到它吃进了哪些提示、哪些参考、哪些前序想法。团队讨论时，就不必只围着结果争论，还可以回到路径本身：是哪一步把方向带偏了，哪条分支值得继续。
这也是本文最有迁移价值的设计判断：团队 AI 工具不应该只优化生成速度，还要把生成路径变成可操作对象。路径一旦可操作，就能被高亮、保存、拖拽、复用和重组；否则它只是一段很快被遗忘的历史。
04 论文的评测设计，尽量把 CoSense 的贡献单独拎出来
作者没有直接拿 CoNode 去和普通 ChatGPT 或普通白板比。那样当然可能显得 CoNode 更强，但很难判断强在哪里：是因为白板界面？因为 AI 节点？还是因为后面的过程知识机制？
所以论文用了两阶段评估。Study I 招募 12 名参与者，先验证白板内 AI 节点和 triplet workflow 这种基础交互是否可用，平均 SUS 为 77.48。Study II 再招募 30 名参与者组成 15 个双人团队，做受控的被试内比较。基线系统保留同样的白板、AI 节点和 triplet workflow，但移除工作流库、工作流高亮以及 CoSense 的沉淀和推荐功能。
这个基线设置得比较聪明。它意味着 Study II 主要在问一件事：在已经有可视化 AI 工作流的前提下，额外的过程知识层到底有没有用。图4给出的 DKSS 结果显示，CoNode 在共享理解、知识沉淀、工作流复用和创意重组支持上都高于基线；可用性差异不显著，说明优势不只是因为系统更容易用。
05 真正有说服力的，是行为数据也跟着动了
如果只看问卷，读者可能会担心这只是主观偏好。作者又看了行为日志，结果更硬：CoNode 条件下，每个团队收集的内容块平均为 8.60，基线为 3.00；块级重组平均为 5.87，基线为 1.73；最终设计产出平均为 8.47，基线为 5.87。这些差异都达到论文报告的显著水平。
图5把这三类行为放在一起看，能看出 CoNode 改变的不是某一个按钮的使用频率，而是团队处理过去材料的方式。过去的探索不再只是被归档，而是会被重新拖回白板，成为下一轮设计的材料。
论文还报告，CoNode 条件下团队复用了 88 次内容块，基线为 26 次；工作流复用率达到 63.6%。这组数字支持了一个更细的判断：CoNode 的价值不是简单让团队存得更多，而是让存下来的东西更容易被带回当前任务。
06 这篇论文最值得带走的，不是系统名，而是过程资产这个视角
如果只看功能，CoNode 包含白板、节点、工作流库、推荐面板和 LLM 辅助重组。但这些功能背后有一个更大的产品判断：当 AI 进入团队创作，团队真正需要管理的不只是文件和结果，而是逐渐积累的过程资产。
这其实是在改写我们评估 AI 设计工具的口径。过去常问的是模型能不能生成更好的图，或者能不能更快出更多方案。CoNode 提醒我们，还要问另一组问题：团队能不能看懂彼此如何得到这些方案？下一轮任务能不能接住上一轮的思路？AI 生成过的分支能不能被重新解释，而不是被聊天记录埋掉？
但论文没有把复用神化。作者在讨论里明确提到，复用会带来另一种风险：集体固着。被高亮、被频繁编辑、被系统推荐的路径，可能更容易变成团队默认方向，反而压住未探索的分支。也就是说，过程知识一旦被结构化，就同时拥有了帮助记忆和制造锚点的能力。
这也是 CoNode 对后续研究最有启发的地方。下一代团队 AI 工具不能只把历史保存下来，还要学会让历史保持开放：既能帮助团队回到有价值的路径，也能主动暴露被忽略的分支，避免所有人都沿着最显眼的方向走。
07 证据强度不错，但外推要克制
这篇论文的证据链相对完整：先用形成性研究找问题，再用系统设计回应问题，最后用两阶段用户研究拆开验证基础交互和过程知识机制。Study II 的基线也比较克制，没有拿一个过弱工具来衬托 CoNode。
但它仍然是受控实验。Study II 的任务持续约 2 小时，团队规模是双人，协作发生在实验室的多屏设置中。它模拟了分布式协作的一部分特征，却还不能完全代表真实远程团队、异步协作、跨学科大团队或持续数周的项目。
论文自己也指出，白板在双人场景下已经可能变得密集；如果扩展到更大团队，可能需要自动布局、聚类和注意力管理。CoSense 的推荐机制也有改进空间，尤其是如何减少对已有路径的强化，更多地把团队带向对比性、类比性或反事实的探索。
所以，这篇文章最稳的落点，不是 CoNode 已经证明了未来设计工具的终局形态，而是它把一个经常被忽视的问题摆到了台前：AI 生成越快，团队越需要能保存、追踪和再利用生成过程的基础设施。
论文信息
原标题："CoNode: Visualizing Workflows for Knowledge Reuse and Recombination in Team-AI Collaborative Design"
作者：Yang Zhou, Yi Xiao, Guangpeng Wei, Suxiang Ling, Ruoxuan Ma, Chi-sing Leung。主要机构包括 Hunan University School of Design 和 City University of Hong Kong Electrical Engineering。论文发表于 CHI 2026，DOI：https://doi.org/10.1145/3772318.3791216。
核心术语解释
Process knowledge：本文里的过程知识，指设计过程中产生但常常丢失的中间信息，包括语义标签、草图、参考图、探索路径、设计理由和团队判断。它不是最终方案，却会影响后续方案能不能被理解和继续发展。
Triplet workflow：由输入块、AI 节点和输出块构成的生成路径。它把一次 AI 生成从孤立结果变成可追踪结构，让团队能看到结果从哪里来，以及它还能往哪里去。
CoSense：CoNode 中负责沉淀和推荐的模块。它根据连接、编辑频率、文本相似度和 LLM 生成的类比或变体建议，帮助团队保存高价值材料，并把旧路径带回新任务。
参考文献
Zhou, Y., Xiao, Y., Wei, G., Ling, S., Ma, R., & Leung, C. 2026. CoNode: Visualizing Workflows for Knowledge Reuse and Recombination in Team-AI Collaborative Design. In Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems. ACM. https://doi.org/10.1145/3772318.3791216
