核心观点 ：AI 设计类产品的两大核心壁垒------矢量渲染引擎是底座，结构化转换是灵魂。AI 大模型本身不是护城河。
1. 核心结论（先说结论）
arduino
┌─────────────────────────────────────────────────────┐
│ 用户感知层（产品体验） │
├─────────────────────────────────────────────────────┤
│ 结构化转换层（灵魂） │ ← 决定"好不好用"
│ - 混沌 AI 输出 → 语义化图层树 │
│ - 静态布局 → 响应式约束 │
│ - 位图 → 可编辑矢量 │
├─────────────────────────────────────────────────────┤
│ 矢量渲染引擎（底座） │ ← 决定"能不能做"
│ - 路径渲染 / 图层混合 / 60fps 性能 │
│ - 所有上层能力的物理承载 │
├─────────────────────────────────────────────────────┤
│ AI 生成模型（水电煤） │ ← 可购买，非壁垒
│ - Sora / Midjourney / Veo 等 │
└─────────────────────────────────────────────────────┘一句话总结：
铁打的引擎，流水的模型。 用户住的是房子（渲染引擎），不是水电煤（AI 模型）。而结构化转换层决定了房子住得舒不舒服。
2. Lovart 简介
Lovart 是一款定位为「AI 设计智能体（Design Agent）」的产品，由 Resonate International INC 开发。其核心能力是将用户的自然语言需求，自动转化为专业级的设计产出（图像、视频、3D 等）。
- 官网 ：www.lovart.ai
- 定位：全球首个 AI 设计智能体
- Slogan：「让设计更加智能，让交付更加高效」
3. 产品架构分析
Lovart 的产品架构可以分为三层：
scss
┌─────────────────────────────────────────────────────────────┐
│ 用户交互层 (UI) │
│ 自然语言输入 → 实时画布渲染 → 可视化编辑 │
├─────────────────────────────────────────────────────────────┤
│ 结构化转换层 (灵魂) │
│ AI 输出解析 | 图层分离 | 布局推断 | 语义理解 │
├─────────────────────────────────────────────────────────────┤
│ AI 模型聚合层 (水电煤) │
│ Sora2 | Veo3.1 | Midjourney | Kling | Hailuo | Seedream │
├─────────────────────────────────────────────────────────────┤
│ 矢量渲染引擎层 (底座) │
│ 矢量渲染 | 图层管理 | 实时预览 | 导出交付 │
└─────────────────────────────────────────────────────────────┘关键洞察
Lovart 并没有自研大部分 AI 生成模型------它聚合了市面上几乎所有顶级的图像/视频生成模型（Sora、Veo、Midjourney、Kling、Hailuo 等），通过统一的 API 调用提供给用户。
这意味着：AI 生成能力是「可购买」的标准化服务，不是 Lovart 的护城河。
4. 壁垒一：矢量渲染引擎（底座）
没有渲染引擎，一切都是空中楼阁。
4.1 为什么是「底座」？
| 挑战 | 说明 |
|---|---|
| 工程复杂度 | 专业级设计软件需要处理矢量路径、布局约束、图层混合、渐变/阴影等，工程量巨大 |
| 性能要求 | 实时预览需要 60fps 流畅渲染，对 WebGL/WebGPU 有极高要求 |
| 交互体验 | 拖拽、缩放、对齐等交互需要毫秒级响应，前端优化深度决定用户体验 |
| 格式兼容 | 需要支持与 Figma、Sketch、Adobe 等工具的格式互通 |
| 长期积累 | 这类技术无法靠资金快速堆积，需要团队长期沉淀 |
4.2 可替代性分析
| 环节 | 技术实现 | 可替代性 |
|---|---|---|
| AI 生成 | 调用第三方 API（Sora、Midjourney 等） | 极高，任何人都可以接入 |
| 自然语言理解 | LLM（GPT 等） | 极高，标准化 API |
| 实时画布渲染 | 自研前端矢量引擎 | 极低，需要大量工程投入 |
| 图层编辑系统 | 自研图层管理 | 极低，专业级设计软件门槛 |
| 设计元素组合 | 布局/对齐/变换系统 | 极低，Figma 级的工程复杂度 |
5. 壁垒二：结构化转换层（灵魂）
渲染引擎决定「能不能做」，结构化转换决定「好不好用」。
5.1 核心问题：AI 输出 ≠ 可编辑设计稿
很多人假设 AI 生成的内容可以直接进入引擎编辑，但实际上：
| AI 输出 | 渲染引擎需要 |
|---|---|
| 位图（Pixels） | 结构化矢量路径 |
| 杂乱的 SVG | 清晰的图层树 |
| 无语义的像素块 | 带命名的组件/约束 |
5.2 真正的技术深水区
不仅仅是「渲染」，而是「如何将 AI 的混沌输出瞬间转化为有序的图层结构」：
css
AI 生成结果 → [结构化转换层] → 可编辑的设计稿
↑
这里才是灵魂核心能力包括：
- 自动矢量化：位图 → 可编辑矢量路径
- 自动图层分离：混沌像素 → 语义化图层树
- 自动建立约束：静态布局 → AutoLayout 响应式结构
- 自动命名/分组：无序元素 → 符合设计规范的组件
这才是让设计师觉得「好用」的关键 ------用户不是想要一张图，而是想要一个可以继续编辑的设计稿。
6. 为什么 AI 模型不是壁垒？
- 模型同质化：Sora、Veo、Midjourney 等模型的 API 对所有人开放，成本差异仅在于规模效应。
- 模型迭代快：今天的最强模型，3 个月后可能被新模型超越。押注单一模型是高风险策略。
- 用户无感知：用户不关心后端用的是 Sora 还是 Veo，只关心最终产出的质量和可用性。
Lovart 的聪明之处在于：做模型的「聚合者」而非「自研者」，将精力聚焦在用户真正能感知到的前端体验上。
7. 商业模式验证
Lovart 的订阅定价印证了上述分析：
| 套餐 | 月费 | 核心卖点 |
|---|---|---|
| Starter | $16/月 | 2000 积分，2 并发 |
| Basic | $27/月 | 3500 积分，4 并发 |
| Pro | $45/月 | 11000 积分，8 并发 |
| Ultimate | $99/月 | 27000 积分，10 并发 |
注意 ：Lovart 的积分是用来消耗 AI 模型调用的（即可变成本），而订阅费用的核心是为了支撑其前端产品体验的持续迭代。
8. 对 FigDev 的启示
8.1 我们的优势
FigDev 的技术路线与「底座 + 灵魂」的成功逻辑高度契合：
| 壁垒类型 | FigDev 的对应能力 |
|---|---|
| 矢量渲染引擎（底座） | WebGPU 自研矢量渲染引擎 |
| 实时画布渲染 | flare/ecs + ECS 架构 |
| 图层编辑系统 | Figma 视图层实现 |
| 设计元素组合 | AutoLayout (yoga-layout) |
| 结构化转换层（灵魂） | dataTransformation 模块 |
| Figma JSON → ECS 节点 | 已实现 |
| 矢量路径解析 | svgPathParser |
| 自动布局约束 | AutoLayoutSys |
8.2 战略建议
| 优先级 | 策略 | 说明 |
|---|---|---|
| ⭐⭐⭐ | 深耕渲染引擎 | 60fps、复杂路径、渐变填充等「难啃的骨头」才是真正的壁垒 |
| ⭐⭐⭐ | 扩展转换层 | 将 dataTransformation 能力扩展到「AI 输出 → 结构化设计稿」场景 |
| ⭐⭐ | 自研专用小模型 | 训练「最懂设计编辑」的专用模型（见下文） |
| ⭐ | 聚合 AI 模型 | 不做大模型军备竞赛，直接聚合 Sora、Midjourney 等 |
8.3 差异化定位
Lovart：AI 生成 → 静态内容（2D/3D/视频）
FigDev：AI 生成 → 静态或带交互的内容（2D/3D/视频/网页）9. AI 小模型策略：建立独特壁垒
虽然不做大模型军备竞赛，但自研专用小模型是必要的。
9.1 为什么需要小模型？
结构化转换层的「灵魂」能力，需要 AI 来增强：
| 小模型类型 | 核心作用 |
|---|---|
| 结构化识别模型 | 将 AI 生成的位图/SVG 转化为语义化图层结构 |
| 布局推断模型 | 自动识别元素关系，建立 AutoLayout 约束 |
| 设计修正模型 | 根据设计规范自动优化间距、对齐、配色 |
9.2 数据飞轮：用户行为反哺模型
核心洞察：用户在编辑器中的每一次修改，都是最高质量的标注数据。
markdown
AI 生成 → 用户在编辑器中修改 → 修改记录作为训练数据 → 反哺小模型 → AI 生成更准确
↑ ↓
└──────────────────────────────────────────────────────┘| 用户行为 | 数据价值 |
|---|---|
| 调整图层层级 | 训练「图层分离模型」 |
| 修改布局约束 | 训练「布局推断模型」 |
| 重命名组件 | 训练「语义理解模型」 |
| 修正颜色/间距 | 训练「设计修正模型」 |
10. 总结
核心框架
| 层级 | 定位 | 战略优先级 |
|---|---|---|
| 矢量渲染引擎 | 底座 --- 决定「能不能做」 | ⭐⭐⭐ |
| 结构化转换层 | 灵魂 --- 决定「好不好用」 | ⭐⭐⭐ |
| AI 小模型 | 增强 --- 形成独特壁垒 | ⭐⭐ |
| AI 大模型 | 水电煤 --- 聚合即可 | ⭐ |
一句话总结
渲染是底座，转换是灵魂。 FigDev 的核心竞争力不在于生成了什么，而在于如何承接、编辑、组织和交付这些生成的内容。
更多精彩内容可关注 风起的博客 ，微信公众号：听风说图