工程实践：提示词工作流与确定性引擎的系统共鸣架构对比

课题归属：《从像素到架构：画面设计、美学、视觉心理与 IT 工程规划的系统共鸣》
撰写日期：2026-06-23

在本课题的理论研究基础上，我们分别探索了两种截然不同的工程实践路线，并落地为两个项目：gestalt-prompt-workflow 与 gestalt-resonator。前者代表了“以语言为接口的知识传导”，而后者代表了“以引擎为核心的美学工程化”。本文将对这两个项目进行客观、深度的横向对比研究。

一、项目定位与本质属性

对比维度	gestalt-prompt-workflow	gestalt-resonator
项目类型	Agent Skill（大模型技能插件 / 认知层工具）	独立系统后端（工程执行层工具）
核心职责	生成高质量"设计约束提示词"，指导下游 LLM 编写前端代码	将自然语言要件转译为结构化 DDSL 契约包，供下游 Agent 消费
驱动主体	大语言模型（LLM）+ 本地静态设计知识库	Rust 确定性排版引擎 + 本地微调小模型（SLM）
运行环境	Google Antigravity (AGY) SDK 宿主环境内	独立进程（Headless CLI / JSON-RPC DSP Server 双模式）
交付形式	非结构化 / 半结构化设计提示词（Markdown）	结构化 DDSL 契约包（JSON + CSS + QA 断言 + 转译指南）

二、核心理论应用方式的“软”与“硬”

两项目均立足于课题中的五大核心量化指标（GII, TPF, COE, SCR, OCC），但在理论的承载与执行方式上呈现出“软约束”与“硬编码”的本质区别。

2.1 理论内化深度对比

五维量化指标：
- prompt-workflow 将其作为 Prompt 工程的语义约束标签，注入提示词模板，高度依赖下游大语言模型去理解并实现。
- resonator 将其抽象为系统的数学参数原点，例如 GII 决定网格的接近性缩放因子，直接以代数公式驱动底层的格式塔合成引擎。
格式塔原则（如接近性、闭合性）：
- prompt-workflow 通过文字规范强行规定（如“严禁使用 border 划定边缘，必须通过留白区分”），对大模型进行行为约束。
- resonator 设计了严格的 GestaltPrinciple 枚举结构，在 DDSL layout_tree 中标识，由 Rust 引擎执行基于物理尺寸的自动编排。
物理动效与色彩系统（TPF & 色彩调和）：
- prompt-workflow 提供了一套预制 CSS Token 库供大模型查阅，并配合严厉禁令（如禁止在动画中修改 width/height）。
- resonator 构建了独立的本地微型神经网络（Motion Synthesizer 和 Sound Synthesizer），由提取出的人群心理标签直接推算出物理阻尼常量、贝塞尔曲线甚至 FM 音效参数；色彩调和则通过 HSL 色环代数公式动态求解。

结论：gestalt-prompt-workflow 是一本“美学字典”，它是理论的知识传导器；而 gestalt-resonator 是一台“精密机床”，它是理论的工程编译器。

三、技术架构与执行效率对比

3.1 核心技术流向

gestalt-prompt-workflow 工作流：
原始需求 $\rightarrow$ [LLM 意图理解] $\rightarrow$ [按需检索本地知识库] $\rightarrow$ [约束与模板注入] $\rightarrow$ 输出高质量 Prompt
gestalt-resonator 工作流：
原始需求 $\rightarrow$ [本地 NER/MiniLM 提取特征参数] $\rightarrow$ [Rust 检索引擎拼装 DDSL 碎片] $\rightarrow$ [GNN 美学校验网关] $\rightarrow$ 输出 DDSL 契约包

3.2 关键工程特性

关键特性	gestalt-prompt-workflow	gestalt-resonator
解析引擎	依赖外部大语言模型（如 Gemini 1.5 Pro 等）	采用“多专用微型模型流水线”（参数量极小）过滤业务冗余
执行延迟	受到大模型长上下文理解的网络请求限制（秒级以上）	全本地运算（Rust + SLM 快速推理），设计目标为 < 100 毫秒
状态回溯	无状态。若需更改，每一次对话均为全量文本重建	引入“设计谱系图 (Design Lineage)”，支持节点局部锁定、分支发散与合并
网络依赖	强依赖外部 API，无网不可用	推理模式下支持完全离线运行
可靠性模型	存在大模型“幻觉”与注意力遗忘的风险，结构不确定	JSON Schema 静态断言 + 格式塔判别器双重校验，杜绝逻辑死锁

四、资产厚度与成熟度评估

4.1 当前资产积累

gestalt-prompt-workflow 极度丰满。其 references/ 目录中已经积累了庞大的知识素材，涵盖了 Apple HIG 空间解析、Stripe 动效解构等 17 个深度案例分析，是当之无愧的知识宝库。目前该插件已可即插即用。
gestalt-resonator 处于基础构建期（约 30%）。虽然完成了完备的 DDSL Schema 契约设计、DDD（领域驱动设计）架构以及 ML Pipeline 数据管线的搭建，但其 Rust 核心调度与本地小模型的标注训练仍在进行中。

4.2 发展局限

prompt-workflow 的局限在于其输出无法被传统流水线（CI/CD）或严格状态机以极高确定性解析，且在高频的修改场景下消耗大量的 Token 成本。
resonator 的局限在于其系统复杂度过高，需要极大的开发投入，且面临本地专用小模型由于训练语料不足而产生的“冷启动”难题。

五、课题融合与最佳实践展望

这两个工程实践项目并非在竞争同一个生态位，而是代表了未来自动化设计生态中极其互补的上下游。

阶段演进建议：

知识发酵期（现状）：充分利用 gestalt-prompt-workflow 快速、灵活的泛化能力处理边缘与创意需求。在这期间产生的大量成功交互日志（Trace），将作为训练语料反哺给 gestalt-resonator，解决其冷启动数据缺乏的痛点。
双擎协同期（未来展望）：随着 gestalt-resonator 的竣工，整个大课题的终极形态将是一个双擎架构。
- 在极速的发散-收敛设计循环中，调用 gestalt-resonator 的本地毫秒级引擎，快速获取具备数学正确性、物理合理性且百分百合规的 DDSL 树骨架。
- 随后，将这套严格的结构骨架作为上下文，喂给由 gestalt-prompt-workflow 赋能的大模型，由其在“绝对不破坏骨架”的前提下，填充富有创意的文案细节与微观视觉处理。

这套“引擎保结构，大模型保创意”的双轨制，正是实现“像素与架构系统共鸣”的最优解。

工程实践：提示词工作流与确定性引擎的系统共鸣架构对比

一、 项目定位与本质属性

二、 核心理论应用方式的“软”与“硬”