AI-native Design Thinking OS2026-05-22
Learning system for the AI age

AI-native
Design Thinking OS

以真实证据为底座，以 AI 并行搜索为引擎，以人类判断为关口，以 Design Memory 为组织记忆。

1Learning Velocity：更快形成、验证和更新判断
2Evidence Integrity：每条洞察都可溯源
3Human Judgment：价值、伦理、战略和品味由人把关
4Reusable Design Memory：把项目学习沉淀为组织复利
Sense 感知获得真实信号，而不是让 AI 假装理解用户。
Frame 框定把真实信号转成值得解决的问题。
Generate 生成扩大方案空间，主动加入反共识象限。
Embody 具现把想法变成可体验、可测试的对象。
Confront 对峙用真实反馈打破团队内部想象。
Curate 沉淀让证据、洞察、实验和决策可复用。
Design MemoryEvidence -> Decision

状态：对外文档草稿

日期：2026-05-22

一句话

AI-native Design Thinking 不是“用 AI 辅助传统设计思维”，也不是让 AI 代替用户研究、代替设计师判断、代替真实世界验证。它更像一套新的创新操作系统：以真实证据为底座，以 AI 并行搜索为引擎，以人类判断为关口，以 Design Memory 为组织记忆，让团队更快接触现实、更快生成选择、更快验证假设，并把每次学习沉淀下来。

它的核心公式是：

AI-native Design Thinking
= Learning Velocity
x Evidence Integrity
x Human Judgment
x Reusable Design Memory

如果传统 Design Thinking 的核心问题是“如何在高成本时代降低做错事的风险”，那么 AI-native Design Thinking 的核心问题就是：“如何在 AI 让分析、生成和原型成本大幅下降之后，仍然保持真实、判断和学习质量？”

为什么需要重新设计 Design Thinking

传统 Design Thinking 诞生在一个做东西很贵、试错很慢、组织返工成本很高的时代。先共情、再定义、再构思、再原型、再测试，这套流程本质上是在帮助团队避免太早押注错误问题。

AI 改变了成本结构。今天，整理访谈记录、扫描资料、生成问题框架、发散方案、写原型文案、做代码 demo、设计测试脚本，这些事情的成本都在下降。问题不再是“我们能不能想出一个方案”，而是“我们能不能更快找到值得解决的问题，并用可信证据淘汰错误假设”。

这会把设计思维的重心从“按流程完成工具”转向“持续提升有效学习速度”。有效学习不是让 AI 生成更多内容，而是让团队更频繁地完成这条链路：

接触真实信号 -> 形成问题框架 -> 生成多个选择 -> 做成可体验对象 -> 接受真实反馈 -> 沉淀为组织记忆

所以，AI-native Design Thinking 不是推翻经典五步，而是把经典五步改造成一个更高频、更可追溯、更适合人机协作的学习循环。

六段循环

这套框架可以概括为六段：

Sense -> Frame -> Generate -> Embody -> Confront -> Curate
感知 -> 框定 -> 生成 -> 具现 -> 对峙 -> 沉淀
阶段 目标 AI 适合做什么 人必须做什么 典型产物
Sense 感知 获得真实信号 生成访谈提纲、整理访谈记录、扫描客服/评论/社群/问卷 做真实访谈、现场观察、捕捉沉默和反常行为 Ground Truth Pack
Frame 框定 重新定义问题 生成 POV、HMW、JTBD、问题树、机会空间 判断什么问题真正值得解决 Opportunity Brief
Generate 生成 扩大方案空间 批量生成方案、类比方案、反共识方案、极端方案 判断哪些方向有战略价值、品味和差异化 Concept Portfolio
Embody 具现 把想法变成可体验对象 生成流程、文案、Figma brief、代码原型、demo script 把控体验质量、品牌边界、关键假设 Prototype Set
Confront 对峙 用现实反馈打破内部想象 设计测试脚本、AI 预筛、分析行为数据和反馈 观察真人使用，解释言行差，决定去留 Experiment Report
Curate 沉淀 把项目学习变成组织资产 更新知识库、维护证据链、生成 pattern 和 anti-pattern 审查结论、确认决策、定义下一轮 Design Memory Update

这里最重要的变化，是补上 Curate。没有沉淀，项目结束后学习不会进入组织记忆，下一次还是从零开始。AI-native 的价值不只是每次项目跑得更快，而是让组织越跑越聪明。

新工具箱：6 个认知操作 + 1 个组织记忆层

传统设计思维有很多工具：共情地图、用户旅程图、HMW、Crazy 8s、SCAMPER、点投票、服务蓝图、可用性测试。AI-native 版本不应该只是把这些工具自动化，而是要看清它们背后的底层认知操作。

这些操作可以压缩成六类：共情、外化、换框、发散、收敛、对峙。

AI 可以强化其中很多环节，尤其是外化、换框、发散、原型和初步分析。但 AI 不能凭空提供新的地面真值，也不能替代人进入真实场景、建立信任、读懂非语言信号、判断价值边界和承担决策后果。

因此，AI-native 的最终工具箱不是“40 个工具变 6 个工具”，而是：

40 个传统工具
-> 6 个底层认知操作
-> 8 个可执行 Skills
-> 1 个 Design Memory
-> 1 个 Provenance Firewall
-> 多个 Human Gates

AI 和人的分工

AI 主要负责扩大搜索空间和加速学习循环。

它适合做规模化扫描、资料整理、访谈转录、主题聚类、模式发现、问题重构、方案发散、约束下生成、优先级辅助、原型生成、测试脚本、数据分析、复盘沉淀和知识库更新。

人必须负责接触现实、定义意义、做价值判断和承担后果。

人要选择真实用户、进入真实场景、建立信任、追问意外、判断隐性需求、设定战略意图、定义伦理边界、选择问题框架、判断方案品味、做商业取舍、观察真人测试、解释言行差、做最终决策。

一句话：

AI 负责扩大搜索空间和加速学习循环；
人负责接触现实、定义意义、做价值判断和承担后果。

溯源防火墙

AI-native Design Thinking 最大的风险，是团队把“AI 看起来很合理的模拟”误当成“真实用户信号”。所以这套系统必须有溯源防火墙。

每条洞察都要标注来源。每个结论都要说明证据强度。每个重大决策都要能追溯到 evidence IDs。

一个可执行的证据分级如下：

等级 来源 决策资格
E0 AI 合成、模拟用户、纯生成内容 只能作为假设
E1 二手资料、行业报告、竞品分析、公开评论 可辅助判断
E2 用户自述、访谈、问卷、客服和销售记录 可形成初步洞察
E3 现场观察、真实行为、情境研究、可用性测试 可支撑核心框架
E4 真实实验、真实使用数据、付费、留存、转化 可支撑重大决策

硬规则也要写清楚：

  1. E0 不能进入最终决策，只能进入假设池。
  2. 核心 HMW 至少需要 E2，高风险场景最好有 E3。
  3. 上线或重大资源投入必须有 E3 或 E4。
  4. AI 生成 persona 默认是 proto-persona，不是用户画像。
  5. AI 模拟测试只能算预筛，不能算验证。
  6. 每个核心 insight 都要同时看 supporting evidence 和 contradictory evidence。
  7. 每次测试后必须更新 assumption status。

这不是流程洁癖，而是防止团队用 AI 幻想产品。

Design Memory

Design Memory 不是一个资料文件夹，而是一张“证据 -> 洞察 -> 机会 -> 方案 -> 原型 -> 实验 -> 决策”的知识图谱。

它至少要保存这些对象：

Signal
Evidence
Quote
Observation
User Segment
Pain Point
Insight
Contradiction
Frame
HMW
Opportunity
Concept
Prototype
Experiment
Finding
Decision
Pattern
Risk
Metric

它要记录这些关系：

Evidence supports Insight
Insight creates Frame
Frame generates HMW
HMW opens Opportunity
Opportunity inspires Concept
Concept becomes Prototype
Prototype is tested by Experiment
Experiment produces Finding
Finding updates Assumption
Assumption informs Decision
Decision becomes Pattern

第一版不需要立刻做复杂数据库。可以先从 Markdown + frontmatter 开始：给每条 evidence 编号，给每条 insight 绑定来源，给每个 decision 绑定证据，给 AI 合成内容打标签，给知识设置有效期。

真正重要的是：组织不再只保存最终 PPT，而是保存“我们为什么这么判断、当时有哪些证据、哪些假设被推翻、哪些 pattern 可以复用”。

Skills 与 Orchestrator

落地时，可以设计成 1 个 orchestrator、8 个 skills、1 个 Design Memory、1 个 provenance firewall。

Design Orchestrator
  ├── 01-field-research-prep
  ├── 02-signal-synthesis
  ├── 03-insight-and-reframe
  ├── 04-option-space
  ├── 05-prioritization
  ├── 06-parallel-prototype
  ├── 07-confrontation-test
  └── 08-learning-curation

Shared Layer
  ├── Design Memory
  ├── Provenance Firewall
  ├── Evidence Graph
  ├── Decision Log
  └── Pattern Library

但 MVP 不应该一开始就追求“全自动智能体系统”。更好的顺序是先标准化产物，再建立证据规则，再上线最关键的 skills，最后再做 orchestrator。

第一阶段先标准化产物：

Design Brief
Ground Truth Pack
Evidence Map
Insight Report
HMW / Frame Pack
Concept Card
Prototype Brief
Experiment Report
Decision Log
Learning Memo

第二阶段先做 Design Memory + 溯源防火墙。

第三阶段先上线四个最有价值的 skills：

signal-synthesis
insight-and-reframe
option-space
learning-curation

第四阶段再补原型和测试：

parallel-prototype
confrontation-test

第五阶段才形成完整 orchestrator，让系统自动判断项目阶段、调用对应 skill、检查证据强度、提醒 human gate、更新知识库。

对教学和企业训练的含义

AI 时代的课程不应该再重点训练“如何想出很多点子”。点子已经过剩，真正稀缺的是接触真实、框定问题、判断价值、编排系统。

所以，AI-native Design Thinking 应该训练四类能力：

田野能力：会访谈、会观察、会追问、会读非语言信号、会发现隐性需求。
框定能力：会把模糊问题变成值得解决的问题，会识别伪问题。
判断能力：会判断哪个洞察重要，哪个方案有品味，哪个方向值得下注。
编排能力：会指挥 AI、设计 workflow、搭建 skills、维护知识库和证据链。

这会把 design thinking 从一次 workshop 方法，升级成一套可持续运行的 AI 原生创新系统。

容易误解的地方

第一，AI-native 不等于跳过用户研究。真实共情反而更重要，因为 AI 越会模拟，团队越需要知道哪些信号来自真实世界。

第二，快速原型不等于一开始就做完整产品。原型的目标不是完整，而是让 1-2 个关键假设尽快暴露在现实反馈中。

第三，AI 模拟测试不等于用户验证。它可以预筛明显问题，但不能证明用户真的需要、真的理解、真的愿意使用或付费。

第四，高频学习不等于低治理。医疗、金融、儿童、公共安全、企业核心流程等高风险场景，必须先定义安全、伦理、隐私和责任边界，再进入快速循环。

第五，Design Memory 不等于资料归档。它的目标不是保存更多文件，而是让证据、洞察、实验和决策可以被追溯、复用和更新。

结尾

AI-native Design Thinking 的目标不是让团队更快地产出看起来合理的方案，而是让团队更快地接触真实用户，提出更好的问题，生成更多选择，快速做出可测试对象，用真实反馈验证，再把学习沉淀成组织能力。

它不是一个单次 workshop，而是一套持续运行的创新操作系统。

参考与延伸阅读