促進 UI 創意探索的分離式架構：引入 Verbalized Sampling 解決代理生成不確定性
為何重要
- 對於致力於自動化開發與協作設計的 AI 企業而言，此架構在保持程式碼版面穩定性與多樣性之間建立了關鍵的權衡解方，降低高階工具開發的試錯成本。 - 這不僅解決模型「能寫出正確結構」的基礎問題，更嘗試讓 AI 達到像熟練設計師般「能提出多種方案」的進階能力，是 AI 產品邁向實用化的關鍵一步。 - 開發者可應用此「探索-實作」分離邏輯，在 IDE 或前端工具中打造更靈活的生成式體驗。
- 當前的 Vibe design agents 若僅調整 temperature，會同時幹擾美感決策與語法敏感的程式碼，本研究透過明確的「設計方向」分離探索與實作來緩解此問題。
- 架構受 Verbalized Sampling 啟發，透過先導過程提出具典型性分數的結構化設計規格，再由外部選擇器挑選，最後在固定設定下由下游產生器執行。
- 實驗覆蓋 168 個提示與超過 30 萬次線上任務，顯示此方法在擴大選取覆蓋率的同時，確實能減少負面回饋並穩定營運成本。
- LLM-judge 的偏好證實，將結構化設計規格作為控制點，是固定下游生成設定、在不犧牲程式碼品質下探索替代 UX 概念的更佳解法。