本文记录一种结构化的界面观察方法。它不替代设计走查，而是为走查补充一层语义维度的记录标准。
本文基于 《组件语义快照与模式诊断：AI 生成界面的第一道检查》 中的概念继续展开。
一、现有走查方式在记录什么
在日常的设计质量保障流程中，团队通常依赖人工走查来发现界面问题。走查的输出物一般包括：
- 视觉素材（界面静态图像或录屏）
- 问题标注（在视觉素材上圈出异常区域）
- 问题描述（文字说明此处不符合规范）
这套流程在视觉一致性层面是有效的。当问题局限于"颜色是否偏离 Token""字号是否匹配规范""间距是否对齐网格"时，视觉素材本身足以承载全部信息。
但我注意到一个边界情况：当问题涉及语义表达时，视觉素材单独作为记录载体开始出现信息损耗。
具体表现为：三个月后回看一张走查记录，我能立刻判断"这个按钮颜色错了"，却难以准确还原"这个按钮在这个场景下应该表达什么语义"——因为当时的场景上下文、用户的实际困惑、触发条件，都没有被结构化地记录下来。
这不是现有走查方式的问题，而是它的设计目标本来就在视觉层。当我的工作目标从"视觉一致性"扩展到"语义一致性"时，我需要一种能够同时记录界面呈现和语义上下文的方法。
二、组件语义快照的定义
组件语义快照（Component Semantic Snapshot）是我为语义层观察设计的一种结构化记录格式。
它的核心假设是：界面层是语义层的最终呈现面，但语义信息不能从界面像素中自动推导。 一张红色的错误提示卡片，仅凭视觉无法判断它是"致命故障"还是"稍后再试"——这两种语义对应的用户行动完全不同，但视觉表达可能极其相似。
因此，组件语义快照在记录界面视觉素材的同时，强制要求记录 6 个标准字段，用于锚定该界面的语义上下文。
三、6 个标准字段
| 字段 | 说明 | 记录目的 |
|---|---|---|
| snapshot_id | 快照唯一编号 | 建立可追溯的引用标识，便于模式库归档和版本管理 |
| product | 产品名称 | 明确漂移发生的具体产品，支持跨产品对比 |
| component_type | 组件类型 | 按用户交互场景分类，决定后续匹配的模式分支 |
| visual_record | 界面视觉素材（含语义标注） | 记录界面呈现，并用标注框标出语义漂移的具体区域 |
| user_confusion | 用户困惑描述 | 记录用户面对该界面时的真实反应，作为语义断层的直接证据 |
| context | 触发场景 | 记录导致该界面状态出现的操作路径，支持复现 |
3.1 字段设计 rationale
snapshot_id：模式库需要版本化管理。没有唯一编号，三个月后无法确认"这张记录和那张记录是否是同一问题的不同实例"。
product：同一组件类型在不同产品中的语义表达可能不同。记录产品名称是为了支持跨产品归纳，而非简单归因于"某个产品设计不好"。
component_type：我目前将语义漂移高发的组件归纳为 5 类——错误状态、过程状态、边界动作、操作按钮、告警状态。这个分类基于用户交互路径，而非视觉形态。
visual_record：此处记录的是界面视觉素材，但要求包含语义标注（如用框线标出"全部红色"的区域）。标注的目的是指出"语义漂移发生的位置"，而非仅记录"视觉异常的位置"。
user_confusion：这是语义层观察的核心字段。视觉走查记录"这里红了"，语义观察记录"用户看到红色后做了什么错误决策"。用户困惑可以是原话引用，也可以是基于用户行为日志的合理推断。
context：语义漂移往往是路径依赖的。同一个按钮，在常规流程中是普通操作，在异常流程中可能是高危操作。记录触发场景是为了还原语义决策的完整上下文。
四、一个完整示例
以下是我记录的一张真实快照，经过脱敏处理：
snapshot_id: SNAP-202506-001
product: ChatGPT
component_type: 错误状态
visual_record: 界面视觉素材显示 4 种错误提示，均使用红色作为视觉表达。标注框圈出："Error in message stream"（红色背景条）、"network error"（红色文字）、"Something went wrong"（红色边框卡片）、"Too many requests"（红色文字+感叹号）。
user_confusion: "看到红色就刷新，结果只是限流。红色让我以为系统崩了。"
context: 高峰期快速发送 5 条消息后触发
匹配模式: ERR-001（后果差异未分级）
五、怎么用
组件语义快照的使用流程分为三步：
第一步：采集视觉素材并标注
获取界面视觉素材后，用标注框标出语义漂移的具体位置。标注原则：框出的是"语义表达与预期不符的区域"，而非"视觉不符合规范的区域"。
第二步：填写 6 个字段
按标准格式填写编号、产品、组件类型、用户困惑、触发场景。其中 user_confusion 优先使用用户原话；若无法获取原话，可基于用户行为数据（如错误操作后的跳出路径）进行推断，并注明推断依据。
第三步：归档到模式库
系统根据 component_type 和 user_confusion 自动匹配已有模式。若无法匹配，则创建新模式草案，等待后续验证。
六、与现有走查流程的关系
组件语义快照不替代视觉走查，而是与其并行运行。
- 视觉走查回答：界面是否符合设计规范？
- 语义快照回答：界面是否表达了正确的语义？
两者共享视觉素材作为输入，但输出不同。视觉走查的输出是"修改建议"，语义快照的输出是"模式证据"——用于归纳通用漂移规律，进而生成机器可读的约束契约。
在实际操作中，我通常建议：视觉走查发现的问题，若涉及语义表达（如错误文案、按钮含义、状态提示），则同步生成一张组件语义快照。这样，视觉问题得到了修复，语义证据得到了积累。
七、局限与边界
组件语义快照目前存在以下局限：
依赖人工观察：它不能自动采集，需要观察者具备语义敏感度，能区分"视觉问题"和"语义问题"。
用户困惑字段主观：user_confusion 可以是原话、推断或两者结合。推断的准确性取决于观察者的产品经验。
组件类型分类未穷尽：目前 5 类组件基于我的观察范围归纳，随着观察样本增加，分类可能需要扩展。
不解决修复问题：它只负责记录和归档，不直接输出修复方案。修复方案需要结合契约库（Contract Library）才能生成。
八、结语
组件语义快照是我从"视觉层走查"向"语义层观察"过渡时设计的第一种工具。它的价值不在于技术复杂度，而在于强制要求记录语义上下文——这是现有走查流程中容易被忽略的信息层。
当积累到一定数量的快照后，我能够从中归纳出通用漂移模式（如 ERR-001"后果差异未分级"），这些模式将成为第二阶段"约束显化"的输入素材。
下一步，我将基于这些快照证据，定义语义约束契约（YAML 格式），并验证其可行性。
Gap 期局限性声明
当前状态： 架构推演与最小可行原型阶段。YAML 规范、校验逻辑为定义层实现，尚未接入生产级 LLM API 或 CI 流水线。欢迎基于现有思路共建。
关于作者
魏雯，体验架构设计师。
专注于：AI 界面的语义治理。解决的核心问题：让 LLM 生成的界面不偏离设计规范。
10+ 年互联网设计经验。设计系统 / 体验工程 / AI 原生｜广州 / 深圳
