文/华夏银行首席信息官 吴永飞

华夏银行信息科技部 王彦博 陈志豪

北京尽微致广信息技术有限公司 朱峰

龙盈智达（北京）科技有限公司 杨璇

随着金融科技的快速发展和金融机构数字化转型的深入推进，金融产品用户体验日益受到重视。以往金融产品界面的设计流程从需求分析到最终交付通常需要数周甚至数月的时间，难以满足快速迭代的创新需求。大模型辅助设计将深度学习、计算机视觉、自然语言处理等人工智能技术与传统设计方法相结合，能显著提升设计效率、降低设计成本。本文创新提出大模型辅助设计“4I”应用框架体系，以期为大模型辅助设计在金融领域的应用研究提供借鉴。

金融机构信息系统页面设计

金融机构面临着用户需求多样化、业务场景复杂化、监管要求严格化等多重挑战。虽然金融机构信息系统的页面设计工作中已经应用了各种专业原型/UI设计工具，但当前金融机构信息系统页面设计仍存在如下问题。

一是设计效率难以满足快速创新的需求。传统界面设计流程耗时长，涉及需求调研、方案设计、评审反馈、多轮迭代等诸多环节，难以跟上需求变化步伐。此外，优秀设计师资源稀缺，供需矛盾日益突出。

二是设计成本居高不下。金融机构需要购买各类设计工具和素材资源，此外由于需求理解存在偏差、设计标准不统一等原因，设计成果往往需要多次返工修改，进一步增加了设计成本。

三是设计规范难以统一。金融机构不同团队间的设计风格存在差异，虽然多数机构制定了设计规范，但由于执行偏差，产品用户体验仍不一致。随着产品线扩展，设计资产管理也变得日益复杂。

四是创新突破瓶颈显著。传统设计方法依赖设计师个人经验和认知，往往难以产生突破性创新。新的设计理念从提出到最终验证需要经过漫长过程，进一步抑制了创新。

上述挑战已经成为制约金融机构产品创新和用户体验提升的重要因素，积极探索大模型辅助设计，有望为相关问题的解决提供全新方案。

大模型辅助设计应用研究

本文创新提出了金融机构大模型辅助设计的“4I”应用框架体系，即Interface Design（大模型辅助界面设计）、Image Design（大模型辅助形象设计）、Inspiration of Design（大模型辅助设计灵感）以及Integration of Design（大模型智能设计集成），以期为大模型辅助设计在金融领域的应用提供方法论。

1.大模型辅助界面设计。大模型辅助界面设计技术实现涉及需求解析与理解、界面布局方案生成、样式风格生成和系统集成与部署四个环节。在需求解析与理解阶段，采用基于Transformer架构的大语言模型，对用户输入的自然语言需求进行深度语义理解；利用命名实体识别和关系抽取技术提取关键信息，结合知识图谱技术构建金融领域专业知识库，增强对专业术语和业务流程洞察；应用多模态学习模型，融合文本、图像等多种输入信息，以更准确地把握用户需求。在界面布局方案生成阶段，基于GPT架构训练专门的界面设计生成模型，输入为需求描述，输出为界面布局方案；构建大规模金融UI设计数据集，包含优秀案例界面截图、布局描述、设计规范等；根据需求生成初步界面布局方案，使其符合设计规范和用户体验原则。在样式风格生成阶段，使用计算机视觉技术分析、生成设计图需要的色彩、字体、图标等视觉元素特征；调用设计工具的图层生成算法自动生成多层级结构的设计文件格式的图层信息，如导航条、输入框、按钮等；集成矢量图形处理技术，将图标位图设计元素转换为可缩放矢量格式。在系统集成与部署阶段，采用微服务架构将各功能模块解耦便于扩展和维护；使用容器技术实现模型快速部署和弹性伸缩；应用API网关技术统一管理服务接口确保安全性；集成CI/CD流水线，实现设计方案自动测试部署，并使用分布式追踪系统监控各模块性能及时发现解决问题。通过综合应用上述技术，实现功能强大、性能优异的大模型辅助界面设计系统，有效提升金融产品的界面设计效率和质量。

2.大模型辅助形象设计。大模型辅助形象设计主要涵盖智能图标生成、插画创作两个方面。智能图标生成方面，采用基于Stable Diffusion的定制模型，通过Fine-tuning技术在大规模金融图标数据集上训练，使模型能够精准理解金融专业术语和视觉表现；通过集成自然语言处理模块，解析复杂图标需求描述并转化为模型可理解的提示词；开发基于深度学习的风格迁移算法，实现自动将公司品牌元素融入生成的图标，确保生成图标的一致性和规范性。插画创作方面，使用ControlNet实现文本到图像的精准控制，使生成的插画准确表达设计需求；应用Stable Diffusion的多种LoRA模型，基于已有插画作品训练出符合品牌调性的定制模型；进一步开发基于强化学习的智能裁剪和扩展算法，在保持主体内容完整的同时自动调整构图；通过集成了基于深度学习的内容审核模块确保生成的插画符合金融行业合规要求。此外，通过API接口与主流设计软件集成实现了无缝的工作流程，进一步为金融产品的视觉呈现提供了技术支撑。

3.大模型辅助设计灵感。大模型辅助设计灵感主要涉及智能组件推荐、参考案例匹配、设计趋势分析三个方面。智能组件推荐方面，通过嵌入（Embedding）技术建立设计组件和用户需求之间的关联，构建设计组件的特征向量数据库，使每个组件通过其属性、功能和使用场景生成相应的向量表示。智能组件推荐功能利用相似度计算（如余弦相似度）实现与用户需求的智能匹配和场景化推荐，可显著提升设计效率。参考案例匹配方面，利用多维度检索模型进行分类和索引，通过嵌入技术将案例特征转化为向量表示，实现智能推荐相似案例的功能，并支持案例要素分解与分析，为设计师提供灵感和参考。设计趋势分析方面，通过对用户行为数据挖掘预测用户偏好变化，提供创新设计建议，并评估设计方案的接受度，助力设计创新与突破。

4.大模型智能设计集成。大模型智能设计集成主要包含知识库集成、组件库集成、工程转换集成和流程集成四个方面。知识库集成方面，构建设计资产智能管理体系，结合设计知识图谱和嵌入技术，实现资产智能检索；设计知识图谱通过向量数据库存储设计资产的嵌入向量，使相似性检索更加高效；运用大语言模型提供智能设计建议，帮助设计师快速获取信息和灵感，并通过自然语言处理技术理解设计需求上下文。组件库集成方面，通过统一组件库标准和嵌入技术实现组件智能调用；向量数据库在其中起到了关键作用，能够根据设计师需求和上下文动态推荐最合适组件，确保设计规范一致性；通过组件版本管理，确保设计效率与质量提升。工程转换集成方面，利用生成式AI技术自动生成前端工程代码，支持多框架转换，确保代码质量与性能；通过集成检索增强生成（RAG）技术，在设计过程中动态检索相关案例资源，提升生成内容准确性和相关性，确保生成代码不仅符合设计要求，还在应用中表现良好。流程集成方面，聚焦实现设计全流程的智能化升级，实现需求对接、设计评审、协作沟通和效果评估各环节优化；通过自动化工具和智能分析确保设计项目顺利高效完成。整体而言，这种集成不仅提升了设计效率，还增强了设计成果质量与可维护性。

大模型辅助设计应用优势

基于“4I”应用框架体系的大模型辅助设计已在金融机构逐步开展应用，并较传统技术方案展现出优势。传统方案主要采用设计组件拼装方式，即通过预设组件库进行拼接生成设计界面，尽管具有一定的快速性和直观性，但在业务组件的灵活性和设计风格的多样性方面存在局限。大模型辅助设计基于大语言模型生成设计图层信息的方式，核心是通过大语言模型直接理解和生成符合业务逻辑和设计需求的高保真图层信息，因此独具优势：一是业务组件的灵活性——能够根据用户需求，动态生成高度贴合实际业务场景的设计界面，不受限于固定组件库的约束，可提供更具定制化的解决方案；二是设计风格的多样性——具备对设计趋势和风格的深度理解，可以轻松切换或融合不同的设计风格，满足用户对创新性和多样性的要求；三是迭代效率和交互深度——能够实现更快速的迭代，同时支持多轮对话调整，使设计师和产品经理能够更加高效地与模型交互，直接得到高质量的设计成果。

实践表明，大模型辅助设计可实现设计效率显著提升，设计方案输出量提升近3倍，设计周期大幅缩短，返工率明显降低。在成本控制方面，设计工具和新员工培训投入降低，设计资产管理成本和系统运维效率得到优化。在设计规范执行质量方面，组件使用的规范性、视觉风格的一致性、交互模式的标准化程度和设计资产的复用率方面均有所提升。

结语

本文面向大模型辅助设计在金融领域的应用与研究，创新提出“4I”应用框架体系，为大模型辅助设计在金融领域的深化应用提供理论支撑。随着金融机构数字化进程的不断深化，大模型辅助设计有望成为金融产品创新的重要驱动因素。积极探索大模型辅助设计在金融领域的应用，有助于进一步降低设计成本、提升设计效率，并提升金融服务水平，对金融行业的数字化转型升级具有积极意义。

(华夏银行李大伟，龙盈智达（北京）科技有限公司张月、陈生对本文亦有贡献)

（此文刊发于《金融电子化》2024年12月上半月刊）