Claude Code + Figma:AI 画原型完整教程,从 PRD 到设计稿只要 5 分钟

Claude Code + Figma:AI 画原型完整教程,从 PRD 到设计稿只要 5 分钟

之前我一直用 Pencil MCP 来画原型,效果还不错。最近在社区看到有人说 Claude Code + Figma MCP 的出图效果也挺好,作为 AI 辅助设计的另一条路线,就想来实测对比一下。

刚好手头有个体脂秤 App(BodyMate)要改版,正好拿这个真实项目当测试场景——用 Claude Code 把 PRD 直接变成 Figma 原型,看看 Figma 这条线的 AI 画原型体验到底怎么样。

折腾了一圈,踩完所有坑,终于摸清了 2026 年 Claude Code + Figma 的正确工作流。

读完这篇你会得到:

  • 3 种 Claude Code 与 Figma 协作方式的完整对比(全部免费可用)
  • 每种方式的具体操作步骤和踩坑记录
  • 一套经过实测的 AI 画原型工作流,从 PRD 到设计稿全链路打通

Claude Code + Figma AI 画原型完整教程:3 种协作方式总览

先说结论:3 种方式,按需选择

Figma 和 Claude Code 之间有 3 种协作方式,适合不同阶段:

方式适合场景是否付费难度
HTML 原型 + Figma 插件导入从零画原型免费简单
Copy as code → 粘贴给 AI设计改了同步代码免费最简单
Figma MCP Server全自动双向同步免费可用(有调用限额)中等

好消息:三种方式都不需要付费。 MCP Server 免费 Plan 就能连通,generate_figma_design(推代码到 Figma)甚至不限次数。

下面逐个展开,每种都给操作步骤。


方式一:AI 生成 HTML 原型 → 导入 Figma(推荐起步用)

这是从零开始最快的 AI 画原型方式——让 Claude Code 根据你的 PRD 生成 HTML,再一键导入 Figma,整个过程不需要手动画任何组件。

操作步骤

第一步:让 Claude Code 生成 HTML 原型

把你的 PRD 和 UI 设计规范丢给 Claude Code,一句话搞定:

“根据 PRD 和 UI 设计规范,帮我把所有页面的原型画在一个 HTML 文件里”

Claude 会生成一个包含所有屏幕的 HTML 文件,每个屏幕是一个 390×844 的 iPhone 框架,并排排列。

第二步:导入 Figma(两种方式任选)

HTML 生成后,有两种方式导入 Figma:

方式 A:用 MCP 自动推送(推荐)

如果已经连通了 Figma MCP(配置方法见方式三),直接告诉 Claude Code:

“启动本地服务器,把这个 HTML 捕捉到我的 Figma 文件里”

Claude Code 会自动启动服务器、打开浏览器、捕捉页面、推送到 Figma,全程自动化。

方式 B:用 Figma 插件手动导入

  1. 启动本地服务器(Claude Code 会自动帮你启动)
  2. 打开 Figma → 运行插件 html.to.design(Builder.io 出品,在 Figma 插件市场搜索安装)
  3. 输入本地服务器地址
  4. 点击 Import,所有屏幕变成可编辑的 Figma Frame

一个 HTML 文件,5 个屏幕,一键全部导入 Figma。

1280X1280.PNG

两种导入方式对比

手动导入(html.to.design 插件)自动捕捉(MCP generate_figma_design)
操作方式在 Figma 里运行插件手动导入Claude Code 通过 MCP 自动推送
还原度高,基本无失真会有一定失真
是否付费免费免费(不受配额限制)
适合场景初次导入、追求精确频繁迭代、追求速度

我的建议: 初期用手动导入,追求还原度。等工作流跑顺了、需要频繁迭代时,再考虑 MCP 自动捕捉。

适合什么情况

  • 项目初期,从 PRD 快速出原型,不想在 Figma 里一个个拖组件
  • 想让 AI 理解你的设计规范后自动排版
  • 独立开发者没有设计师,需要 AI 辅助设计出图

方式二:Figma Copy as code(日常最实用)

这是设计改完后同步到代码最顺手的方式,完全不需要配置任何 MCP,零门槛。

操作步骤

第一步:在 Figma 里复制设计信息

选中你改过的组件,右键:

Copy/Paste as → Copy as code → CSS(或选 iOS/Android)

Figma 会把该组件的样式属性(尺寸、圆角、颜色、字体等)导出为结构化的代码格式。

第二步:粘贴给 Claude Code

把复制的内容粘贴给 Claude Code,告诉它要更新哪个组件就行。Claude 会自动识别设计属性,把设计稿的改动同步到代码里。

如果你已经配置了 Figma MCP(方式三),还可以用更快的方式:

选中组件 → 右键 → Copy/Paste as → Copy link to selection

得到一个带 node-id 的链接。把这个链接粘贴给 Claude Code,AI 会自动通过 MCP 读取该节点的完整设计数据——不用手动复制代码。

在这里插入图片描述

适合什么情况

  • 设计师改了 Figma,开发需要同步到代码
  • 微调某个组件的样式
  • 不想折腾 MCP 配置,粘贴就能用

方式三:Figma MCP Server(全自动双向同步)

这是 Figma 官方 2026 年初发布的 AI 集成方案,支持设计和代码双向同步。配置好后,Claude Code 可以直接读取 Figma 设计数据,也可以把代码界面推回 Figma。

两种 MCP Server 的区别

Remote ServerDesktop Server
地址mcp.figma.com/mcp127.0.0.1:3845/mcp
认证OAuth 登录无需认证
要求所有 Plan(含免费)付费 Plan + 桌面端
能力读取 + 写入读取 + 写入(基于选中内容)

各 Plan 调用限额

这是很多人关心的问题,实测后整理了一下:

Plan限额说明
Starter(免费)每月 6 次generate_figma_design 不占配额
Pro每天 200 次10 次/分钟
Organization每天 200 次15 次/分钟
Enterprise每天 600 次20 次/分钟

重点:generate_figma_design(把代码推送到 Figma)不受配额限制,免费用户也能无限次使用。每月 6 次的限制主要影响读取类工具(如 get_design_context),日常够用了。

Figma MCP 各 Plan 调用限额对比:写入 Figma 永远免费不限次数

MCP 配置教程

配置 Remote Server(推荐先试这个)

在 Claude Code 终端里运行一行命令就行,首次使用会弹出 Figma OAuth 授权页面,在浏览器打开链接登录允许即可。整个过程不超过 1 分钟。

配置 Desktop Server

  1. 打开 Figma 桌面端
  2. 切换到 Dev Mode → Enable desktop MCP server
  3. 在 Claude Code 终端添加本地 MCP 服务器地址

连通后能做什么

配置好 Figma MCP 后,Claude Code 获得 13 个工具,核心分两类:

  • 读取设计get_design_context(获取样式和布局)、get_screenshot(截图)、get_metadata(节点结构)等,帮你把 Figma 设计数据提取给 AI
  • 写入 Figmagenerate_figma_design,把 HTML/代码界面推送回 Figma(不限次数)

用起来很简单——把 Figma 设计链接丢给 Claude Code,它会通过 MCP 自动读取设计数据,然后帮你实现对应的代码。反过来,代码改了 UI 之后,也可以让 Claude Code 自动捕捉界面推回 Figma。

踩坑记录(重要)

实测过程中遇到了 3 个坑,提前避开能省很多时间:

坑 1:VSCode 扩展里 OAuth 可能不弹出

Remote Server 在 VSCode Claude Code 扩展里可能无法完成 OAuth 认证流程。解决方案: 先在终端 claude 里完成认证,再回 VSCode 就正常了。

坑 2:第三方 MCP 和官方 MCP 容易搞混

npm 上的 figma-developer-mcp 是第三方包(Framelink 出品),只能读不能写,还需要手动配 API Token。Figma 官方的 Remote MCP 地址是 mcp.figma.com/mcp,用 OAuth 认证,功能完整——别装错了。

坑 3:免费 Plan 完全够用

一开始以为 MCP 需要 Pro,实测发现 Free Plan 就能连通generate_figma_design(推代码到 Figma)不受配额限制;读取类工具每月 6 次,日常够用。


我的推荐工作流(经过实测)

推荐工作流:按项目阶段选方式,从初期出原型到日常迭代到全自动同步

根据项目阶段选择不同的 AI 画原型方式:

初期:快速出原型

PRD + UI 规范 → Claude Code 生成 HTML 原型 → html.to.design 插件导入 Figma

5 分钟出完所有页面,比手动画快 10 倍。

日常:设计改完同步代码

Figma 改设计 → Copy as code → 粘贴给 Claude Code → 自动同步

设计稿转代码最顺滑的方式,零配置。

进阶:全自动双向同步(MCP 连通后,免费即可)

设计改了 → MCP 自动读取 → 代码同步 → 代码改了 UI → 自动推回 Figma(不限次数)

真正实现设计和代码的双向同步,免费 Plan 就能用。


实用技巧:建立设计-代码映射表

在项目里维护一份映射关系表,AI 看到就知道该改哪个文件:

UI 组件Figma 帧代码文件
体重卡片Home/WeightCardWeightCard.swift
睡眠条Home/SleepBarSleepCard.swift
AI 聊天气泡AI/ChatBubbleChatBubble.swift

这样不管用哪种方式,告诉 Claude Code"改体重卡片",它就能精准定位到对应的 Figma 设计和代码文件。

对于独立开发者来说,这张表就是你的设计系统文档,维护成本极低但效果很好。


总结

2026 年,AI 辅助设计的链路已经完全跑通了:

  • 三种方式都免费: HTML 原型、Copy as code、MCP Server 都不需要 Pro
  • MCP 免费版限制很少:generate_figma_design 不限次数,读取类工具每月 6 次,日常够用
  • 核心思路: 让 AI 理解你的设计规范,而不是一个个像素去抠

工具在进化,但思路比工具重要——先把 PRD 和设计规范写清楚,AI 才能帮你高效干活。

最后说说 Figma 和 Pencil MCP 的选择

实测完整个流程后,我个人的感受是:Figma 这条线更适合有团队协作需求的场景。

Figma 本身的设计组件生态非常成熟,设计师和开发者之间有现成的协作规范(Dev Mode、设计系统、组件库)。如果你的项目有专门的设计师,或者需要多人在同一份设计稿上协作,Figma MCP 能把这条链路打通得很顺滑——设计师在 Figma 改完,开发通过 MCP 自动同步,不需要反复截图对照。

但如果你是独立开发者、一个人搞定设计和代码,Pencil MCP 这类更轻量的方案可能效率更高,不需要绕一圈 Figma。

选哪条线取决于你的团队结构,不是工具本身的好坏。


如果你也在用 AI 辅助设计或者 Claude Code 画原型,欢迎在评论区聊聊你的工作流,互相抄作业。

觉得有用的话,转发给你还在手动画原型的朋友,帮他们省点时间。

Read more

解锁AIGC新时代:通义万相2.1与蓝耘智算平台的完美结合引领AI内容生成革命

解锁AIGC新时代:通义万相2.1与蓝耘智算平台的完美结合引领AI内容生成革命

前言 通义万相2.1作为一个开源的视频生成AI模型,在发布当天便荣登了VBench排行榜的榜首,超越了Sora和Runway等业内巨头,展现出惊人的潜力。模型不仅能够生成1080P分辨率的视频,而且没有时长限制,能够模拟自然动作,甚至还可以还原物理规律,这在AIGC领域中简直堪称革命性突破。通过蓝耘智算平台,我们能够轻松部署这个模型,创建属于自己的AI视频生成工具。今天,我将为大家深入探讨通义万相2.1的强大功能,并分享如何利用蓝耘智算平台快速入门。 蓝耘智算平台 1. 平台概述 蓝耘智算平台是一个为高性能计算需求设计的云计算平台,提供强大的计算能力与灵活服务。平台基于领先的基础设施和大规模GPU算力,采用现代化的Kubernetes架构,专为大规模GPU加速工作负载而设计,满足用户多样化的需求。 2. 核心优势 * 硬件层: 蓝耘智算平台支持多型号GPU,包括NVIDIA A100、V100、H100等高性能显卡,能够通过高速网络实现多机多卡并行计算,突破单机算力瓶颈。 * 软件层: 集成Kubernetes与Docker技术,便于任务迁移与隔离;支持PyTo

智能体来了—初级工作流:数据与接口基础(AI Agent / 低代码必修课)

智能体来了—初级工作流:数据与接口基础(AI Agent / 低代码必修课)

在 AI Agent 和低代码开发盛行的今天,很多同学会画流程图,但一到具体配置参数、处理 API 返回数据时就频频报错。 其实,工作流的本质只有一句话: 数据在不同节点之间的流转与变形。 如果不理解基础的数据类型和接口规范,你的工作流就像堵塞的水管,要么跑不通,要么跑得很慢。 今天,我们通过一张思维导图,系统性地补齐这块短板,帮你真正理解工作流的“底层逻辑”。 一、工作流基础:认识你的“积木” 工作流是由一个个**节点(Node)**串联而成的。在开始搭建之前,我们需要先搞清楚: 自己手里到底有哪些“积木”可以用。 1.1 核心节点类型 在大多数 AI / 低代码平台中,节点可以概括为以下五大类: * 正常节点 执行单一任务,例如发送 HTTP 请求、调用模型、处理数据。 * 传入 / 传出节点

论文笔记DiT:Scalable Diffusion Models with Transformers(含transformer的可扩展扩散模型 )

论文笔记DiT:Scalable Diffusion Models with Transformers(含transformer的可扩展扩散模型 )

Abstract:     论文的核心思想非常直接:用一个标准的 Transformer 架构替换掉扩散模型中常用的 U-Net 主干网络,并证明这种新架构(称为 DiT, Diffusion Transformer)具有出色的可扩展性(Scalability)。 Background & Motivation:     在论文发表前,Transformer 已经在自然语言处理(BERT, GPT)和计算机视觉(ViT)等领域取得了巨大成功,成为了一种“统一”的架构。然而,在图像生成领域,特别是扩散模型中,大家仍然普遍使用 U-Net。U-Net 因其多尺度特征融合和卷积的局部归纳偏置而被广泛采用。     在深度学习中,一个好的架构应该具备良好的“可扩展性”——即投入更多的计算资源(更大的模型、更多的数据),性能应该会持续稳定地提升。ViT 已经证明了 Transformer 在视觉识别任务上具有这种特性。作者们希望验证 DiT 是否也具备这种优良特性,为未来的生成模型发展指明一条清晰的路径。

FPGA平台下组合逻辑电路的实战案例分析

以下是对您提供的博文内容进行 深度润色与结构重构后的技术文章 。整体风格更贴近一位资深FPGA工程师在技术社区中自然、专业、有温度的分享,去除了模板化表达和AI痕迹,强化了工程语境、实战细节与教学逻辑,同时严格遵循您提出的全部优化要求(无“引言/总结/展望”等模块标题、不使用刻板连接词、融合多维度要点于叙述流中、语言真实可感、结尾顺势收束): 从LED点阵说起:一个让新手栽过三次跟头的组合逻辑设计现场 去年带实习生做Artix-7开发板上的8×8 LED动态扫描项目时,我亲眼看着三个不同背景的同学,在同一个地方卡了整整两周——不是不会写Verilog,也不是看不懂时序图,而是反复遭遇“仿真全绿、上板乱闪、示波器一测满屏毛刺”的窘境。最后发现,问题根子不在代码语法,而在于他们把“组合逻辑”当成了教科书里那个干净利落的真值表,却忘了FPGA里的每一根走线、每一个LUT、每一对IO Bank,都在用纳秒级的物理行为对你的抽象逻辑说:“你确定这是我要执行的?” 今天我们就从这个真实的调试现场出发,把译码器和多路选择器这两块最基础的数字电路积木,重新拆开、擦亮、装回系统里——不讲定义,只