Stitch——Google热门的免费AI UI设计工具

Stitch——Google热门的免费AI UI设计工具

Google Stitch是谷歌在2025年I/O大会上推出的一款AI驱动的UI设计工具。它能根据文字描述或草图快速生成网页和移动端界面,并导出可用于开发的前端代码,并且可以直接与另一个前端AI编码工具AI Studio直接联动,将生成的UI发给AI Studio进行开发。

访问方式与要求:

  1. 通过访问官网(stitch.withgoogle.com),使用谷歌账户登录即可开始使用。
  2. Google Stitch并不支持全部地区,如vpn设置为中国香港也无法访问,美国地区可以使用。

使用流程:

第一步:进入官网并完成登录:

第二步:选择合适的模型:

    1. 默认选择的是3 Flash,使用Gemini 3.0 Flash,生成速度较快。
    2. 3 Pro模式下,优先保障高质量与推理能力,速度缓与3 Flash。
    3. Redesign模式使用Nano Banana Pro重新设计现有项目,需要添加屏幕截图。
    4. Ideate模式下,支持提出问题并寻找解决方案。

第三步:选择移动端或Web端并添加描述:

示例:3 Flash模式下,创建Web端项目:

内容描述:实现一个简单的项目管理工具UI界面;

模型思考反馈:

模型绘制过程:


绘制完成:

内容总览:

界面详情:

第四步:生成变体

当希望得到同一个界面的多个不同UI设计(变体)时,有以下三种方式:

  1. 选中已经生成的UI设计界面,在对话框中选中“3x”,添加提示词指导变体的生成;
  2. 通过“+”按钮上传图片资源,在对话框中选中“3x”,添加提示词指导变体的生成;
  3. 只通过对话框添加提示词描述并选中“3x”,生成多个变体。
示例:

通过Select选择要生成变体的设计稿:

对话框会显示已选择的界面,选择变体后添加描述补充即可:

结果概述:

界面详情(生成3个变体):

第五步:微调

当stitch给出的界面设计总体符合自己的愿景时,可以采取更细化的调整UI组件内容

选择编辑按钮:

然后在界面上选择需要微调修改的组件内容:

例如我选择了如图的进度条样式,并选择Edit With AI,输入提示词:

思考过程:

最终结果:(此处省略几次样式美化与调整)

第六步:导出与使用

选中目标设计稿后悬停,会弹出一个菜单栏,鼠标悬停到More即可展示菜单选项:

使用一:直接复制使用前端代码:

在悬停菜单中选择“查看代码”:会直接展示该界面的前端代码,且支持复制。

使用二:复制(导出)到Figma:

在悬停菜单中选择“复制到Figma”:

点击右边弹出框底部的“转换”即可完成复制,在Figma中粘贴即可:

使用三:导出:

实际上包含了“复制代码”、“复制到Figma”、“下载”,并且支持更多的导出方式。

其中.zip导出格式会下载一个压缩包,解压后包含两个文件:一个code.html代码文件和一个screen.png图片文件。

Read more

GTC2026前瞻(二)Agentic AI 与开源模型篇+(三)Physical AI 与机器人篇

GTC2026前瞻(二)Agentic AI 与开源模型篇+(三)Physical AI 与机器人篇

(二)Agentic AI 与开源模型篇 Agentic AI与开源模型:英伟达想定义的,不只是“更聪明的模型”,而是“能持续工作的数字劳动力” 如果说过去两年的大模型竞赛,核心问题还是“谁能生成更像人的答案”,那么到了 GTC 2026,问题已经明显变了。英伟达把 Agentic AI 直接列为大会四大核心主题之一,官方对这一主题的定义也很明确:重点不再是单轮问答,而是让 AI agent 能够推理、规划、检索并执行动作,最终把企业数据转化为可投入生产的“数字劳动力”。这说明,Agentic AI 在英伟达的语境里,已经不是一个前沿概念,而是下一阶段 AI 商业化的主战场。(NVIDIA) 一、GTC 2026真正的变化,是 AI 开始从“会回答”走向“会做事”

FLUX.1-dev与Stable Diffusion对比评测:图像质量与生成速度

FLUX.1-dev与Stable Diffusion对比评测:图像质量与生成速度 作为一名长期关注AI图像生成技术的开发者,我一直在寻找能够在质量和速度之间取得最佳平衡的解决方案。最近,Black Forest Labs开源的FLUX.1-dev模型引起了我的注意,特别是它声称能够在消费级硬件上运行,同时保持出色的图像质量。 今天我将通过实际测试,从图像细节、风格控制、生成速度等多个维度,对比FLUX.1-dev与大家熟悉的Stable Diffusion,看看这两个模型在实际使用中究竟表现如何。 1. 测试环境与方法 为了确保对比的公平性,我搭建了统一的测试环境。使用NVIDIA RTX 4090显卡,24GB显存,Intel i9-13900K处理器,64GB DDR5内存。操作系统为Ubuntu 22.04,所有测试都在相同的硬件和软件环境下进行。 测试方法包括定量评估和定性分析。定量方面主要测量生成速度、内存占用等硬性指标;定性方面则通过同一组提示词生成图像,从视觉质量、细节表现、风格一致性等角度进行对比。 我选择了50组涵盖不同场景的提示词,包括人物肖像、风景

从零构建:FRP反向代理在智能家居中的实战应用

从零构建:FRP反向代理在智能家居中的实战应用 智能家居系统正逐渐成为现代家庭的标配,但如何安全高效地实现远程访问内网设备却让许多开发者头疼。本文将深入探讨如何利用FRP反向代理技术,构建一套稳定可靠的智能家居远程控制系统,从基础配置到高级优化,手把手带你掌握内网穿透的核心技巧。 1. 智能家居远程访问的技术挑战与FRP解决方案 智能家居设备通常部署在家庭局域网内,缺乏公网IP地址。传统方案如端口映射存在配置复杂、安全性差等问题。FRP作为一款开源反向代理工具,通过轻量级的中转服务,完美解决了这些痛点。 FRP的核心优势在于: * 多协议支持:全面兼容HTTP、HTTPS、TCP、UDP等协议 * 低延迟传输:智能路由算法确保控制指令实时响应 * 资源占用低:单核CPU可处理上千并发连接 * 跨平台运行:支持Windows、Linux、macOS等主流系统 典型应用场景包括: * 远程查看家庭监控摄像头 * 异地调节智能温控器 * 管理NAS存储设备 * 调试物联网开发板 安全提示:所有FRP传输建议启用TLS加密,避免使用默认端口,定期更新至最新版本

智能家居与物联网项目实战全指南:从架构设计到落地部署

随着物联网(IoT)、边缘计算与AI技术的深度融合,智能家居已从单一设备控制升级为“感知-决策-执行”的全场景智能系统。无论是个人开发者搭建家庭智能环境,还是企业级项目落地,都需要兼顾硬件兼容性、网络稳定性、场景实用性与安全性。本文将从系统架构、硬件选型、软件开发、场景实战、问题排查五个核心模块,提供可直接落地的实战方案,助力开发者快速完成智能家居项目从0到1的搭建。 一、智能家居系统核心架构设计(四层架构+技术选型) 智能家居系统的本质是“设备互联+数据驱动+场景联动”,采用经典的“感知层-网络层-平台层-应用层”四层架构设计,可确保系统的稳定性、可扩展性与兼容性。 1. 感知层:数据采集的“神经末梢” 感知层是系统的数据来源,负责采集环境参数、设备状态与人体行为信息,核心设备包括传感器与执行器,选型需兼顾精度、功耗与兼容性。 - 核心设备分类: - 环境传感器:温湿度传感器(推荐DHT22,精度±0.5℃